Está en la página 1de 159

Inteligencia Artificial

INTELIGENCIA ARTIFICIAL

_________________________________________________________________________
1

Inteligencia Artificial

INDICE
INTRODUCCIÓN ................................................................................................................... 6 
UNIDAD 1 .............................................................................................................................. 7 
FUNDAMENTOS ................................................................................................................ 8 
1.1.- El propósito de la Inteligencia Artificial y su evolución histórica................. 8 
1.2.- Las habilidades cognoscitivas según la psicología. Teorías de la
inteligencia (conductismo, Gardner). ...................................................................... 21 
1.3.- El proceso de razonamiento según la lógica (Axiomas, Teoremas,
demostración)............................................................................................................. 22 
1.4.- El modelo de adquisición del conocimiento según la filosofía................... 29 
1.5.- El modelo cognoscitivo. ................................................................................... 31 
1.6.- El modelo del agente inteligente.................................................................... 32 
1.7.- El papel de la heurística................................................................................... 34 
Cuestionario de evaluación....................................................................................... 36 
UNIDAD 2 ............................................................................................................................ 37 
REPRESENTACIÓN DEL CONOCIMIENTO Y RAZONAMIENTO ................................ 38 
2.1.- Mapas conceptuales. ........................................................................................ 38 
2.2.- Redes semánticas. ............................................................................................ 40 
2.3.- Razonamiento monótono. ............................................................................... 45 
2.4.- La lógica de predicados: sintaxis, semántica, validez e inferencia. .......... 46 
2.5.- La demostración y sus métodos..................................................................... 52 
2.6.- El método de resolución de Robinson. .......................................................... 54 
2.7.- Conocimiento no-monótono y otras lógicas. ................................................ 58 
2.8.- Razonamiento probabilístico. .......................................................................... 63 
2.9.- Teorema de Bayes............................................................................................ 64 
Cuestionario de evaluación....................................................................................... 68 
UNIDAD 3 ............................................................................................................................ 69 
SISTEMAS DE RAZONAMIENTO LÓGICO ................................................................... 70 
3.1.- Reglas de producción....................................................................................... 70 
3.2.- Sintaxis de las reglas de producción. ............................................................ 72 
- A1 ٨ A2. ...٨ An => C - representación objeto-atributo-valor........................... 72 
3.3.- Semántica de las reglas de producción......................................................... 73 
3.4.- Arquitectura de un sistema de Producción (SP) (ó Sistemas Basados en
Reglas, SBR). .............................................................................................................. 77 
3.5.- Ciclo de vida de un sistema de Producción. ................................................. 88 
Cuestionario de evaluación....................................................................................... 91 
UNIDAD 4 ............................................................................................................................ 92 
BÚSQUEDA Y SATISFACCIÓN DE RESTRICCIONES ................................................. 93 
4.1.- Problemas y espacios de estados. ................................................................. 93 
4.2.- Espacios de estados determinísticos y espacios no determinísticos....... 100 
4.3.- Búsqueda sistemática. ................................................................................... 103 
4.4.- Satisfacción de restricciones. ........................................................................ 117 
4.5.- Resolución de problemas de juegos. ........................................................... 120 
_________________________________________________________________________
2

Inteligencia Artificial

Cuestionario de evaluación..................................................................................... 126 
CONCLUSIÓN .................................................................................................................... 128 
ANEXOS ............................................................................................................................. 129 
Anexo A Minería de datos........................................................................................... 129 
Anexo B Robótica ......................................................................................................... 130 
Anexo C Prolog ............................................................................................................. 147 
Anexo D Cláusulas de Horn ........................................................................................ 152 
Anexo E Tres en raya .................................................................................................. 153 
BIBLIOGRAFÍA .................................................................................................................. 155 

_________________________________________________________________________
3

. 90 Figura 18. 58 Figura 13.……………………….…………………………………………. Una red semántica……………………. Ejemplo de un problema resuelto por el programa ANALOGY de Evans…………. Ejemplo de una tabla con el trío OAV (objeto-atributo-valor)…….…………………. 38 Figura 7.………….…………………………………………………………………. Estructura de un símbolo o signo……………………………………………………..……………………………………………… 106 _________________________________________________________________________ 4 . 41 Figura 9.……………………. Los agentes interactúan con el medioambiente sensores y efectores…………….…………………………………………………………………. 96 Figura 19.... 42 Figura 10...……………….………. 43 Figura 11.…………………………………………………….… 99 Figura 21. Una red general…………………. El mundo de la aspiradora con dos localizaciones solamente………………………. Cláusulas padre básicas…………………………………………………………. Ejemplo de un grafo………………………. Tabla parcial de una función de agente sencilla para el mundo de la aspiradora………………………………….……..……….……… 74 Figura 15. 1972)……. Esquema del mundo de los bloques.……… 79 Figura 17.………. Mapa conceptual sobre los mapas conceptuales………………………………. 104 Figura 22.12 Figura 2. 51 Figura 12.……………. Árbol de búsqueda……………. 34 Figura 6.. Árbol de búsqueda………………………………. El espacio de estado para el problema del mono y los plátanos………………. 13 Figura 3. Red semántica con vínculos ES-UN y UN-TIPO-DE…………………………. Características de los sistemas de producción……………………………………. 33 Figura 5. Ciclo de vida de un Sistema de Producción………………………………………………. Estructura de un sistema basado en conocimiento……………………………..……………………………… 98 Figura 20.. 73 Figura 14. 39 Figura 8.Inteligencia Artificial ÍNDICE DE FIGURAS Figura 1. Tabla de verdad…………………………………………………………………………….. 32 Figura 4...…………………………………………………………….. Mapa conceptual…………………………………………. 78 Figura 16.. Grafica de estado para una máquina expendedora de bebidas gaseosas que acepta monedas de 25 y 5 centavos………………………………………. SHRDLU (Winograd.………………..

Árbol de búsqueda con costos asociados……………….. Ejemplo de n-reinas……………………….………………………………………………………….…………………………………………….………………………………………………….……………………………. Árbol para minimax…………………. 124 Figura 27. Poda alfa-beta………………………………………..… 120 Figura 25.………………………………………………………….. 120 Figura 26..Inteligencia Artificial Figura 23. 125 _________________________________________________________________________ 5 .. Planificación de corte……………….… 111 Figura 24..

que data de tiempo atrás. el bien conocido compromiso de los japoneses con la Inteligencia Artificial. el hecho de que ha llegado la hora de la Inteligencia Artificial. emularlo en alguna capacidad que denotara cierta inteligencia. Parte de esta expansión se debe a la extensión de las fronteras de la tecnología. fue intentar construir máquinas que pudieran pensar como el ser humano. o al menos. finalmente. que fueron los primeros productos de la Inteligencia Artificial de auténtico impacto comercial. Desde el microprocesador al impacto del procesamiento en paralelo. _________________________________________________________________________ 6 .Inteligencia Artificial INTRODUCCIÓN La Inteligencia Artificial es una ciencia orientada al diseño y construcción de máquinas que implementen tareas propias de humanos dotados de inteligencia natural. La Inteligencia Artificial ofrece perspectivas interesantes ya que es capaz de suministrar metodologías que permiten realizar de forma automática algunas de las tareas realizadas típicamente por los humanos. la lenta pero firme integración de las técnicas de la Inteligencia Artificial en las aplicaciones existentes y. todo apunta a la expansión de las técnicas computacionales. La Inteligencia Artificial ha tenido siempre como modelo natural las funcionalidades inteligentes del hombre. vía redes neuronales. La Inteligencia Artificial ha pasado de ser un pequeño aspecto de la ciencia informática a ser quizás la aportación más importante a la informática desde el transistor. Este cambio se basa en cuatro factores fundamentales: el éxito de los sistemas expertos. Su primera motivación. La Inteligencia Artificial esta ayudando a expandir el horizonte del tratamiento de la información. focalizándose en distintos aspectos.

Inteligencia Artificial UNIDAD 1 FUNDAMENTOS _________________________________________________________________________ 7 .

La psicología ofrece herramientas que permiten la investigación de la mente humana..El propósito de la Inteligencia Artificial y su evolución histórica. Durante más de 2000 años de tradición en filosofía han surgido diversas teorías del razonamiento y del aprendizaje simultáneamente con el punto de vista de que la mente se reduce al funcionamiento de un sistema físico. matemáticas.Inteligencia Artificial UNIDAD 1 FUNDAMENTOS 1. han surgido teorías formales relacionadas con la lógica. Los filósofos (desde el año 400 a. Las ciencias que aportan a la Inteligencia Artificial son: filosofía. así como un lenguaje científico para expresar las teorías que se van obteniendo. Los psicólogos reforzaron la idea de que los humanos y otros animales podían ser considerados como máquinas para el procesamiento de información.) tuvieron en mente la Inteligencia Artificial al concebir a la mente con maneras diversas como una máquina que funciona a partir del conocimiento codificado en un lenguaje interno y al considerar que el pensamiento servía para determinar cuál era la acción correcta que había que emprender. probabilidad. psicología. La lingüística ofrece teorías sobre la estructura y significado del lenguaje. lingüística y ciencias de la computación. Los lingüistas demostraron que el uso de un lenguaje se ajusta dentro de este modelo.1. Las matemáticas proveyeron las herramientas para manipular las aseveraciones de certeza lógica así como las inciertas de tipo probabilista. La ciencia de la computación de la que se toman herramientas que permiten que la Inteligencia Artificial sea una realidad. C. Así mismo prepararon el terreno para el manejo del razonamiento con algoritmos. La ingeniería de cómputo ofreció el dispositivo que permite hacer realidad las aplicaciones de la Inteligencia Artificial. _________________________________________________________________________ 8 . Los programas de Inteligencia Artificial por lo general son extensos y no funcionarían sin los grandes avances de velocidad y memoria apartadas por la industria de cómputo. teoría de decisiones y la computación. Durante más de 400 años de matemáticas.

Nacimiento de la Inteligencia Artificial (1956) Princeton University acogió a otra de las figuras de la Inteligencia Artificial: John McCarthy. la “activación” se daba como respuesta a la estimulación producida por una cantidad suficiente de neuronas vecinas [1]. Posteriormente a su graduación. en el que cada una de ellas se caracterizaba por estar “activadas” o “desactivadas”. que cualquier función de cómputo podría calcularse mediante una red de neuronas interconectadas. ahí. en 1950. Mostraron. pero se dice que Von Newmann dijo. de hecho. por ejemplo. McCarthy convenció a Minsky. introdujo la prueba de Turing. utilizaba 3 000 válvulas de vacío y un mecanismo de piloto automático obtenido de los desechos de un avión bombardero B-247 para simular una red de 40 neuronas. El comité encargado de evaluar el doctorado de Minsky veía con escepticismo el que este tipo de trabajo pudiera considerarse como matemático. pero fue Alan Turing quien articuló primero una versión de la Inteligencia Artificial en su artículo Computing Machinery and Intelligence. not. El estado de una neurona se veía como “equivalente. que se erigiría en el lugar del nacimiento oficial de este campo. “si no lo es actualmente. las redes neuronales y el _________________________________________________________________________ 9 . Donald Hebb (1949) propuso y demostró una sencilla regla de actualización para modificar las intensidades de las conexiones entre neuronas. construyeron la primera computadora a partir de una red neuronal en 1951. el análisis formal de la lógica proposicional de Rusell y Whitehead y la teoría de la computación de Turing. Su regla. Minsky posteriormente probó teoremas influyentes que mostraron las limitaciones de la investigación con redes neuronales.) se podrían implementar utilizando estructuras de red sencillas. Dos estudiantes graduados en el Departamento de Matemáticas de Princeton. Hay un número de trabajos iniciales que se pueden caracterizarse como de Inteligencia Artificial. algún día lo será”. or.Inteligencia Artificial Historia de la Inteligencia Artificial Génesis de la Inteligencia Artificial (1943-1955) Warren McCulloch y Walter Pitts (1943) han sido reconocidos como los autores del primer trabajo de Inteligencia Artificial. Partieron de tres fuentes: conocimientos sobre la fisiología básica y funcionamiento de las neuronas en el cerebro. etc. y que todos los conectores lógicos (and. Marvin Minsky y Dean Edmonds. el SNARC. McCulloch y Pitts también sugirieron que redes adecuadamente definidas podrían aprender. Claude Shannon y Nathaniel Rochester para que le ayudaran a aumentar el interés de los investigadores americanos de la teoría de autómatas. ahora llamada de aprendizaje Hebbiano o de Hebb. sigue vigente en la actualidad. el aprendizaje automático. McCarthy se trasladó al Dartmouth College. a una proposición con los estímulos adecuados”. como se llamó. Propusieron un modelo constituido por neuronas artificiales. los algoritmos genéticos y el aprendizaje por refuerzo.

1 Newel y Simon también desarrollaron un lenguaje de procesamiento de listas. Durante los siguientes 20 años. diciendo en voz alta números binarios. y Ray Solomonoff y Oliver Selfridge del MIT (Instituto Tecnológico de Massachusetts) [1]. para poder escribir el TL. IPL. El taller de Dartmouth no produjo ningún avance notable.Inteligencia Artificial estudio de la inteligencia. que. Ninguno de los otros campos tenía en cuenta estos temas. con lo que ha quedado resuelto el venerable problema de la dualidad mente-cuerpo” 1. Allen Newell y Herbert Simon. trabajaron en paralelo. Quizá “racionalidad computacional” hubiese sido mas adecuado. Se dice que Russell se manifestó complacido cuando Simon le mostró que la demostración de un teorema que el programa había generado era más corta que la que aparecía en Principia. Hubo diez asistentes en total. No disponían de un compilador y lo tradujeron a un código máquina a mano. Arthur Samuel de IBM (International Business Machines). la auto-mejora y el uso del lenguaje. Dos investigadores del Carnegie Tech. además la Inteligencia Artificial es el único campo que persigue la construcción de máquinas que funcionen automáticamente en medios complejos y cambiantes. persiguen objetivos similares a los de la Inteligencia Artificial? O. Organizaron un taller con una duración de dos meses en Darmouth en el verano de 1956. _________________________________________________________________________ 10 . así como por los estudiantes y colegas del MIT. 1955]. Newell y Simon contaban ya con un programa de razonamiento. o investigación operativa. pero “Inteligencia Artificial” se ha mantenido. en algunos casos. o teoría de la decisión. CMU (Carnegie Mellon University). programas para aplicaciones determinadas como el juego de damas. Poco después del término del taller. Los editores de la revista Journal of Symbolic Logic resultaron menos impresionados y rechazaron un artículo cuyos autores eran Newell. Si bien los demás también tenían algunas ideas y. Revisando la propuesta del taller de Dartmouth [McCarthy et al. se puede apreciar por qué fue necesario para la Inteligencia Artificial convertirse en un campo separado. el campo estuvo dominado por estos personajes. pero puso en contacto a las figuras importantes de este campo. Quizá lo último que surgió del taller fue el consenso en adoptar el nuevo nombre propuesto por McCarthy para este campo: Inteligencia Artificial. Stanford e IBM. conforme escribían cada instrucción para asegurarse de que coincidían. acapararon la atención. Simon y el Teórico Lógico TL. La Inteligencia Artificial es el único de estos campos que es claramente una rama de la informática (aunque la investigación operativa comparte el énfasis en la simulación por computadora). el Teórico Lógico (TL). ¿Por qué no todo el trabajo hecho en el campo de la Inteligencia Artificial se ha realizado bajo el nombre de teoría de control. entre los que se incluían Trenchard More de Princeton. Para evitar errores. La segunda respuesta está relacionada con la metodología. ¿por qué no es la Inteligencia Artificial una rama de las matemáticas? La primera respuesta es que la Inteligencia Artificial desde el primer momento abarcó la idea de duplicar las facultades humanas como la creatividad. el programa ya era capaz de demostrar gran parte de los teoremas del capitulo 2 de Principia Matemática de Russell y Whitehead. del que Simon afirmaba: “Hemos inventado un programa de computación capaz de pensar de manera no numérica. después de todo.

como los modelos de cognición. Trabajaba todas las noches y utilizaba máquinas que aún estaban en periodo de prueba en la planta de fabricación de IBM. que afirma que “un sistema de símbolos físicos tiene los medios suficientes y necesarios para generar una acción inteligente”. a las computadoras se les consideraba como artefactos que podían realizar trabajos aritméticos y nada más. Dentro del limitado número de puzzles que podía manejar. Como Turing. La comunidad científica. De paso. los investigadores de Inteligencia Artificial responderían demostrando la realización de una tarea tras otra. En el Laboratorio de Inteligencia Artificial de MIT Memo Número 1. Lisp es el segundo lenguaje de programación más antiguo que se utiliza en la actualidad. el cual era capaz de demostrar teoremas que muchos estudiantes de matemáticas podían encontrar muy complejos de resolver. Arthur Samuel escribió una serie de programas para el juego de las damas que eventualmente aprendieron a jugar hasta alcanzar un nivel equivalente al de un amateur. McCarthy publicó un artículo titulado “Programs with Common Sense”. McCarthy tenía la herramienta que necesitaba. En IBM. que se convertiría en el lenguaje de programación dominante en la Inteligencia Artificial. Teniendo en cuenta lo primitivo de las computadoras y las herramientas de programación de aquella época. El programa se presentó en la televisión en febrero de 1956 y causó gran impresión. Naturalmente. un programa hipotético que _________________________________________________________________________ 11 . el SRGP posiblemente fue el primer programa que incorporó el enfoque de “pensar como un ser humano”. Para solucionarlo. y el hecho de que sólo unos pocos años antes. Herbert Gelernter (1959) construyó el demostrador de teoremas de geometría (DGT). El éxito de SRGP y de los programas que le siguieron. en su mayoría. él. Al temprano éxito de Newell y Simon siguió el del Sistema de Resolución General de Problemas (SRGP). desde el principio este programa se diseñó para que imitara protocolos de resolución de problemas de los seres humanos. resultó que la secuencia en la que el programa consideraba que los subobjetivos y las posibles acciones eran semejantes a la manera en que los seres humanos abordaban los mismos problemas. donde realizó tres contribuciones cruciales en un año histórico: 1958. llevaron a Newell y Simon (1976) a formular la famosa hipótesis del sistema de símbolos físicos. McCarthy definió el lenguaje de alto nivel Lisp. Samuel tenía dificultades para obtener el tiempo de cómputo. Nathaniel Rochester y sus colegas desarrollaron algunos de los primeros programas de Inteligencia Artificial. ahora sin manos!” [1]. grandes esperanzas (1952-1969) Los primeros años de la Inteligencia Artificial estuvieron llenos de éxitos (aunque con ciertas limitaciones). John McCarthy se refiere a esta época como la era de “¡Mira. John McCarthy se trasladó de Darmouth al MIT. a diferencia del Teórico Lógico.Inteligencia Artificial Entusiasmo inicial. pero el acceso a los escasos y costosos recursos de cómputo aún era un problema serio. en el que describía el Generador de Planes (planificador). prefirió creer que “una máquina nunca podría hacer tareas humanas”. junto a otros miembros del MIT inventaron el tiempo compartido. echó por tierra la idea de que las computadoras sólo pueden hacer lo que se les dice: su programa pronto aprendió a jugar mejor que su creador. en 1958. A comienzos 1952. También. mamá. Con Lisp. Es decir. ya que apareció un año después de FORTRAN. Lo que ellos querían decir es que cualquier sistema (humano o máquina) que exhibiese inteligencia debería operar manipulando estructuras de datos compuestas por símbolos. resultó sorprendente que una computadora hiciese algo remotamente inteligente.

Sin embargo. Estos dominios limitados se conocen como micromundos. Al igual que el Teórico Lógico y el Demostrador de Teoremas de Geometría. Robinson del método de resolución (un algoritmo completo para la demostración de teoremas para la lógica de primer orden). 1958 fue el año en el que Marvin Minsky se trasladó al MIT. A. su colaboración inicial no duró demasiado. En 1963 McCarthy creó el Laboratorio de Inteligencia Artificial en Stanford. El programa se diseñó para que aceptase nuevos axiomas durante el curso normal de la operación. El trabajo realizado en Stanford hacía énfasis en los métodos de propósito general para el razonamiento lógico. Minsky supervisó el trabajo de una serie de estudiantes que eligieron un número de problemas limitados cuya solución pareció requerir inteligencia. McCarthy diseñó su programa para buscar la solución a problemas utilizando el conocimiento. mientras que Minsky estaba más interesado en lograr que los programas funcionaran y eventualmente desarrolló un punto de vista anti-lógico. Pero. Ejemplo de un problema resuelto por el programa ANALOGY de Evans. este último proyecto. semejante a la figura 1. habituales en los primeros cursos de licenciatura. El Generador de Planes incorporaba así los principios centrales de la representación del conocimiento y el razonamiento: es útil contar con una representación formal y explicita del mundo y de la forma en que la acción de un agente afecta al mundo. Por ejemplo. así como. McCarthy se centró en la representación y el razonamiento con lógica formal. sin necesidad de reprogramación. El programa ANALOGY de Tom Evans (1968) resolvía problemas de analogía geométrica que se aplicaban en las pruebas de medición de inteligencia. es a 1 como 2 3 es a: 4 5 Figura 1. Algunas aplicaciones de la lógica incluían los sistemas de planificación y respuesta a preguntas de Cordell Green (1969).Inteligencia Artificial podría considerarse como el primer sistema de Inteligencia Artificial completo. _________________________________________________________________________ 12 . manejaba el conocimiento general del mundo. su plan para construir la versión más reciente del Generador de Planes con ayuda de la lógica sufrió un considerable impulso gracias al descubrimiento de J. fue el primero que demostró la total integración del razonamiento lógico y la actividad física. El programa SAINT de James Slagle (1963) fue capaz de resolver problemas de integración de cálculo de forma cerrada. mostró cómo algunos axiomas sencillos permitían a un programa generar un plan para conducirnos hasta el aeropuerto y tomar un avión. ser capaces de manipular estas representaciones con procesos deductivos. así como el proyecto de robótica de Shakey en el nuevo SRI (Instituto de Investigación de Stanford). permitiéndole así ser competente en áreas nuevas. a diferencia de los otros.

1962]. el mundo de los bloques fue el punto de partida para el proyecto de visión de David Huffman (1971). <<Busca un bloque que sea más alto que el que ahora tienes y ponlo en la caja>>. siempre y cuando existiera una correspondencia. la visión y el trabajo de propagación con restricciones de David Waltz (1975). ¿Cuántos clientes tiene Tom? El micromundo más famoso fue el mundo de los bloques. el programa de compresión de lenguaje natural de Terry Winograd (1972) y del planificador de Scott Fahlman (1974). Ha completado su tarea. Widrow. como se muestra en la figura 2. lo cual llevaba consigo un aumento proporcional en robustez y paralelismo. Rosenblatt demostró el famoso teorema del perceptrón. y por Frank Rosenblatt (1962) con sus perceptrones. El trabajo de Winograd y Cowan (1963) mostró cómo un gran número de elementos podría representar un concepto individual de forma colectiva. El trabajo realizado por McCulloch y Pitts con redes neuronales hizo florecer esta área. con la ayuda de la mano de un robot que es capaz de tomar un bloque a la vez. en la simulación de ésta). la teoría del aprendizaje de Patrick Winston (1970). Una tarea típica de este mundo es la reordenación de los bloques de cierta manera.Inteligencia Artificial El programa STUDENT de Daniel Cocrow (1967) podía resolver problemas de álgebra del tipo: Si el número de clientes de Tom es dos veces el cuadrado de 20 por ciento de la cantidad de anuncios que realiza. Azul Rojo Verde Rojo Verde Azul Verde Rojo Figura 2. 1972). 1960. _________________________________________________________________________ 13 . SHRDLU (Winograd. Esquema del mundo de los bloques. que consiste en un conjunto de bloques sólidos colocados sobre una mesa (más frecuentemente. con lo que mostró que su algoritmo de aprendizaje podría ajustar las intensidades de las conexiones de un perceptrón para que se adaptaran a los datos de entrada. y éstos ascienden a 45. quien llamó adalines a sus redes. Los métodos de aprendizaje de Hebb se reforzaron con las aportaciones de Bernie Widrow [Widrow y Hoff.

sin timidez. predicciones sobre el éxito que les esperaba. La mayoría de los primeros programas de Inteligencia Artificial resolvían problemas experimentando con diversos pasos hasta que se llegara a encontrar una solución. La realidad es que para traducir es necesario contar con un conocimiento general sobre el tema. Estas predicciones se cumplirían (al menos en parte) dentro de los siguientes 40 años y no en diez. obtenían resultados gracias a las sencillas manipulaciones sintácticas. El segundo problema fue que muchos de los problemas que se estaban intentando resolver mediante la Inteligencia Artificial eran intratables. pero Simon también hizo predicciones más concretas: como que en diez años una computadora llegaría a ser campeón de ajedrez. los investigadores de Inteligencia Artificial hicieron públicas.Inteligencia Artificial Una dosis de realidad (1966-1973) Desde el principio. precisar el contenido de una oración. Con frecuencia. En un informe presentado en 1966. cuyo resultado fue “el vodka es bueno pero la carne esta podrida” es un buen ejemplo del tipo de dificultades que surgieron. que permita resolver ambigüedades y así. Esto funcionó en los primeros programas debido a que los micromundos con los que se trabajaba contenían muy pocos _________________________________________________________________________ 14 . La famosa retraducción del ruso al inglés de la frase “el espíritu es fuerte pero la carne es débil”. aprender y crear. gubernamentales y de Internet. El primer tipo de problemas surgió porque la mayoría de los primeros programas contaban con poco o ningún conocimiento de las materias de objeto de estudio. su aptitud para hacer lo anterior aumentará rápidamente hasta que (en un futuro previsible) la magnitud de problemas que serán capaces de resolver irá a la par que la capacidad de la mente humana para hacer lo mismo” [1]. Una anécdota típica tuvo lugar cuando se comenzaba a trabajar en la traducción automática. pero la forma más sencilla que tengo de resumirlo es diciéndoles que actualmente en el mundo existen máquinas capaces de pensar. Hoy día. lo que bastaría para obtener el significado exacto de las oraciones. y que podría demostrar un importante teorema matemático con una máquina. actividad que recibía un generoso patrocinado del Consejo Nacional para la Investigación de Estados Unidos en intento de agilizar la traducción de los artículos científicos rusos en vísperas del lanzamiento del Sputnik en 1957. comerciales. Al principio se consideró que todo se reduciría a sencillas transformaciones sintácticas apoyadas en las gramáticas rusas e inglesa y al emplazamiento de las palabras mediante un diccionario electrónico. Además. Términos como futuro previsible pueden interpretarse de formas distintas. En la mayor parte de los casos resultó que estos primeros sistemas fallaron estrepitosamente cuando se utilizaron en problemas mas variados o de mayor dificultad. se cita el siguiente comentario realizado por Herbert Simon en 1957: “Sin afán de sorprenderlos y dejarlos atónitos. El exceso de confianza de Simon se debió a la prometedora actuación de los primeros sistemas de Inteligencia Artificial en problemas simples. el comité consultivo declaró que “no se ha logrado obtener ninguna traducción de textos científicos generales ni se prevé obtener ninguna en un futuro inmediato”. la traducción automática es una herramienta imperfecta pero de uso extendido en documentos técnicos. Se canceló todo el patrocinio del gobierno estadounidense que se había asignado a los proyectos académicos sobre traducción.

Inteligencia Artificial

objetos, y por lo tanto muy pocas acciones posibles y secuencias de soluciones muy
cortas. Antes de que se desarrollara la teoría de la complejidad computacional, se creía
que para “aumentar” el tamaño de los programas de forma que estos pudiesen solucionar
grandes problemas sería necesario incrementar la velocidad del hardware y aumentar las
memorias. El optimismo que acompañó al logro de la demostración de problemas, por
ejemplo, pronto se vio eclipsado cuando los investigadores fracasaron en la demostración
de teoremas que implicaban más de unas pocas decenas de condiciones. El hecho de que,
en principio, un programa sea capaz de encontrar una solución no implica que tal
programa encierre todos los mecanismos necesarios para encontrar la solución en la
práctica.
La ilusoria noción de una limitada capacidad de cómputo no sólo existió en los programas
para la resolución de problemas. Los primeros experimentos en el campo de la evolución
automática (ahora llamados algoritmos genéticos) [Friedberg, 1958] estaban basados
en la, sin duda correcta, premisa de que efectuando una adecuada serie de pequeñas
mutaciones a un programa de código máquina se podría generar un programa con buen
rendimiento aplicable en cualquier tarea sencilla. Después surgió la idea de probar con
mutaciones aleatorias aplicando un proceso de selección con el fin de conservar aquellas
mutaciones que hubiesen demostrado ser más útiles. No obstante, las miles de horas
dedicadas, no dieron lugar a ningún avance tangible, los algoritmos genéticos actuales
utilizan representaciones mejores y han tenido más éxito.
La incapacidad para manejar la “explosión combinatoria” fue una de las principales criticas
que se hicieron a la Inteligencia Artificial en el informe de Lighthill [Lighthill, 1973],
informe en el que se basó la decisión del gobierno británico para retirar la ayuda a las
investigaciones sobre la Inteligencia Artificial, excepto en dos universidades.
El tercer obstáculo se derivó de las limitaciones inherentes a las estructuras básicas que se
utilizaban en la generación de la conducta inteligente. Por ejemplo, en 1969, en el libro de
Minsky y Papert, Perceptrons, se demostró que si bien era posible lograr que los
perceptrones (una red neuronal simple) aprendieran cualquier cosa que pudiesen
representar, su capacidad de representación era muy limitada. En particular, un
perceptrón con dos entradas no se podía entrenar para que aprendiese a reconocer
cuándo sus dos entradas eran diferentes. Si bien los resultados que obtuvieron no eran
aplicables a redes más complejas multicapa, los fondos para la investigación de redes
neuronales se redujeron prácticamente. Es irónico que los nuevos algoritmos de
retroalimentación utilizados en las redes multicapa y que fueron la causa del gran
resurgimiento de la investigación en redes neuronales de finales de los años 80, en
realidad se hayan descubierto por primera vez en 1969 [Bryson y Ho, 1969].

Sistemas basados en el conocimiento (1969-1979)
El cuadro que dibujaba la resolución de problemas durante la primera década de
investigación en la Inteligencia Artificial estaba centrado en el desarrollo de mecanismos
de búsqueda de propósito general, en los que se entrelazaban elementos de
razonamientos básicos para encontrar así soluciones completas. A estos procedimientos se
les ha denominado métodos débiles, debido a que no tratan problemas más amplios o

_________________________________________________________________________
15

Inteligencia Artificial

más complejos. La alternativa a los métodos débiles es el uso de conocimiento específico
del dominio que facilita el desarrollo de etapas de razonamiento más largas, pudiéndose
así resolver casos recurrentes en dominios de conocimiento restringido. Podría afirmarse
que para resolver un problema en la práctica es necesario saber de antemano la
correspondiente respuesta.
La trascendencia de DENDRAL (en griego significa árbol) se debió a ser el primer sistema
experto de conocimiento intenso que tuvo éxito: su base de conocimiento estaba formada
por grandes cantidades de reglas de propósito particular. En sistemas diseñados
posteriormente se incorporaron también los elementos fundamentales de la propuesta de
McCarthy para el Generador de Planes, la nítida separación de conocimiento (en forma de
reglas) de la parte correspondiente al razonamiento.
El siguiente gran esfuerzo se realizó en el área de diagnóstico médico, Feigenbaum,
Buchanan y el doctor Edward Shortliffe diseñaron el programa MYCIN, para el diagnóstico
de infecciones sanguíneas. Con 450 reglas aproximadamente, MYCIN era capaz de hacer
diagnósticos tan buenos como los de un experto y, desde luego, mejores que los de un
médico recién graduado. Se distinguía de DENDRAL en dos aspectos principalmente. En
primer lugar, a diferencia de las reglas de DENDRAL, no se contaba con un modelo teórico
desde el cual se pudiesen deducir las reglas de MYCIN. Fue necesario obtenerla a partir de
extensas entrevistas con expertos, quienes las habían obtenido de libros de texto, de otros
expertos o de su experiencia directa en casos prácticos. En segundo lugar, las reglas
deberían reflejar la incertidumbre inherente al conocimiento médico. MYCIN contaba con
un elemento que facilitaba el cálculo de la incertidumbre denominado factores de certeza,
que al parecer (en aquella época) correspondía muy bien a la manera como los médicos
ponderaban las evidencias al hacer un diagnóstico.
La importancia del conocimiento del dominio se demostró también en el área de la
comprensión del lenguaje natural. Aunque el sistema SHRDLU de Winograd para la
comprensión del lenguaje natural había suscitado mucho entusiasmo, su dependencia del
análisis sintáctico provocó algunos de los mismos problemas que habían aparecido en los
trabajos realizados en la traducción automática. Era capaz de resolver los problemas de la
ambigüedad e identificar los pronombres utilizados, gracias a que se había diseñado
especialmente para un área (el mundo de los bloques). Fueron varios de los
investigadores que, como Eugene Charniak, estudiante de Winograd en el MIT, opinaron
que para una sólida comprensión del lenguaje era necesario contar con un conocimiento
general sobre el mundo y un método general para usar este conocimiento.
En Yale, el lingüista transformado en informático Roger Schank reforzó lo anterior al
afirmar: “No existe eso que llaman sintaxis” lo que irritó a muchos lingüistas pero sirvió
para iniciar un útil debate. Schank y sus estudiantes diseñaron una serie de programas
cuyo objetivo era la compresión del lenguaje natural. Entre los problemas estaba el de la
representación de situaciones de estereotipo, la descripción de la organización de la
memoria humana y la compresión de planes y objetivos.
El crecimiento generalizado de aplicaciones para solucionar problemas del mundo real
provocó el respectivo aumento de la demanda de esquemas de representación del
conocimiento que funcionaran. Se desarrolló una considerable cantidad de lenguajes de

_________________________________________________________________________
16

Inteligencia Artificial

representación y razonamientos diferentes. Algunos basados en la lógica, por ejemplo el
lenguaje Prolog gozó de mucha aceptación en Europa, aceptación que en los Estados
Unidos fue para la familia del PLANNER. Otros, siguiendo la noción de marcos de Minsky
(1975) se decidieron por un enfoque más estructurado, al recopilar la información sobre
objetos concretos y tipos de eventos, organizando estos tipos en grandes jerarquías
taxonómicas, similares a las biológicas.
Impacto de la Inteligencia Artificial en la industria
(Desde 1980 hasta el presente)
El primer sistema experto comercial que tuvo éxito, R1, inició su actividad en DEC (Digital
Equipment Corporation) [McDermott, 1982], el programa se utilizaba en la elaboración de
pedidos de nuevos sistemas informáticos. En 1986 representaba para la compañía un
ahorro estimado de 40 millones de dólares al año, en 1988, el grupo de Inteligencia
Artificial de DEC había distribuido ya 40 sistemas expertos, y había más en camino. Du
Pont utilizaba ya 100 y estaban en etapa de desarrollo de 500 más, lo que generaba
ahorro de diez millones de dólares anuales aproximadamente. Casi todas las compañías
importantes de Estados Unidos contaban con su propio grupo de Inteligencia Artificial, en
el que se utilizaban o investigaba sistemas expertos [1].
En 1981 los japoneses anunciaron el proyecto “Quinta Generación”, un plan de diez años
para construir computadoras inteligentes en los que pudiese ejecutarse Prolog. Como
respuesta Estados Unidos constituyó la Microelectronics and Computer Technology
Corporation (MCC), consorcio encargado de mantener la competitividad nacional en estas
áreas. En ambos casos, la Inteligencia Artificial formaba parte de un gran proyecto que
incluía el diseño de chips y la investigación de la relación hombre máquina. Sin embargo,
los componentes de Inteligencia Artificial generados en el marco de MCC y el proyecto de
Quinta Generación nunca alcanzaron sus objetivos. En el Reino Unido, el informe Alvey
restauró el patrocinio suspendido por el informe Lighthill (para evitar confusiones, se creó
un nuevo campo denominado Sistemas Inteligentes Basados en Conocimientos (IKBS) ya
que la Inteligencia Artificial había sido oficialmente cancelada).
En su conjunto, la industria de la Inteligencia Artificial creció rápidamente, pasando de
unos pocos millones de dólares en 1980 a billones de dólares en 1988. Poco después de
este periodo llegó la época llamada “El invierno de la Inteligencia Artificial”, que afectó a
muchas empresas que no fueron capaces de desarrollar los extravagantes productos
prometidos.
Las redes neuronales (Desde 1986 a la fecha)
Aunque la informática había abandonado de manera general el campo de las redes
neuronales a finales de los años 70, el trabajo continuó en otros campos. Físicos como
John Hopfield (1982) utilizaron técnicas de la mecánica estadística para analizar las
propiedades de almacenamiento y optimización de las redes, tratando colecciones de
nodos como colecciones de átomos. Psicólogos como David Rumelharl y Geoff Hinton
continuaron con el estudio de modelos de memoria basados en redes neuronales. El

_________________________________________________________________________
17

cuando por lo menos cuatro grupos distintos reinventaron el algoritmo de aprendizaje de retroalimentación. 1986]. Inteligencia Artificial se convierte en una ciencia (Desde 1987 hasta el presente) En los últimos años se ha producido una revolución tanto en el contenido como en la metodología de trabajo en el campo de la Inteligencia Artificial [ha quien ha caracterizado este cambio como la victoria de los pulcros (aquellos que consideran que las teorías de la Inteligencia Artificial deben basarse rigurosamente en la matemáticas) sobre los desaliñados (aquellos que después de intentar muchas ideas. suscitó gran entusiasmo [1]. La Inteligencia Artificial se fundó en parte en el marco de una rebelión en contra de las limitaciones de los campos existentes como la teoría de control o la estadística. Esto llevó a la Inteligencia Artificial a una especie de aislamiento. pero la tendencia actual es que las aproximaciones conexionistas y simbólicas son complementarias y no competidoras. Puede parecer obvio que los humanos manipulan símbolos hasta cierto nivel. y la gran difusión que conocieron los resultados obtenidos. y ahora abarca estos campos. por ejemplo. 1988]. que la separó del resto de las ciencias de la computación. de hecho. “En los primeros años la Inteligencia Artificial parecía perfectamente posible que las nuevas formas de la computación simbólica. El algoritmo se aplicó a diversos problemas de aprendizaje en los campos de la informática y la psicología. pero los conexionistas más ardientes se preguntan si la manipulación de los símbolos desempeña algún papel justificable en determinados modelos de cognición. esta tendencia a favor de una mayor pulcritud es señal de que en el campo ha alcanzado cierto nivel de estabilidad y madurez. tomar como base rigurosos teoremas o sólidas evidencias experimentales más que intuición. escriben algunos programas y después evalúan las que aparentemente funcionan).]. En la actualidad se está abandonando este aislamiento. mencionado por primera vez en 1969 por Bryson y Ho. el libro The Symbolic Species (1977) de Terrence Deacon sugiere que esta es la característica que define a los humanos. que el razonamiento incierto no se debe separar de los modelos _________________________________________________________________________ 18 . Este interrogante no ha sido aún clarificado. hicieran que la mayor parte de la teoría clásica pasará a ser obsoleta. publicados en la colección Parallel Distributed Processing [Rumelhart y MacClelland.Inteligencia Artificial impulso más fuerte se produjo a mediados de la década de los 80. y demostrar la utilidad de las aplicaciones en el mundo real más que crear ejemplos de juguete [1]. Actualmente es más usual el desarrollo sobre teorías ya existentes que proponer teorías totalmente novedosas. lo cual implica que tal estabilidad se puede ver alterada con el surgimiento de otras ideas poco estructuradas. los marcos y las redes semánticas. Existe la creencia de que el aprendizaje automático no se debe separar de la teoría de la información. ambos enfoques son útiles. tal y como lo indica David McAllester (1998). Aquellos modelos de Inteligencia Artificial llamados conexionistas fueron vistos por algunos de los competidores tanto de los modelos simbólicos propuestos por Newell y Simon como de la aproximación lógica de McCarthy entre otros [Smolesky.

lo cual ha permitido a los investigadores del lenguaje basarse en los resultados de las investigaciones matemáticas hechas en otros campos a lo largo de varias décadas. _________________________________________________________________________ 19 . la tecnología denominada minería de datos (véase anexo Minería de datos) ha generado una nueva y vigorosa industria. La tecnología del habla y del campo relacionado del reconocimiento de caracteres manuscritos está actualmente en transición hacia una generalizada utilización en aplicaciones industriales y de consumo. y ahora domina la investigación de la Inteligencia Artificial en el razonamiento incierto y los sistemas expertos.Inteligencia Artificial estocásticos2. Esta 2 Se denomina estocástico a aquel sistema que funciona. Como resultado de estos desarrollos. sobre todo. Las redes neuronales también siguen esta tendencia. ha hecho posible que ahora se puedan contrastar experimentos. las aproximaciones basadas en los modelos de Markov ocultos (MMO). el reconocimiento de patrones y el aprendizaje automático. los MMO han mejorado sus resultados a un ritmo constante. Un buen modelo de la tendencia actual es el campo del reconocimiento del habla. de forma que las técnicas más prometedoras pueden aplicarse a cualquier problema. el uso de Internet y el compartir repositorios de datos de prueba y código. los modelos se han generado mediante un proceso de aprendizaje en grande corpus de datos de los lenguajes. como consecuencia del resurgimiento del interés despertado y gracias especialmente al articulo In Defense of Probability de Peter Cheeseman (1985). ha autorizado que este campo alcance un grado de conocimiento que ha permitido que ahora las redes neuronales se puedan comparar con otras técnicas similares de campos como la estadística. y los resultados deben analizarse estadísticamente para identificar su relevancia [Cohen. El formalismo de las redes de Bayes apareció para facilitar la representación eficiente y el razonamiento riguroso en situaciones en las que se disponía de conocimiento incierto. 1995]. en segundo lugar. La utilización de las metodologías mejoradas y marcos teóricos. se puede decir. Dos son las características del MMO que tienen relevancia.” En los términos metodológicos. de que la búsqueda no se debe aislar de la optimización clásica y el control. lo cual garantiza una funcionalidad robusta. las hipótesis se deben someter a rigurosos experimentos empíricos. en la década de los 70 se sometió a prueba una gran variedad de arquitecturas y enfoques. La aparición de Probabilistic Reasoning in Intelligent Systems de Judea Pearl (1988) hizo que se aceptara de nuevo la probabilidad y la teoría de la decisión como parte de la Inteligencia Artificial. con rotundidad. y fueron probados sólo en unos pocos ejemplos elegidos especialmente. y en sucesivas pruebas ciegas. han pasado a dominar el área. y de que el razonamiento automático no se debe separar de los métodos formales y del análisis estático. La mayor parte del trabajo realizado con redes neuronales en la década de los 80 se realizó con la idea de dejar a un lado lo que se podía hacer y de descubrir en qué se diferenciaban las redes neuronales de otras técnicas “tradicionales”. por el azar. Para que se acepten. Este enfoque supera con creces muchos de los problemas de sistemas de razonamiento probabilístico de las décadas de los 60 y 70. se basan en una rigurosa matemática. que la Inteligencia Artificial ya forma parte del ámbito de los métodos científicos. muchos de ellos fueron un tanto ad hoc y resultaban frágiles. En años recientes. primero.

Los sistemas inteligentes (Desde 1995 hasta el presente) Quizás animados por el progreso en la revolución de subproblemas de Inteligencia Artificial. Unas de las conclusiones que se han extraído al tratar de construir agentes inteligentes completos ha sido que se deberían reorganizar los subcampos aislados de la Inteligencia Artificial para que sus resultados se puedan interrelacionar.. los que actúan racionalmente de acuerdo con las leyes de la teoría de la decisión. tecnologías de Inteligencia Artificial son base de muchas herramientas para Internet. la formalización y la especialización ha llevado también la fragmentación: áreas como la visión y la robótica están cada vez más aislados de la “rama central” de la Inteligencia Artificial (véase anexo Robótica). al control de un robot y otros.. reconocimiento del habla. La comprensión mejor de los problemas y de su complejidad. Laird et al. 1986] sirvió para promover la noción de sistemas expertos normativos: es decir. El llamado “movimiento situado” intenta entender la forma de actuar de los agentes inmersos en entornos reales. _________________________________________________________________________ 20 . ahora se cree mayoritariamente que los sistemas sensoriales (visión. Los sistemas de Inteligencia Artificial han llegado a ser tan comunes en aplicaciones desarrolladas para la Web que el sufijo “-bot” se ha introducido en el lenguaje común.) no pueden generar información totalmente fidedigna del medio en el que habitan. sin que intenten imitar las etapas de razonamiento de los expertos humanos. El trabajo de Judea Pearl (1982) y de Eric Horvitz y David Heckerman [Horvitz y Heckerman. 1990. John Laird. a diagnósticos médicos. Los diseñadores de SOAR aplicaron el sistema a distintos problemas. y los sistemas para la construcción de portales Web. sistemas de recomendación. Horvitz et al. 1987] es el ejemplo mejor conocido de una arquitectura de agentes completa. y Paul Rosenbloom en SOAR [Newell. que disponen de sensores de entradas continuas [1]. sonar. En 1991 el sistema estaba aprendiendo lenguajes humanos y típicamente aprendió alrededor de 1000 reglas de actuación y reaccionó en 25 milisegundos aproximadamente. los investigadores han comenzado a trabajar de nuevo en el problema del “agente total”.Inteligencia Artificial aproximación facilita el aprendizaje a partir de la experiencia. como por ejemplo motores de búsqueda. Unos de los medios más importantes para los agentes inteligentes es el Internet. visión por computadora. La concepción unificadora de la Inteligencia Artificial como diseño de agentes racionales puede facilitar la unificación de estos campos diferentes. Más aún. 1986. Revoluciones similares y suaves se han dado en robótica. y aprendizaje automático. El trabajo de Allen Newell. En cualquier caso. y combina lo mejor de la Inteligencia Artificial clásica y las redes neuronales. En particular. como ser el de resolver puzzles simples y jugar juegos sencillos. junto a un incremento de la sofisticación de las matemáticas ha facilitado el desarrollo de una agenda de investigación y de métodos más robustos. El sistema operativo Windows TM incluye varios sistemas expertos de diagnóstico normativos para la corrección de problemas. etc.

Teorías de la inteligencia (conductismo. Wundt puso mucho énfasis en la realización de experimentos controlados cuidadosamente en la que sus operarios realizaban tareas de percepción o asociación al tiempo que sometían a introspección sus procesos mentales. por el contrario. se remonta por lo menos a las obras de William James (1842-1910) (era hermano del novelista Henry James. Biólogos. pero la naturaleza subjetiva de los datos hizo poco probable que un investigador pudiera contradecir sus propias teorías. pero en la Unidad de Psicología Aplicada de Cambridge. de Kenneth Craik (1943). creencias. como la teoría del control y la economía. es que la Inteligencia Artificial se ha ido acercando a otros campos. 1993. S. y su obra Handbook of Physiological Optics. los modelos cognitivos emergieron con fuerza. Construcciones mentales como conocimientos. El conductivismo hizo muchos descubrimientos utilizando ratas y palomas. Gardner). que también tratan con agentes. su influencia en la psicología fue notable (especialmente en los Estados Unidos) desde aproximadamente 1920 hasta 1960 [1]. pero no tuvo menos éxito en la compresión de los seres humanos. argumentando que la introspección no aportaba evidencia fiable. objetivos y pasos en un razonamiento quedaron descartadas por ser consideradas “psicología popular” no científica.Las habilidades cognoscitivas según la psicología. Aún así. p. Jennings (1906) en su influyente trabajo Behavior of the Lower Organisms. carecían de datos introspectivos y desarrollaron una metodología objetiva. Se comenta que Henry escribió novelas narrativas como si se tratara de psicología y William escribió sobre psicología como si se tratara de novelas narrativas. restablece enérgicamente la legitimidad de _________________________________________________________________________ 21 . y con su discípulo Wilhelm Wundt (18321920). Los meticulosos controles evolucionaron durante un largo periodo de tiempo hasta convertir la psicología en una ciencia. 1. Este punto de vista cognitivo se vio eclipsado por el conductivismo en Estados Unidos. liderado por John Watson (1878-1958) aplicó este punto de vista a los humanos. se considera como “el tratado actual más importante sobre la física y la fisiología de la vista humana” [Nalwa. La conceptuación del cerebro como un dispositivo de procesamiento de información. tal y como describe H. La obra The Nature of Explanation. Los conductistas insistieron en el estudio exclusivo de mediciones objetivas de percepciones (o estímulos) sobre animales y de las acciones resultantes (o respuestas). En 1879. Wundt abrió el primer laboratorio de psicología experimental en la Universidad de Leipzig. Helmholtz aplicó el método científico al estudio de la vista humana. rechazando cualquier teoría en la que intervinieran procesos mentales. 15]. El movimiento conductista. Psicología (Desde el año 1879 hasta el presente) ¿Cómo piensan y actúan los humanos y los animales? La psicología científica se inició con los trabajos del físico alemán Hermann Von Helmholtz (1821-1894). estudiando el comportamiento humano.) Helmholtz también pone énfasis en que la percepción entraña cierto tipo de inferencia lógica inconsciente. discípulo y sucesor de Bartlett. todavía en nuestros días. dirigida por Federic Bartlett (1886-1969).2.Inteligencia Artificial Otra segunda consecuencia importante. característica principal de la psicología cognitiva.. desde la perspectiva del agente. según se referencia habitualmente.

o dicho de otra forma. Después de la muerte de Craik en un accidente de bicicleta en 1945. podemos decir que programar una computadora para que supere la prueba requiere un trabajo considerable. Donald Boadbent continuó su trabajo. será capaz de probar diversas opciones. se traducirán de nuevo en acciones. La computadora supera la prueba si un evaluador humano no es capaz de distinguir si las respuestas. y en todo momento. Dejó muy claro por qué consideraba que estos eran los requisitos idóneos para diseñar un agente: Si el organismo tiene en su cabeza “un modelo a pequeña escala” de la realidad externa y de todas sus posibles acciones. Craik establece tres elementos clave que hay que tener en cuenta para diseñar un agente basado en conocimiento: (1) el estímulo deberá de ser traducido a una representación interna. 1. Noam Chomsky presentó Three Models of language.Inteligencia Artificial términos “mentales” como creencias y objetivos. respectivamente. emplear lo aprendido de experiencias pasadas en situaciones presentes y futuras. son de una persona o no [1]. Hoy por hoy. demostración). 1943]. él sugirió una prueba basada en la incapacidad de diferenciar entre entidades inteligentes indiscutibles y seres humanos. se diseñó para proporcionar una definición operacional y satisfactoria de inteligencia. y su libro Perception and Communication (1958) incluyó algunos de los primeros modelos de procesamiento de información del fenómeno psicológico. (2) esta representación se debe manipular mediante procesos cognitivos para así generar nuevas representaciones internas. Comportamiento humano: el enfoque de la prueba de Turing La Prueba de Turing propuesta por Alan Turing (1950). 1980]. a una serie de preguntas planteadas. se puede decir que este campo comenzó en un simposio celebrado en el MIT. George Miller presentó The Magic Number Seven. y (3) éstas. el lenguaje y el pensamiento lógico.3. y Allen Newell y Herbert Simon presentaron The Logic Theory Machine. en los Estados Unidos el desarrollo del modelo computacional llevo a la creación del campo de la ciencia cognitiva. argumentando que son tan científicos como lo pueden ser la presión y la temperatura cuando se habla acerca de los gases. reaccionar ante los previstos que acontezcan de manera satisfactoria. en septiembre de 1956.. en este simposio.El proceso de razonamiento según la lógica (Axiomas. lo cual lleva consigo la implementación de algunas funciones cognitivas. La computadora debería poseer las siguientes capacidades: _________________________________________________________________________ 22 . segura y más competente [Craik. En vez de proporcionar una lista larga y quizá controvertida de cualidades necesarias para obtener inteligencia artificialmente. a pesar de que éstos estén formados por moléculas que no tienen ni presión ni temperatura. Estos tres artículos influyentes mostraron cómo se podían utilizar los modelos informáticos para modelar la psicología de la memoria. planificar su reacción ante posibles situaciones futuras antes de que éstas surjan. debe describir un mecanismo de procesamiento de información detallado. Teoremas. Los psicólogos comparten en la actualidad el punto de vista común de que “la teoría cognitiva debe ser como un programa de computadora” [Anderson. a su vez. decidir cuál es la mejor. Mientras tanto.

Para superar la Prueba Global de Turing la computadora debe estar dotada de: • • Visión computacional para percibir objetos. dado que para medir la inteligencia es necesario simular físicamente a una persona. Aprendizaje automático para adaptarse a nuevas circunstancias y para detectar y extrapolar patrones. una notación precisa para definir sentencias sobre todo tipo de elementos en el mundo y especificar relaciones entre ellos (compárese esto con la notación aritmética común. por lo tanto Sócrates es mortal”). Ya en 1965 existían programas que. Robótica para manipular y mover objetos. todos los hombres son mortales. un proceso de razonamiento irrefutable. dejaron de imitar a los pájaros y comprendieron los principios de la aerodinámica. Estas leyes de pensamiento supuestamente gobiernan la manera de operar de la mente. la llamada Prueba Global de Turing incluye una señal de vídeo que permite al evaluador valorar la capacidad de percepción del evaluado. que prácticamente sólo sirve para representar afirmaciones acerca de la igualdad y desigualdad entre números). entre otros. en un principio. por creer que es más importante el estudio de los principios en los que se basa la inteligencia para duplicar un ejemplar. Turing merece ser reconocido por diseñar una prueba que se conserva vigente después de 50 años. Sin embargo. Estudiosos de la lógica desarrollaron. su estudio fue el inicio de un campo llamado lógica [1]. Sus silogismos son esquemas de estructuras de argumentación mediante las que siempre se llega a conclusiones correctas si se parte de permisas correctas (por ejemplo: “Sócrates es un hombre.Inteligencia Artificial • • • • Procesamiento de lenguaje natural que le permita comunicarse satisfactoriamente en inglés. Representación del conocimiento para almacenar lo que se conoce o siente. La llamada tradición logística dentro del campo de la Inteligencia Artificial trata de construir sistema inteligentes a partir de estos programas. en el siglo XIX. _________________________________________________________________________ 23 . y también le da la oportunidad al evaluador de pasar objetos físicos “a través de una ventanita”. Estas seis disciplinas abarcan la mayor parte de la Inteligencia Artificial. La búsqueda de un ingeniero que “volara artificialmente” tuvo éxito cuando los hermanos Wright. resolvían cualquier problema resoluble descrito en una notación lógica. La Prueba de Turing evitó deliberadamente la interacción física directa entre el evaluador y la computadora. Pensamiento racional: el enfoque de las “leyes del pensamiento” El filósofo griego Aristóteles fue uno de los primeros en intentar codificar la “manera correcta de pensar”. es decir. Razonamiento automático para utilizar la información almacenada para responder a las preguntas y extraer nuevas conclusiones. Los textos de ingeniería aerodinámica no definen el objetivo de su campo como la construcción de “máquinas que vuelen como palomas de forma que puedan incluso confundir a otras palomas”. Los investigadores del campo de la Inteligencia Artificial han dedicado poco esfuerzo a la evaluación de sus sistemas con la Prueba de Turing.

el retirar la mano de la estufa caliente es un acto de reflejo mucho más eficiente que una respuesta lenta llevada a cabo tras una deliberación cuidadosa. En el caso del enfoque de la Inteligencia Artificial según las “leyes del pensamiento”. En segundo lugar. porque ello permitirá alcanzar decisiones correctas en una amplia gama de situaciones. sino porque es necesario para poder tener una idea mejor de lo que una acción puede llegar a representar. ya que el enunciado de tales oraciones permite a los agentes desenvolverse en una sociedad compleja. por ejemplo. y que sean capaces de alcanzar los objetivos diferentes. hay que llevar a cabo dicha acción. surgieron por primera vez en la tradición lógica. Aunque los dos obstáculos anteriores están presentes en todo intento de construir sistemas de razonamiento computacional. Un agente racional es aquel que actúa con la intención de alcanzar el mejor resultado o. Por esta razón. No es fácil transformar conocimiento informal y expresarlo en los términos formales que requieren de una notación lógica. dado que el efectuar inferencias correctas es sólo uno de los mecanismos existentes para garantizar la racionalidad. por ejemplo. hay una gran diferencia entre poder resolver un problema “en principio” y hacerlo en la práctica. El aprendizaje no se lleva a cabo por erudición exclusivamente. Incluso problemas con apenas una docena de datos pueden agotar los recursos computacionales de cualquier computadora a menos que cuente con alguna directiva sobre los pasos de razonamiento que hay que llevar a cabo primero. Actuar de forma racional: el enfoque del agente racional Un agente es algo que razona (agente viene del latín agere. al efectuar una inferencia correcta no depende siempre de la racionalidad. a veces. ya que existen situaciones para las que no hay nada correcto que hacer y en las que hay que tomar una decisión. el ver un delicioso bocadillo contribuirá a que nos acerquemos a él. La obtención de estas inferencias correctas puede. la percepción visual es necesaria no sólo porque ver es divertido. ya que una manera racional de actuar es llegar a la conclusión lógica de que si una acción dada permite alcanzar un objetivo. La segunda es _________________________________________________________________________ 24 . sino que profundizar en el conocimiento de cómo funciona el mundo facilita la concepción de estrategias mejores para manejarse en él. particularmente cuando el conocimiento que se tiene es inferior al 100 por 100. es necesario contar con la capacidad para representar el conocimiento y razonar basándonos en él. Existen también formas de actuar racionalmente que no implican realizar inferencias. Sin embargo. que perciban su entorno. hacer). La primera es más general que el enfoque que proporcionan las “leyes del procesamiento”. que se adapten a los cambios. Por lo tanto. como que estén dotados de controles autónomos. que persistan durante un período de tiempo prolongado.Inteligencia Artificial Este enfoque representa dos obstáculos. todo el énfasis se pone en hacer inferencias correctas. Todas las habilidades que se necesitan en la Prueba de Turing deben permitir emprender acciones racionales. Pero de los agentes informáticos se espera que tengan otros atributos que los distingan de los “programas” convencionales. Es necesario ser capaz de generar sentencias comprensibles en lenguaje natural. formar parte de lo que se considera un agente racional. el estudiar la Inteligencia Artificial desde el enfoque del diseño de un agente racional ofrece al menos dos ventajas. cuando hay incertidumbre. el mejor resultado esperado [1].

el primero consiste en especificar las formas de los argumentos. a partir de estos axiomas. Al igual que los teoremas geométricos pueden derivarse de los axiomas geométricos. Un axioma es solo un hecho o aseveración (o aserto) que no puede probarse desde el interior del sistema. los teoremas lógicos pueden derivarse de axiomas lógicos. Cada sistema depende de definiciones formales de sus axiomas o postulados. pero: Todo Todo es S P Es S todo No son fbfs. la trata de determinar lo que puede probarse. es producto de un proceso evolutivo complejo. A veces aceptamos ciertos axiomas porque tienen “sentido” al apelar al sentido común o a la observación. Cuando un sistema lógico esta bien desarrollado. la secuencia de símbolos que conforman la fbf sí lo tiene. El tercer objetivo de un sistema lógico es extenderse al descubrir nuevas reglas de la inferencia y. que son sus definiciones fundamentales. con un argumento lógico. como “las líneas paralelas se unen en el infinito”. Cualquier persona que haya estudiado geometría euclidiana en la preparatoria esta familiarizado con los axiomas y la derivación de teoremas geométricos. llamadas teoremas. no tienen un sentido intuitivo porque parecen contradecir el axioma de _________________________________________________________________________ 25 . Otros axiomas. etcétera. extender el rango de argumentos que pueden probarse. porque la norma de racionalidad está claramente definida y es de aplicación general. instrucciones. una función importante de un sistema lógico es determinar las fórmulas bien formadas (fbf) que se utilizan en los argumentos. la conducta humana se adapta bien a un entorno específico. y en parte. puede utilizarse para determinar la validez de los argumentos de manera análoga a los cálculos en sistemas como la aritmética. Aunque los símbolos del alfabeto carecen de significado. en gran medida desconocido. Sistemas lógicos Un sistema lógico es una recopilación de objetos como reglas. Por ejemplo. Por el contrario. El sistema lógico tiene varios objetivos. en la lógica silogística: Todo S es P Podría ser una fbf. axiomas. pueden probarse nuevas fbf. Se han desarrollado sistemas lógicos como el Cálculo de frases o proposiciones. Como los argumentos lógicos no tienen significado en un sentido semántico. por tanto. sólo estas pueden utilizarse en argumentos lógicos. etc. Al extender el rango de los argumentos. la geometría. el Cálculo de afirmaciones. El segundo objetivo de un sistema lógico es indicar las reglas de inferencia que son válidas.Inteligencia Artificial más afín a la forma en que se ha producido el avance científico que los enfoques basados en la conducta o pensamiento humano. el cálculo. Por tanto. la física y la ingeniería. que aún está lejos de llevarnos a la perfección. una forma válida es esencial si habrá de determinarse la validez del argumento. organizada de manera congruente [2].

y no hay forma alterna de demostrar M (Zeus). por tanto. Como M(s) puede probarse a partir de sus axiomas de la izquierda. A2. Por ejemplo. Γ ├ A significa que A es un teorema del conjunto de fbf. que es una tautología. entonces ╞p ∨ ~p establece que p ∨ ~p es un teorema. Un ejemplo de un teorema es nuestro silogismo sobre Sócrates. Por ejemplo. Sin embargo. los teoremas. se deduce que Γ es un conjunto vació porque la fbf siempre es verdadera y. porque se utiliza para describir al propio sistema. Un sistema formal requiere lo siguiente: 1. Por ejemplo. como en ╞A. Un conjunto de cadenas finitas de estos símbolos. entonces se dice q A es un teorema del sistema de lógica formal y se escribe con el símbolo ├. 2. … AN. escrito en forma de lógica de predicados: (∀x) (H(x) → M(x)). Una analogía es un lenguaje de computadora como el Pascal. Reglas de inferencia. A. las fbf. Axiomas. Un teorema que es una tautología se escribe con el símbolo ╞ . a partir de axiomas y teoremas previamente derivados. G. las definiciones del sistema.Inteligencia Artificial Euclides de que las líneas paralelas nunca se unen. 4. un sistema de lógica proposicional puede definirse utilizando sólo modus ponens para derivar nuevos teoremas. Una asignación de valores verdaderos es una _________________________________________________________________________ 26 . no es un símbolo del sistema. independientemente de cualquier valor asignado a p. pues aunque pueden especificarse programas utilizando la sintaxis de Pascal. Estas fbf deben ser axiomas u otros teoremas del sistema lógico. que permiten una fbf. A2…An). no es un hombre. H(s) ├ M(s) Donde H es la función del predicado para hombre y M es la función de predicado para mortal. el dios griego. no depende de ningún otro axioma o teorema. Un esquema mas explicito de una prueba de que a es un teorema se muestra a continuación: A1. este axioma acerca de las líneas paralelas que se unen en el infinito es tan razonable desde el punto de vista puramente lógico como el de Euclides y es la base de un tipo de geometría no euclidiana. ├ A El símbolo ├ que indica que el siguiente fbf es un teorema. A2. si Aip ∨ ~ p. de otras fbf donde G = (A1. En cambio ├ es un metasímbolo. nótese que M (Zeus) no seria un teorema porque Zeus. no hay sintaxis en Pascal para indicar un programa válido. Si el argumento: A1. Una regla de inferencia en un sistema formal especifica la manera exacta en que pueden obtenerse nuevos asertos. por lo tanto A Es válido. Un alfabeto de símbolos. que habrá de deducirse como la conclusión de un conjunto finito. 3. Si un teorema es una tautología. Γ . Observe que. V o F. Sin embargo. el teorema p ∨ ~p siempre es verdadero.… AN. es un teorema de estos axiomas.

Por tanto. un modelo de p → q es p=V y q=V. el cálculo de predicados no es decidible porque no hay un método general de comprobación como las tablas de verdad para todas las fbf del cálculo de afirmaciones. e inconsistente si la fbf es falsa en todas las interpretaciones.… Estas cadenas son los teoremas de este sistema formal [Minsky 1967]. 111. mientras que p->q es una fbf invalida porque no es verdadera para p=V y q=F. En realidad. Por ejemplo. Todas las fbf de proposiciones pueden comprobarse con el método de la tabla de verdad. Sin embargo. 11111. Es decir. porque sólo hay un número finito de interpretaciones para fbf. Por ejemplo. mediante las reglas de inferencia. define lo siguiente: Alfabeto: el símbolo “1”. entonces la cadena $11 lo es. La A es un teorema y puede probarse a partir de los axiomas. 1111111. Sin embargo. Un ejemplo de una fbf inconsistente es p ∨ ~ p. y así. Regla de inferencia: si cualquier cadena $ es un teorema. Un modelo es una interpretación en la cual la fbf es verdadera. existe una prueba teórica de que no hay un procedimiento de decisión para la lógica de predicados. Una fbf probada si puede demostrarse que es válida. la lógica de predicado no lo es. a veces se alude a la lógica de predicado como semidecidible. Un ejemplo de una fbf de cálculo de predicados válida que puede probarse es la de cualquier predicado B. de otra manera es inválida.Inteligencia Artificial interpretación de una fbf. no hay procedimientos de decisión para sus subconjuntos como los silogismos y la lógica de proposición. esta fbf de cálculo de predicados es un teorema. ( ∃x)B(x) → ~ [(∀x) ~ B(x )] que muestra cómo el cuantificador existencial puede reemplazarse con el cuantificador universal. no hay un procedimiento ni algoritmo mecánico para comprobar un teorema de lógica proposicional con un número finito de pasos. la fbf p ∨ ~ p es válida. Esta regla puede escribirse como una regla de producción de Post: $ → $11 Si $=1 entonces la regla da $11=111 Si $=111 entonces la regla da $11=11111 y en general 1. _________________________________________________________________________ 27 . Mientras que la lógica proposicional es decidible. Axioma: La cadena “1” (que resulta igual que el símbolo 1). Una fbf es válida si es verdadera en todas las interpretaciones. Debido a esto. Hay una gran diferencia entre una expresión como ├A y ╞B. se puede determinar el cálculo proposicional decidible. La B es una fbf y tal vez no haya prueba conocida para demostrar su derivación. Un ejemplo muy simple de un sistema formal completo. A una fbf se le llama consistente si hay una interpretación que la hace verdadera.

Además de variables y cuantificadores de orden. porque son los números nones expresados en un sistema de números unitario del símbolo 1. pero no son teoremas ni fbf porque no pueden probarse utilizando solamente la regla de inferencia y el axioma. Si P es cualquier predicado de un argumento. En un sistema completo. Los números del sistema unitario y decimal se expresan como sigue: Unitario 1 11 111 1111 11111 Decimal 1 2 3 4 5 y así sucesivamente. que abarca todos los predicados. En otras palabras. Una propiedad aún más deseable de un sistema lógico es que sea sólido. El sistema formal sólo permite la derivación de los números nones. Otra propiedad de un sistema formal es su capacidad de estar completo. 11 y 1111 son cadenas de nuestro alfabeto formal. son teoremas lógicos perfectamente válidos. Es decir. obtener una prueba depende de nuestra suerte e inteligencia. Hay diferentes órdenes de lógica. el sistema de números unitario sólo tiene el símbolo 1. Estos teoremas particulares también tienen un significado semántico. como no es posible determinar la lógica de predicados. Por supuesto. Un conjunto de axiomas esta completo si cada fbf puede probarse o refutarse. Observemos que debido a la inferencia y al axioma. otra posibilidad es escribir un programa de computadora que tratará de derivar pruebas y dejar que actúe. ∀ “P. la lógica de segundo orden puede tener cuantificadores que abarcan símbolos de función y de predicado. Un lenguaje de primer orden se define para que los cuantificadores operen sobre objetos que son variables como ∀x un lenguaje de segundo orden tendría características adicionales como dos tipos de variables y cuantificadores. entonces: x = y ≡ (∀p)[P(x) ↔ P(y)] Es una afirmación del axioma de igualdad que usa un cuantificador de segundo orden. Debe agregarse al axioma “11” para poder derivar los números pares. No se inferirán argumentos inválidos como válidos. Al igual que el sistema binario sólo se tiene los símbolos del alfabeto 0 y 1. Sin embargo. 1111 y demás. no la de los pares. este termino significa probar que alguna aseveración es falsa. cada fbf lógicamente valida es un teorema. las cadenas 11.Inteligencia Artificial Aunque algo como 11111 no se parece a los teoremas que acostumbramos ver. Un ejemplo de lógica de segundo orden es el axioma de igualdad. no pueden expresarse en nuestro sistema formal. un sistema sólido no permitirá que se infiera una conclusión que no sea una consecuencia lógica de sus premisas. Por sistema sólido se entiende que cada teorema es una fbf lógicamente válida. _________________________________________________________________________ 28 . que establece que dos objetos son iguales si todos sus predicados son iguales.

una calculadora mecánica. el siguiente paso es considerar la mente como un sistema físico. El movimiento empírico.. Mucho después. de Aristóteles). exenta de la influencia de las leyes físicas. el siguiente problema es establecer las fuentes de este conocimiento. a partir de premisas iniciales.Inteligencia Artificial 1. Una alternativa al dualismo es el materialismo.C. se caracteriza por el aforismo de John Locke (1632-1704): “Nada existe por _________________________________________________________________________ 29 . Uno de los problemas de una concepción puramente física de la mente es que parece dejar poco margen de maniobra al libre albedrío: si el pensamiento está totalmente gobernado por leyes físicas. por el contrario. no poseen esta cualidad dual. 1315) tuvo la idea de que el razonamiento útil se podría obtener por medios artificiales.El modelo de adquisición del conocimiento según la filosofía. El libre albedrío es simplemente la forma en la que la percepción de las opciones disponibles aparecen en el proceso de selección. iniciado en novum Organum (una actualización del Organon. Descartes fue defensor del dualismo. Sostenía que existe una parte de la mente (o del alma o del espíritu) que está al margen de la naturaleza. o instrumento de pensamiento. La primera máquina calculadora conocida se construyó alrededor de 1623 por el científico alemán Wilhelm Schickard (1592-1635). construcciones recientes han demostrado que su diseño era funcional. Los animales. La automatización de la computación en sí misma estaba en marcha: alrededor de 1500. a ellos se le podría concebir como si se tratasen de una máquina. aunque la Pascalina. Gottfried Willhelm Leibniz (1646-1716) construyó dispositivo mecánico con el objetivo de llevar a cabo operaciones sobre conceptos en lugar de sobre números. construida en 1642 por Blaise Pascal (1623-1662). René Descartes (1596-1650) proporciona la primera discusión clara sobre la distinción ente la mente y la materia y los problemas que surgen. que en un principio permitía extraer conclusiones mecánicamente. sea más famosa. él desarrolló un sistema informal para razonar adecuadamente con silogismos. Francis Bacon (1561-1626). Ahora que sabemos que un conjunto de reglas pueden describir la parte racional y formal de la mente. Ramón Lull (d.) fue el primero en formular un conjunto preciso de leyes que gobernaban la parte racional de la inteligencia. Pascal escribió que “la máquina aritmética produce efectos que parecen más similares a los pensamientos que a las acciones animales”. entonces una piedra podría “decidir” caer en dirección al centro de la Tierra gracias a su libre albedrío.C. de forma que “nosotros sumamos y restamos silenciosamente en nuestros pensamientos”.4. A pesar de ser denotado defensor de la capacidad del razonamiento. que considera que las operaciones del cerebro realizadas de acuerdo a las leyes de la física constituyen a la mente. Thomas Hobbes (1588-1679) propuso que el razonamiento era como la computación numérica. aunque no construyó. Sus “ideas” aparecen representadas en la portada de este manuscrito. hasta el presente) • • • • ¿Se pueden utilizar reglas formales para extraer conclusiones válidas? ¿Cómo se genera la inteligencia mental a partir de un cerebro físico? ¿De dónde viene el conocimiento? ¿Cómo se pasa del conocimiento a la acción? Aristóteles (348-322 a. pero su campo de acción era muy limitado [1]. Leonardo da Vinci (14521519) diseñó. Filosofía (Desde el año 428 a. Dada una mente física que gestiona conocimiento.

una manta abriga. Aristóteles continúa trabajando en este tema. 40]. pero si hay una posibilidad se intentará. sino sobre los medios. Y si se llega a un estado imposible. ni un orador sobre si debe persuadir. Qué necesito.... 3. Y la conclusión. Esa doctrina sostiene que todo el conocimiento se puede caracterizar mediante teorías lógicas relacionadas. Más aún. se abandona la búsqueda. El último elemento de esta discusión filosófica sobre la mente es la relación que existe entre el conocimiento y la acción. y si resulta fácil y es por tanto productivo. el libro de Carnap. Yo necesito una manta. La teoría de la confirmación de Carnap y Carl Hempel (19051997) intenta explicar cómo el conocimiento se obtiene a partir de la experiencia. en última instancia. En Nicomachean Ethics (Libro III... mientras que si solo se puede alcanzar por un medio se tiene en consideración cómo se alcanzará por este y por qué medios se obtendrá éste. el famoso Círculo de Viena. ¿en algunos casos por el movimiento y en otros no? Parece como si la misma cosa sucediera tanto si razonáramos o hiciéramos inferencias sobre objetos que no cambian. 1112b). qué debo hacer. pero en este caso el fin es una proposición especulativa. 1978. define un procedimiento computacional explícito para la extracción de conocimiento a partir de experiencias primarias..y lo último en el orden del análisis parece ser lo primero en el orden de los acontecimientos. es una acción [Nussbaum. Fue posiblemente la primera teoría en mostrar la mente como un proceso computacional.Ellos asumen el fin y consideran cómo y con qué medios se obtienen. Aristóteles argumenta que las acciones se pueden justificar por la conexión lógica entre los objetivos y el conocimiento de los efectos de las acciones: ¿Cómo es que el pensamiento viene acompañado en algunos casos de acciones y en otros no?. “Yo tengo que hacer una manta”. sugiriendo un algoritmo: Nosotros no reflexionamos sobre los fines. Necesito hacer una manta. con sentencias de observación que corresponden a estímulos sensoriales. David Hume (1711-1776) propuso en A Treatise of Human Nature (Hume. _________________________________________________________________________ 30 .Yo necesito abrigarme.Inteligencia Artificial la mente que no haya pasado por los sentidos”.. ya que la inteligencia requiere tanto acción como razonamiento.. Este asunto es vital para la Inteligencia Artificial. Un médico no reflexiona sobre si debe curar. desarrolló la doctrina del positivismo lógico. p. hasta que se llegue a la causa primera. como por ejemplo si se necesita dinero y no se puede conseguir. The Logical Structure of the World (1928).mientras la conclusión resultante de las dos premisas es una acción. Sobre la base de las propuestas de Ludwing Wittgenstein (1889-1951) y Bertrand Russell (1872-1970). El cual se conoce como sistema de planificación regresivo. necesito una manta. liderado por Rudolf Carnap (1891-1970). simplemente con comprender cómo se justifican determinadas acciones se puede llegar a saber cómo construir un agente cuyas acciones sean justificables (o racionales). El algoritmo de Aristóteles se implementó 2 300 años más tarde por Newell y Simon con la ayuda de su programa SRGP. 1739) lo que actualmente se conoce como principio de inducción: las reglas generales se obtienen mediante la exposición a asociaciones repetidas entre sus elementos.

. En los comienzos de la Inteligencia Artificial había confusión entre las distintas aproximaciones: un autor podría argumentar que un algoritmo resolvía adecuadamente una tarea y que por tanto era un buen modelo de representación humana. 1999]. a Allen Newell y Herbert Simon. o cuando ninguna acción facilita su completa consecución. Antoine Arnauld (1612-1694) describió correctamente una forma cuantitativa para decidir qué acción llevar a cabo en un caso como este. que desarrollaron el Sistema de Resolución General de Problemas (SRGP) [Newell y Simon. Para poder decir que un programa dado piensa como un humano. 1863] de John Stuart Mill (1806-1873) propone la idea de un criterio de decisión racional en todos los ámbitos de la actividad humana.El modelo cognoscitivo. si los datos de entrada/salida del programa y los tiempos de reacción son similares a los de un humano. Pensar cómo humano: el enfoque del modelo cognoscitivo En el campo interdisciplinario de la ciencia cognoscitiva concurren modelos computacionales de Inteligencia Artificial y técnicas experimentales de psicología para intentar elaborar teorías precisas y verificables del funcionamiento de la mente humana. La auténtica ciencia cognitiva se fundamenta necesariamente en la investigación experimental en humanos y animales. no sólo bastó con que su programa resuelva correctamente los problemas.Inteligencia Artificial El análisis basado en objetivos es útil. La ciencia cognitiva es un campo fascinante [Wilson y Keil. es necesario contar con un mecanismo para determinar cómo piensan los humanos. o viceversa. Hay dos formas de hacerlo: mediante introspección (intentando atrapar nuestros propios pensamientos conforme éstos van apareciendo) y mediante experimentos psicológicos. Ocasionalmente se hacen comentarios acerca de las similitudes o diferencias entre las técnicas de Inteligencia Artificial y cognición humana.5. 1961]. En el campo interdisciplinado de la ciencia cognitiva convergen modelos computacionales de Inteligencia Artificial y técnicas experimentales de psicología intentando elaborar teorías precisas y verificables sobre el funcionamiento de la mente humana. _________________________________________________________________________ 31 . no les bastó con que su programa resolviera correctamente los problemas propuestos. Es necesario penetrar en el funcionamiento de las mentes humanas. Una vez que cuente con una teoría lo suficientemente precisa sobre cómo trabaja la mente. sino que se interesa por seguir la pista de los pasos de razonamiento y compararla con la ruta seguida por sujetos humanos [1]. pero no indica que hacer cuando varias acciones nos llevan a la consecución del objetivo. lo que les interesaba era seguir las etapas del proceso de razonamiento y compararlas con las seguidas por los humanos a los que se enfrentó a los mismos problemas. 1. se podrá expresar esa teoría en la forma de un programa de computadora. Por ejemplo. existe la evidencia de que algunos de los mecanismos del programa se pueden comparar con los que utilizan los seres humanos. El enfoque de éste modelo. El libro Utilitarianism [Mill.

archivos de información y partes vía red a modo de entradas sensoriales y actúa sobre el medio con mensajes en el monitor. Agentes y su entorno Un agente es cualquier cosa capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores. un agente tomará una decisión en un momento dado dependiendo de la secuencia completa de percepciones hasta ese instante. La figura 3 ilustra esta idea simple. En general. el campo de la visión ha avanzado recientemente con la ayuda de una propuesta integrada que tiene en cuenta la evidencia neurofisiológica y los modelos computacionales [6]. piernas. Se trabajará con la hipótesis general de que cada agente puede percibir sus propias acciones (pero no siempre sus efectos) [1]. Si se puede especificar qué decisión tomará un agente para cada una de las posibles secuencias de percepciones. Agente Sensores Percepciones Medio Ambiente ? Acciones Actuadores Figura 3. oídos y otros órganos sensoriales además de manos. escribiendo ficheros y enviando paquetes por red.. Los agentes interactúan con el medioambiente sensores y efectores. _________________________________________________________________________ 32 . En términos matemáticos se puede decir que el comportamiento de un agente viene dado por la función del agente que proyecta una percepción dada en una acción. boca y otras partes del cuerpo para actuar. En particular.6. Los dos campos continúan alimentándose entre sí. entonces se habrá explicado más o menos todo lo que se puede decir de un agente. Un agente robot recibe pulsaciones del teclado. esta distinción ha permitido que ambas disciplinas.Inteligencia Artificial Los autores actuales hacen diferencia entre las dos reivindicaciones. especialmente en las áreas de la visión y el lenguaje natural.El modelo del agente inteligente. La secuencia de percepciones de un agente refleja el historial completo de lo que el agente ha recibido. la Inteligencia Artificial y la ciencia cognitiva. El término percepción se utiliza en el contexto para indicar que el agente puede recibir entradas en cualquier instante. se desarrollen más rápidamente. Un agente humano tiene ojos. 1.

Para ilustrar esta idea se utilizará un ejemplo muy simple. aspirar la suciedad o no hacer nada. que se ejecuta sobre la arquitectura del agente. la aspiradora puede percibir en qué cuadrante se encuentra y si hay suciedad en él. puede elegir si se mueve hacia la izquierda. Una muestra parcial de la función del agente representada en forma de tabla aparece en la figura 5. una función muy simple para el agente vendría dada por: si la cuadrícula en la que se encuentra está sucia. _________________________________________________________________________ 33 . para el que se pueden inventar otras variaciones. Dado un agente. se puede. derecha. es un mundo hecho a la medida. el mundo de las aspiradoras representado en la figura 4. El mundo de la aspiradora con dos localizaciones solamente. en un principio. Inicialmente. de otra forma cambiar de cuadrícula. el programa del agente es una implementación completa. entonces aspirar. una caracterización externa del agente. con el que se quiera experimentar. la función del agente para una gente artificial se implementará mediante el programa del agente. construir esta tabla teniendo en cuenta todas las secuencias de percepción y determinando qué acción llevar a cabo el agente en respuesta. La tabla es. por supuesto. en la mayoría de los casos esta tabla sería muy grande (infinita a menos que se limite el tamaño de la secuencia de percepciones que se quiera considerar). este mundo es tan simple que se puede describir todo lo que en él sucede. este mundo en particular tiene solamente dos localizaciones: cuadrícula A y B.Inteligencia Artificial La función que describe el comportamiento de un agente se puede presentar en forma de tabla. La función del agente es una descripción matemática abstracta. A B Figura 4. Es importante diferenciar estas dos ideas.

Estas “visiones globales” conforman la infraestructura básica para la aplicación por parte del experto de conocimientos detallados. Limpio] [A. no resulta eficiente para uso práctico. un experto posee un modelo conceptual general del área específica y un esquema global para hallar una solución. [A. Una regla heurística es una regla práctica que puede ayudar a encontrar una solución.Inteligencia Artificial Secuencia de percepciones Acción [A. Dichas reglas son aproximadas y han sido generalmente acuñadas por un experto a través de años de experiencia. Además de estas formas específicas de conocimientos. [A. si la hay.Limpio] [A. Los sistemas expertos están diseñados principalmente para el razonamiento simbólico [2]. Limpio] . Limpio] [A. 1. pero que no esta garantizada de la misma forma que un algoritmo. Sucio] Derecha Aspirar Izquierda Aspirar Derecha Aspirar [A. La heurística es un método práctico o conocimiento empírico obtenido de una experiencia y que puede ayudar en la solución. Sucio] [A. Limpio] . Reglas generales en forma de opiniones o reglas empíricas que sugieren procedimientos que se pueden seguir cuando no existen disponibles reglas de procedimiento invariables. Sucio] Derecha Aspirar Figura 5. Limpio] . pero que no garantiza su funcionamiento siempre. Limpio] [A. [A. [A. Limpio] .. Sucio] [B.7. El uso de heurísticas contribuye grandemente a la potencia y flexibilidad de los sistemas expertos y tiende a distinguirlos aún más del software tradicional. Tabla parcial de una función de agente sencilla para el mundo de la aspiradora que se muestra en la figura anterior. [A. [A. Limpio] . Limpio] . _________________________________________________________________________ 34 . Las reglas heurísticas son muy importantes en Inteligencia Artificial porque los problemas típicos en ello son tan difíciles que no existe una solución de algoritmo o.El papel de la heurística.

_________________________________________________________________________ 35 . se está seguro que así planteado. caracterizando técnicas por las cuales se mejora en promedio el resultado de una tarea resolutiva de problemas (parecido al uso de "método óptimo"). el problema no tiene solución). lo cual significa que al acabar la búsqueda con mal éxito. la heurística trata de métodos o algoritmos exploratorios durante la resolución de problemas en los cuales las soluciones se descubren por la evaluación del progreso logrado en la búsqueda de un resultado final. Se suele usar actualmente como adjetivo. búsquedas adversariales (aplicables a juegos de competencia) y búsquedas racionales (usando inteligencia). Se suele mencionar que hay búsquedas ciegas (que sin embargo pueden ser exhaustivas.Inteligencia Artificial De acuerdo con ANSI/IEEE Std 100-1984. búsquedas heurísticas (basadas en la experiencia propia o ajena).

Máquina de Turing ( ) Sistemas expertos. aprendizaje. lógica difusa. 9. búsqueda de soluciones.Redes neuronales ( ) Es aquel que emprende la mejor acción posible ante una situación dada..Sistema Experto ( ) Es el análisis y la extrapolación de datos basados en experiencias pasadas y en sus consecuencias. 1. 4. 6. 3. robótica.-Inteligencia Artificial ( ) Dispositivos inspirados en la funcionalidad de las neuronas biológicas. Respuestas: 8.Heurística ( ) Sistema basado en los conocimientos que imita el pensamiento de un experto para resolver problemas de un terreno particular de aplicación 6. Colocar el número en la definición correcta: 1... 4.Áreas de investigación de la Inteligencia ( ) Filosofía. 2. Si el diálogo que ocurra y el número de errores en la solución dada se acerca al número de errores ocurridos en la comunicación con un ser humano. 5. procesamiento de lenguaje natural. visión artificial. este apartado es de una importancia vital para la Inteligencia Artificial. 2 _________________________________________________________________________ 36 . Artificial Lingüística y ciencias de la computación.. 5.Minería de datos ( ) Es la ciencia que enfoca su estudio a lograr la comprensión de entidades inteligentes.Agente inteligente ( ) Búsqueda en los datos para identificar tendencias y establecer relaciones..Inteligencia Artificial Cuestionario de evaluación... Matemáticas.7. 7.Ciencias que aportan a la Inteligencia ( ) Para que un ser o máquina se considere Artificial inteligente debe lograr engañar a un evaluador de que este ser o máquina se trata de un ser humano evaluando todas las actividades de tipo cognoscitivo que puede realizar el ser humano. 3. lógica. Psicología.9. aplicados al reconocimiento de patrones que las convierten en aptas para modelar y efectuar predicciones en sistemas muy complejos.. 8. se podrá estimar que estamos ante una máquina “inteligente”.

Inteligencia Artificial UNIDAD 2 REPRESENTACIÓN DEL CONOCIMIENTO Y RAZONAMIENTO _________________________________________________________________________ 37 .

Mapas conceptuales. Su objetivo es representar relaciones entre conceptos en forma de proposiciones. mientras que las relaciones entre ellos se explicitan mediante líneas que unen sus cajas respectivas. Las líneas.. Mapa conceptual. _________________________________________________________________________ 38 . Los mapas conceptuales se estructuran en forma jerárquica en la que los conceptos más generales están en la raíz del árbol y a medida que vamos descendiendo por el mismo nos vamos encontrando con conceptos más específicos. En un mapa conceptual. dos o más conceptos están unidos a través de palabras que describen la relación entre ellos. un recurso esquemático para representar un conjunto de significados conceptuales incluidos en una estructura de proposiciones que tiene por objeto representar las relaciones significativas entre los conceptos del contenido (externo) y del conocimiento del sujeto figura 6.1. GRAFOS CONJUNTO N DE NODOS CONJUNTO R DE RELACIONES conectados por representados como PUNTOS representados como CAJAS LINEAS FORMAS GEOMETRICAS Pueden ser RECTAS CURVAS Figura 6. Tienen su origen en las teorías sobre la psicología del aprendizaje de David Ausubel enunciadas en los años 60. a su vez.Inteligencia Artificial UNIDAD 2 REPRESENTACIÓN DEL CONOCIMIENTO Y RAZONAMIENTO 2. tienen palabras asociadas que describen cuál es la naturaleza de la relación que liga los conceptos. por tanto. Los mapas conceptuales son artefactos para la organización y representación del conocimiento. Los conceptos están incluidos en cajas o círculos. Un mapa conceptual es.

Mapa conceptual sobre los mapas conceptuales. Si la idea principal puede ser dividida en dos o más conceptos iguales estos conceptos deben ir en la misma línea o altura. preposiciones. Deben ser vistosos.Inteligencia Artificial Características de un mapa conceptual: • Los mapas conceptuales deben ser simples. que nunca se repiten van adentro de los óvalos y las palabras de enlace se ubican cerca de las líneas de la relación. las palabras de enlace le dan sentido al mapa. Personales Sociales Enlaces Cruzados Aprendizaje Eficiente con en “Preguntas Clave” mostrando Interrelaciones Estructura Cognitiva Expertos entre necesario para ver Diferentes Segmentos del Mapa Figura 7. mostrar claramente las relaciones entre conceptos y/o proposiciones. u otro tipo de nexo conceptual. • • • • • Mapa conceptual Mapas conceptuales ayudan a responder representan Sentimientos o afecto asociado incluyen Se añade a Necesario para responder Conocimiento organizado son es Se compone de Conceptos conectados por Palabras de Enlace para formar Dependientes del contexto necesario para Proposiciones son están Regularidades Percibidas o Patrones son están Etiquetado Estructuradas Jerárquicamente Unidades Semántica Enseñanza Eficiente pueden ser Sucesos construidas en en Palabras empieza con Símbolos Objetos ayuda Creatividad Niños empieza con especialmente con p. ocupan el ápice o parte superior de la estructura y las más especificas y los ejemplos la parte inferior. Van de lo general a lo específico. conjunciones. Para las palabras de enlace se pueden utilizar verbos. ej. las ideas más generales o inclusivas. _________________________________________________________________________ 39 . Los conceptos.

2. se produce una serie de cambios en nuestra estructura cognitiva.2. Aprendizaje activo Cuando se realiza un mapa conceptual. Explorar el conocimiento previo y los errores de concepto. Una proposición es una frase verdadera o falsa. se debe prestar atención a la relación entre los conceptos. Una red semántica es una técnica clásica de representación de la Inteligencia Artificial utilizada para información relativa a las proposiciones. Esto es porque dicho aprendizaje dura más y es mejor que la simple memorización: los nuevos conceptos tardan más tiempo en olvidarse. modificando los conceptos existentes. a jugar con los conceptos. hipermedia. se obliga a relacionar. una red semántica es una gráfica rotulada y con dirección. El mapa conceptual puede tener varios propósitos: • • • • • • Generar ideas (brain storming. etc. Comunicar ideas complejas. a aprender con el contenido.). Evaluar la comprensión o diagnosticar la incomprensión. Quillian las utilizó para analizar el significado de palabras en frases. Cuando se produce ese aprendizaje significativo. 1968].Inteligencia Artificial Ventajas de los mapas conceptuales: Aprendizaje significativo El aprendizaje significativo ocurre cuando una persona consciente y explícitamente vincula esos nuevos conceptos a otros que ya posee. el término atómica se emplea en el sentido clásico de objeto indivisible [2]..). como “todos los perros son mamíferos” y “un triángulo tiene tres lados”. páginas web grandes. y se aplican más fácilmente en la resolución de problemas. Contribuir al aprendizaje integrando explícitamente conocimientos nuevos y antiguos. 1987]. En términos matemáticos. Una proposición siempre es verdadera o falsa y se le llama atómica porque su veracidad ya no puede dividirse más. etc. Son formas de conocimiento declarativo porque establecen hechos. Es un proceso activo. No es una simple memorización.Redes semánticas. Diseñar una estructura compleja (textos largos. Las redes semánticas se desarrollaron para la Inteligencia Artificial como una forma de representar la memoria y la comprensión del lenguaje del ser humano [Quillian. A una red semántica también se le llama red de proposiciones [Stillings. Desde entonces se _________________________________________________________________________ 40 . y formando nuevos enlaces entre ellos.

los vínculos muestran las relaciones entre los miembros de una familia. Con ellas. el conocimiento es una simple colección de hechos inconexos. San Francisco Chicago Nueva York Indianápolis Los Ángeles Houston (a) Una red general Figura 8. conceptos o situaciones. donde los vínculos indican las rutas de una línea aérea entre ciudades. de aquí el término de grafica con dirección. Por ejemplo. los nodos se utilizan para representar objetos físicos. Sin relaciones. los vínculos. A los nodos suele denominárseles como objetos y a los arcos como vínculos o bordes. Los vínculos de una red semántica se utilizan para expresar relaciones. Los nodos son los círculos. En la siguiente figura 8 se muestra una red ordinaria. La estructura de una red semántica se muestra gráficamente en términos de nodos y los arcos que los conectan. en la figura 9 se puede inferir que Ana y Memo son los abuelos de Juan. _________________________________________________________________________ 41 . el conocimiento es una estructura cohesiva a partir de la cual puede inferirse conocimiento adicional. Por lo general. aunque no haya un vínculo explícito rotulado “abuelo de”. las líneas que los conectan y las flechas muestran la dirección en que pueden volar los aviones. en realidad una gráfica con dirección. las relaciones son de gran importancia en las redes semánticas porque proporcionan la estructura básica para la organización del conocimiento.Una red general. En la figura 9.Inteligencia Artificial han aplicado a muchos de los problemas relacionados con la representación del conocimiento.

es posible definir un conjunto formado por: (3. llantas. en esta figura ES-UN significa “es un caso de” y se refiere a un miembro específico de una clase. el concepto sería forzado dentro de la mente consciente. sólo se está pensando en las palabras específicas de la frase que se lee. Ciertos tipos de relaciones han probado ser muy útiles en una amplia gama de representaciones del conocimiento. El uso de tipos comunes facilita la comprensión de una red no muy conocida. Por ejemplo. azul. que alude a un grupo de objetos. cuando un nodo de concepto se estimula al leer las palabras de una frase. La figura 10 es un ejemplo de una red semántica que utiliza estos vínculos. Por el contrario. Si otro nodo recibe activación suficiente. arte) Sin embargo.Una red semántica. Una clase está relacionada con el concepto matemático de conjunto. los miembros de este conjunto no tienen relación entre sí. el trabajo original de Quillian modeló la memoria humana como una red asociativa en la cual los conceptos eran los nodos y los vínculos formaban las conexiones entre ellos. De acuerdo con este modelo. aunque se conozcan miles de palabras. Dos tipos de vínculos utilizados con frecuencia son ES-UN y UN-TIPO-DE [Winston.Inteligencia Artificial Hermana de Carolina Memo Esposa de David Esposa de Ana Esposo de Madre de Esposo de Madre de Padre de Padre de Esposa de Susana Tomás Esposo de Madre de Padre de Juan Figura 9. aviones. sus vínculos con otros nodos se activan en un patrón de dispersión. trenes y automóviles se relacionan con una clase porque todos son tipos de transporte. _________________________________________________________________________ 42 . Aunque un conjunto puede tener elementos de cualquier tipo. (b) Una red semántica A las redes semánticas a veces se les denomina redes asociativas porque los nodos están asociados o relacionados con otros nodos. huevos. De hecho. los objetos de una clase tienen alguna relación entre sí. Por ejemplo. 1984].

el UN-TIPO-DE relaciona nodos genéricos con nodos genéricos. La clase más general. se le denomina superclase. peso. El vínculo SON se usa algunas veces para UN-TIPO-DE y se lee como el verbo “son”. un dirigible tiene una forma elipsoidal como una de sus propiedades. entonces también es una clase de la superclase a la que señala el vínculo UN-TIPO-DE. Otra forma de expresarlo es que un vínculo UN-TIPO-DE señale de una subclase a una clase. forma. Por ejemplo. No se usa para relacionar un individuo específico porque esa es la función de ES-UN. Aeronave Un tipo de Un tipo de Un tipo de redonda Tiene forma Manejo a propulsión globo Un tipo de Jet Un tipo de Un tipo de Un tipo de Elipsoidal Tiene forma dirigible ES-UN Especial DC -3 Un tipo de Un tipo de DC-9 Concorde ES-UN ES-UN Dirigible Goodyear Espíritu de San Luis Fuerza Aérea 1 Figura 10. En otras palabras. mientras ES-UN relaciona un caso o un individuo con una clase genérica. entonces Goodyear es elipsoidal. Por ejemplo. el aire caliente CAUSA que el globo se eleve. En la figura 10 las clases más generales se encuentran en la parte superior y las más específicas en la base. etc. UN-TIPO-DE relaciona una clase individual con una clase padre a la que pertenece una clase hijo. si ésta tiene un vínculo UN-TIPO-DE apuntando a otro nodo. Por ejemplo. Los objetos de una clase tienen uno o más atributos en común y cada atributo tiene un valor. Como Goodyear es un dirigible y los dirigibles tienen forma elipsoidal. El vínculo CAUSA expresa conocimiento causal. También se pueden encontrar otros tipos de vínculos en las redes semánticas. Si el presidente está en un CD-9. cualquier aeronave presidencial de Estados Unidos es el Fuerza Aérea 1. un dirigible tiene atributos de tamaño. El valor del atributo de forma es elipsoidal. La combinación de atributo y valor es una propiedad. Red semántica con vínculos ES-UN y UN-TIPO-DE. Desde otro punto de vista. color. entonces Fuerza Aérea 1 es un DC-9. a la que señala una flecha UN-TIPO-DE.Inteligencia Artificial El vínculo UN-TIPO-DE se utiliza aquí para relacionar una clase con otra. _________________________________________________________________________ 43 . El vínculo ES define un valor.

los globos tienen una forma redonda. Para que una consulta produzca un resultado negativo. existe la posibilidad de que surja una explosión combinatoria. si están todos conectados. Esto hace difícil entender para qué se diseñó realmente la red y si fue diseñada de una forma congruente.Inteligencia Artificial A la duplicación de las características de un nodo por parte de un descendiente se le llama herencia. conocimiento que puede definirse). Dificultades con redes semánticas Aunque las redes semánticas pueden ser muy útiles en la representación del conocimiento. Si todo el conocimiento estuviera representado por una red semántica. en la que un nodo tiene vínculos con otros y la recuperación de la información ocurre debido a una dispersión de la activación de los nodos. Las redes semánticas fueron propuestas originalmente como modelos de la memoria asociativa humana. el cerebro humano también debe disponer de otros mecanismos. porque todas las búsquedas incluyen 1015 vínculos. Sin embargo. tiene limitantes. Aunque no todas las representaciones necesitarán este grado de conectividad. tendrían que buscarse muchos o todos los vínculos de la red. tomaría demasiado tiempo responder consultas negativas como en el caso de la consulta del fútbol. Las redes semánticas son lógicamente inadecuadas porque no pueden definir el conocimiento de la forma en que lo hace la lógica. todas las sillas. como la clase dirigible tiene un vínculo que señala a la forma elipsoidal. sobre todo si la respuesta a una consulta es negativa. No obstante. algunas sillas. Una representación lógica puede especificar cierta silla. ésta tiene precedencia. Si un nodo se rotula “silla”. como la falta de estándares para asignación de nombres a los vínculos. Otro problema es la explosión combinatoria de la búsqueda de nodos. Otro problema _________________________________________________________________________ 44 . Los vínculos y la herencia proporcionan medios muy eficientes de representación del conocimiento porque muchas relaciones complejas pueden mostrarse con pocos nodos y vínculos. A menos que haya más evidencias específicas de lo contrario. ninguna silla. El número de vínculos es el factorial del número de nodos menos uno. Un problema complementario al asignar nombre a los vínculos es el nombre de los nodos. se supone que todos los miembros de una clase heredarán todas las propiedades de las superclases. etcétera. Por ejemplo. La herencia es una herramienta muy útil en la representación del conocimiento porque elimina la necesidad de repetir características comunes. porque no le toma mucho tiempo responder la consulta: ¿hay un equipo de fútbol en Plutón? Hay alrededor de 1010 neuronas en el cerebro humano y alrededor de 1015 vínculos. ¿Representa una silla específica la clase de todas las sillas el concepto de una silla el nombre del cerro de la Silla o algo más? Para que una red semántica represente conocimiento definitivo (es decir. deben definirse con rigor los nombres de vínculos y nodos.

Se han probado varios métodos para corregir los problemas inherentes a las redes semánticas. La característica del monotonismo nos dice que el conjunto de sentencias implicadas sólo puede aumentar (pero no cambiar) al añadirse información a la base de conocimiento4.Inteligencia Artificial es que las redes semánticas también son heurísticamente inadecuadas porque no hay forma de insertar en la red información heurística relacionada con la manera de explorarlas de forma eficiente. que violan la propiedad de monotonismo.. entonces BC ^ β |= α Donde: |= implicación ^ operador lógico Y (La aparición de nuevas premisas nunca supone la desaparición de ninguna de las conclusiones previas). Las reglas heurísticas son muy importantes en la Inteligencia Artificial porque los problemas típicos en ello son tan difíciles que no existe una solución de algoritmo o. las redes semánticas deben utilizarse para aquello que hacen mejor. como cualquier herramienta. para cualesquiera conjuntos de premisas BC y β y cualquier conclusión α se cumple: Si BC |= α. modelan una característica propia del razonamiento humano: cambiar de opinión. Sin embargo. mostrar relaciones binarias.Razonamiento monótono. se han hecho mejoras lógicas y se han probado mejoras heurísticas al adjuntar procedimientos a los nodos. 2. Notación: BC |= α (del conjunto de premisas BC se deduce la conclusión α). es decir. los sistemas resultantes mejoraron poco su capacidad a costa de la fuerza de expresión natural de las redes semánticas. que serán ejecutados cuando el nodo se active. La conclusión de todo este esfuerzo es que.3. si la hay. _________________________________________________________________________ 45 . 3 Premisa. y no considerarse una herramienta universal. Sistema que permite obtener nuevos conocimientos (conclusiones) a partir de una serie de conocimientos previos (premisas3). pero que no esta garantizada de la misma forma que un algoritmo. La herencia es la única estrategia estándar de control integrada en una red que puede ayudar. pero no todos los problemas pueden tener esta estructura. Una regla heurística es una regla práctica que puede ayudar a encontrar una solución. Se denomina premisa a cada una de las proposiciones de un razonamiento que dan lugar a la consecuencia o conclusión de dicho razonamiento. no resulta eficiente para uso práctico. 4 Las lógicas no monótonas. Se dice que un sistema de razonamiento es monótono cuando un aumento de las premisas nunca puede hacer disminuir el conjunto de conclusiones.

Estas palabras son muy importantes porque cuantifican explícitamente otras palabras y hacen más exactas las afirmaciones. por ejemplo.. Su forma más simple es la lógica de predicados de primer orden. como “todo”. semántica. algunas de las anteriores conclusiones no sobreviven. El monotonismo permite que las reglas de inferencia se puedan aplicar siempre que se hallen premisas aplicables en la base del conocimiento. 2. no resulta muy adecuada para ciertos dominios del mundo real. el razonamiento que permitió arribar a esas conclusiones que han decaído. hay diversos conceptos de lo que es mejor en sistemas diferentes. Tanto los humanos como los autómatas deben extraer conclusiones que son verdad en los mejores modelos de los hechos que se han tenido en cuenta. Por lo tanto. se nos dice que hay exactamente 8 hoyos en el escenario. por este motivo.La lógica de predicados: sintaxis. La lógica de proposiciones ni siquiera puede probar la validez de un silogismo5 como: Todos los seres humanos son mortales. no puede examinar la estructura interna de una afirmación. Todos los cuantificadores se relacionan con “cuanto” y. La lógica de predicado se relaciona con la estructura interna de las afirmaciones. pero no puede invalidar ninguna conclusión α ya inferida (como la conclusión de que no hay un hoyo en la casilla [1. Aunque la lógica de proposiciones es útil. la conclusión de la regla debe permanecer sin hacer caso de qué más hay en la base del conocimiento. en los cuales las verdades pueden cambiar con el paso del tiempo. 2]). validez e inferencia. La lógica de predicado se desarrolló con el fin de analizar casos más generales. _________________________________________________________________________ 46 . la última de las cuales se deduce necesariamente de las otras dos. La lógica de predicados al ser un formalismo de razonamiento monótono. Todas las mujeres son seres humanos. se relaciona con el uso de palabras especiales llamadas cuantificadores. 5 Silogismo. se denomina no-monótono. permiten un alcance más amplio de la expresión que la lógica de proposiciones. El principal problema es que la lógica de proposiciones sólo puede tratar con afirmaciones completas. Es decir. muchos implican la minimización de algo. la base de lenguajes de programación lógicos como PROLOG (véase anexo Prolog).Inteligencia Artificial Para cualquier sentencia α y β.4. La lógica de proposiciones es un subconjunto de la lógica de predicado. Este conocimiento podría ayudar al agente a obtener conclusiones adicionales. por tanto. supongamos que la base de conocimiento contiene una aserción adicional β. sobre todo. Es una forma de razonamiento lógico que consta de dos proposiciones y una conclusión. a medida que se agregan nuevos hechos. “algo” y “no”. tiene limitaciones [2]. todas las mujeres son mortales.

Para un símbolo de variable se emplea un conjunto de letras minúsculas. un lenguaje formal. Entre los ejemplos están: Perro Color Opinión Un elemento que es un perro. Una serie de letras mayúsculas se emplea como un símbolo constante. Una función describe un elemento identificándolo como el resultado único de la aplicación de una transformación entre otros elementos del dominio. un conjunto de enunciados básicos llamados axiomas (expresados en el lenguaje formal) y un conjunto de reglas de inferencia. el componente más sencillo en la lógica de predicados. variables. _________________________________________________________________________ 47 . Lógica de predicados: alfabeto El alfabeto para un lenguaje formal consiste de los símbolos a partir de los cuales se construyen los enunciados. Una letra minúscula se emplea como el símbolo de una función y los argumentos pueden ser cualquier término válido. una constante o una función. llamado lógica de predicados de primer orden. pero con una identidad no especificada. fue una de las formas más antiguas de representación de conocimientos empleada en Inteligencia Artificial. Entre los ejemplos están: TILIN AZUL CONSERVADOR Un perro Un color Un pensamiento político Variable. puntos de vista o conjuntos de datos. Este elemento puede ser cualquier objeto señalado de interés. una consecuencia de las antiguas consideraciones filosóficas. Un término se define inductivamente como una variable. consiste de cuatro componentes principales: un alfabeto. El sistema de lógica formal más ampliamente empleado. Constantes. conjunciones. funciones. se usa para representar un elemento específico del dominio. Los alfabetos constan de predicados. Funciones. Cualquier opinión. constantes. cuantificadores y delimitadores tales como paréntesis y comas [3]. Un símbolo constante. donde un término es una forma de identificar un elemento del dominio. Además de los símbolos constantes y variables. Cada axioma describe el fragmento de conocimientos y las reglas de inferencia se aplican a los axiomas para deducir nuevos enunciados verdaderos. Un color no especificado. se puede emplear una función para identificar un elemento del dominio.Inteligencia Artificial La lógica formal. Un símbolo variable se emplea para representar un conjunto de elementos del dominio sin especificar elemento alguno en concreto. incluyendo los objetos físicos y las abstracciones tales como ideas.

Para que una fórmula sea útil. _________________________________________________________________________ 48 . las cuales están entre los bloques básicos de construcción de la lógica de predicados. Nuestra presunción sin bases para esta interpretación. Madre (padre (JUAN)): Elemento único que es la madre del padre de JUAN abuela de JUAN. Predicado. consideremos la fórmula. Este conjunto de correspondencias establece la semántica que nos permite interpretar una fórmula. PERRO (TILIN). padre (TITO)) Tito es un hombre Tito es más alto que Pepe Tito es más alto que su padre Lógica de predicados: interpretación Dados los componentes anteriores. Los predicados se emplean para representar relaciones dentro del dominio e indican que un elemento se relaciona en alguna otra forma específica. Por ejemplo. asociado con el hecho que Tilín es un nombre típico de un perro. En el caso de fórmulas atómicas sencillas.Inteligencia Artificial Como ejemplos están: Padre (JUAN): Una invocación a una función que especifica el elemento único. podemos conformar fórmulas atómicas muy interesantes. Asesino (x): La persona única que asesinó al elemento no especificado representado por x. Entre los ejemplos están: HOMBRE (TITO) MASALTO (TITO. la interpretación puede ser obvia. en este caso un hombre. que es el padre de JUAN. de alguna forma debemos estar posibilitados para determinar exactamente lo que representa. podemos asumir que esta fórmula representa el hecho que “Tilín es un Perro”. Aún sino se especifica interpretación alguna. relación entre cada uno de los símbolos seleccionados con el elemento del dominio asociado. Un predicado tiene el valor de verdadero si los elementos dados están relacionados de modo específico y de falso si no lo están. PEPE) MASALTO (TITO. un conjunto de símbolos específicos y luego establece una correspondencia. el analista selecciona en primer lugar. se fundamenta en el hecho que PERRO se escogió como símbolo de predicado. se emplean para conformar fórmulas atómicas (o átomos). Para componer una fórmula. Los predicados (serie de letras mayúsculas) junto con términos que identifican los elementos relacionados.

el cual algunas veces se considera como una pseudoconjunción porque no enlaza realmente fórmulas. AZUL (MI-CASA) ^ DOS-PISOS(MI-CASA) ^ VICTORIANA(MI-CASA) ^ PERSIANASAMARILLAS(MI-CASA) ^ ESQUINERA(MI-CASA) V Se usa para construir fórmulas cuya veracidad depende solamente de la veracidad de cualquiera de los componentes. Por ejemplo “Hernán compró un automóvil o un camión”. la fórmula. y la expresión completa se llama conjunción. Por ejemplo: ~ MUCHACHO (LAURA) representa la frase. Las fórmulas componentes pueden ser FBD o fórmulas atómicas. “Laura no es un muchacho”. CAMION) ~ El símbolo de negación (~). AUTOMOVIL) V COMPRA (HERNAN. con persianas amarillas y está en un lote esquinero”. se emplea para cambiar el valor de la veracidad de una FBD de verdadero a falso o de falso a verdadero.Inteligencia Artificial Lógica de predicados: conjunciones Los componentes descritos hasta el momento tienen poco valor para representar enunciados complejos compuestos. Aunque pudiéramos definir un predicado AV2LE para indicar los atributos anteriores y luego componer la fórmula AV2LE (MI-CASA). Cuando se aplica ~ a una fórmula. aunque técnicamente correcta sería difícil de manejar y completamente inútil para un manejo sintáctico independiente. El hecho que el antecedente sea verdadero implica que el consecuente sea también verdadero. Por ejemplo. sería muy difícil representar el enunciado “Mi casa es azul. Cada componente de la fórmula se llama disjunto y la expresión completa se llama disyunción. Cada componente de la fórmula en tal expresión se llama conjunto. Para expresar proposiciones compuestas. se representa por la disyunción: COMPRA (HERNAN. → Se usa para desarrollar constructos Si-Entonces (IF-THEN) y se denomina implicación. ésta se convierte en negación. empleamos conjunciones que combinan fórmulas para construir Fórmulas bien definidas (FBD) más complejas. Por ejemplo: [PRESENTE (CHISPA) ^ PRESENTE (COMBUSTIBLE) ^ PRESENTE (AIRE)] → COMBUSTION (COMBUSTIBLE) _________________________________________________________________________ 49 . Victoriana de dos pisos. Por ejemplo. Entre las conjunciones de uso corrientes están: ^ V → ≡ ~ And (Y) Or (O) inclusivo Implica Equivalente a No (negación) A continuación se describen: ^ Se usa para construir fórmulas que señalan que los diferentes componentes deben ser verdaderos para que la FBD completa sea verdadera.

(F^G). Una fórmula legalmente construida en el lenguaje se llama fórmula bien definida FBD y se define inductivamente como sigue: 1. incrementa de manera apreciable nuestra potencia expresiva. sin observar como se interpretan (mientras las variables sean interpretadas coherentemente). (F → G).Una fórmula atómica es una FBD. Las variables que se referencian en los cuantificadores se llaman ligadas y aquellas que no lo están se llaman libres. que son las fórmulas que contienen solamente variables ligadas.. ≡ Lógica de predicados: cuantificación Estamos utilizando la Lógica Proposicional. “toda persona necesita aire”. aún no podemos expresar el hecho simple. “Toda persona necesita aire” se puede representar como: ∀x [PERSONA (x) → NECESITA-AIRE (x)] El cuantificador existencial ∃x se emplea para aseverar que por lo menos existe alguna asignación para x. Para ayudar a conformar dichas expresiones. Donde: F y G son FBD _________________________________________________________________________ 50 . si empleamos solamente las construcciones descritas hasta el momento y excluimos el uso de variables en las expresiones.. Lógica de predicados: el lenguaje El lenguaje formal asociado con la lógica de predicados es el conjunto de todas las fórmulas que se pueden construir legalmente a partir del alfabeto de símbolos (el conjunto de todos los enunciados que podrían hacerse. Por ejemplo. y el alcance del cuantificador es la fórmula que sigue. AUTOMOVIL) ^ PROPIETARIO (x.Inteligencia Artificial Se usa para indicar la equivalencia lógica de dos fórmulas. Por ejemplo. El cuantificador universal ∀x se utiliza para aseverar que una fórmula es verdadera para todos los valores de la variable asociada. un subconjunto de la lógica de predicados. que hará que la fórmula asociada sea veraz. También es cierto si varias (o todas) personas del dominio posean ambos (son propietarios mediante una sociedad). dados los símbolos expuestos). la fórmula es cierta si existe un dueño que posea un automóvil y un bote. La variable asociada con un cuantificador se llama variable cuantificada. Una fórmula tal como X ≡ Y indica que la veracidad del lado izquierdo y del lado derecho son equivalentes. BOTE)] En este caso. “El propietario del automóvil también lo es del bote” se puede representar como: ∃x [PROPIETARIO (x. La mayoría de las fórmulas de interés para los sistemas expertos se llaman frases. 2. empleamos cuantificadores. (F V G). Desafortunadamente. aunque el empleo de conjunciones.Las siguientes son FBD: (~ F).

Si tiene al menos 1. El valor de la verdad de una fórmula atómica se determina mediante la aplicación de la interpretación del predicado: Si al darse la interpretación del predicado en el dominio expuesto. Por ejemplo. depende de nuestra habilidad para determinar si una FBD cualquiera es verdadera o falsa. entonces la fórmula es verdadera.80m de alto”. de otra manera.y)] ) Sin embargo. FBD complejas. En la lógica proposicional. _________________________________________________________________________ 51 . entonces el valor de verdad del átomo es verdadero. medimos la estatura de José. basado en la verdad que ya se haya conocido.Las siguientes son FBD: (∀xF) y (∃xF) donde F es una FBD y x una variable. que se basa en la tabla de verdad que se muestra en la figura 11. si el predicado ALTO (x) se interpreta en el sentido de que “x tiene al menos 1. XY VV VF FF FV X^Y V F F F XνY V V F V X→Y V F V V ~X F F V V X≡Y V F V F Figura 11.x) → R(x. Este proceso que depende solamente de manipulaciones sintácticas y se ajusta cercanamente al ideal teórico de un sistema experto.80m de alto. otras fórmulas sencillas que se forman a partir de los símbolos del alfabeto no son FBD. la relación descrita por el predicado con sus argumentos es cierta. es un método para la demostración rigurosa de la verdad de un enunciado propuesto. El proceso de inferir nuevos conocimientos es un proceso estructurado como una prueba similar a las pruebas desarrolladas en matemáticas. obviamente.Inteligencia Artificial 3. podemos construir de modo arbitrario. Este proceso. Dada esta definición. Más importante aún es que las siguientes no son FBD: (∀P ) P(A) y (∃f) f(A) Lógica de predicados: evaluación Los conceptos de verdad y prueba formal son importantes en un sistema de lógica formal.. Tabla de verdad. el valor de la verdad de una fórmula compleja se puede establecer mediante el empleo del método de la Tabla de Verdad. Por ejemplo. de lo contrario es falsa.x) ∧ R(x. el valor de verdad del átomo es falso. luego para encontrar el valor de verdad de la formula ALTO (JOSE). por ejemplo: (∃x ) ((∀y) [P(x.y) ∧ Q(y. ~ f(A) no es una FBD de acuerdo con las reglas anteriores.

CABALLO(TILIN)→GATO(TILIN) es verdadera. Q(A). Para determinar la veracidad o falsedad de una complicada fórmula compuesta en lógica de predicados.. iniciándose desde el “interior” hacia fuera. La expresión compuesta se reduce luego a [(P ν tt) ^ ~ P] → (Q ^ P) Cuando se establece que P ν tt es cierta y se reduce la expresión a (tt ^ ~ P) → (Q ^ P) Esta expresión se reduce entonces a la forma final empleando la siguiente secuencia: (tt ^ tt) → (Q ^ P) tt → (Q ^ P) tt→ff ff De este modo se establece que la expresión total es falsa. _________________________________________________________________________ 52 . En muchos demostradores de teoremas. para establecer el valor de veracidad de la expresión: [(P ν (Q ^ R)) ^ ~ P] → (Q ^ P) empleamos en primer lugar la tabla de verdad para determinar que Q^R es cierta. la forma sintáctica escogida para las sentencias no afecta a los resultados. El valor de verdad se aplica a la implicación total y no nos dice nada sobre la verdad de cualquier componente. dado el conocimiento de que algún predicado P es falso y que los predicados Q y R son verdaderos6 . Por ejemplo.La demostración y sus métodos. Demostradores de teoremas Demostradores de teoremas (también conocidos como razonadores automáticos). aplicamos en forma sucesiva las relaciones de la tabla de verdad para reducir las fórmulas componentes. pero por lo general.Inteligencia Artificial Obsérvese que la definición de verdad para la conjunción “implica” no es intuitivamente clara. 2. siempre que el antecedente sea falso o el consecuente sea verdadero. Un valor de verdad de una implicación es verdadero por definición. [P(A). R(A)].5. Por lo tanto. dicha 6 Para este y sucesivos análisis de lógica proposicional se asume que todos los ejemplos tienen la misma constante. Los demostradores de teoremas aceptan la lógica de primer orden en su totalidad [1]. Los demostradores de teoremas todavía necesitan la información de control para poder operar eficientemente.

. ONTIC [McAllester. Este mecanismo alivia. dado que haya un supervisor que envíe las series llamadas correctas a PREGUNTA. pero no se pudo encontrar ninguna prueba que los demostrara. Gran parte de la investigación en demostradores de teoremas se basa en encontrar estrategias de control que sean de utilidad general al mismo tiempo que aumenten la velocidad. un matemático.Inteligencia Artificial información se mantiene separada de la base de conocimiento. por ejemplo. donde la demostración la da una persona en forma de un conjunto de pasos algo extenso. 1986]. porque ambos dominios pueden _________________________________________________________________________ 53 . entre otras aplicaciones. En octubre de 1996. el demostrador de teoremas Boyer-Moore [Boyer y Moore. 1997]. en vez de formar parte de la propia representación del conocimiento. En 1933. después de ocho días de cálculo. La más famosa es la que concierne al álgebra de Robbins. Los demostradores de teoremas han sido utilizados para verificar diseños de hardware y para generar programas correctos desde el punto de vista lógico. y las inferencias concretas que se necesitan para demostrar que cada paso es sólido las realiza el sistema. el problema de las semidecidibilidad. De este modo. seleccionando la estrategia para determinar qué hacer seguidamente y pidiendo al demostrador de teoremas que rellene los detalles. De este modo. 1969]. El programa Semi-Automated Mathematics (SAM) fue el primero en demostrar un lema de la teoría de retículos [Guard et al. 1983]. El programa OTTER es uno de los mejores demostradores de teoremas. en parte. se han utilizado para resolver diversas preguntas abiertas sobre lógica combinatoria. El programa AURA también ha respondido a preguntas abiertas en diversas áreas de las matemáticas [Wos y Winker. proporcionando consejo a. Usos prácticos de los demostradores de teoremas Los demostradores de teoremas han surgido con resultados matemáticos muy originales. el EOP (una variante del OTTER) encontró una demostración [Mc Cune. Un razonador Socrático es un demostrador de teoremas cuya función PREGUNTA es incompleta. 1979] se ha utilizado y ampliado durante muchos años y se utilizó por Natarajan Shankar para dar la primera demostración formal rigurosa sobre el Teorema de la Incompletitud de Gödel [Shankar. Demostradores de teoremas como asistentes Otro uso de los demostradores de teoremas es como asistentes. pero que siempre puede llegar a una solución si le han dado el orden correcto de peticiones. Herbert Robbins propuso un conjunto sencillo de axiomas que intentaban definir el álgebra Booleana. Los demostradores de teoremas se pueden aplicar a los problemas relacionados con la verificación y síntesis del hardware y software. 1989] es un sistema de razonamiento Socrático para matemáticos. Un demostrador de teoremas también puede actuar como un comprobador de demostraciones. porque el supervisor puede cancelar una petición e intentar otro enfoque si la petición está consumiendo mucho tiempo. un matemático actúa como un supervisor. los razonadores Socráticos son buenos asistentes.

que hacen uso de los conceptos centrales. 1997]. y la ingeniería del software.6. Si la demostración está restringida a ser constructiva el programa se puede obtener. 2.. incluyendo propiedades temporales [Srivas y Bickford. 1983]. Aunque. Los programas de síntesis para propósito específico también son un área activa de investigación. A partir de los trabajos de los precursores. los axiomas definen las propiedades de cada elemento sintáctico del lenguaje de programación. los lenguajes de programación. la síntesis deductiva no ha sido automatizada totalmente. 1960. La idea es demostrar un teorema de manera que “exista un programa que satisfaga ciertas especificaciones”. El método de resolución de Robinson esta considerado como el precursor de toda una familia de métodos. y aún no ha con seguido ser viable para la programación de propósito general. Un algoritmo se verifica demostrando que sus salidas respetan las especificaciones de todas las entradas. 1983]. La síntesis formal de algoritmos fue uno de los primeros usos de los demostradores de teoremas. no sólo en la Inteligencia Artificial. tal como perfila Cordell Green (1969a). Consiste esencialmente en una extensión de la regla de la literal simple de Davis y Putnam. los axiomas describen las interacciones entre las señales y los elementos del circuito. De este modo.Inteligencia Artificial disponer de axiomatizaciones correctas. de alguna manera proponen algún refinamiento. El algoritmo RSA de encriptación de clave pública y el algoritmo de emparejamiento de texto de Boyer-Moore han sido verificados de este modo [Boyer y Moore. La aplicación de la inferencia proposicional en la síntesis del hardware es actualmente una técnica estándar que tiene muchas utilidades a gran escala. pero que. la síntesis deductiva guiada ha tenido éxito en el diseño de diversos algoritmos bastante sofisticados y novedosos. El diseño de un sumador de 16 bits ha sido verificado por el AURA [Wojcik.. estas mismas técnicas se están comenzando a aplicar en la verificación del software. En el caso del software. el programa de control espacial del Agente Remoto fue verificado antes y después del vuelo [Havelund et al. por ejemplo. En el área de síntesis de hardware. por sistemas como el comprobador de modelos SPIN [Holzmann. quien trabajó sobre las ideas iniciales de Simon (1963). tal como se le llama. Actualmente. 1990]. la lógica proposicional es suficiente porque el conjunto de proposiciones de interés está fijado por el conjunto de elementos del circuito. En el caso del hardware. y los métodos basados en el Principio de Resolución de Robinson. Para muchos diseños de circuitos. han surgido dos tendencias para mejorar la eficiencia de los métodos mecánicos: Los métodos basados en las ideas de Prawitz. 2000]. Los razonadores especialmente diseñados para la verificación han sido capaces de verificar CPUs enteras. 1965 [2]. Se aplica directamente a cualquier conjunto de cláusulas (no necesariamente _________________________________________________________________________ 54 .El método de resolución de Robinson. la investigación en la demostración de teoremas se lleva a cabo en los campos del diseño del hardware. el demostrador de teoremas AURA se ha aplicado en el diseño de circuitos que son más compactos que cualquier diseño anterior [Wojciechowski y Wojcik. 1984].

En lugar de muchas reglas de inferencia de aplicación limitada. etcétera. PROLOG utiliza una regla de inferencia general de resolución. La idea básica de la forma normal es expresar la fbf de una forma estándar que sólo utilice ٨. Esta conversión es necesaria porque la resolución es una operación sobre pares de disyunciones. sin embargo. Como una manera de introducir la resolución. lo que simplifica la fbf. encadenamiento. para probar la insatisfactibilidad de S. introducida por Robinson en 1965. El cuantificador universal ∀ . 1965]. :. que produce nuevas disyunciones. En caso de que S no contenga la cláusula vacía. donde los comentarios se muestran con un signo de porcentaje: Mortal (X) :. ٧y tal vez ~. Resolución La muy eficaz regla de resolución de inferencia. corte (que altera el espacio de búsqueda) y asegurar/retractar (para modificar valores de verdad sin justificación de lógica). modus tollens.Inteligencia Artificial cláusulas base o aterrizadas). Sí %todos los hombres son mortales %Sócrates es un hombre %consulta: ¿Sócrates es mortal? %PROLOG responde sí PROLOG utiliza una notación libre de cuantificador. En realidad la resolución es la principal regla de inferencia de PROLOG. combinación.mortal (sócrates). la fórmula bien formada (fbf) debe estar en una forma normal o estándar. Antes de que pueda aplicarse la resolución. la forma de cláusula y subconjunto de cláusula de Horn (véase anexo Cláusulas de Horn). El método de resolución se aplica entonces a las fbf de forma normal en la que todos los conectores y cuantificadores se han eliminado. _________________________________________________________________________ 55 . Estas funciones de programación especiales violan la lógica de predicados pura y se les denomina funciones extralógicas: entrada/salida. Hombre (sócrates). S es inconsistente. se intentará derivarla a partir de las cláusulas existentes en S. esta implícito en la información de que todos los hombres son mortales. método que puede reducir mucho espacio en la búsqueda. puede aplicarse la regla de resolución simple. PROLOG se basa en la lógica de predicados de primer orden. con frecuencia se implanta en programas de Inteligencia Artificial para prueba de teoremas [Robinson. entonces es inconsistente. consideremos primero el silogismo sobre Sócrates expresado en PROLOG como se muestra a continuación. porque en lugar de tener que probar diferentes reglas de inferencia esperando que una tenga éxito. Esta aplicación de la resolución hace que los probadores automáticos de teoremas como PROLOG resulten herramientas prácticas para resolver problemas.hombre (X). Si la cláusula vacía es derivada de las cláusulas existentes. Los tres principales tipos de formas normales son la forma normal conjuntiva. también tiene varias extensiones para facilitar las aplicaciones de programación. El aspecto central del método consiste en probar que si S contiene la cláusula vacía. como modus ponens.

Esta cláusula. A2. La sintaxis de PROLOG es el conjunto de la cláusula de Horn. lo que significa que no contienen conectores lógicos como el condicional o bicondicional. entonces uno o más de B1. es: A1 ٨ A2. puede escribirse en forma de cláusulas.. la siguiente fbf: (A ٧ B) ٨ (~B ٧ C) Está de la forma normal conjuntiva. una expresión en forma de cláusula completa se escribe de una forma especial llamada forma de cláusula de Kowalski: A1. o cuantificadores. …BM La cual se interpreta como si se dijera que si todos los subjetivos A1. B2. Obsérvese que a veces la dirección de la flecha está invertida en esta notación.… o BN también son verdaderos. La forma de cláusula completa puede expresar cualquier fórmula de la lógica de afirmaciones. Una literal es una fórmula atómica o una fórmula atómica negada. A2. pero tal vez no sea tan natural o legible como para una persona [Kowalski. que facilita en gran medida la comprobación de los teoremas mecánicos en PROLOG y hace su implantación más eficiente que la notación lógica de predicados normal o la forma de cláusula completa.. ~ A N ∨ B 1 ∨ B 2 . (P1 ٧ P2 ٧ …) (Q1 ٧Q 2 ٧ …) ٨ …(Z1 ٧Z 2 ٧ …) Términos como P1 deben ser literales.. que incluye a la lógica proposicional como un caso especial.…AN son verdaderos. B2. escrita en notación de predicados normal.Inteligencia Artificial Este es un ejemplo de una fbf de forma normal conjuntiva. Los términos entre paréntesis son cláusulas: A ٧ B y ~B ٧ C Cualquier fbf de lógica de predicados. …AN → B1 ٧ B2 …BN Esto puede expresarse en forma disyuntiva como la disyunción de literales utilizando la equivalencia: p → q ≡~ p ٧ q Así: A1 ٨ A2 … AN → B1 ٧ B2 … BM ≡ ~(A1 ٨ A2 … AN) ٧ (B1 ٧ B2 … BM) ≡ ~ A 1 ∨ ~ A 2 .. que son literales. 1979].B M Donde la ley de De Morgan: ~ (p ∧ q) ≡ ~ p ∨ ~ q _________________________________________________________________________ 56 . PROLOG solo permite un encabezado. Por ejemplo. …AN → B1. que se define como la conjunción de disyunciones. Por lo general.

Esto se desprende de la Ley del medio excluido. A∨B A ∨~B ∴A Una manera de ver como se llega a la conclusión. veremos que esta ley no se sostiene. en la que sólo se permite un encabezado. el resolutivo tendrá menos términos que los padres.. entonces la fbf original no negada es un teorema. En la lógica de confusión. o método de contradicción. terminará por obtenerse una contradicción o el proceso se terminará porque no se ha hecho ningún progreso.. A 1 . _________________________________________________________________________ 57 . que significa vacío.. que establece que algo no puede ser verdadero y falso a la vez. nada o falso. Para probar que un teorema es verdadero. donde las comas que separan las cláusulas significa ∧ . el resolutivo. de otras dos cláusulas. A 2 .. En el siguiente argumento se muestra un ejemplo simple de resolución. El objetivo básico de la resolución es inferir una nueva cláusula.Inteligencia Artificial Se usa para simplificar la última expresión. A 2 . Al seguir el proceso de resolución. llamadas cláusulas padre. cláusula de Horn.A N → B Que se escribe en sintaxis de PROLOG como: B : − A 1 . es escribiendo las premisas como: (A ∨ B) ∧ (A ∨ ~ B) Uno de los axiomas de distribución es: p ∨ (q ∧ r) ≡ (p ∨ q) ∧ (p ∨ r) Aplicando esto a las premisas se tiene: (A ∨ B) ∧ (A ∨ ~ B) ≡ A ∨ (B ∧ ~ B) ≡ A Donde el último paso seguido desde (B ∨ ~B) siempre es falso. la Ley del medio excluido establece que (B ∨ ~B) ≡ nulo. En la siguiente figura 12 se resumen algunas cláusulas padre básicas y sus resolutivos en notación de cláusula. El ejemplo de resolución muestra la manera en que las cláusulas padre (A ∨ B) (A ∨ ~B) pueden simplificarse en el resolutivo A. PROLOG utiliza un tipo restringido de forma de cláusula. es la dificultad de deducirlo utilizando sólo las reglas de inferencia y los axiomas del sistema. Esto puede requerir mucho tiempo para deducir un teorema o tal vez no seríamos lo suficientemente listos para hacerlo.. Por ejemplo.A N El problema que surge al tratar de probar directamente un teorema. se utiliza el método clásico de reducción al absurdo. Otra manera de escribir esto utiliza el término nulo..

. p o ~p v q. Formalmente: un sistema es no monótono si existen conjuntos de premisas BC y β y alguna conclusión α tales que: BC |= α y sin embargo BC υ β α (La aparición de nuevas premisas puede invalidar alguna de las conclusiones anteriores). por lo que no son universalmente ciertas.7. es la siguiente: Razonamiento defectivo Consiste en la extracción de conclusiones racionales (aunque no definitivas y por lo tanto revisables) a partir de información incompleta. Cláusulas padre básicas. p v q ~p v ~q. a menudo. pero que pueden tener excepciones. Existen varias modalidades de razonamiento defectivo: • Prototípico: Basado en el uso de reglas con excepciones. ¬q v r ~p v q. no concluyente. Una posible clasificación. Se dice que un sistema de razonamiento es no monótono cuando viola la condición de monotonía. aunque la frontera entre ellos no es del todo nítida. es decir. Tipos de no monotonía Existen varios tipos de no monotonía. p Resolutivo q p→r o ~p v r q ~p v p o ~q v q nulo Significado Modus ponens Encadenamiento o silogismo hipotético Combinación VERDADERO (una tautologia) FALSO (una contradicción) Figura 12. p v q ~p. q→r o ~p v q. los distintos tipos aparecen de forma combinada. cuando un aumento de las premisas puede hacer disminuir el conjunto de conclusiones obtenidas previamente.Conocimiento no-monótono y otras lógicas. en dos grandes grupos. Ejemplo: Habitualmente.Inteligencia Artificial Cláusulas padre p→q. 2. los pájaros vuelan. y. reglas que describen una situación típica (la que se da en condiciones normales). _________________________________________________________________________ 58 . p p→q.

aunque nadie me ha dicho que no vaya a ser así. tengo que comprar algo y sé que una de las dos farmacias de mi pueblo está abierta. El razonamiento auto epistémico se puede dividir en dos clases: • Por convención. en elegir la mejor conjetura posible. • Subjetivo. • Mejor-conjetura: Consiste. los acusados son inocentes. Por lo tanto deduzco que x es falso. Ejemplo: Me preguntan si el profesor X va a dar una conferencia mañana en el departamento. Casos en los que es una opinión subjetiva la que indica que si la conclusión fuese falsa se sabría. si la conclusión fuese falsa. por lo que se aplica la suposición de que si la conclusión fuese falsa. se sabría. me habría enterado. ante la ausencia de mayor información. lo sabría. y la razón es que pienso que si fuese cierto. No sé si x es cierto. Razonamiento auto epistémico Consiste en la extracción de conclusiones racionales (aunque no definitivas y por lo tanto revisables) a partir de una representación incompleta de una información virtualmente completa. se sabría. pero no sé cual. Suele seguir el siguiente patrón: Si x fuese cierto. _________________________________________________________________________ 59 . Casos en los que existe una convención implícita que indica que.Inteligencia Artificial • Sin-riesgo: Casos en los que una conclusión equivocada puede tener consecuencias desastrosas. • Probabilística: Similar al caso prototípico pero aplicable en situaciones en las que las reglas generales se construyen mediante la utilización de probabilidades. Ejemplo: Es domingo. es porque no la hay. La mejor conjetura es elegir la más cercana a mi casa. Ejemplo: Si en los horarios de trenes no aparece un cierto recorrido. Ejemplo: En ausencia de evidencias iniciales de lo contrario. Mi respuesta es “no".

de funcionamiento de equipos. El diagnóstico se suele basar en unas reglas generales que permiten determinar las causas más probables del problema. Aplicaciones Algunas de las aplicaciones más relevantes del Razonamiento No Monótono son las siguientes: Problemas de Diagnóstico. en algunas ocasiones. En particular. serán el tipo de razonamiento que se esté formalizando y la aplicación concreta los que determinen cuál de ellos es el más adecuado. Circunscripción. Modelos borrosos: Sistemas basados en herencia W. Los contratos con menores ratificados por el tutor del menor son válidos."). incierta. proponen mecanismos rigurosos para la revisión de razonamientos ante la llegada de nueva información. Tratamiento del lenguaje natural. Diagnóstico médico.Inteligencia Artificial Modelos Los modelos de razonamiento no monótono aportan por lo tanto métodos formales para la construcción de sistemas capaces de operar adecuadamente ante información incompleta. La mayoría de las leyes están escritas mediante reglas con excepciones (por ejemplo: “Los contratos son válidos. contradictoria. Muchos actos comunicativos se basan en _________________________________________________________________________ 60 . etc. Otro rasgo importante que permite clasificar a los modelos de razonamiento no monótono es su actitud ante informaciones contradictorias (ejemplo: cuáqueros y republicanos): • Los modelos crédulos evitan las inconsistencias ofreciendo distintas soluciones alternativas. Razonamiento legal. Modelos No Simbólicos: Modelos probabilísticos. El lenguaje natural es ambiguo. Cada uno de estos enfoques tiene sus ventajas e inconvenientes. Los contratos con menores no son válidos. Sistemas de mantenimiento de la verdad. Lógicas defectivas W. • Los modelos escépticos evitan las inconsistencias absteniéndose de emitir conclusiones en caso de conflicto. Hipótesis del Mundo Cerrado W. Lógicas modales no monótonas. y está por lo tanto sujeto a múltiples interpretaciones. que pueden clasificarse en tres grandes categorías: Modelos Simbólicos: Basados en extensiones de la lógica clásica. sujeta a cambios y. permitiendo retractar aquellas conclusiones que han dejado de ser válidas y derivar nuevas conclusiones alternativas. Existen diversos modelos de Razonamiento No Monótono. imprecisa.

un _________________________________________________________________________ 61 . La idea es especificar predicados particulares que son asumidos como «tan falsos posibles» (es decir. ahora la teoría de la probabilidad puede proporcionar una conclusión de que la cuarta rueda existe con una alta probabilidad. La lógica no monotónica ha sido concebida con nociones modificadas de verdad e implicación para capturar este comportamiento. en ausencia de otra razón que lo ponga en duda. para la mayoría de la gente. Por ejemplo Anormal1(x). En este tipo de lógica. en contraposición a los requerimientos de verdad en todos los modelos de la lógica clásica. parece que los humanos a menudo «llegan a conclusiones». uno tiende normalmente a creer que el coche tiene cuatro ruedas aunque sólo sean visibles tres. Por ejemplo supóngase que se quiere expresar la regla por defecto de que los pájaros vuelan. por lo tanto. y escribir Pájaro (x) ∧ ¬ Anormal1 (x) ⇒ Vuela (x) Si se especifica que Anormal1 va a ser circunscrito. si se detectan nuevas evidencias (por ejemplo. Operaciones que se realizan en marcos de trabajo cambiantes. si uno ve al propietario del coche llevando una rueda y se da cuenta de que el coche tiene un gato). Razonamiento temporal. y normalmente se extraen conclusiones basadas en ellas a menos que estas se violen explícitamente. cuando uno ve un coche aparcado en la calle. La circunscripción puede ser vista como un ejemplo de lógica de preferencia de modelos. parece que la conclusión de la cuarta rueda se alcanza por defecto. Se examinarán estos dos tipos de lógica que han sido estudiados de forma extensiva: circunscripción y lógica por defecto [1]. falso para todo objeto excepto para aquellos para los cuales se conoce que es cierto). Cuando sólo es posible ver una parte de un escenario. se asumen conclusiones por defecto sobre el escenario completo. que pueden tener que ser revisadas más adelante al recibirse nueva información. Por circunscripción. La circunscripción puede ser vista como una versión más potente y precisa de la asunción del mundo cerrado. porque el conjunto de creencias no crece monotónicamente con el tiempo cuando se dispone de nuevo conocimiento. una sentencia se deduce (con valor por defecto) si es cierta en todos los modelos preferidos de la base de conocimiento. Esta clase de razonamiento se dice que es no monotónico. Circunscripción y lógica por defecto La introspección simple sugiere que esos fallos de la propiedad monotónica son generalizados en el razonamiento basado en el sentido común. por ejemplo. Se podría introducir un predicado.Inteligencia Artificial convenciones. la posibilidad de que el coche no tenga la cuarta rueda no surge a menos que se presente alguna nueva evidencia. incluso. Visión. lo que obliga a hacer razonamientos predictivos sobre la evolución del problema. entonces la conclusión puede ser negada. un razonador que utiliza circunscripción asumirá ¬ Anormal1(x) a menos que sea conocida la certeza de Anormal1 (Tweety).

una extensión S consta de los hechos originales conocidos y un conjunto de conclusiones a partir de las reglas por defecto. se podría usar un formalismo denominado circunscripción priorizada para dar preferencia a modelos donde Anormal3 es minimizado. C es la conclusión. se tienen dos posibles extensiones para el diamante de Nixon: uno en el que él es un pacifista y otro en el que no lo es. una regla por defecto tiene la forma P : J1 . entonces se puede concluir Vuela(x) por defecto. J n /C Donde P es un prerrequisito. La lógica por defecto es un formalismo en el cual las reglas por defecto se pueden escribir para generar conclusiones contingentes no monotónicas. entonces la conclusión no se puede alcanzar). Una regla por defecto se parece a la siguiente: Pájaro(x) : Vuela(x) / Vuela(x) Esta regla significa que si Pájaro(x) es cierto y si Vuela(x) es consistente con la base de conocimiento.Inteligencia Artificial modelo se prefiere a otro si tiene menos objetos anormales. Surge de la observación de que Richard Nixon es un cuáquero (y por lo tanto pacifista) y un republicano (y por lo tanto no pacifista). Si se desea además afirmar que las creencias religiosas tienen precedencia sobre creencias políticas. no existen modelos preferidos: uno en el que se cumpla Anormal2 (Nixon) y Pacifista (Nixon) también se considera válido. y Ji son las justificaciones (si cualquiera de ellas se puede probar como falsa. Existen esquemas priorizados en los que a algunas reglas por defecto se les puede dar precedencia sobre otras. Se podría escribir esto como sigue: Republicano(Nixon) ∧ Cuáquero(Nixon) Republicano(x) ∧ ¬ Anormal (x) ⇒ ¬ Pacifista (x) 2 Cuáquero(x) ∧ ¬ Anormal (x) ⇒ Pacifista (x) 3 Si se circunscriben Anormal2 y Anormal3. de tal modo que no se pueden alcanzar conclusiones adicionales desde S y las justificaciones de cada conclusión por defecto en S son consistentes con S.. Cualquier variable que aparece en Ji o C también debe aparecer en P. _________________________________________________________________________ 62 . Republicano(Nixon) ∧ Cuáquero(Nixon) Republicano(x) : ¬ Pacifista( x)/¬ Pacifista (x) Cuáquero(x) : Pacifista (x) /Pacifista (x) Para interpretar cuál es el significado de las reglas por defecto. El ejemplo estándar para el cual la herencia múltiple genera problemas se llama «El diamante de Nixon». Es decir.. Como en el caso de los modelos preferidos en la circunscripción. se definirá la noción de una extensión o una teoría por defecto como el conjunto máximo de consecuentes de la teoría. En general. El ejemplo del diamante de Nixon puede ser representado utilizando lógica por defecto con un hecho y dos reglas por defecto. permitiendo resolver algunas ambigüedades.. Por lo tanto es pacifista.

por ejemplo.. Definición clásica o a priori.Razonamiento probabilístico. ¿cómo se pueden usar las creencias que tienen un valor por defecto para tomar decisiones? Probablemente esta sea la cuestión más difícil de resolver para el razonamiento por defecto. Las decisiones a menudo implican cambios. • Al suceso seguro le corresponde el valor 1. El concepto o idea que generalmente se tiene del término probabilidad es adquirido de forma intuitiva.8. si «los coches tienen cuatro ruedas» es falso. cuando uno conduce un camión pesado muy cargado por una carretera de montaña empinada). pues se puede considerar desde distintos puntos de vista: - El punto de vista objetivo. es posible interpretar las reglas por defecto como afirmaciones que establecen un «umbral de probabilidad». los sistemas prácticos basados en programación lógica han demostrado ser prometedores como herramientas para la representación del conocimiento. entonces existe un problema serio de no modularidad. ¿qué significa el que lo tengamos en nuestra base de conocimiento? ¿Cuál es el conjunto apropiado de reglas por defecto que debemos tener? Si no se puede decidir. A esta medida la llamaremos probabilidad del suceso A y la representaremos por p(A). siendo suficiente para manejarlo en la vida corriente. 2. es suficientemente alta para que la decisión óptima sea conducir sin revisarlos». A la medida numérica de la posibilidad de que ocurra un suceso A cuando se realiza el experimento aleatorio. Definición frecuentista o a posteriori. Por último. si debe pertenecer a la base de conocimiento. incluso cuando no haya evidencia que sugiera que los frenos estén mal. Cuando el contexto para la toma de decisiones cambia (por ejemplo. se han hecho muchos progresos para entender sus propiedades matemáticas. Por ejemplo. el valor por defecto de repente no es el apropiado. Estas consideraciones han llevado a algunos investigadores a considerar cómo encapsular el razonamiento por defecto en la teoría de la probabilidad. y por lo tanto. El concepto de probabilidad no es único. cuando se propuso por primera vez la lógica no monotónica. • El resto de sucesos tendrán una probabilidad comprendida entre 0 y 1. para cada regla por separado. comenzando en los últimos años de la década de los 90. El razonamiento probabilístico es un caso dentro del razonamiento no monótono.Inteligencia Artificial Desde 1980. la regla por defecto «mis frenos estén correctos. _________________________________________________________________________ 63 . en ausencia de otra información. se necesita comparar la fuerza en la creencia de la salida de varias acciones. En aquellos casos donde se toma repetidamente la misma clase de decisiones. La probabilidad es una medida sobre la escala 0 a 1 de tal forma que: • Al suceso imposible le corresponde el valor 0.

Por ejemplo. Lógicamente a esta proposición no le podemos dar una probabilidad basada en la frecuencia de ocurrencia del hecho. se denomina probabilidad incondicional o a priori.9. Se designa P(X|Z) a la probabilidad condicional de que X sea verdadera dado que Z es verdadera. Es decir. la probabilidad de que Miguel de Cervantes se refiriera a Argamasilla de Alba como el lugar de La Mancha de cuyo nombre no quería acordarse. También se suele decir. representa la probabilidad de que algo ocurra p(A) antes de considerar ninguna información adicional p(A|E). De este modo. la probabilidad de X dada Z. No obstante. a partir de ellas realizar inferencias. asignamos también probabilidades a las proposiciones para indicar un grado de credibilidad basada en las evidencias de que disponemos.Teorema de Bayes. Lo incompleto de la información de que disponemos nos lleva a asignar un grado de certidumbre o de credibilidad a las proposiciones. la probabilidad de que mañana llueva teniendo en cuenta la información meteorológica de que disponemos. y una serie de evidencias o hipótesis que recogemos bajo la proposición Z. La probabilidad de que una variable aleatoria pueda o no ocurrir. dar una medida del grado de credibilidad que se da a unas proposiciones. cada vez que se dispone de nueva información. teniendo en cuenta la información de que disponemos sobre su estancia por aquella zona. las probabilidades se pueden utilizar para. en la vida diaria y en las ciencias e ingenierías. Supongamos que tenemos dos proposiciones X e Y. El conocimiento de la ocurrencia de un suceso puede modificar las probabilidades de otros sucesos. Por ello. sea cierta o no lo sea. A las proposiciones: probabilidad de que sean o no ciertas.. cambiar. La teoría de la probabilidad se puede aplicar: - A los sucesos o eventos: probabilidad frecuencial o de ocurrencia. La mayoría de las veces se define la probabilidad en función de las frecuencias de ocurrencias de sucesos contenidos en un conjunto de posibilidades. Las redes bayesianas o probabilísticas son una representación gráfica de dependencias para razonamiento probabilístico en sistemas expertos. _________________________________________________________________________ 64 . pero no obstante se usa este tipo de juicios en nuestra vida diaria. las probabilidades de los sucesos pueden y suelen. o que una proposición Xi. a partir de unas evidencias. de manera similar designamos por P(Y|Z) la probabilidad de Y dado Z.Inteligencia Artificial Ventajas: La principal ventaja del razonamiento probabilístico sobre el razonamiento lógico es que el primero permite tomar decisiones racionales aún en los casos en que no haya suficiente información para probar que cualquier acción dada funcionará. 2.

P( Y X) = P(X Y)P(Y) P(X) Donde de nuevo se interpreta como la representación de un conjunto de ecuaciones.Inteligencia Artificial La regla de Bayes y su uso La regla del producto se puede escribir de dos formas por la conmutatividad de la conjunción [1]: ( ) P(a ∧ b) = P (b a ) P(a) P(a ∧ b) = P a b P(b) Igualando los miembros derechos y dividiendo por P(a). e)P( Y e) P(X e) Aplicación de la regla de Bayes: el caso sencillo A primera vista. y cada relación con valores específicos de las variables. e) = P(X Y. tenemos _________________________________________________________________________ 65 . La regla de Bayes es útil en la práctica porque hay muchos casos donde disponemos de buenas estimaciones probabilistas para estos tres números y necesitamos calcular el cuarto. digamos. Un médico sabe que la enfermedad de meningitis causa al paciente que el cuello se agarrote. Requiere tres términos (una probabilidad condicional y dos probabilidades incondicionales) sólo para calcular una probabilidad. el 50 por ciento de las veces. El caso más general para variables multivaluadas puede escribirse con la notación P como. Esta ecuación sencilla subyace en todos los sistemas de Inteligencia Artificial modernos con inferencia probabilística. Si tomamos s como la proposición de que el paciente tiene un cuello agarrotado y m como la proposición de que el paciente tiene meningitis. con frecuencia tenemos probabilidades condicionales de relaciones causales y necesitamos deducir un diagnóstico. P(Y X. También tendremos ocasión de usar una versión más general. la regla de Bayes no parece muy útil. En una tarea como el diagnóstico médico. obtenemos P(b a) P(a b)P(b) P(a) Esta ecuación se conoce como regla de Bayes (también como ley de Bayes o teorema de Bayes). condicionada a alguna evidencia base e. El médico también conoce algunos hechos incondicionados: la probabilidad a priori de que un paciente tenga meningitis es 1/50 000 y la probabilidad priori de que cualquier paciente tenga un cuello agarrotado es 1/20.

5). el conocimiento diagnóstico es con frecuencia más frágil que el conocimiento causa. El uso de este tipo de conocimiento causal directo o basado en modelos proporciona la robustez decisiva necesaria que hace viables a los sistemas probabilistas en el mundo real. ya que sencillamente refleja el modo en que actúa la meningitis. la información causal P(s m) no se ve afectada por la epidemia. el médico tiene información cuantitativa en el sentido de los síntomas a las causas.0002 1/20 Es decir. A veces es más fácil. El médico que obtuvo la probabilidad diagnóstica P(m s) directamente de la observación estadística de pacientes antes de la epidemia no tendrá ni idea de cómo actualizar el valor. esperamos que sólo un paciente de entre 5. Tenemos P( M s) =∝ 〈P(s m)P(m). Tal médico no tiene necesidad de usar la regla de Bayes. aun pensando en que una meningitis apunta a un cuello agarrotado con bastante contundencia (con probabilidad 0. pero el médico que calcula P(m s) a partir de los otros tres valores verá que P(m s) aumentará proporcionalmente a P(m). Si hay una epidemia repentina de meningitis. Esto es porque la probabilidad a priori de un cuello agarrotado es mucho más alta que la meningitis. En el dominio de la meningitis. Nótese que. P(s ¬m)P( ¬m)〉 Así para usar esta aproximación necesitamos estimar P(s ¬m) en vez de P(s). _________________________________________________________________________ 66 . a veces es más difícil. P(m). Una cuestión obvia sobre la regla de Bayes es por qué uno debe disponer de la probabilidad condicional en un sentido. el sentido diagnóstico. la probabilidad de meningitis en el paciente se queda pequeña. Lo que es más importante. Desafortunadamente. quizás el médico sabe que un cuello agarrotado implica meningitis en uno de cada 5. la probabilidad incondicional de meningitis.5 × 1/50 000 = 0.5 P(m) = 1/150 000 P(s) = 1/20 P(m s) = P(s m)P(m) \P(s) = 0. La fórmula general de la regla de Bayes con normalización es P( Y X) =∝ P( X Y)P(Y) Donde ∝ es la constante de normalización necesaria para hacer que las entradas de P( Y X) sumen 1. es decir. El proceso por el que se puede evitar la asignación de probabilidades de la evidencia se puede aplicar en la regla de Bayes. pero no en el otro.Inteligencia Artificial P(s m) = 0. 000 con un cuello agarrotado tengan meningitis. 000 casos. aumentará.

• No son capaces de explicar el proceso de razonamiento: los sistemas de diagnóstico médico basados en bayes no son aceptados porque no explican como llegan a las conclusiones.Inteligencia Artificial Problemas de los métodos Bayesianos • ¿En que se basan las probabilidades a priori y condicionadas? Muestra estadística grande. valor suministrado por un experto. _________________________________________________________________________ 67 .

si el evento o proposición X ya ha ocurrido o es cierta. porque en lugar de tener que probar diferentes reglas de inferencia esperando que una tenga éxito. Escribir el concepto que corresponda a cada definición.. Teorema de Bayes o regla de Bayes _________________________________________________________________________ 68 . 5.______________________________________________________________________ Conjunto de datos sobre hechos. 3..______________________________________________________________________ Es un lenguaje de programación lógico e interpretado. Regla de resolución de inferencia. Los enlaces representan relaciones entre los elementos. Los nodos se emplean para representar elementos del dominio. 7. axiomas y reglas de inferencia.______________________________________________________________________ Los componentes básicos de esta red son los nodos y los enlaces.. o a través de introspección (a priori). suponiendo conocidas la probabilidad a priori de X e Y. Razonamiento. puede aplicarse la regla simple. Respuestas: Redes semánticas. lenguaje formal..______________________________________________________________________ Sus componentes son: alfabeto. Conocimiento. conjunto de proposiciones enlazadas entre sí que dan apoyo o justifican una idea.. método que puede reducir mucho espacio en la búsqueda.______________________________________________________________________ Establece que puede calcular la probabilidad condicional de que un evento o proposición Y ocurra o sea cierta. 6. se muestran gráficamente como rectángulos y son rotulados con los nombres de los elementos representados.. verdades o de información almacenada a través de la experiencia o del aprendizaje (a posteriori).______________________________________________________________________ La aplicación de ésta hace que los probadores automáticos de teoremas como PROLOG resulten herramientas prácticas para resolver problemas.Inteligencia Artificial Cuestionario de evaluación. 4. Prolog. bastante popular en el medio de investigación en Inteligencia Artificial. 1. 2. Lógica de predicados..______________________________________________________________________ Conjunto de actividades mentales consistentes en conectar unas ideas con otras de acuerdo a ciertas reglas o también puede referirse a estudio de este proceso. y la probabilidad de X dado Y.

Inteligencia Artificial UNIDAD 3 SISTEMAS DE RAZONAMIENTO LÓGICO _________________________________________________________________________ 69 .

La representación del conocimiento en forma de reglas de producción fue propuesta por Post en 1943.1. La fortaleza de una regla es la función de la lógica que admita en las expresiones de las condiciones y de las conclusiones. Pares condición-acción que definen una condición que si se satisface causa que se “dispare” la regla. _________________________________________________________________________ 70 . obteniéndose nuevos datos verdaderos o resultados [7]. El “mundo” es una representación del conocimiento mediante reglas de producción y se hace mediante un conjunto de hechos que son verdaderos y un conjunto de reglas de producción que muestran la forma de la evolución de estos hechos. Responden al esquema if-then. En las reglas de producción: • • • • • Utilización indirecta de la lógica de predicados. aplicándose la acción correspondiente..Inteligencia Artificial UNIDAD 3 SISTEMAS DE RAZONAMIENTO LÓGICO 3. Muy utilizadas en la práctica (Sistemas expertos). ENTONCES pagar el billete. En la representación del conocimiento de tipo procedimental la forma de describir el “mundo” es muy similar pues se hace mediante los datos y algoritmos.Reglas de producción. SI estoy en el autobús. Los sistemas basados en este tipo de representación se denominan sistemas de producción. La regla es la forma más común de representar el conocimiento. Ejemplo 1: SI estoy esperando en la parada de autobús y llega éste. Una regla consta de un conjunto de acciones o efectos (una o más) que son ciertas cuando se cumplen un conjunto de condiciones o causas (una o más). Las reglas suelen aplicarse por encadenamiento hacia delante o encadenamiento hacia atrás. debido a su gran sencillez y a ser la formulación más inmediata del principio de causalidad (causa-efecto). ENTONCES subir al autobús.

Ejemplo 2: Hecho: en mi jardín tengo una PLANTA PERENNE. ALTA Y CON EL TRONCO DESNUDO. o la incorporación de una nueva característica a un hecho. • Elegir la regla utilizada más recientemente. ENTONCES encontrar un asiento libre. El conocimiento acerca de las reglas de producción que siguen esta misma estructura. REGLA 3: <alta> SI <altura >= 6 metros>. se denomina Meta-reglas (el prefijo meta significa “por encima” o “más alto”). consistente en: 1. Existen dos clases de meta-reglas que son: a) Las meta-reglas ciegas. • Elegir la primera regla. • Elegir la regla con mayor peso. En nuestro ejemplo: REGLA 1:<árbol> SI <planta Y perenne Y alta Y tronco desnudo>. REGLA 2: <arbusto> SI <planta Y perenne Y NO alta Y tronco NO desnudo>. … En lenguajes de PROLOG las reglas se pueden escribir de forma directa. son aquellas que contienen conocimiento sobre la estructura de las reglas. Las Metareglas facilitan la resolución de los problemas. mientras que la acción suele referirse a la transformación de un hecho. _________________________________________________________________________ 71 . Regla 1: Un árbol es una planta perenne. Existe una restricción de la sintaxis de las reglas de producción que se denomina Cláusulas de Horn y que es utilizada por el lenguaje PROLOG. 2.Sólo existe una conclusión por regla.. las Meta-reglas pueden inhibir parte de los módulos lo que hace más rápida la búsqueda de soluciones.. La conclusión se suele referir a la creación de un nuevo hecho válido. La fórmula general de la regla es la siguiente: SI <Condiciones> ENTONCES <Conclusiones o acciones>. alta y con el tronco desnudo.La conclusión no puede ser negada. Nuevo hecho: En mi jardín tengo un árbol. Ejemplos de meta-reglas ciegas son las siguientes: • Elegir la regla más corta. es decir sobre su sintaxis.Inteligencia Artificial SI estoy en el autobús y he pagado el billete.

Sintaxis de las reglas de producción. Las desventajas que representan las reglas de producción.2. por lo que no es aplicable la regla 1. ES-UN se utiliza entonces en el sentido ordinario de las palabras “es un” y también en el sentido de UN-TIPO-DE. contradicciones [20]. Por ejemplo. no parece excesivamente “lógico” o “limpio” construir un sistema experto empleando este tipo de reglas. . que relaciona una clase con una subclase.. En un sistema así no estaría en forma declarativa sino en forma procedimental. al crecimiento muy rápido del número de reglas lo que relentiza el proceso de inferencia y a la gran facilidad con la que se pueden introducir repeticiones y. su sencillez. _________________________________________________________________________ 72 . lo cual implicaría de forma implícita o explícita la no independencia de la base de conocimientos y el control. De esta forma se puede omitir el metaconocimiento.٨ An => C .. algunos utilizan ES-UN para relaciones genéricas individuales. su uniformidad que permite la representación de conocimiento como de metaconocimiento. que consisten en la ejecución de algoritmos o procedimientos para el control del proceso. es la dificultad de establecer relaciones. lo que nos llevaría a una filosofía de programación tradicional en la que en el mejor de los casos el control fuera de forma funcional como es en LISP.A1 ٨ A2. Existen un tipo de reglas que normalmente se les denomina estratégicas. lo que es peor. TIENE-UN señala a la inversa de UN-TIPO-DE y suele utilizarse para relacionar un objeto con una parte del objeto. 3. son aquellas que contienen conocimientos sobre el contenido de las reglas es decir sobre su semántico. Formulando esto con la misma sintaxis que se ha utilizando sería: NO <REGLA1> SI <joven>. Sin embargo. su independencia que permite la supresión o inclusión sin que se vea afectado el resto de la base de conocimientos y su modularidad al ser fácilmente agrupables. Otro vínculo muy utilizado es TIENE-UN.Inteligencia Artificial b) Las meta-reglas no ciegas o inteligentes. para lo cual hay que recurrir al uso de las meta-reglas. esto quiere decir que en la base de conocimientos se incluirían algoritmos y procedimientos de control. ..representación objeto-atributo-valor Un problema con el uso de las redes semánticas es que no hay definiciones estándar para nombrar los vínculos. Un ejemplo de la meta-regla no ciega es: Un árbol joven no es alto. Las ventajas que representan las reglas de producción son su carácter declarativo.

atributos y valores. El automóvil TIENE-UN motor. Objeto Manzana Manzana Manzana Uvas Uvas Uvas Atributo Color Tipo Cantidad Color Tipo Cantidad Valor Roja Golden 100 rojas sin semilla 500 Figura 13.Semántica de las reglas de producción. puede utilizarse para caracterizar todo el conocimiento de una red semántica y se usó en el sistema experto MYCIN para diagnosticar enfermedades infecciosas. Una secuencia de grafías o fonemas que tiene una existencia física. Una tripleta objeto-atributo-valor (OAV). La red semántica para este tipo de sistema consta de nodos para objetos. atributo y valor ocurren tan frecuentemente que es posible construir una red semántica simplificada utilizando únicamente estos elementos. Ejemplo de una tabla con el trío OAV (objeto-atributo-valor). Por ejemplo: la palabra ‘mesa’. En la figura 13 se muestra el ejemplo de una tabla con el trío OAV. Más específicamente. La semántica tiene que ver con nuestra capacidad de representarnos el mundo mediante símbolos [12]. nombres. con los objetos. conectados por vínculos TIENE-UN y ES-UN.. ES-UN relaciona un valor con un atributo mientras que TIENE-UN relaciona un objeto con un atributo. predicados y oraciones. La representación del trío OAV es conveniente para ordenar el conocimiento en forma de tabla y luego introducirla al código de la computadora mediante reglas de inducción. El automóvil ES-UN ford. _________________________________________________________________________ 73 . 3. El automóvil TIENE-UNAS llantas. Los elementos objeto. La semántica es la dimensión del lenguaje que relaciona los elementos lingüísticos.3. las acciones y propiedades y los hechos del mundo. Los tríos OAV son especialmente útiles para representar los hechos y sus patrones para llevarlos al antecedente de una regla. Un símbolo o signo tiene una estructura triangular: a) El significante: es el objeto lingüístico arbitrario.Inteligencia Artificial Por ejemplo.

Inteligencia Artificial b) El significado: es la intención del significante y es un concepto o categoría que expresa las propiedades generales y significativas de un objeto de la realidad que denotamos con el significante. la palabra ‘mesa’ significa un tablero con cuatro patas capaces de soportar un peso o una fuerza. El predicado refiere a una propiedad del mundo. Naturalmente cada oración tiene o puede tener un significado distinto. c) La referencia o extensión es el objeto real del mundo representado por el significante. La verdad es. remiten o representan hechos en el mundo. Por ejemplo. se dice de ella que es falsa. en cuyo caso se dice que esa oración es verdadera. pero las referencias posibles de las oraciones son sólo dos: lo verdadero o lo falso. Estructura de un símbolo o signo. La verdad entonces es una propiedad de las oraciones que se refieren. Símbolo o Signo Significante ‘mesa’ Significa Representa Significado: ‘tablero con patas capaz de soportar objetos o fuerzas sobre él…’ Referencia Localiza Figura 14. si no ocurre. El significado nos permite localizar la referencia. Efectivamente toda oración remite a un hecho si el hecho ocurre. Las referencias de los posibles tipos de significantes del lenguaje serían las siguientes: • • • El nombre refiere a un objeto del mundo. _________________________________________________________________________ 74 . el objeto del que habla el significante. La oración refiere a un valor de verdad. en consecuencia es una noción semántica por medio de la cual valoramos o juzgamos la relación que se establece entre las oraciones que expresan hechos del mundo y estos mismos hechos.

objetivistas. 7 El término ontología en informática hace referencia al intento de formular un exhaustivo y riguroso esquema conceptual dentro de un dominio dado. De este modo. veritativafuncional que era independiente de quien lo usara. Una relación causal enlaza las causas con los efectos de forma comprensible como si fuera un teorema lógico (por ejemplo. cambiante y lleno de novedad era nula. con la finalidad de facilitar la comunicación y la compartición de la información entre diferentes sistemas.Conocimiento causal. cabe una interpretación cognitivista que relacionara los signos con las estructuras conceptuales de una mente simbólica. pronto mostró que la noción de información no era suficiente para explicar las complejas relaciones que los sistemas que la procesan establecen con el mundo para sobrevivir en él. si llueve.Inteligencia Artificial Esta consideración del símbolo permitió a las ciencias que tratan con el lenguaje abordar el estudio de éste mediante una metodología atomista y una ontología7 realista que se permitía considerar al lenguaje como una estructura articulable. Con él y con Heráclito de Éfeso comienza —según Ortega y Gasset—. o en general. La ciencia cognitiva.3. los objetos y hechos del mundo. Un uso común tecnológico actual del concepto de ontología lo encontramos en la Inteligencia Artificial y la representación del conocimiento.. La Inteligencia Artificial. entonces las plantas van a crecer) [13]. La teoría de modelos. del contexto en que se usaba e incluso de los procesos de comprensión o creación de las formas lingüísticas. lógica. generativa. ciencia cognitiva. era irrelevante para la visión realista que estaba únicamente interesada en los procesos de conocimiento del mundo y de producción de teorías verdaderas. la única semántica verdaderamente útil y manejable era la semántica extensional que sólo tenia en cuenta la relación de verdad que se establece entre los elementos de lenguajes. Por el otro lado. Desde esta perspectiva. _________________________________________________________________________ 75 . mostró justo todo lo contrario. como tecnología al servicio de todas las disciplinas para la verificación de las teorías. 8 Es considerado por muchos eruditos como el miembro más importante de la escuela eleática. Relación causal Definición: Un método para definir el conocimiento consiste en representar la causa y el efecto como entidades relacionadas. 3. desde luego inspiró a toda una serie de ciencias -filosofía del lenguaje. por un lado. Es lo que Newell (1980) denomino sistema de símbolos físicos. Mostró que con estas semánticas de modelos o de mundos posibles. Inteligencia Artificial.1. el lenguaje puede comprenderse como un sistema de reglas de producción que generaba cadenas de símbolos como meras estructuras sintácticas a las que se les podía asignar interpretaciones rígidas para que refirieran a elementos del mundo ya fuera el mundo natural o cualquier mundo formal. lingüística. nuestra posibilidad de supervivencia en un mundo abierto. a la postre. la filosofía propiamente tal. pero esta dimensión resultaba difícil de manejar y.a aventurarse en un segundo intento histórico de establecer una teoría del conocimiento que por fin nos colocara en la vida de la verdad que Parménides8 nos aseguró que era la única transitable. que había recuperado la mente con su papel causal al que le había condenado el conductivismo.

para actuar en el ambiente. porque no tenemos evidencia de que lo todavía no ha sucedido. sino que se funda en la costumbre: la repetición (o conjunción constante) no es más que una creencia. El diagnóstico médico en concreto _________________________________________________________________________ 76 .. Mientras que para la detección de fallos es suficiente conocer las condiciones de funcionamiento normal. La diferencia entre el razonamiento basado en modelos y el de diagnóstico es muy importante en muchas áreas de la Inteligencia Artificial. porque las reglas causales forman un modelo de cómo se comporta el entorno. son precedidas por las decisiones tomadas en base al conocimiento adquirido. Es uno de los tres principios de asociación. Aceptar la idea del principio y considerando lo que el agente tiene que hacer para producir ciertos cambios y alcanzar la meta. incluyendo su operación en fallo. [20]. En la medida en que el concepto de causalidad no puede aplicarse a hechos que todavía no han sucedido. no algo que deba suceder necesariamente sino algo que debe ser evaluado en términos de posibilidad. Muchas de las aplicaciones actuales de detección y diagnóstico de fallos van asociadas a resultados de investigación y son soluciones a medida. La tendencia es desarrollar sistemas integrados que incluyen y combinan diversas técnicas. Las reglas causales reflejan la dirección que se asume de casualidad en el mundo: algunas propiedades ocultas del mundo causan que se generen ciertas percepciones. distribución de tareas. Las acciones de cualquier agente. Reglas de diagnóstico Las reglas de diagnóstico nos llevan de los efectos observados a sus causas ocultas. El problema principal al que se encuentran las técnicas de detección y diagnóstico de fallos es la complejidad creciente de los procesos actuales debido a no linealidades.Inteligencia Artificial Relación que vincula dos ideas a través de una conexión supuestamente necesaria.3. sea humano o un sistema inteligente. la falta de un concepto de causalidad nos conduce necesariamente al escepticismo. múltiples interacciones y acoplamientos. Los sistemas que razonan con reglas causales se denominan razonamiento basado en modelos. El agente puede también re(actuar) en modo reflexivo (a través de acciones reactivas) para estimular aquellas acciones que lo llevarán a la consecución de la meta.2. 3. para el diagnóstico a menudo es necesario un conocimiento más profundo del proceso. tomadas para alcanzar una meta en cierto contexto. sistemas cambiantes. La causalidad no tiene carácter necesario cuando se aplica a las cuestiones de hecho. el desempeño del agente serán influenciados por su conocimiento causal en el cual el agente deberá conocer no sólo los resultados de una acción sino también sus consecuencias. etc.Conocimiento de diagnóstico. es algo que esperamos que suceda.

3. Una estrategia de control que especifica el orden en el que las reglas son procesadas. Arquitecturas generales para resolución de problemas (máquinas LISP. Características de los Sistemas de Producción Un sistema de producción. máquinas PROLOG).Inteligencia Artificial ha sido un área de investigación muy activa. También se los conoce como lenguajes de Inteligencia Artificial. _________________________________________________________________________ 77 .4. Un mecanismo que se encarga de ir aplicando las reglas. al igual que los problemas. CLIPS. Sistemas de producción Un sistema de producción proporciona una estructura que facilita la descripción y la ejecución de un proceso de búsqueda.. Expert Teach. SBR). Dentro de esta definición general de sistema de producción. Un sistema de producción consiste de: • • • • Un conjunto de facilidades para la definición de reglas. EXSYS). Un sistema de producción es parcialmente conmutativo si existe un conjunto de reglas que al aplicarse en una secuencia particular transforma un estado A en otro B. PROLOG). Mecanismos para acceder a una o más bases de conocimientos y datos. y la forma de resolver los conflictos que pueden aparecer cuando varias reglas coinciden simultáneamente. Sistemas híbridos y sistemas vacíos (shells) para producción de sistemas basados en conocimientos (VP-Expert. Personal Consultant. en la que los enfoques basados en asociaciones directas entre los síntomas y las enfermedades (un enfoque de diagnóstico) han sido reemplazados gradualmente por enfoques que utilizan un modelo explícito del proceso de la enfermedad y de cómo se manifiesta en los síntomas [1]. Un sistema de producción se dice que es monotónico si la aplicación de una regla nunca evita que más tarde se pueda aplicar otra regla que también pudo ser aplicada al momento en que la primera fue seleccionada. y si con la aplicación de cualquier permutación posible de dichas reglas se puede lograr el mismo resultado [14].Arquitectura de un sistema de Producción (SP) (ó Sistemas Basados en Reglas. puede ser descrito por un conjunto de características que permiten visualizar la mejor forma en que puede ser implementado. se incluyen: • • • Lenguajes básicos para sistemas de producción (LISP. Intelligence Compiler.

Los sistemas de producción basados en reglas son un método popular para implantar sistemas expertos. SI su temperatura corporal es de 39 ºC. _________________________________________________________________________ 78 . Los sistemas basados en reglas son los más comúnmente utilizados. es el consecuente. Su simplicidad y similitud con el razonamiento humano. Características de los sistemas de producción. Así como se muestra en la figura 15.Inteligencia Artificial Un sistema de producción es conmutativo. es decir tienen 2 partes: • • La parte SI (IF). Las reglas son un importante paradigma de representación del conocimiento. También pueden trabajar por inferencia lógica dirigida. o bien con hipótesis sobre las posibles soluciones y volviendo hacia atrás para encontrar una evidencia existente (o una deducción de una evidencia existente) que apoye una hipótesis en particular. ENTONCES baje la velocidad Y hágase a un lado para permitir el paso de la ambulancia. SISTEMA DE PRODUCCIÓN MONOTÓNICO NOMONOTÓNICO PARCIALMENTE CONMUTATIVO Demostración de Teoremas Navegación Robótica PARCIALMENTE NO CONMUTATIVO Síntesis Química Juego de Ajedrez Figura 15. es el antecedente. Las reglas representan el conocimiento utilizando un formato SI-ENTONCES (IF-THEN). acción o respuesta. si es monotónico y parcialmente conmutativo. comparación de resultados y aplicación de las nuevas reglas basadas en situación modificada. Los sistemas basados en reglas trabajan mediante la aplicación de reglas. ENTONCES tiene fiebre. conclusión. han contribuido para su popularidad en diferentes dominios. condición o situación. premisa. Por ejemplo: SI está manejando un vehículo Y se aproxima una ambulancia. Las reglas pueden ser utilizadas para expresar un amplio rango de asociaciones [15]. y La parte ENTONCES (THEN). bien empezando con una evidencia inicial en una determinada situación y dirigiéndose hacia la obtención de una solución.

Desventajas de los sistemas de producción Existen algunos problemas en los sistemas basados en reglas. ENTONCES se puede inundar el piso. Finalmente. en la que guarda los hechos (Base de Hechos) y los conocimientos (Base de Conocimientos) acerca del dominio en el que tiene experiencia. adaptación al dominio (rápido crecimiento del número de reglas).Inteligencia Artificial SI el drenaje del lavabo está tapado Y la llave de agua está abierta. Se muestra a continuación en la figura 16. Estructura de un sistema basado en conocimiento. incorporación de conocimiento nuevo contradictorio. modificación de reglas existentes. la tercera parte la conforman las unidades de entrada y salida que permiten la comunicación entre el sistema y su entorno. Figura 16. opacidad (dificultad de establecer relaciones). Arquitectura de los sistemas basados en conocimiento La arquitectura de un sistema basado en conocimiento de alguna manera refleja la estructura cognitiva y los procesos humanos. _________________________________________________________________________ 79 . y. La segunda parte es el sistema que realiza la función de razonamiento para resolver problemas (Motor de Inferencia). Estos problemas caen dentro de una de las siguientes categorías: encadenamiento infinito. La primera parte es la memoria de largo plazo. Desventajas adicionales pueden ser: ineficiencia (necesidad de modularizar o de introducir meta-reglas).

El estado inicial (hechos iniciales). Un ciclo consta de: • • • Determinar que reglas están activas (equiparando sus partes izquierdas con la base de hechos). El estado final (regla que detecta cuando se ha alcanzado una solución). que se ejecutan hasta que no haya más reglas activas. Las transiciones entre estados (las reglas que representan las transiciones entre estados). Las metareglas facilitan y aceleran la búsqueda de soluciones. Disparar la regla elegida ejecutando su parte derecha. _________________________________________________________________________ 80 . Como ventajas significativas se pueden mencionar las siguientes: modularidad. hay que especificar: • • • • La representación de los estados del problema. El sistema de producción funciona en ciclos sucesivos. Dicho de otra manera. Determinar que regla se debe disparar en ese ciclo (por medio de la estrategia de control. Ventajas de los Sistemas de Producción A pesar de las desventajas anotadas.Inteligencia Artificial El conocimiento acerca de las reglas de producción se denomina META-REGLA. Esto normalmente cambiará la base de hechos (borrando hechos. por medio de un sistema de producción. Las reglas activas constituyen la agenda. uniformidad y naturalidad para expresar el conocimiento. hecho(s) que equipara(n) con esa regla). los sistemas basados en reglas han permanecido como los esquemas más comúnmente utilizados para la representación del conocimiento. Estrategia de control. los componentes básicos de un sistema de producción son: • • • Base de hechos (o memoria de trabajo). que puede ser tan simple como elegir la regla que tenga prioridad máxima). es decir. Conclusión Hemos visto como podemos representar un problema que consta de estados y transiciones entre estados por medio de hechos y de reglas. sino parejas (regla. Base de reglas. añadiendo hechos o modificando hechos). Una misma regla puede equiparar con varias instancias de la memoria de trabajo. por lo que lo que hay en la agenda no son exactamente las reglas activas. Para representar un problema de este tipo en un sistema de producción. aunque por resumir se habla de reglas solamente.

Eso es debido a que la estrategia de control se haya equivocado al elegir una regla en lugar de otra en algún momento. etc. Ejemplo de ellos pueden ser los sistemas de evaluación de resistencia de estructuras frente a terremotos o sistemas de supervisión de procesos industriales. • Diagnóstico. La única manera de solucionar ese problema es utilizar búsqueda en el espacio de estados [16]. • Configuración. Ejemplo de ellos podría ser un sistema basado en el conocimiento de planificación de trabajos en una fábrica. interpretarla. • Interpretación y Análisis. los ámbitos de aplicación en los que más se han utilizado los sistemas basados en el conocimiento son los siguientes: • Sistemas de ayuda a la toma de decisiones. • Interfaces inteligentes. Hacen de puente entre las personas y equipos complejos y de difícil utilización.Inteligencia Artificial Por último. Existen muchos ejemplos de monitorización de procesos en fábricas. Estos sistemas suelen encargarse de monitorizar procesos suministrando una salida de control como respuesta. plantas químicas. Son sistemas que deben funcionar en tiempo real. Sirven para tratar grandes volúmenes de información. • Planificación. Un caso típico son los sistemas que ayudan a configurar los equipos físicos a partir de los componentes existentes y de las restricciones establecidas. • Monitorización. Son aquéllos que efectúan la planificación o trazado de un objeto o sistema en base a los requisitos especificados. Caso típico son los interfaces inteligentes de acceso a base de datos. Según el tipo de problema a resolver. pero debido a su frecuente uso se suelen considerar aparte. Se trata de sistemas que a partir de unos "síntomas" determinan las causas que lo producen. • Diseño. dar un informe explicativo y sugerir las acciones a tomar. Se trata de sistemas que a partir de una problemática determinada sugieren la solución que consideran más idónea a partir del conocimiento incluido en el sistema. centrales nucleares. el siguiente cuadro indica algunas de las áreas en las que se han aplicado sistemas basados en el conocimiento y el tipo de problema que abordan: _________________________________________________________________________ 81 . Suelen ser capaces de dar diferentes soluciones de forma que el usuario pueda elegir aquella que le convenga. Ejemplo de ellos son los sistemas basados en el conocimiento de diagnóstico de enfermedades o de averías. Son sistemas que establecen las etapas y recursos necesarios para alcanzar un determinado objetivo. un sistema de producción con una estrategia de control determinista. Se encargan de la selección y planificación de los componentes que se necesitan en un proceso determinado. microcircuitos electrónicos. A modo de resumen y sin ser exhaustivos. pues el ámbito de aplicación de los sistemas basados en el conocimiento es muy amplio. En algunas situaciones se considera un caso particular de sistemas de interpretación y análisis. etc. puede no encontrar la solución al problema representado con ese sistema. Ejemplo de este tipo son los sistemas de ayuda al diseño de puentes. presas.

Gestores financieros.Vigilancias de sistemas complejos existentes.Dirección. . . . .Planificación estratégica. .Publicidad.Gestores de cartera.técnica. .Investigación y desarrollo.Mantenimiento y construcción. .Inteligencia Artificial - DOMINIO Ámbito Administrativo: Reglamentación.Vigilancia de sistemas complejos para poder tomar decisiones rápidamente.Mejora de la coordinación de la organización. . .Consultores.Controles de calidad.Control de maquinaria Servicios de Apoyo: . . . .Relaciones Públicas. asistencia y control. . .Control y reducción de los costes de desarrollo y mantenimiento de sistemas informáticos. .Previsión de resultados de procesos complejos y dinámicos. Operaciones: .Investigación mercado. Derecho interpretado.Examen y explicación de las decisiones tomadas. . Mercadotecnia: . PROBLEMAS - Aligerar el tiempo de procedimientos.Acceso a expertos o consultores para la resolución de un problema determinado. . Auditoria.Gestores.Necesidad de asistencia experta para examinar cuestiones mercadotécnicas. . Control.Necesidad de programas de servicio de clientes.Operación de maquinaria. .Servicios de proceso de datos. Finanzas: . - Contabilidad financiera. . Gestión: Ejecutivos. _________________________________________________________________________ 82 .Reducción de la complejidad organizativa.Comunicación de procedimientos nuevos y complejos.Problemas legales. .Entrenamiento de operarios en tareas complejas. . programación y gestión complejas.Necesidad de disponer de herramientas inteligentes para la planificación.Entrenamiento de personal.Controles de inventario. . .Manejo de un volumen creciente de información. Disponibilidad de la información. . Homogeneidad de las interpretaciones legales. . Disminución de costos de tramitación. . Procedimientos.Ventas. . Procesos.

Los hechos que el sistema reciba del usuario y los que vaya infiriendo se almacenan en la memoria de trabajo y pueden ser hechos.4.1. . . etc.Abogacía. Aserciones. “Parte de un sistema experto que contiene los hechos del problema que se descubren durante la sesión” [4]. recuperación y distribución de información. Hechos: terminología Los hechos constituyen los datos del problema en forma de: • • • • Base de hechos (BH).Modelización y simulación.Proceso de textos.Medicina.. . _________________________________________________________________________ 83 .Gestión de bases de datos. hipótesis. etc. Servicios Profesionales: .Gestión de pedidos. . comunicación. Base de hechos: predicados que describen el problema concreto [17]. También es necesario mencionar que los hechos de la memoria de trabajo también los puede obtener de fuentes externas como base de datos. .. . conclusiones parciales. .Hechos.Acceso a la información de otros consultores o expertos. Memoria de trabajo. Llamada también workspace. es decir lo que infiera “emparejando” los datos proporcionados con la base de conocimiento. Automatización del Trabajo de Oficina: .Realización de informes.Inteligencia Artificial .. Contiene los hechos que se descubren acerca de un problema durante una consulta. 3. hojas de cálculo.Contabilidad. Memoria a corto plazo. . X es un animal doméstico.Necesidad de incremento en el manejo. que los puede cargar al inicio de la sesión u obtenerlos de acuerdo a su necesidad. Ejemplos: X es un gato.Consultoría de gestión.Control de un volumen creciente de información. .

2. Durkin lo define como: “Parte de un sistema experto que contiene el dominio del conocimiento” [4]..000 THEN el tope de crédito es de 3. Base de conocimiento (o de reglas): reglas que describen los mecanismos de razonamiento que permiten resolver problemas [17]. _________________________________________________________________________ 84 .Inteligencia Artificial 3. El tema primordial para este componente es obtener el conocimiento del experto y codificarlo en la base de conocimientos usando diferentes técnicas de representación del conocimiento. Por ejemplo: REGLA 1: IF el automóvil no enciende THEN el problema puede estar en el sistema eléctrico. Memoria a largo plazo.500.Base de conocimientos. Reglas: • Si - Condiciones Antecedentes Premisas • Entonces . REGLA 2: IF el sueldo mensual de un cliente es menor o igual que 1.Acciones .Conclusiones Las reglas modelan el conocimiento general del dominio y constituyen: • • • Base de conocimiento (BC). Contiene el conocimiento del dominio en el cual el programa es competente. Ejemplo: Si X es un gato entonces X es un animal doméstico. REGLA 3: SI su temperatura corporal es de 39 ºC ENTONCES tiene fiebre.4. Una de las más usadas es representar el conocimiento en forma de reglas.Consecuentes . Una regla es una estructura de tipo IF/THEN (SI/ENTONCES) en donde existe una premisa o antecedente y una conclusión o acción. Implicaciones.

Inteligencia Artificial De las reglas mostradas podemos identificar que la base de conocimientos esta integrada por conceptos. Por ejemplo: En la regla 1 tenemos dos hechos y dos valores: automóvil =enciende. hechos.4.. Restricciones.3. El motor de inferencia o mecanismo de control está compuesto de dos elementos: • • Interprete de reglas o mecanismo de inferencia. Frames o Marcos. Lógica de Predicados. Motor de inferencia [17]. automóvil = no enciende y problema es = el sistema eléctrico o pueden existir otros valores. El conocimiento tiene que estar representado en la forma que resulte más adecuada para el dominio de su competencia. _________________________________________________________________________ 85 . 3. Redes Semánticas. etc.Mecanismo de control. Mecanismo de razonamiento que determina que reglas de la BC (base de conocimiento) se pueden aplicar para resolver el problema. Adicionalmente hay que tratar que esa representación sea: • • • • • • Sencilla. Estrategia de control o estrategia de resolución de conflictos. depende del modelo de representación del conocimiento que se utilice. relaciones. Fácil de modificar. Relacional. Potente: poder expresivo y eficiencia de cálculo. hechos o variables que varían de estados (valores) y que relacionadas conforman las reglas. Independiente. La parte fundamental de todo sistema es la base de conocimientos y su función consiste en almacenar los conocimientos expresados en conceptos. Entre los modelos mas conocidos de representación del conocimiento tenemos: • • • • • Representación Representación Representación Representación Representación basada basada basada basada basada en en en en en Reglas de Producción. Transparente: justificación de soluciones y explicación de los procesos. relativos al área del sistema y por lo tanto.

heurística. Fases del ciclo básico del motor de inferencia: 1. Está caracterizado por: • • • • • • El lenguaje en que ha sido escrito. para deducir o llegar a la conclusión sobre el problema” [4]. deductivo). Cuando encuentra el emparejamiento. Las estrategias de búsqueda de soluciones: . decide. formación del conjunto de conflictos (interprete de reglas). La forma en que elige el conocimiento. • • Construcción del conjunto de reglas aplicables. También conocido como estructura de control o interpretador de reglas. Obtención. encadenamiento hacia atrás (guiado por los objetivos.No Ordenada: aleatoria. La posibilidad de incorporar metaconocimiento.Inteligencia Artificial Función: • • Ejecutar acciones para resolver el problema (objetivo) a partir de un conjunto inicial de hechos y eventualmente a través de una interacción con el usuario. de la base de conocimiento. . El método que utiliza para la evaluación del conocimiento incompleto o incierto. Selecciona. inductivo). La ejecución puede llevar a la deducción de nuevos hechos. interpreta y aplica el conocimiento de la base de conocimientos sobre la base de hechos con el fin de obtener la solución buscada.Ordenada: Encadenamiento hacia adelante (guiado por los datos. El intérprete de reglas realiza los cálculos necesarios para obtener las instanciaciones que son posibles en cada estado de resolución del problema (comparación o matching). El mecanismo de inferencia debe ser independiente del conocimiento y de los hechos. del conjunto de reglas aplicables a una situación determinada (estado) de la base de hechos. Durkin lo define como: “Es el procesador en un sistema experto que empareja los hechos contenidos en la memoria de trabajo con el dominio del conocimiento contenido en la base de conocimiento. agrega la(s) conclusión de las reglas a la memoria de trabajo y continúa examinando las reglas buscando nuevos emparejamientos. La velocidad de trabajo: Inferencias/segundo. _________________________________________________________________________ 86 . Detección (filtro): Reglas pertinentes. El motor de inferencia busca un emparejamiento entre los hechos contenidos en la memoria de trabajo y las premisas de las reglas contenidas en la base de conocimiento (cuando se utiliza las reglas como forma para la representación del conocimiento).

Inteligencia Artificial • Una regla puede instanciarse más de una vez. – La regla más/menos utilizada. Propagación del grado de certeza. – Nuevos sub-objetivos (en el razonamiento hacia atrás). – Aplicación de todas las reglas (sólo si se quieren todas las soluciones posibles). El proceso de deducción acaba cuando: • se encuentra la conclusión (el objetivo) buscado => éxito • no queda ninguna regla aplicable => éxito? / fracaso? _________________________________________________________________________ 87 . que indican dinámicamente como seleccionar las reglas a aplicar. o Más antiguos (instanciación más antigua). 2. – Estrategia dinámica prefijada. o Más nuevos (instanciación más reciente). – La regla más específica (con más literales) / más general. • 3. Ejemplos de estrategia de control: – 1ª regla por orden en la base de conocimiento. • • • Ejecución de la regla => – Modificación de la base de hechos (en el razonamiento hacia delante). Propagación de las instanciaciones. Aplicación de la regla sobre una instanciación de las variables: modificación de la memoria de trabajo. – Meta-reglas. – La regla que tenga el grado de certeza más alto. – Nuevos cálculos. – La instanciación que satisfaga los hechos: o Más prioritarios. – Estrategia guiada por meta-reglas. preguntas al usuario. – La regla usada más recientemente. • • Selección de la “mejor” instanciación. Selección: ¿Qué regla? Resolución de conflictos: selección de la regla a aplicar (estrategia de control). Aplicación. caso de existir variables que lo permitan. nuevas acciones. Posible combinación de criterios. • Las reglas son o no aplicadas dependiendo de la estrategia de control: – Estrategia fija.

. CASE. En muchos casos puede ser aplicable y muy útil realizar una descripción gráfica de los diferentes módulos del sistema.Inteligencia Artificial 4. Análisis del Problema: Evaluar el problema y los recursos disponibles para determinar la aplicabilidad de una solución basada en conocimiento. 2. 4.Ciclo de vida de un sistema de Producción. aunque no necesariamente el proceso seguido por ambos puede ser igual. implementación de parte del código automáticamente con el diseño dado.5. sobre la base del conocimiento recopilado de los expertos en el proceso hasta completar esta etapa. Prototipo Inicial y Evaluación: Esta es una etapa clave debido a que todas las decisiones tomadas en el diseño preliminar deben ser ya sea confirmadas. 3. Ingeniería de Software Asistida por Ordenador) son diversas aplicaciones informáticas destinadas a aumentar la productividad en el desarrollo de software reduciendo el coste de las mismas en términos de tiempo y de dinero. empleando las herramientas CASE9 propias de los sistemas de software convencionales. de una manera inequívoca y establece los medios para obtener dichos objetivos. 5. Las Herramientas CASE (Computer Aided Software Engineering. 9 _________________________________________________________________________ 88 . la herramienta escogida para construir el prototipo. Especificación de Requerimientos: Formalizar y poner por escrito lo que fue adquirido durante la fase de análisis. Se debe realizar un análisis costo-beneficio del sistema basado en conocimiento (SBC) propuesto para saber si su desarrollo puede ser garantizado. Diseño Preliminar: Esta etapa considera únicamente las decisiones de alto nivel necesarias para preparar y desarrollar rápidamente el prototipo inicial. Estas herramientas nos pueden ayudar en todos los aspectos del ciclo de vida de desarrollo del software en tareas como el proceso de realizar un diseño del proyecto. calculo de costes. y la selección de los expertos. documentación o detección de errores entre otras. Ciclo de vida 1. Vuelta al punto 1. Si no se ha encontrado una solución y no hay reglas aplicables: fracaso [18]. compilación automática. Esto permite determinar los objetivos del proyecto. 3. esta etapa determina el paradigma de representación del conocimiento. Diseño Final: Comprende la selección de las herramientas y de los recursos necesarios para desarrollar el sistema a ser entregado. La solución es esencialmente la misma que hubiera dado un ser humano confrontado con un problema idéntico. Específicamente. rectificadas o desechadas. o parada si el problema está resuelto.

El plan de pruebas. puede representar un serio retardo al proyecto y posiblemente requerir un cambio de paradigma. 7. como un producto operativo hacia el entorno de los usuarios. Pruebas: El asegurar la calidad de un SBC es una tarea muy importante que debe ser cuidadosamente planificada. se tiene una buena medida de que se está progresando. Implantación y Mantenimiento: En la etapa final del ciclo de vida de un SBC se traslada el sistema desarrollado. _________________________________________________________________________ 89 . Pero si ocurre lo contrario. Para ello. es bastante similar al que se prepara para un sistema convencional. Instalación. se deben realizar varias actividades de instalación.Inteligencia Artificial 6. deben realizar los ajustes necesarios al inicio de cada iteración. o es de aplicación crítica. 8. implantación y mantenimiento similares a las de un sistema de software convencional [19]. Es en esta etapa que tiene lugar el desarrollo incremental. Si estos ajustes cada vez son relativamente más pequeños y no son retroactivos. especialmente a medida que el SBC es más grande y complejo. basándose en la validación y la verificación. Ajustes al Diseño: A medida que el trabajo avanza y los ingenieros cognoscitivos tienen a la vista los problemas detectados. Implementación: Comprende el proceso completo de adquisición del conocimiento para todos los módulos o subsistemas. 9.

Ciclo de vida de un Sistema de Producción Ajustes al Diseño Instalación. Ciclo de vida de un Sistema de Producción _________________________________________________________________________ 90 .Inteligencia Artificial Análisis del Problema Especificación de Requerimientos Diseño Preliminar Prototipo Inicial y Evaluación Diseño Final Implementación Pruebas Figura 17. Implantación y Mantenimiento Figura 17.

. a) Base de conocimientos. c) Motor de inferencia.Inteligencia Artificial Cuestionario de evaluación. se encarga de ejecutar el razonamiento.Enlaza las causas con los efectos de forma comprensible como si fuera un teorema lógico.. Selecciona la respuesta correcta o las respuestas correctas. interfase. b) Reglas de diagnóstico. módulo de aprendizaje. a) Relación causal. c) Reglas de producción... junto con sus certezas asociadas como una variable medida o una posible alarma o conclusión de una o varias reglas. c 2.Programa de computación inteligente que usa el conocimiento y los procedimientos de inferencia para resolver problemas que son lo suficientemente difíciles como para requerir significativa experiencia humana para su solución. a) Sistema experto.Uno de los resultados más significativos demostrados por Newell y Simon fue que gran parte de la solución humana de problemas o cognición puede expresarse con: a) Reglas de producción.Opción a _________________________________________________________________________ 91 . b) Sistema basado en conocimiento. 3.. es decir. c) Mecanismo de inferencia. motor de inferencias. a) Base de hechos.Opción a 3. b 4. refleja la dirección que se asume de casualidad en el mundo... b) Subsistema de explicación.Opción a. b) Reglas de situación-acción. b) Base de conocimiento.Opción c 6. 1. motor de inferencia.Opción c 5. b. 4.Es el conjunto de evidencias..Opción a. base de hechos.Se encarga de recorrer las reglas inspeccionando si las puede aplicar. 6.. b) Interfaz del usuario..Componentes básicos de un sistema basado en conocimiento. c) Base de conocimientos. 5. a) Base de hechos. c) Redes neuronales artificiales. RESPUESTAS 1. programas externos. c) Reglas de si-entonces. 2...

Inteligencia Artificial UNIDAD 4 BÚSQUEDA Y SATISFACCIÓN DE RESTRICCIONES _________________________________________________________________________ 92 .

1. aunque pudieran parecer realmente procesos simples. juegos. ejemplos ya clásicos que han servido de banco de pruebas. Estos objetivos pueden ser múltiples (restricciones de tiempo.Problemas y espacios de estados. 3. por ejemplo. La orientación de la Inteligencia Artificial siempre fue más hacia un mejor conocimiento de “cómo” resolver los problemas. Estas acciones son denominadas operaciones.) o simples (alcanzar un estado final). Sin embargo. _________________________________________________________________________ 93 . Disponer de un conjunto de acciones que conduzcan a la obtención de los objetivos o metas. En estas circunstancias. apilar bloques. de costo. Por eso los ejemplos iniciales sobre los que desarrollaron las estrategias de la Inteligencia Artificial fueron problemas simples como puzzles. Determinar una serie de objetivos o metas que se desean alcanzar. etc. no “de juguete”. Definir un procedimiento de selección entre las diferentes formas de alcanzar las metas. como se le achacó en sus inicios.. 2. La definición del problema La Inteligencia Artificial ha tenido siempre como objetivo. los procedimientos de búsqueda sí se pueden aplicar para resolverlos y se han demostrado muy eficientes para abordar este tipo de tareas. etc. y no tanto a la consecución del resultado final. el planteamiento de un problema de búsqueda consiste en encontrar o conseguir un objetivo. Cada una de estas soluciones constituye una secuencia de acciones determinada y posible. ha sido uno de los principales campos de esta ciencia [5]. la resolución de problemas. Se suele llamar solucionador al módulo encargado de construir dicha solución. La resolución del mismo puede estructurarse en los siguientes pasos: 1. a más o menos largo plazo. la resolución mediante búsqueda ha sido una de las primeras aplicaciones de la Inteligencia Artificial a problemas reales. La utilización de procedimientos de búsqueda. En general..Inteligencia Artificial UNIDAD 4 BÚSQUEDA Y SATISFACCIÓN DE RESTRICCIONES 4. primero más directos y luego con técnicas heurísticas más sofisticadas. ¿cómo definir un problema con la suficiente precisión y cómo representarlo para que una máquina pueda resolverlo? En muchos casos no existe realmente un conocimiento sistemático del problema de forma que se pueda plantear una solución analítica del mismo mediante un sistema de ecuaciones. De hecho.

analizar sus posibles soluciones y las consecuencias de buscar una solución por un camino u otro. No se trata tanto de encontrar una solución final óptima o al menos convincente como de haber ganado en el conocimiento de un problema que se puede aplicar a una situación real. Espacio de estados Cuando alguien se plantea resolver un problema. Es decir. _________________________________________________________________________ 94 . La secuencia de estados que resulta de la aplicación válida de operadores a partir del estado inicial se denomina traza en el espacio de estados. Cada uno de los estados recorridos es una situación candidata a ser solución. es decir una imagen gráfica o un mapa del terreno. Por ejemplo. esto sería equivalente a rellenar una celda de la matriz con X(1) o O(0) según el jugador que haya movido la pieza. Se denomina espacio inicial aquel del que partimos. inicialmente vacías (Véase anexo Tres en Raya). es el entorno donde se desarrolla el proceso de búsqueda. cuando un jugador coloca una ficha en el tablero. Desde cualquier estado se pueden ampliar una serie de operadores que modifican el estado actual para llevar al sistema a un nuevo estado. en el que va tener lugar la estrategia de solución. Por ejemplo. aunque los métodos de búsqueda se reduzcan en muchos casos a meros algoritmos matemáticos. Esta secuencia de operaciones nos permite ir avanzando en nuestro espacio de estados a situaciones válidas que nos van acercando al objetivo final. En nuestra representación computacional. y que refleja la estructura que subyace en el problema. no dejan de ser estrategias muy eficientes y probadas. y lo componen todos los estados por los que se avanza y que se van recorriendo en la tarea de llegar a la meta. La combinación del espacio inicial y los operadores forma el espacio de estados o espacio de representación. ya sea por ejemplo un juego simple como el “tres en raya” o alguno más complejo. Aunque hoy día tal y como están implementados los métodos de búsqueda no reflejen la forma en la que los seres humanos resolvemos los problemas. que lo que se persigue desde el punto de vista de la Inteligencia Artificial es entender el problema que se trata de resolver. y siempre han tenido su lugar dentro de la Inteligencia Artificial. Para su resolución computacional. del tablero. como el ajedrez o el backgammon. el primer paso es buscar una estructura de datos que capture lo esencial de ese juego o problema.Inteligencia Artificial No hay que perder de vista. para el juego del “tres en raya” sería una matriz cuadrada de 3x3 posiciones. tenemos al menos mentalmente una representación del espacio en el que se va a desarrollar el mismo. En esta representación al aplicar los operadores a un determinado estado producen un único nuevo estado. que refleje con propiedad la distribución de los elementos en un espacio de situaciones o posiciones posibles. determinando los operadores aplicables y utilizando información del dominio cuando ésta sea conocida. La estrategia de control es la encargada de optimizar el proceso de búsqueda.

La eficiencia de un algoritmo en términos de complejidad temporal (cuánto tiempo requiere para alcanzar la solución) o en términos de complejidad espacial (memoria que necesita) son consideraciones prácticas de gran importancia. Hay otros aspectos sobre el funcionamiento de los algoritmos de búsqueda que se pueden tener en cuenta. donde al aplicar un operador se generan una serie de subproblemas. para llegar a problemas de menor dimensión que tengan solución conocida. porque también lo está el espacio de estados posibles y de soluciones. Por ejemplo: • • Un algoritmo es óptimo si encuentra la mejor solución entre todas las posibles. De forma similar. Esta traza del costo o función de costo se denota habitualmente con la letra g. En algunos problemas como el del ejemplo del juego de “tres en raya”. _________________________________________________________________________ 95 . el espacio de búsqueda es limitado. Pero en muchos problemas del mundo real el espacio de búsqueda no está acotado. columna o diagonal está formada por todo Xs o Os. o minimizando otro tipo de costo (en definitiva. En estos casos se puede asociar un costo o peso a los operadores que se aplican y también a las transiciones de un estado a otro. Representación en el espacio de estados Para aplicar las estrategias de búsqueda a problemas en el espacio de estados se suele trabajar con una representación de la información mediante grafos. Se aplica el conocido principio de “divide y vencerás”. cuando a lo mejor sólo contamos con unos minutos para tomar una decisión. Un algoritmo óptimo que garantiza encontrar la mejor solución tendrá poco valor práctico si tarda horas en completarse. En este caso la prueba final es sencilla. Algo importante a implementar en los problemas de búsqueda es el criterio para detectar cuándo se ha llegado a la consecución del objetivo propuesto. e incluso puede alcanzar dimensiones muy grandes que exijan algoritmos que puedan escalarse para tratar espacios muy extensos. En muchos problemas de búsqueda el interés se centra no sólo en conseguir un estado final. En nuestro juego se trataría de identificar sobre el tablero si alguna fila.Inteligencia Artificial Por contraposición se podría hablar de los espacios de reducción. maximizando un beneficio). un algoritmo completo que utilice mucha memoria es inútil si antes de encontrar la solución a un problema se queda sin memoria. sino en alcanzarlo en el mínimo tiempo posible. Permite comparar distintos algoritmos de resolución tanto por la solución obtenida como por la cantidad de la misma en términos de costo asociado. Una estrategia es completa si garantiza que encontrará una solución siempre y cuando ésta exista. pero la definición del criterio la consecución del objetivo final puede ser en sí misma un problema importante [8]. cada uno de los cuales será en general más sencillos que el original (de ahí el término reducción que lo describe).

_________________________________________________________________________ 96 . H Nodos A K B E D Arcos F C G J L Figura 18. escenarios o situaciones que se pueden generar mediante los operadores u acciones. cada nodo representa un elemento que equivale a una situación válida (nodo y estado son sinónimos en este contexto). en la consecución del objetivo final. Los grafos pueden ser dirigidos. A estos últimos también se les denomina margen o frontera. y si no contiene ciclos. y el destino el sucesor o nodo hijo. cuando la secuencia entre dos nodos (P. Expandir un nodo es obtener todos sus posibles sucesores en el grafo de búsqueda a través de la aplicación de todos los operadores disponibles relacionados. y esta “abierto” si todavía queda por aplicar algún operador. en el caso contrario. Dentro del espacio de estados en un problema de búsqueda. Un grafo por lo tanto es un conjunto de nodos (estados) y arcos que unen esos nodos figura 18. o pueden ser no dirigidos. la función de costo es la meta. es decir.Inteligencia Artificial Un grafo representa el conjunto de mundos. Q) se considera diferente de la que recorre los nodos en el orden (Q. en este caso el origen es el nodo predecesor o padre. es un grafo conexo. El nodo Terminal que satisface las condiciones del objetivo. P). Ejemplo de un grafo. Un nodo o estado es “cerrado” si ya ha sido expandido. Si entre dos nodos existe al menos un camino. Este camino puede ser cerrado si el último nodo coincide con el primero y abierto si no coinciden. es acíclico. Se denomina por lo tanto grafo de estados ya que indica el recorrido del proceso de búsqueda que va moviéndose de un estado a otro. El recorrido entre dos nodos consecutivos a través de un arco define un camino.

Ensamblaje de componentes. ésta hace una transición de un estado a otro [2]. consideremos la compra de una bebida gaseosa en una máquina expendedora: cuando se depositan monedas en la máquina. por ejemplo. Los nodos terminales son aquellos que dan una configuración ganadora. Problemas de la vida real que se pueden plantear y resolver como espacios de estados [21]: • • • • • • Búsqueda de rutas en redes informáticas. y cada arco un camino. y que se requieren 55 centavos para obtener una bebida. Desplazamiento de robots. _________________________________________________________________________ 97 . cada nodo es un estado o valor de la matriz. salida o pared al final de un camino. nodo final. suponiendo que sólo están disponibles monedas de 25 y de 5 centavos. Aplicando esta representación al juego de “tres en raya”. Rutas aéreas para viajar. En la siguiente figura 19 se ilustra el espacio de estado. Diseño de microchips. Otro ejemplo sería la representación arbórea de un laberinto. Si consideramos monedas de otras denominaciones. cada arco apunta la operación que lleva de un valor de la matriz a otro. Ejemplos de espacios de estado Como un simple ejemplo de espacios de estado. se complica más la gráfica y no se muestra aquí. donde cada nodo sería una bifurcación. Por eso es crucial que represente toda la información disponible con las dependencias y relaciones que existan. que es un grafo dirigido acíclico conexo. cuando el jugador X mueve un 1 de una celda a otra celda válida. El problema consiste en encontrar el camino más corto a una salida. Problema del viajante. como de 10 y 50 centavos.Inteligencia Artificial En general un problema de búsqueda se representa por un árbol. El obtener el árbol de búsqueda es la tarea prioritaria en todo problema de búsqueda o de decisión ya que en definitiva la resolución del problema es un recorrido a través del mismo.

Gráfica de estado para una máquina expendedora de bebidas gaseosas que acepta monedas de 25 y 5 centavos.Inteligencia Artificial Inicio 5 25 25 5 5 25 5 50 30 25. Si se dan las entradas correctas. En cualquier momento. Este es diseñado para proporcionar mensajes de error apropiados y llevar a cabo cualquier acción necesaria. pasará del inicio al éxito o estado final. _________________________________________________________________________ 98 . Por ejemplo. Asociadas con cada estado hay acciones que la conducen a otro. Un buen diseño incluirá la posibilidad de entradas no válidas para cada estado y proporcionará transiciones a un estado de error. A esta gráfica también se le llama gráfica de máquina de estado finito. A medida que acepta la entrada a un estado. la máquina puede estar en un solo estado. porque describe el número finito de estados de una máquina. etc. Los estados de inicio y éxito se dibujan como círculos dobles para facilitar su identificación. la respuesta no está definida. pasa de ese estado a otro. un algoritmo. la máquina de bebidas gaseosas no tiene la capacidad de aceptar monedas de diez centavos. Si un estado no está diseñado para aceptar cierta entrada. Los estados se muestran como círculos y las transiciones posibles a otros estados se muestran como flechas. un concepto.5 5 25 10 5 5 25 35 25 5 15 5 25 25 40 5 25 20 45 25 25 Éxito 5 Figura 19. donde éstos son las monedas que pueden entrar a la máquina en cada estado. puede ser un objeto real. El término máquina se usa en un sentido muy general. Observe que esta gráfica es una gráfica con pesos. si alguien pone una de estas monedas en la máquina. la máquina se detendrá en él.

Inteligencia Artificial

Otro ejemplo de espacio de problema sucede en el problema clásico del mono y los
plátanos que se muestra en la siguiente figura 20.
El problema consiste en dar instrucciones a un mono para decirle cómo alcanzar algunos
plátanos que cuelgan del techo. Como los frutos están fuera de su alcance, pero dentro
del cuarto hay un sofá y una escalera. La configuración inicial típica es la del mono en el
sofá. Las instrucciones pueden ser:
Salta del sofá
Ve a la escalera
Pon la escalera bajo los plátanos
Trepa la escalera
Agarra los plátanos
Mono en
el sofá

Mono en
el piso

Baja el sofá

Si el sofá está bajo
los plátanos

Si el sofá no está
Bajo los plátanos

El sofá no
está bajo los
plátanos

Sofá bajo
los plátanos

Mover el sofá

El mono no
está en la
escalera

Si el mono no está en
la escalera

Si el mono está en la
escalera

Mono esta
en la
escalera

Mover al mono

La escalera
No está bajo
Los
plátanos

Si la escalera no está bajo
los plátanos

Si la escalera esta
bajo los plátanos

Mover la escalera

Si la
escalera
está bajo los
plátanos

Trepar por la
escalera

Mono en
la escalera

Agarrar plátanos

Éxito,
el mono tiene
los
plátanos

Figura 20. El espacio de estado para el problema del mono y los plátanos.

Las instrucciones variarán de acuerdo con las posiciones iniciales del mono, el sofá la
escalera. Como hay varios estados iniciales, no se muestra aquí el doble círculo especial
de inicio. Por ejemplo, otro estado de inicio posible es con el mono en el sofá debajo de
los plátanos, de esta manera, el mono tendrá entonces que hacer el sillón a un lado antes
de poner la escalera debajo de los plátanos. En el estado inicial más simple, el mono ya se
encuentra en la escalera debajo de los plátanos.
Aunque este problema parece obvio para un ser humano, requiere una considerable
cantidad de razonamiento. Una aplicación práctica de un sistema de razonamiento como

_________________________________________________________________________
99

Inteligencia Artificial

éste, es la de dar a un robot instrucciones relacionadas con la realización de una tarea. En
lugar de suponer que todos los objetos del ambiente se mantienen fijos en un lugar, una
solución general es un sistema de razonamiento que puede tratar con diversas
situaciones.

4.2.- Espacios de estados determinísticos y espacios no determinísticos.
Determinismo
Definición: Explicación de la realidad basada en la existencia de productores de
resultados predectibles. Los programas determinísticos se ramifican al llegar a un IF...
THEN, sólo en base a condiciones absolutas. El determinismo aplica habitualmente lógica
dicotómica10 para verificar variables de tal manera de mantener bajo control el flujo del
programa, llevando a éste hacia la producción de resultados deseados. Cuanto más una
técnica de programación sea comandada por los datos, tanto menos predecible es el
resultado.
Algoritmo Determinístico
Un algoritmo determinístico es un algoritmo que en términos informales: es
completamente predictivo si se conocen las entradas al mismo. Dicho de otra forma si se
conocen las entradas del algoritmo siempre producirá la misma salida, y la máquina
interna pasará por la misma secuencia de estados. Este tipo de algoritmos ha sido el más
estudiado durante la historia y por lo tanto resulta ser el tipo más familiar de los
algoritmos, así como el más práctico ya que puede ejecutarse en las máquinas
eficientemente [22].
Un modelo simple de algoritmo determinístico es la función matemática, de esta forma se
puede establecer el siguiente paralelismo: la función extrae la misma salida para una
entrada dada, al igual que los algoritmos determinísticos. La diferencia es que un
algoritmo describe explícitamente como la salida se obtiene de la entrada, mientras que
las funciones definen implícitamente su salida.
Definición
Formalmente los algoritmos determinísticos se pueden definir en términos de una máquina
de estado: un estado describe que está haciendo la máquina en un instante particular de
tiempo. Justo cuando se produce la entrada, la máquina comienza en su estado inicial y
posteriormente si la máquina es determinística comenzará la ejecución de la secuencia de
10
Un método de razonamiento basado en que cada restricción del problema puede ser considerada verdadera
o falsa. La dicotomía verdadero/falso, una vez aplicada a cada restricción del problema, provee bases para la
ramificación bajo la forma de árboles decisionales. Aristóteles propuso una lógica con dos valores. La
matemática de la lógica de dos valores, sirvió como base durante muchos años para la mayoría de las
estructuras de control en lenguajes de programación.

_________________________________________________________________________
100

Inteligencia Artificial

estados predeterminados. Es de notar que una máquina puede ser determinística y no
tener límite temporal para la ejecución o quedarse en un bucle de estados cíclicos
eternamente.
Ejemplos de máquinas abstractas determinísticas se pueden incluir en máquinas de Turing
determinísticas y los autómatas finitos determinísticos.
Problemas con los algoritmos determinísticos
Desafortunadamente para algunos problemas es muy difícil implementar un algoritmo
determinístico. Por ejemplo, existen eficientes y simples algoritmos probabilísticos que
pueden determinar si un número entero es primo o no pero tienen una pequeña
posibilidad de equivocarse (Test de primalidad de Fermat). Algunos de ellos son muy
conocidos desde 1970; solamente tras otros 30 años de investigación focalizada en
investigar se ha encontrado un algoritmo determinístico similar, pero mucho más lento.
Otro ejemplo puede encontrarse en los problemas NP-completos dentro de esta categoría
puede encontrarse la mayoría de los problemas prácticos, este tipo de problemas puede
resolverse rápidamente empleando de forma masiva y paralela una Máquina de Turing no
determinística, pero no se ha encontrado aún un algoritmo eficientes para esta tarea, al
menos ahora sólo encuentran soluciones aproximadas en casos especiales.
Otro problema sobre el planteamiento de algoritmos determinísticos es que a veces no es
"deseable" que los resultados sean completamente predecibles. Por ejemplo, si se es un
jugador que juega al blackjack un algoritmo puede mezclar una serie de Generador de
números pseudoaleatorios y de esta forma un apostador espabilado podría averiguar los
números del generador y determinar las cartas sobre la mesa de juego permitiendo
engañar durante todo el tiempo al croupier11 (esto ocurre actualmente). Problemas
similares pueden encontrarse en criptografía, donde las claves privadas a menudo se
crean mediante uno de estos generadores. Este tipo de problemas se evita mediante el
empleo de un Generador criptográfico seguro de números pseudo-aleatorio.
Algoritmo no Determinístico
Un algoritmo no determinístico es un algoritmo que ofrece más de una única salida en
función de su entrada, siempre que no se haya dado otra especificación adicional. Una
ejecución de estos algoritmos permite elegir en un instante dado una secuencia de
posibles estados de salida para una misma entrada o estado inicial. Los algoritmos no
determinísticos no permiten "a priori" saber cual será el resultado o el estado en el que
quedará el sistema.
En la teoría estándar de computación el término algoritmo deja claro que se trata de
algoritmos determinísticos. Sin embargo, estos emplean modelos de computación, tales
como el non deterministic finite state machine, que es no-determinístico.

11

Es el encargado de efectuar los pagos y retirar las apuestas.

_________________________________________________________________________
101

es más fácil que los seres humanos así como otros programas determinar sobre la esencia de lo que realmente son. En este caso el orden preciso en el que cada procesador escribe el dato puede afectar a la salida y no está pre-planificado su valor inicial. un valor de un temporizador de hardware. etc. la mayoría de los lenguajes de programación y especialmente aquellos que entran dentro de la categoría de programación funcional son lenguajes que hacen un esfuerzo en prevenir eventos que se ejecutan sin control. Por esta razón. como por ejemplo: una entrada de un usuario. Aunque los programas reales rara vez son puramente determinísticos. un valor aleatorio. El resultado es un algoritmo determinístico probabilístico. Por esta razón este tipo de restricciones fuerzan el carácter determinístico por esta razón a los algoritmos determinísticos se les denomina purely functional.Inteligencia Artificial En diseño general de algoritmos. Esto significa que D puede tracear todas las posibilidades y trayectorias de ejecución del algoritmo N. ¿Qué hace a un algoritmo no determinístico? Una variedad de factores puede ser la causa de que un algoritmo determinístico se comporte como de una forma no determinística: • Si emplea en la ejecución de la secuencia de estados otro estado "externo" como entrada del proceso. una variable objetivo. Otra posibilidad es emplear algoritmos de generación de números aleatorios que consisten en perturbar los estados mediante el establecimiento de todas las posibilidades mediante un generador de números aleatorios. • Si al operar se encuentra con concurrencia de estados. _________________________________________________________________________ 102 . • Si un error (cuyo origen puede deberse al hardware o al software) causa un inesperado cambio en la secuencia de ejecución de estados. Convirtiendo algoritmos no determinísticos en determinísticos Una forma de simular algoritmos no determinísticos N mediante el empleo de otros determinísticos D puede realizarse tratando los estados de N como estados de D. por ejemplo si tiene múltiples procesadores escribiendo al mismo tiempo en un fichero. esta categoría de algoritmos no-determinísticos se suele emplear como especificaciones.

Si la lista contiene el nodo meta. aunque en diferente orden. Se van a examinar técnicas básicas que se utilizan para resolver problemas de búsqueda en el ámbito de la Inteligencia Artificial.. o meterse en bucles infinitos. El procedimiento sigue los siguientes pasos: 1.4. dentro de la búsqueda por fuerza bruta o a ciegas es la que no cuenta con información a priori que la dirija en su secuencia de acciones para la consecución del objetivo final. esta estrategia puede ser muy ineficiente ya que el algoritmo puede dedicarse a recorrer un camino demasiado largo que no conduzca a ninguna solución. La búsqueda en profundidad es otra forma de recorrer sistemáticamente una estructura del árbol para encontrar el nodo solución. salir. 2. La solución es el primer nodo de la lista 2. La complejidad temporal de esta estrategia es la misma que la del procedimiento de búsqueda en amplitud.1. Extraer el primer nodo de la lista.2. 4.1.Búsqueda de metas a profundidad. expandirlo y añadir todos sus hijos como nuevos nodos al principio de la cola. 2. salir. es decir. Para cada hijo del nodo actual..3. realiza una búsqueda exhaustiva.Búsqueda sistemática. Si la lista esta vacía. este algoritmo sigue las ramas del árbol hacia abajo hasta el nivel más inferior que pueda. Por eso el algoritmo de búsqueda en profundidad no es completo ni óptimo. _________________________________________________________________________ 103 .Inteligencia Artificial 4. pero recorriéndolo en profundidad. Sin embargo. En vez de buscar de forma exhaustiva en cada nivel. puesto que para un grafo de una determinada profundidad se generan los mismos nodos. En el caso de llegar a un callejón sin salida se retrocede hasta el nodo más cercano desde donde se pueda tomar una rama alternativa para seguir avanzando figura 21 [5]. Es decir. 2. Lazo: 2. hasta que encuentra la solución o un nodo sin hijos. Crear una lista de nodos e inicializarla con el nodo raíz (estado inicial). bajando de nivel. Esta lista se maneja como una pila LIFO (last-in first-out). Se trata de expandir un único camino desde la raíz.3.3.

cuando existen múltiples soluciones posibles. Esta variante tiene la ventaja de que en general es completa (excepto para límites muy pequeños) aunque no es óptima. que debe ser estimada en cada paso. Debería establecerse un límite de nivel de exploración para acortar la longitud real del camino de la solución. Esta estrategia se denomina búsqueda limitada por profundidad. _________________________________________________________________________ 104 . Además. Se impone a la profundidad máxima de un recorrido (lp). es decir. Árbol de búsqueda La lista a gestionar tendría los siguientes valores para la figura anterior. la eficiencia del método aumenta. Estado de la cola iteración H A B D C E K B L L C E E E B B B B C C C C F C C G J Extraer H+hijos de H Extraer A+hijos de A Extraer D+hijos de D Extraer K Extraer L Extraer E Extraer B+hijos de B Extraer F Extraer C+hijos de C El recorrido realizado sería: HADKLEBFCGJ La complejidad espacial se reduce con respecto al anterior ya que sólo es necesario guardar la constancia del camino construido hasta el momento. O(p+r). La complejidad para un camino de longitud p será dicho valor más el factor de ramificación(r).Inteligencia Artificial H A B E D K C G F J L Figura 21.

La lista a gestionar tendría los siguientes valores para la figura 21 de ejemplo: H A D K L B F C G El recorrido hasta encontrar los nodos solución sería: HADKLBFCG Su principal ventaja es que requiere menor espacio de almacenamiento que la búsqueda en profundidad: sólo hay que recordar en cada instante un sucesor del nodo seleccionado. y tiene un factor de indeterminación en el orden del recorrido de los nodos que puede hacerle perder su eficiencia. se genera un único sucesor en cada paso. La búsqueda por profundización iterativa (iterative deepening) evita los problemas que conlleva esa elección probando de forma iterativa todos los límites de profundidad posibles. que será el que se expanda. Así. El algoritmo define una forma de moverse a lo largo de la estructura arbórea examinando los valores de los nodos de manera sistemática y controlada. de forma que se pueda encontrar un nodo de solución [5]. en lugar de generar todos los sucesores al expandir un nodo. de los que no se conocen sus límites de profundidad. Otra variante de este método es la llamada búsqueda de retroceso en la que. 4.3.Búsqueda de metas en anchura. etc. Es una comunicación de la búsqueda preferente por amplitud y en profundidad. Se denomina también recorrido en anchura prioritaria. Sin embargo. La idea es generar varias trayectorias de una determinada longitud antes de crear una trayectoria más larga. comienza con profundidad cero (nodo raíz). Otra ventaja es que no se generan las ramas del árbol de búsqueda que se encuentren después del camino de la solución.Inteligencia Artificial La elección de límite de profundidad adecuado puede resultar crucial para la obtención de la solución.2. es el método idóneo para problemas con espacios de búsqueda de dimensión grande. Esta estrategia es óptima y completa. es decir.. para probar con profundidad 1. _________________________________________________________________________ 105 . su complejidad es O(p). De hecho. 2. la complejidad temporal es la misma que con los otros algoritmos.

_________________________________________________________________________ 106 . Quitar el primer nodo de la lista. se recorren de izquierda a derecha. Esta lista se maneja como una cola FIFO (first-in-first-out). En un procedimiento completo: se garantiza encontrar una solución si ésta existe. terminar. Lazo: 2. salir. Pero en general no es óptimo (no encontrará la mejor solución. Árbol de búsqueda. H A E D K B F C G J L Figura 22. Si la lista está vacía.Inteligencia Artificial Es decir. 2. Crear una lista de nodos e inicializarla con el nodo raíz (estado inicial).1. 2. 2. Específicamente se realiza mediante los siguientes pasos: 1.2. La solución es el primer nodo de la lista 2. hasta que se han considerado todos los nodos del árbol o se ha encontrado la solución. Se examina cada nodo situado a un paso del estado inicial. Si la lista contiene el nodo meta.3. simplemente la primera que satisfaga el objetivo) figura 22. y después dos niveles más allá. y así sucesivamente.4 Expandir el nodo actual y añadir todos sus hijos como nuevos nodos al final de la cola. todo los subobjetivos generados por el objetivo de nivel inmediatamente superior antes de considerar el siguiente nivel de profundidad del árbol.

sería el último en alcanzarse.Inteligencia Artificial La lista para gestionar el árbol de la figura 22 tendrá los siguientes valores: Estado de la cola iteración H A B B C C C D D D E E E E F F F F G G G G J J J J K K K L L L Extraer Extraer Extraer Extraer Extraer Extraer Extraer H+hijos de H A+hijos de A B+hijos de B C+hijos de C D+hijos de D E F En éste último paso se comprobaría que el primer nodo de la lista es uno de los nodos solución. Las complejidades de las estrategias de búsqueda se calculan considerando el “peor caso”. La complejidad espacial es también del orden O(np). al llegar al nodo G se terminaría el algoritmo dando esa solución. Si el nivel de profundidad asociado a la solución es significativamente menor que el factor de ramificación. Como puede observar. tanto la complejidad temporal como la espacial crecen exponencialmente con esta estrategia de búsqueda. lo que hace difícil de utilizar en problemas reales. es decir. en el ejemplo: HBFCGJAEDKL De esta forma se llega a la solución de forma mucho más eficiente. la complejidad será del orden O(np). Siendo p un valor generalmente grande. consistente en seleccionar primero los nodos con el mínimo número de subobjetivos y recorrerlos así. por lo que sólo se pueden aplicar a problemas de pequeña dimensión. el nodo L. es decir. los nodos recorridos serian los representados en la diagonal: HABCDEFGJKL Por lo tanto. Este método tiene complejidad exponencial tanto temporal como espacial. Es decir. Es decir. Si el número medio de sucesores es n (se utiliza el valor medio ya que el árbol de búsqueda no tiene por qué ser uniforme. La complejidad temporal depende del factor de ramificación y de la profundidad de la solución. no todos los nodos tienen igual número de sucesores) y la solución se alcanza en el nivel p. se expandirán demasiados nodos inútilmente. la otra meta. _________________________________________________________________________ 107 . el tiempo empleado es 1+n+n2+…+np. Por eso una variante muy utilizada de esta estrategia es la denominada “prioridad al mejor” (best-first). En este ejemplo se encontraría el nodo G a la quinta iteración.

extremadamente costosa y una búsqueda exhaustiva. Si hay una solución. no puede ser resuelto por los algoritmos de búsqueda ciega. Las estrategias de búsqueda heurísticas se caracterizan por la tendencia a limitar el tiempo y el espacio en donde buscar la respuesta a problemas complejos. Todas las técnicas de búsqueda descritas hasta ahora están diseñadas para encontrar una solución. Es un tipo de problema donde el numero de soluciones sigue una ley de explosión combinatoria. volver al paso 1. aunque probablemente le lleve mucho tiempo. los pasos para ejecutarlos son: 1. que puede no ser óptima. La única forma de abordarlos es conformarnos con una solución suficientemente buena. de hecho. En este sentido. En otro caso. Como se demostrará con las búsquedas heurísticas. algunas veces solo se desea la solución óptima. pero para problemas más complejos esta búsqueda no guiada es impracticable. Para problemas de dimensiones pequeñas puede ser efectivo.Búsqueda óptima. terminar. y asumir que aceptaremos cuando le encontremos una buena solución. aplicamos reglas heurísticas o empíricas para determinar a lo largo de un recorrido cuál es el trayecto que con mayor probabilidad nos lleve a una solución. _________________________________________________________________________ 108 . ya sea un nuevo estado o un camino a través del espacio de búsqueda. Los algoritmos vistos hasta ahora se denominan en general algoritmos de generación y prueba.Inteligencia Artificial 4. y preferiblemente óptima.3. Sin embargo. hay varios métodos de búsqueda heurística que proporcionan formas prácticas de hacerlo [5]. donde un vendedor tiene que recorrer una serie de ciudades de una forma que en su ruta sólo puede pasar una vez por cada ciudad y además tiene que hacer el menor recorrido posible. existen esfuerzos para mejorar la posibilidad de encontrar una solución buena. conocidos como np-completos. la mejor solución-. 2. Su implementación más básica. 3. Encontrar la auténtica solución óptima exige la utilización de Inteligencia Artificial. este algoritmo la encontrará.3. Si es la solución. Son problemas para los que es imposible computacionalmente encontrar la mejor solución para dimensiones elevadas por ese crecimiento exponencial. Realmente es un recorrido en profundidad que realiza una búsqueda exhaustiva del espacio de estados. Uno de los más conocidos es el problema del viajero.. Generar una posible solución. Probar si ese nuevo estado o camino generado es una solución comparándolo con un conjunto de estados objetivo. Búsqueda Heurística La búsqueda heurística tiene muchos ejemplos en la vida real. Es decir. El término solución óptima en el sentido en que lo utilizamos aquí simplemente significa la mejor ruta que se pueda encontrar usando una de las distintas técnicas de generación de múltiples soluciones –que puede que no sea.

el algoritmo se ejecutaría como un bucle que se desplaza constantemente en la dirección del valor ascendente. Algoritmos genéticos. que servirá para orientar la generación del siguiente. los métodos heurísticos utilizan las denominadas funciones de evaluación heurísticas f que calculan o evalúan el valor de cada nodo particular en el árbol de búsqueda. Sin embargo. como la función de evaluación es un costo que se intenta minimizar. Para tener en cuenta esta información. se trata de buscar la solución óptima en toda la superficie que representa al problema mediante pasos iterativos hacia la meta. es decir. Son algoritmos denominados de mejoramiento iterativo ya que parten de una configuración completa del espacio de estados. uno de sus principales problemas es que puede caer en los extremos locales. Ascensión a la cima o gradiente El método de la ascensión de la cima (hill-climbing) incorpora cierta información que resulta del paso 2 descrito anteriormente en la búsqueda heurística. _________________________________________________________________________ 109 . por ejemplo. En el caso del método del gradiente. Búsqueda menor costo. guiando la búsqueda hacia aquellos caminos que parecen más prometedores. dando una idea de lo cerca o lejos que se encuentra del nodo objetivo. por lo que se han desarrollado otras estrategias para incorporar este tipo de conocimiento con el uso de las funciones heurísticas. Por ejemplo. Es decir. El valor máximo o mínimo de las funciones heurísticas debe alcanzarse en un estado meta. como el costo o la distancia al estado final. Algoritmo A*. Es decir. y sobre ese escenario se van modificando para mejorar la calidad de la solución. Primero el mejor. son aplicaciones que hacen corresponder a cada estado del espacio de búsqueda un valor numérico cj. si se trata de identificar un máximo en la función de calidad (ascensión a la cima).Inteligencia Artificial Su principal desventaja radica en que no hay ninguna información relativa a en qué dirección orientar la búsqueda. la iteración se actualizaría en la dirección de los valores decrecientes. Porque estamos siempre avanzando en la dirección del menor costo. de la evaluación del estado actual para mejorar la generación de un nuevo estado candidato. Los principales métodos de búsqueda heurística son: • • • • • Ascensión a la cima o gradiente. f(estadoj)=cj Con estos valores se puede estimar el costo que llevaría recorrer sus ramificaciones. La búsqueda heurística utiliza información adicional sobre el problema específico. Al evaluar un estado mediante la función prueba se le asocia una medida o estimación de su distancia al estado objetivo.

Por ejemplo. el parámetro que se utiliza en el enfriamiento simulado se denomina temperatura. si un nodo se encuentra muy cerca de la meta. quizá ya inicialmente. Otro método consiste en añadir ruido a la función de evaluación para lograr salir de los extremos locales. por lo que consigue disimular el problema de los extremos locales. se expande el más prometedor. Sin embargo. Para evitar estos extremos locales se han propuesto diversas estrategias. se seleccionará este último debido a esa estimación de la distancia que no tiene en cuenta el costo acumulado. _________________________________________________________________________ 110 . sin tener en cuenta su posición en el árbol o grafo. pero hay otro cuya distancia al nodo final es menor aunque suponga un recorrido más largo. en forzar un reinicio aleatorio. por lo que el algoritmo se estancará ya que no encontrará la diferencia de valores positiva o negativa necesaria para avanzar. Primero el mejor La búsqueda por primero el mejor o “búsqueda preferentemente por lo mejor” es una estrategia de control sistemática que combina las ventajas de los métodos de búsqueda exhaustiva en amplitud y en profundidad. antes que cualquier otro. Esta técnica. de forma que una temperatura elevada permite continuar con la búsqueda de forma un tanto aleatoria. mientras que temperaturas bajas hacen que el algoritmo vuelva a un comportamiento mas determinista. Como está técnica recuerda la analogía que se da en los metales cuando son calentados y luego enfriados lentamente. por ejemplo. En este sentido se elige como primer nodo el que parece que va a ser mejor (costo mínimo). Habitualmente esta técnica es suficiente para encontrar la solución. Inicialmente el nivel de ruido es alto y se va reduciendo gradualmente con el tiempo. denominada simulated annealing (enfriamiento o temple simulado) permite al algoritmo explorar direcciones que no son las “mejores” pero que pueden conducir a una exploración mas completa del espacio de estados. Cuando no se logra ningún avance significativo se recomienza desde otro nuevo punto. En algunos casos el espacio de búsqueda presenta una meseta o zona plana en la cual cualquier nuevo estado tiene asociado el mismo valor que el anterior. lo que podría dar lugar a una solución no idónea. el que ha resultado mejor evaluado [5]. Con este método siempre se encuentra un mínimo global. Una consiste. Su principal diferencia con esos métodos es que en este caso se hace uso de la información que proviene de las funciones de evaluación para ordenar los nodos de la cola. con menor valor de bondad en la función de evaluación. De este mínimo o máximo local es difícil salir ya que cualquier movimiento nos llevará a un próximo estado peor.Inteligencia Artificial se puede seguir un camino que alcance una buena solución pero dejando de lado la solución óptima que quizás se encontraba muy cerca. Es decir. presenta una desventaja: el hecho de que en el algoritmo no se considera el camino recorrido hasta el momento.

va a ser un valor constante.5.4. Los pasos del algoritmo “primero el mejor” son: 1. Guardar el recorrido. Extraer el nodo inicial. Se extrae el nodo con menor costo y se añaden sus sucesores. _________________________________________________________________________ 111 . Guardar el recorrido. La solución es el nodo de la lista y el camino recorrido 2. salir. Figura 23. En cualquier caso. El costo de la generación de cada sucesor se puede considerar cero o uno. Se expande el nodo y se añaden todos los sucesores a la cola. definimos una función costo asociada a cada nodo cuyo valor sea la distancia al nodo meta figura 23. Árbol de búsqueda con costos asociados. 2. 2.3 Se evalúa cada uno de los nodos sucesores. 2. Si algún sucesor es la meta.1. 2. Volver al paso número 2. Lazo: 2.Inteligencia Artificial Por ejemplo.3.2. El estado inicial esta formado únicamente por el nodo inicial.

el costo exacto del recorrido al estado final no se puede calcular de forma precisa. Es por lo tanto un caso de la búsqueda heurística ya que es esta función h la que dirige el recorrido en base a un conocimiento sobre el camino con menor costo. C(16) H A E D K L El camino recorrido siguiendo los punteros que conduce a la solución es: HAEDKLF Como se ha hecho notar. Generalmente es un método eficiente ya que suele encontrar la solución con rapidez. C(6) L(6). y viene a disimular una de sus desventajas. Desafortunadamente. por lo que tendremos que conformarnos con una estimación basada en una función heurística h. C(16) D(9). E(5). En este caso lo que se intenta es minimizar el costo total para alcanzar la meta. que pretende acelerar el proceso de búsqueda permitiendo explorar más de una rama simultáneamente. sino que las decisiones se han ido tomando en cada momento según la distancia estimada en ese punto. sería: estado de la cola extraer H(20) A(14). si bien ésta no siempre es óptima porque lo que va considerando en cada momento es la _________________________________________________________________________ 112 . la evaluación de h en ese estado debe ser cero. siguiendo una estrategia “avara”. para minimizar así también el recorrido. este algoritmo es también una estrategia derivada del método “primero el mejor”. se expandirá el nodo que se presuponga más cercano al nodo final. donde la solución consiste en llegar al nodo F. Por lo tanto. no acumulada. L(6). Búsqueda menor costo Denominada greedy search. La elección de la función heurística es crucial para el funcionamiento del algoritmo y también para reducir la complejidad espacial y temporal del mismo. Existe una variante denominada búsqueda en haz (beam search).Inteligencia Artificial El algoritmo aplicado al ejemplo de la figura 23. con este método no se ha seleccionado el recorrido más corto en el sentido de recorrer menos nodos. C(6) F(0). en la que se computa para cada nodo el costo estimado desde ese nodo al nodo final por el camino de menor costo. C(16) K(3). Cuando se llega al nodo meta. que hubiera sido por la rama del nodo C. aunque el costo acumulado sea menor en esta solución. Cuando mejor sea la estimación de la función h mejor y más rápidamente se encontrará la solución. C(16) D(9).

pero se puede ser muy ineficiente. encuentra una solución siempre y cuando ésta exista. minimizar la ruta. se expande el nodo con menor costo de la ruta. Algoritmo A* Uno de los algoritmos de búsqueda mas conocidos y utilizados en la Inteligencia Artificial es el A*. Como se puede deducir. El costo que ha sido necesario para llegar a ese nodo n desde la raíz o nodo inicial. en vez del que tenga menor profundidad. sino encuentra el extremo global. por lo tanto. puede tardar mucho en hacer la selección entre dos caminos casi iguales por lo que a veces puede requerir mucho tiempo. el conocimiento heurístico incorporado a este procedimiento permite evaluar y ordenar los nodos en la lista para dirigirla de forma más eficiente hasta el nodo meta. el método del costo uniforme es un caso particular del algoritmo A* que tiene lugar cuando ∀ n h(n)=0. incluso para grafos infinitos. Sin embargo. y además no cae en mínimos locales. como lo hacía la estrategia en amplitud. Es decir. si bien ahora habrá que sumar a la distancia estimada a la meta el camino de menor costo encontrado hasta cada nodo para formar la nueva función heurística f. El procedimiento para llevar a cabo este algoritmo es el mismo que el anterior. Este último dato no es una estimación ya que puede ser conocido con exactitud. g(n). _________________________________________________________________________ 113 . g(n). El método denominado de costo uniforme es una variación de la búsqueda en amplitud donde lo que se busca no son los caminos de menor longitud sino de menor costo. F(n) = g(n) + h(n) Es decir. Es decir. sin una visión global. Otras de las ventajas de este método es que expande el menor número de nodos. En el algoritmo A* la función de evaluación se calcula sumando estas dos medidas heurísticas para cada nodo n: • • El costo estimado para ir de n al estado meta. En el método de la búsqueda costo uniforme lo que se trataba era de reducir al mínimo el costo de la meta h(n). La función de evaluación f(n) estima el costo total de camino a la solución que pasa por el nodo n.Inteligencia Artificial solución inmediata “más barata”. h(n). Esta búsqueda sí es óptima y completa. Tampoco es completa pues puede recorrer una ruta infinita y se estancaría en ella sin probar otros caminos alternativos. que combina la eficiencia del algoritmo de búsqueda menor costo con el método de costo uniforme que tiene las deseables propiedades de ser óptimo y completo.

de ahí la reducción del consumo de memoria. A los arcos que unen los distintos nodos se les puede asociar un costo no constante. este nuevo algoritmo utiliza una limitación en el costo.Inteligencia Artificial Para el ejemplo de la figura 23. C(17) A E D K(3+3). C(17) L(9). L(6+3). el proceso de ejecución del algoritmo con esta estrategia sería: sacar H H(20+0) A(14+1). en función del cual se decide cuáles son los individuos más adaptados. Sin embargo. Una conocida modificación del algoritmo A* es la llamada IDA* (Iterative Deepending A*) o búsqueda por profundización iterativa (A*PI). de la mano de John Holland [Holland y col. Mantiene menos caminos simultáneamente que A*. C(16) K L Con el cual se obtiene el mismo camino solución que con el método del primero el mejor. y cuáles los menos aptos. la de los algoritmos genéticos. en cuyo caso el procedimiento de resolución sería el mismo pero ahora habría que sumar a cada nodo como valor de g(n) el que indica ese enlace. que sobreviven. 1975] surgió una de las líneas más prometedoras de la Inteligencia Artificial. C(17) F(0). Son llamados así porque se inspiran en la evolución biológica y su base genético-molecular. En vez de limitar la profundidad de la búsqueda. Es por lo tanto una acepción optimista de la búsqueda. pero no deja de encontrar la solución gracias a que explora múltiples rutas. así como también a una selección de acuerdo con algún criterio. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinación genética). sigue siendo un método con una complejidad temporal y espacial que generalmente es exponencial. E(5+2). El algoritmo A* es completo y óptimo siempre y cuando se verifique una restricción: que la función heurística h(n) sea admisible. Algoritmos genéticos En los años setenta. que tiene por objeto garantizar la linealidad respecto a la complejidad espacial. _________________________________________________________________________ 114 . C(16+1) D(9+2). C(17) D(11). Es decir. que son descartados.. que la función h que se seleccione nunca sobreestime el costo que implica alcanzar la meta.

al aumentar el número de iteraciones. llamada cromosoma. pues él escribió el programa e ideó el criterio de selección que condujo al diseño patentado. generalmente binaria. Funcionamiento de un algoritmo genético básico 1. se concedió una patente a un invento no realizado directamente por un ser humano: se trata de una antena de forma extraña. _________________________________________________________________________ 115 . Primero. se tenga la diversidad estructural de estas soluciones para tener una representación de la mayor parte de la población posible o al menos evitar la convergencia prematura. es decir. Dentro de esta última se han logrado avances curiosos: En 1999. llamado fenotipo. los cromosomas son evaluados usando alguna medida de aptitud. 3. que representan las posibles soluciones del problema. se genera aleatoriamente la población inicial. En cada generación. codificando la información de cada solución en una cadena. Cuando la representación de los cromosomas se hace con cadenas de dígitos binarios se le conoce como genotipo. No hay. la probabilidad de tener el óptimo en la población tiende a 1. Un algoritmo genético es un método de búsqueda dirigida basada en probabilidad. es importante garantizar que dentro de la población inicial. Funcionamiento Los algoritmos genéticos establecen una analogía entre el conjunto de soluciones de un problema. Los símbolos que forman la cadena son llamados los genes. guarde siempre al mejor elemento de la población sin hacerle ningún cambio) se puede demostrar que el algoritmo converge en probabilidad al óptimo. que está constituida por un conjunto de cromosomas. que incluye las estrategias de evolución. En otras palabras. nada injusto en el hecho de que el autor del algoritmo genético del que salió la forma de la antena se haya atribuido la autoría de la patente. sin embargo. Bajo una condición muy débil (que el algoritmo mantenga elitismo. Los cromosomas evolucionan a través de iteraciones. la programación evolutiva y la programación genética. En caso de no hacerlo aleatoriamente. pero que funciona perfectamente en las condiciones a las que estaba destinada. 2. y el conjunto de individuos de una población natural. Después de saber la aptitud de cada cromosoma se procede a elegir los cromosomas que serán cruzados en la siguiente generación. A cada uno de los cromosomas de esta población se aplicará la función de aptitud para saber qué tan "buena" es la solución que se está codificando. por primera vez en la historia. llamadas generaciones.Inteligencia Artificial Los algoritmos genéticos forman parte de una familia denominada algoritmos evolutivos.

Esquema general del algoritmo Inicializar aleatoriamente una población de soluciones a un problema. 6. con mejor aptitud tienen mayor probabilidad de ser 5. 7. por lo que se deben utilizar otros criterios de detención. Escoger de la población la parte que tenga una puntuación mayor. El algoritmo genético se deberá detener cuando se alcance la solución óptima. Hay que tener en cuenta que un algoritmo genético es independiente del problema. pero ésta generalmente se desconoce. Los cromosomas seleccionados. ya que queremos encontrar. el subconjunto de variables que potencialicen la diferenciación y las semejanzas de objetos de clases diferentes y de la misma clase respectivamente. o hasta que se haya encontrado la solución deseada [5]. y asignarle una puntuación o fitness según lo bien que lo hayan hecho. Normalmente se usan dos criterios: correr el algoritmo genético un número máximo de iteraciones (generaciones) o detenerlo cuando no haya cambios en la población. El cruzamiento es el principal operador genético. Ejemplo Los algoritmos genéticos requieren que el conjunto se codifique en un cromosoma.Inteligencia Artificial 4. es decir. lo cual lo hace un algoritmo robusto. Como se mencionó. pues no está especializado en ninguno. Mutar (cambiar) y entrecruzar (combinar) las diferentes soluciones de esa parte escogida. bajo alguna heurística. para reconstruir la población. es necesario codificarlos en una cadena. que corresponden a sendos parámetros del problema. representa la reproducción sexual. pero a la vez débil. Cada cromosoma tiene varios genes. por ser útil para cualquier problema. opera sobre dos cromosomas a la vez para generar dos descendientes donde se combinan las características de ambos cromosomas padres. Repetir un número determinado de veces. representadas por una estructura de datos adecuada. el problema de selección de variables se puede ver como un problema de optimización. una lista de símbolos (números o letras) que generalmente va a estar compuesta de 0s y 1s. Para poder trabajar con estos genes en el ordenador. _________________________________________________________________________ 116 . Evaluar cada una de las soluciones.

puesto que no impone restricciones en la postcondición. A veces en estos problemas conviene hacer una verificación hacia adelante (forward checking) para detectar estados sin solución (ejemplo las 8reinas.. 4. se representaría con la siguiente cadena: 011 10. Cabe destacar que una regla del tipo 111 10 11 no tiene demasiado sentido. Las restricciones pueden involucrar una o varias variables al mismo tiempo. asignarle un valor a la variable que está involucrada en la mayor cantidad de restricciones. Las postcondiciones de las reglas se pueden representar de la misma forma. Para solucionar esto. Además si tenemos otro atributo “Viento” que puede ser Fuerte o Moderado. _________________________________________________________________________ 117 . Por ello una regla se puede describir como la concatenación de la precondición y la postcondición.Inteligencia Artificial Ejemplo 1: Si un atributo (tiempo) puede tomar tres valores posibles (despejado. una alternativa es codificar la postcondición con un único bit (1 = Cierto y 0 = Falso). Otra opción es condicionar los operadores genéticos para que no produzcan este tipo de cadenas o conseguir que estas hipótesis tengan una adecuación muy baja (según la función de evaluación) para que no logren pasar a la próxima generación de hipótesis. figura 24). Donde los tres primeros bits a uno indican que el atributo “Tiempo” no afecta a nuestra regla. esto es. Muchas veces lo que conviene es analizar la variable más restringida. nublado.4.Satisfacción de restricciones. lluvioso) una manera de representarlo es mediante tres bits de forma que: (Tiempo = Nublado ó Lluvioso) y (Viento = Fuerte) se representaría con la siguiente cadena: 011 10. Si Viento = Fuerte entonces JugaralTenis = Cierto se representaría mediante la cadena 111 10 10. Ejemplo2: “JugaralTenis” puede ser Cierto o Falso. Problemas de satisfacción de restricciones es un tipo especial de problemas que satisfacen algunas propiedades adicionales. De esta forma podemos representar fácilmente conjunciones de varios atributos para expresar restricciones (precondiciones) mediante la concatenación de dichas cadenas de bits.

xl) ⊆ D1×… ×Dl. R) o X = {x1. Un estado es un estado meta si los valores que tienen sus variables cumplen una serie de restricciones. Normalmente. A veces la descripción del estado contiene toda la información necesaria para llegar a una solución (ejemplo las 8-reinas) y se utilizan algoritmos que hacen mejoras iterativas. Los métodos iterativos normalmente guardan sólo su estado actual y no ven más allá de sus vecinos inmediatos. en problemas de maximización se trata de moverse hacia el pico más alto.…. _________________________________________________________________________ 118 . Formalmente: Ri (x1. xn} es un conjunto de variables.Inteligencia Artificial Otra heurística común es seleccionar un valor que elimine el menor número de valores en las otras variables asociadas a la variable por medio de una restricción. tienen dominios continuos. Definición: • Un problema de satisfacción de restricciones PRS (Constraint Satisfaction Problem) es una tripleta (X.…. Un problema de satisfacción de restricciones continuo es un PSR en el que todas las variables son continuas. toman valores en dominios finitos. es decir. Un problema de satisfacción de restricciones binario es aquel en el que todas las restricciones tienen a los sumo dos variables respectivamente.…. La idea general es empezar con una configuración completa y hacer modificaciones para mejorar su calidad [23]. Un problema de satisfacción de restricciones no binario o n-ario es aquel en el que las restricciones tienen cualquier número de variables. D. o R = {R1. o D: X →V es una función total que asigna un dominio (conjunto de valores de Vi) a cada variable. Rk} es un conjunto de restricciones tal que cada Ri es un predicado sobre un subconjunto de los variables de X. es decir. Un problema de satisfacción de restricciones mixto consta de variables continuas y discretas. Problemas de Satisfacción de Restricciones Estructura de estados: • • Un estado está compuesto por un conjunto de n variables que pueden tomar diferentes valores. Frecuentemente se escribe Di en vez de D(xi) para referirse al dominio de la variable xi. Conceptos básicos de variables: • • • • • Un problema de satisfacción de restricciones discreto es aquel en el que todas las variables son discretas.

Clasificación según el tipo de restricciones: • • Restricciones de obligación (hard constraints). Fuertes (hard): son restricciones cuya satisfacbilidad es imprescindible. VN Dominios: Di = {1. . Débiles (soft): son restricciones cuya satisfacbilidad no es imprescindible. . Continuas: las variables participantes están acotadas en dominios continuos. .Inteligencia Artificial Conceptos básicos de restricciones: Discretas: las variables participantes están acotadas en dominios discretos. Disyuntivas: son restricciones compuestas por un conjunto disjunto de restricciones. N-arias: son restricciones en las que sólo participan cualquier número de variables (n>2). Clasificación según los dominios: • • Dominios discretos (finitos o infinitos). Ejemplo 1: N reinas. • • • • • Situar N reinas en un tablero de ajedrez de tamaño N x N de forma que no se den jaque mutuamente figura 24. Restricciones múltiples. .N} Restricciones: o Jaque horizontal: Vi ≠ Vj o Jaque diagonal: |Vi − Vj| ≠ |i − j| Problema con dominios finitos y restricciones binarias (de obligación). Variables: V1. . Difusas (fuzzy): son restricciones definidas sobre niveles de preferencia. . Clasificación según el número de variables implicadas en las restricciones: • • Restricciones binarias. Restricciones de preferencia (soft constraints). . Binarias: son restricciones en las que sólo participan dos variables. _________________________________________________________________________ 119 . Dominios continuos. .

P4. Problema con dominios continuos y restricciones binarias (de obligación). Planificación de corte. arquitecto de computadoras. Dominios: Coordenadas en el plano. Restricciones: o Las piezas no deben superponerse. Ejemplo de n-reinas. Encontrar la manera de situar patrones de corte en una pieza de cartón figura 25. P2. P3.Resolución de problemas de juegos. 4. Figura 25. la idea de que las computadoras puedan jugar existe desde que existen las computadoras: • Siglo XIX. pensó en programar su máquina analítica para que jugara al ajedrez.. • • • • Variables: P1. Babbage.Inteligencia Artificial 2 3 2 3 1 2 2 3 3 1 2 2 3 0 Figura 24. Juegos Los juegos provocan una inexplicable fascinación y. Ejemplo 2: Planificación de corte. _________________________________________________________________________ 120 .5.

El problema de la toma de decisión puede ser crucial en una serie de aplicaciones. es decir. y por lo tanto es necesario algún tipo de procedimiento de búsqueda heurística. y la definición de las funciones de utilidad y de prueba final. los juegos no necesitan grandes cantidades de conocimiento. el primer paso será la representación del juego como un árbol de búsqueda. -1 o 0. que incluye la posición del tablero e identifica al jugador que mueve. por ejemplo comprensión del lenguaje. En este sentido. con un factor de ramificación medio de 35 posibilidades.Inteligencia Artificial • • • 50’s. Por lo tanto. En este sentido. frecuentemente no es posible tener en cuenta _________________________________________________________________________ 121 . es decir. un árbol que contenga todos los movimientos posibles de ambos jugadores. Los juegos proporcionan una tarea estructurada en la que es muy fácil medir el éxito o el fracaso. pérdida. 50’s. que da un valor numérico a los estados terminales. cualquier tipo de información que ayude a tomar la decisión acertada es muy valiosa. el plantear este tipo de problemas de la forma que se puede aplicar una estrategia de búsqueda ha sido siempre un campo de interés para los investigadores de la Inteligencia Artificial. el resultado es un triunfo. en los juegos o estrategias logísticas donde el objetivo es ganar ante unos adversarios.100 posibilidades. Considerando por ejemplo el juego de ajedrez. que determina cuándo se termina el juego. determinar el objetivo final. Shannon describió los mecanismos que podían usarse en un programa para que jugara al ajedrez. Una función sucesor. Una función utilidad (también llamada función objetivo o función de rentabilidad). Por ejemplo. En un primer momento se pensó que se podrían resolver por búsqueda exhaustiva en el árbol del juego. En comparación con otras aplicaciones de Inteligencia Artificial. A los estados donde el juego se ha terminado se les llaman estados terminales. con valores +1. Resulta evidente que una simple búsqueda directa no es posible de realizar en la práctica. indicando un movimiento legal y el estado que resulta. estado). En general aunque se puede plantear como escenario un árbol completo que represente las características del juego. Un test terminal. La mayoría de las aplicaciones de la Inteligencia Artificial fueron juegos que requerían la aplicación de las facultades intelectuales. en una partida cada jugador realiza una media de 50 movimientos. este tipo de problemas han contribuido enormemente al desarrollo de la Inteligencia Artificial [5]. que devuelve una lista de pares (movimiento. En el ajedrez. Un juego tiene una gran similitud con un problema de búsqueda porque se define mediante: • • • • El estado inicial. 60’s. por lo tanto para examinar el árbol de juego completamente se tendrían que examinar 35. el cual jugaba a las damas y podía aprender de sus errores para mejorar su comportamiento. Turing describió un programa para jugar al ajedrez pero no lo construyó. o empate. Samuel construyó el primer programa de juegos importante y operativo.

ponderados por la probabilidad respectiva de cada hijo. Los nodos del árbol son de dos tipos: MAX y MIN según correspondan a uno u otro jugador. el algoritmo alfa-beta es más eficiente gracias a la poda que realiza de las ramas del árbol de búsqueda que resultan irrelevantes para el resultado final. 3. Obtención del valor de la función de utilidad en cada estado terminal. Algoritmo del minimax Se aplica este algoritmo a un juego de dos participantes que alternan sus decisiones.Inteligencia Artificial la totalidad del árbol. con sus consiguientes movimientos. el algoritmo debe encontrar la secuencia de movimientos que llevan a un jugador a alcanzar la meta. es decir. Depende del número de elementos con capacidad de decisión involucrados. por lo que en algún momento suele ser necesario suspender la búsqueda y aplicar una función de evaluación mediante la cual se obtenga una estimación de la utilidad de un estado determinado para saber por dónde seguir. Los valores bajos de la función de utilidad son los buenos para MIN que intenta minimizar el valor de la función heurística para dificultar a su contrincante la consecución de la meta. de la información que posean del entorno y de los contrarios. y que tienen un conocimiento perfecto en cada momento tanto de la estrategia como del juego del adversario [5]. es decir. Aplicación de la función de utilidad para calcular este valor de cada uno de los nodos del nivel inmediatamente superior a los terminales. cada nivel dentro del árbol está formado sólo por los nodos MAX o nodos MIN. Hay diversos tipos de planteamiento en la resolución de los problemas de búsqueda aplicados a los juegos. 2. El algoritmo de minimax desarrolla una búsqueda en profundidad limitada. Generación del árbol de búsqueda. su objetivo es maximizar la función de evaluación que mide la proximidad estimada a la meta de una situación dada. Debido a la alternancia en el juego. para lo que se toma en cuenta el valor de la “utilidad promedio” de todos sus nodos hijos. determinados por sus características específicas. desde la raíz hasta los estados terminales. Si comienza MAX y ocupa la raíz. y que también el objetivo del adversario es llegar a ese mismo estado final. éste ocupará los niveles pares del árbol y el nivel inmediatamente inferior lo ocupará los nodos del jugador contrario. Pero debe tener en cuenta que el otro jugador puede interponerse en ese recorrido. Los valores altos son buenos para MAX. El objetivo es ganar. etc. Los juegos de azar se pueden manejar como una extensión del algoritmo minimax mediante el que se evalúan nodos aleatorios. En las aplicaciones con dos participantes que cuentan con información perfecta (y juegan también de forma perfecta). el algoritmo minimax permite determinar cuál será la mejor jugada. _________________________________________________________________________ 122 . Se puede describir de forma simplificada en los siguientes pasos: 1. Como una modificación de éste.

Al recorrer el árbol en sentido ascendente se va conociendo a cual de las tres situaciones mencionadas se puede llegar desde cada nodo de los niveles superiores al aplicar operadores.Inteligencia Artificial 4.MAX(v. Por ejemplo. MAX elige la jugada que le permita obtener el valor más alto. este algoritmo en cada jugada produce el operador con el que se obtiene la mejor utilidad. Hay que tener en cuenta que lo que se propaga hacia arriba depende del estado terminal. MIN-VALOR(s)) devolver v Función MAX-VALOR(estado) devuelve un valor utilidad Si TEST-TERMINAL(estado) entonces devolver UTILIDAD(estado) v← ∞ para un s en SUCESORES(estado) hacer v ← MIN(v. Continuación de la propagación de los valores de los nodos hojas en dirección a la raíz una capa cada vez. MAX-VALOR(s)) devolver v Es decir. que puede tener una función de utilidad que represente tanto ganar como perder o empatar. Cuando los valores calculados llegan a la raíz del árbol. 5. Función DECISION-MINIMAX(estado) devuelve una acción Variables de entrada: estado. estado actual del juego v MAX-VALOR(estado) devolver la acción de SUCESORES(estado) con valor v ← Función MAX-VALOR (estado) devuelve un valor utilidad Si TEST-TERMINAL(estado) entonces devolver UTILIDAD(estado) v ← -∞ para un s en SUCESORES(estado) hacer v<. Recorre todo el árbol del juego con una exploración exhaustiva y va pasando por todas las hojas para ir calculando el valor de utilidad de un movimiento que llevará a la toma de decisión. la mejor jugada posible. en el árbol _________________________________________________________________________ 123 .

Es por lo tanto ineficiente para problemas reales por el tiempo de cómputo requerido. pero sin embargo permite abordar el problema de los juegos desde un punto de vista de la representación que facilita su compresión. la estrategia ganadora sería la que llevara a MAX a los valores más altos de la función de utilidad. Por el contrario. El ejemplo comentado anteriormente de “tres en raya” se puede también expresar como árbol de búsqueda para aplicar esta estrategia de minimax. Como es el algoritmo de búsqueda en profundidad. teniendo en cuenta que cada vez que juega MAX habrá que considerar todos sus movimientos y cuando juega MIN sólo es necesario considerar una de las dos alternativas. una estrategia ganadora para MAX será un subárbol en el que todos sus nodos terminales son ganadores. una estrategia ganadora para MIN será el subárbol en el que todos sus nodos terminales sean perdedores. La jugada seleccionada por MIN sería la respuesta a la jugada de MAX que diera el menor valor de los posibles después del primer movimiento de MAX. de esta forma se puede garantizar el éxito sea cual sea la respuesta del adversario. Este ejemplo se enuncia en Russell y Norving (1995). pero la espacial es lineal. pero resulta tan compleja su representación total que sólo se pueden mostrar aspectos parciales del mismo. supongamos que igual o mayor que el valor 6. El recorrido marcado en la figura 26 desemboca siempre en una rama ganadora. Si existe.Inteligencia Artificial MAX MIN 1 6 2 6 9 7 5 3 6 7 Figura 26. _________________________________________________________________________ 124 . Cualquier jugada de MIN hace que MAX sea el vencedor si ha optado por esa rama. su complejidad temporal es exponencial. Árbol para minimax. Se han marcado los nodos MAX con rombos y los MIN con circulos.

y por eso se le denomina método de poda. Jugador Oponente m … … … Jugador Oponente n Figura 27. dos valores (α y β) de manera que α marque la cota inferior de los valores que se van a ir buscando en la parte del árbol que queda por explorar. en el peor de los casos habría que examinar todos los nodos terminales y tendría la misma complejidad que el procedimiento minimax. Poda alfa-beta: el caso general. La poda alfa-beta puede aplicarse a árboles de cualquier profundidad. Si m es mejor que n para el Jugador. Si en algún momento α llega a ser mayor o igual que β no tendrá sentido seguir con la búsqueda. Los valores de α y β se suelen inicializar a – ∞ y + ∞ respectivamente. También se les puede asignar a α el valor mínimo de la función de utilidad y a β el valor máximo que puede alcanzar la función de evaluación heurística. Sin embargo. en cada llamada recursiva a un nodo hijo. éste método va anotando cuándo se puede hacer una poda porque en una rama haya algún nodo con un valor de utilidad inferior al de otro recorrido. Para realizar la poda. realizándose una poda α si estamos en un nodo MAX o β si estamos en un nodo MIN. al no calcular sus consiguientes valores de utilidad ni expandir sus sucesores. nunca iremos a n en el juego. y por lo tanto. De hecho. Reduce por lo tanto considerablemente el número de nodos expandidos. es posible podar subárboles enteros.Inteligencia Artificial Poda alfa-beta Es un método basado en el minimax pero más eficiente puesto que evita el recorrido exhaustivo de todos los nodos de un árbol de búsqueda. Se suele denominar por eso poda α–β. esa afirmación depende del orden en que se exploren los nodos del árbol. a menudo. y β es la cota superior de los mismos valores. _________________________________________________________________________ 125 . ya que no explora todas las ramas. Para ello lo que se hace es pasar. Obtiene la misma solución que con el anterior pero no recorre las ramas que no van a influir en la decisión final. y. requiere generalmente menor tiempo computacional [5].

______________________________________________________________________ Ascensión a la cima o gradiente.______________________________________________________________________ Es el entorno donde se desarrolla el proceso de búsqueda. 1. y asumir que aceptaremos cuando le encontremos una buena solución. siempre que no se haya dado otra especificación adicional.. Una ejecución de estos algoritmos permite elegir en un instante dado una secuencia de posibles estados de salida para una misma entrada o estado inicial.. 4. algoritmo determinístico. 5. _________________________________________________________________________ 126 ..______________________________________________________________________ Es completamente predictivo si se conocen las entradas al mismo.______________________________________________________________________ Se caracterizan por la tendencia a limitar el tiempo y el espacio en donde buscar la respuesta a problemas complejos. primero el mejor.. grafos de estado. es decir. bajando de nivel..______________________________________________________________________ Es un algoritmo que ofrece más de una única salida en función de su entrada. algoritmos genéticos.. 7.______________________________________________________________________ Representa el conjunto de mundos. búsqueda menor costo. recorrido en amplitud.______________________________________________________________________ La búsqueda en profundidad es otra forma de recorrer sistemáticamente una estructura del árbol para encontrar el nodo solución. recorrido en profundidad. Dicho de otra forma si se conocen las entradas del algoritmo siempre producirá la misma salida. algoritmo A*. pero recorriéndolo en profundidad. Asigne el concepto con su respectiva definición.Inteligencia Artificial Cuestionario de evaluación.. que puede no ser óptima. escenarios o situaciones que se pueden generar mediante los operadores u acciones. Conceptos: Espacio de estados. 2. 3. métodos de búsqueda heurística. Ya que indica el recorrido del proceso de búsqueda que va moviéndose de un estado a otro. aplicación de espacios de estados. 6. algoritmo no determinístico. y lo componen todos los estados por los que se avanza y que se van recorriendo en la tarea de llegar a la meta. en la consecución del objetivo final. y la máquina interna pasará por la misma secuencia de estados. búsqueda heurística.

Inteligencia Artificial 8. grafos de estado. aplicación de espacios de estados. recorrido en profundidad. 9. algoritmo no determinístico. _________________________________________________________________________ 127 .. algoritmo deterministico. Respuestas: espacio de estados. ensamblaje de componentes.______________________________________________________________________ El algoritmo define una forma de moverse a lo largo de la estructura arbórea examinando los valores de los nodos de manera sistemática y controlada. problema del viajante. rutas aéreas para viajar. desplazamiento de robots. recorrido en amplitud.______________________________________________________________________ Búsqueda de rutas en redes informáticas. búsqueda heurística. diseño de microchips. métodos de búsqueda heurística. de forma que se pueda encontrar un nodo de solución..

el crecimiento de Internet y de la computación distribuida en general ha abierto nuevos campos de aplicación de la Inteligencia Artificial. Parece probable que el éxito de la Inteligencia Artificial a gran escala. pero todavía tiene validez la frase del ensayo de Alan Turing sobre Computing Machinery and Intelligence: “Podemos observar sólo a poca distancia hacia delante.” _________________________________________________________________________ 128 . los sistemas de Inteligencia Artificial podrían suponer una amenaza directa a la autonomía humana. sistemas de vigilancia. Se puede observar que la Inteligencia Artificial ha progresado a lo largo de su corta existencia. La verdadera naturaleza de nuestro trabajo y de nuestro papel cambiaría así como nuestro punto de vista de la inteligencia. la computación biológica. con algoritmos evolutivos como técnicas de búsqueda. Por estas razones. la investigación en la Inteligencia Artificial no se puede divorciar de sus consecuencias éticas. representada por las redes neuronales. e incluso la supervivencia. la lógica borrosa. en un intento de dotar de sentido común a las máquinas. robots y motores de búsqueda. la libertad. cambiaría las vidas a la mayoría de la humanidad. Recientemente. Distintas ramas de la Inteligencia Artificial han ido alternando en popularidad: la aproximación conexionista. la creación de inteligencia en el nivel humano y más allá. sistemas de control de inventarios. etc. la conciencia y el destino futuro de la raza humana. A este nivel. pero también se pude ver que todavía queda mucho por hacer.Inteligencia Artificial CONCLUSIÓN La Inteligencia Artificial ha hecho posibles aplicaciones nuevas tales como los sistemas de reconocimiento de voz.

predecir el comportamiento de los fenómenos o las personas que nos rodean. inversión de casa de bolsa.Inteligencia Artificial ANEXOS Anexo A Minería de datos. previamente desconocido. industria y manufactura. y describir de forma automatizada modelos previamente desconocidos. Conjunto de técnicas y herramientas aplicadas al proceso no trivial de extraer y presentar conocimiento implícito. a partir de grandes conjunto de datos. mercadotecnia. Al final resulta que el conocimiento no es tan mágico como parece. potencialmente útil y humanamente comprensible. biología molecular. En la actualidad. etc. los patrones han de ser comprensibles por los seres humanos. detección de fraudes. Es la aplicación de algoritmos específicos para extraer patrones de datos. _________________________________________________________________________ 129 . con objeto de predecir de forma automatizada tendencias y comportamientos. medicina. Disponemos de medios para aproximarnos a él y encontrar patrones interesantes para diversos campos. aspectos climatológicos. y por lo tanto. La minería de datos es una de las respuestas al problema de la necesidad de extraer conocimiento en forma automática a partir de grandes bases de datos. existe una gran cantidad de aplicaciones en áreas tales como astronomía. un patrón es útil si nos permite decidir o realizar una acción. El conocimiento lo constituyen aquellos patrones que hemos aprendido a detectar y que hemos guardado por que nos permiten aplicarlos a nuevos datos.

y se destruía con sólo borrarlos. El desarrollo de la ciencia durante la Ilustración eliminó la vertiente mágica de ese horizonte. dotadas de la capacidad de actuar con autonomía y un propósito específico. Asia y el mundo árabe intentaban producir criaturas mediante los principios de la física y la mecánica. palancas y resortes metálicos para animarlos. y la posibilidad de operar de forma continua. Cientos de años después. un asunto sobrenatural: el Golem. dibujar y tocar el clavicordio. la disminución de gastos en sueldos y prestaciones. androides y robots. la robótica aún se debate entre la realidad científica y la imaginación fantástica. Por el contrario: lo alentó de muy diversas maneras. En un inventario que comienza algunos siglos antes de Cristo. Muchos fueron resultado de leyendas y figuraciones literarias. el homúnculo se hacía con la raíz de una mandrágora nutrida pacientemente con sangre. los protocientíficos de Europa. esa transformación que marcó profundamente todos los ámbitos de la acción humana no puso fin al propósito de crear seres artificiales. _________________________________________________________________________ 130 . sin quejas ni cansancio. Sin embargo. leche y miel.Inteligencia Artificial Anexo B Robótica Magia y tecnología Desde etapas remotas de la cultura. Sin embargo. Así surgió la gran época de los androides y las prodigiosas figuras de relojería que podían escribir. en un inicio. el ser humano ha intentado crear máquinas semejantes a él. hecho de materia inerte. Al tiempo que prosperaban esas creencias. confió de manera exagerada en la capacidad intelectual del hombre al grado de atribuirle cualidades increíbles. se animaba al escribir en un frente los nombres de Dios. animales artificiales. La confusión de los dos enfoques en la mente colectiva hacía pensar a muchos que los logros de éstos eran resultado de un pacto con el mismo diablo. sin recurrir a la magia: usaban vapor. El interés por crearlos fue. Lo hizo con el empleo de nuevos materiales y una posibilidad de desplazar al ser humano de las líneas de producción y sustituirlo con máquinas capaces de hacer sus tareas con varias ventajas: la reducción de los márgenes de error. conocemos docenas de golems. estatuas vivientes. Otros surgieron como proyectos basados en principios científicos y desarrollos tecnológicos. como pensar que sería capaz de construir réplicas perfectas de las criaturas naturales y subordinarlas a él. Renacimiento de la era industrial Estas piezas de artesanía fueron desplazadas por el embate de la industrialización entre los siglos XVIII y XIX.

incluso. el género literario del siglo XX. _________________________________________________________________________ 131 . los científicos prosiguieron en su afán de crear esas máquinas con avances sorprendentes en muchos de los casos. prótesis inteligentes que captan las señales de las terminales nerviosas y modelos que imitan la estructura y funciones de la mano humana. prevenciones y temores radica en que todavía hoy. como la toma de decisiones y los sentimientos. tuvieron sus primeras mezclas con los seres humanos en la figura quimérica de los cyborgs (criaturas orgánicas y mecánicas a la vez). El rasgo diferencial para colocarlos en una categoría distinta a la de meras máquinas es también la clave de la robótica: por su apariencia o movimientos parecen contar con intenciones y capacidad de acción propias. aun dentro de los laboratorios más serios y rigurosos del mundo. la cual cobra realidad en los exo-esqueletos computarizados que elevan las capacidades del organismo. Son. el imaginario robótico (la fantasía de animar a la materia inanimada y dotarla de voluntad) contamina las investigaciones. Luego de la primera muerte humana provocada por un robot y los accidentes asociados a éstos. y en la guerra para atacar con más poder que los humanos. como el doctor Frankenstein.Inteligencia Artificial Los autores de ciencia ficción. La dificultad de evaluar la sensatez de esas perspectivas. Aspiraron el polvo de los hogares y cortaron el césped de los jardines. sensibles a su ambiente y se mueven coordinadamente en él. por su parte. A nuestra imagen y semejanza Algunas grandes corporaciones siguieron acariciando. además. que juegan fútbol. Surgieron robots no antropoides para líneas de ensamblaje en plantas automotrices. Los progresos en las ciencias de la computación dieron origen al concepto de Inteligencia Artificial: los robots no sólo podrían repetir las acciones físicas de los humanos. En el mundo pos-humano los robots. pero insignificantes comparados con lo ambicioso del proyecto. resurge el miedo de perecer. sino también sus procesos intelectuales. abren la puerta cuando llaman las visitas y las invitan a pasar a la casa. vieron en ese proyecto el peligro inminente de un mundo automatizado y desprovisto de sentimientos. Las leyes de Asimov se reformulan en un moderno código de ética para la era de los robots y se reajustan los marcos jurídicos para regular la operación e incorporación de esas máquinas en nuestras vidas. Isaac Asimov creó el código pionero de ética robótica. y a cada nueva área de la robótica (como la nanorrobótica) se asocia un peligro potencial. Incluso se les concibió como sofisticados compañeros de juegos sexuales capaces de proporcionar placer e imitar las reacciones de quien lo experimenta. destruidos por las máquinas que nosotros mismos hemos creado. en el que las máquinas ganarían terreno al hombre y pondrían en peligro su misma supervivencia. Exploraron el espacio y las profundidades del mar. Mientras tanto. la elaboración de las criaturas semejantes al hombre desde la perspectiva lúdica: robots que bailan moviendo abanicos o tocan el piano. Aparecieron en los quirófanos para realizar cirugías más precisas.

y se habla de otros pequeños mecanismos creados para su diversión. _________________________________________________________________________ 132 . mencionan. C. bajo el reinado de la dinastía Han. o a las curiosas estatuas que servían vino a los señores de la casa mediante un sistema de palancas o principios de gravedad. El interés por la elaboración de autómatas fue constante y éstos se perfeccionaron. El polígrafo Polibio (ca. y se movía gracias a corrientes de vapor y aire comprimido. pájaros y leones mecánicos. El ave se hallaba suspendida en la parte superior de una pértiga provista de pivotes. Algunos textos árabes mencionan un árbol de bronce que simulaba el proceso de crecimiento e incluía.).) ofrecen un completo inventario de ellos. amigo de Platón. un conjunto de marionetas mecánicas que representaban la Guerra de Troya. por ejemplo. existía una orquesta mecánica que deleitaba con sus notas al emperador. varios documentos registran la existencia de ciertos modelos.) describe. Más o menos en el siglo III a. un conjunto de mujeres artificiales que cantaban y un monje que realizaba sus oraciones. Cuando alguien no cumplía con el pago de una deuda.C. al autómata empleado por Nabis. Cuando la dinastía Sui estaba en el poder (entre los siglos VI y VII d. por su parte. Los escritos de Herón de Alejandría (redactados en el siglo I a. Incluso se publicó el tratado Shui shih t’u Ching (Libro de las maravillas hidráulicas) para describir algunos modelos. como hadas y héroes. La elaboración de autómatas alcanzó su auge con la dinastía Yuan (1279-1368). C. pero después declinó y sólo se practicó de manera ocasional. el uso de pesos y contrapesos. además. En el periodo Tang (siglo VII a X) los autómatas siguieron siendo comunes en los círculos de la nobleza: había pájaros voladores.C. nutrias mecánicas capaces de atrapar peces y figuras que representaban seres humanos en distintas actitudes. C. 200 a.Inteligencia Artificial Casos remotos Aunque hay escasos ejemplos de autómatas anteriores al siglo XIV. los antiguos chinos diseñaron sus primeros modelos casi al mismo tiempo de los que aparecían en Grecia. por ejemplo. Destacaba. Desarrollo en China Con su singular talento para la creación de maquinarias complejas.) ya eran comunes. vapor y aire. Estas figuras comenzaron a inspirar la imaginación popular y dieron origen a cuentos y leyendas donde se incorporan elementos fantásticos. La importancia de esa figura es su carácter representativo de una serie de modelos semejantes empleados para el entretenimiento y dotados de movimiento gracias a la fuerza del agua. se le ponía enfrente del mecanismo y la mujer metálica lo abrazaba hasta producirle la muerte. Uno de los más importantes es una paloma de madera diseñada y construida por el sabio Arquitas de Tarento (trabajo entre 400 y 350 a.. con afilados clavos en el pecho y los brazos. el tirano de Esparta: era un sistema mecánico con forma de mujer.

Hoy se le considera unos de los mayores ingenieros de la historia. La influencia negativa de la iglesia frenó los progresos en ese sentido. Interés medieval Hay varias referencias sobre los creadores de autómatas en la Edad Media. los relojes movidos por los pesos de agua. al ver esta máquina. pues inventó el cigüeñal (mecanismo capaz de transformar el movimiento rectilíneo en rotatorio). Con todo y estos progresos. Como en el caso de Tomás de Aquino. y varios dispositivos automáticos.Inteligencia Artificial Mundo Islámico En el siglo XIII el sabio al –Jazari trabajaba para los gobernantes de Mesopotamia. que se desplazaban para anunciar el paso de las horas. se pensaba que el progreso tecnológico obedecía. y durante ella aparecieron muchas leyendas sobre sabios capaces de crear máquinas idénticas a los humanos. más bien. El avance de autómatas en el mundo islámico se vio obstaculizado por una creencia religiosa: es un sacrilegio representar o emular la figura humana (e incluso el movimiento de los animales) pues son obras perfectas de Dios cuya sabiduría y estatus sagrados no han de ser desafiados. Otra figura destacada de ese periodo fue el alemán Alberto Magno (1200-1280). a un pacto con las fuerzas del mal. quien concibió modelos de barcos y coches motorizados. autor de un extenso libro de esquemas para la realización de dispositivos mecánicos (muchos de ellos empleados en las ceremonias de la iglesia) que cobraban forma de seres humanos y animales. Uno de ellos fue el notable filósofo inglés Roger Bacon (1220-1292). Autor de El libro del conocimiento de los ingeniosos mecanismos (obra clave de la historia de la tecnología). se interesó por la creación de autómatas. que descubrió asombrada esos progresos. Menos impactantes fueron los trabajos del arquitecto francés Villard de Honnecourt. animales pequeños y un sorprendente elefante. su creación más compleja y acabada fue un reloj. Tomás de Aquino afirmó que era una obra del demonio e intentó destruirla. Su mayor logro real fue una inquietante cabeza parlante. abría la puerta. Realizó varios modelos de pavos reales impulsados con agua que se paseaban por los jardines de los poderosos. imagino prodigiosas piezas de ingeniería mecánica y planeó la realización de muchos autómatas que se quedaron en meros proyectos. saludaba a las visitas y las invitaba a pasar. la Edad Media era también época de gran oscurantismo. cuya composición incluía las figuras mecánicas de hombres. Caminaba. los principios que explicó en su obra de mecánica impulsaron trabajos afines en el mundo oriental y también en la Europa medieval. Pionero del uso del método experimental. Aunque estos modelos no se pudieron conservar. Sin embargo. Se cuenta que. A lo largo de treinta años trabajó en el modelo de un autómata de hierro que realizaba diversas tareas en su hogar. _________________________________________________________________________ 133 . y también autómatas de la figura humana que realizaban tareas sencillas para sus dueños.

a uno de los autómatas más notables del Renacimiento. engarzada mediante diversos mecanismos que podrían dotarla de movimiento. Quienes tenían dinero para financiar esas investigaciones. Los primeros modelos datan del siglo XII y pronto se descubrió su potencial como genuina fuente portátil de movimiento. Los asistentes lo siguieron sorprendidos mientras caminaba por las distintas habitaciones del palacio. recibió la influencia de Oriente y el mundo árabe. las concebían como meras formas de distracción. Por cierto. De repente. _________________________________________________________________________ 134 . los trabajos cartesianos en relación con las leyes del movimiento y la mecánica fundamentaron muchos de los robots posteriores. El día de la fiesta de la formidable figura se desplazó por el salón donde se llevaba a cabo el banquete. como los relojes. En las casas de los ricos miembros de la nobleza había intricadas fuentes mecánicas. En la época actual se intentó construirla y se comprobó que era tecnológicamente viable. gracias al intenso intercambio comercial y la traducción de los primeros tratados sobre el tema. Se inventa el resorte A inicios del siglo XVI Europa vivió un interés renovado por la elaboración de autómatas. Aparte de la tradición propia de la época medieval. Sus grandes conocimientos de ingeniería y mecánica le permitieron crear. como los famosos juegos de agua en los jardines de Villa d’ Este. Es una figura humana que porta una armadura metálica. Este prodigio le valió a Leonardo la amistad y el mecenazgo de Luis XII de Francia. construyó un león mecánico de bronce. para quien trabajo a lo largo de muchos años. como los escritos de Herón de Alejandría. Se han encontrado entre ellos modelos de autómatas. por encargo del papa León XII. en 1498. el filósofo francés René Descartes dio vida a una muñeca idéntica a ella que se movía por si misma y lo acompañaba en sus viajes. en Tívoli. Para celebrar el ascenso al trono y la entrada del rey Luis XII a Milán. Se dice que en el siglo XVI el ingeniero español Juanelo Turriano desarrolló un autómata de palo que recorría las calles de Toledo pidiendo limosna. Se le usó en la relojería y en la joyería. Otros autómatas de aquella época se pierden entre la realidad y la ficción. fácil de emplear y muy versátil por su diversidad de tamaños y posibilidad de adaptación a mecanismos muy pequeños. el león se detuvo y un mecanismo de resortes hizo que su pecho se abriera. a la muerte de su hija Francine. Cuenta la leyenda que. De él salieron cientos de flores que deleitaron a la concurrencia.Inteligencia Artificial Modelos de Leonardo En la vasta obra de Leonardo da Vinci (1492-1519) sobresalen cientos de bocetos de proyectos mecánicos que jamás llegaron a construirse pero inspiraron a los constructores en los tiempos que siguieron. dotadas de elementos que se movían. y en la elaboración de muñecos y figuras de animales. Uno de los más interesantes fue trazado a finales del siglo XV. cerca de Roma. Un gran proceso tecnológico en la elaboración de autómatas fue la invención del resorte de acero templado.

Lo más sorprendente es que comía. El pato metálico Voltaire comparó a Jaques de Vaucanson (1709-1782) con Prometeo. En una caja especial el usuario introducía un pequeño disco con una pregunta grabada. que decoraban las mesas de los ricos y servían de entretenimiento a sus comensales. cuando De Vaucanson se hartó de sus autómatas y los puso a la venta. En Francia los hermanos Rochat se especializaron en la elaboración de pájaros miniatura que cantaban. Por mucho tiempo. ese interés respondía al convencimiento de que algún día la mente humana sería capaz de construir una criatura artificial. Educado con los jesuitas. De acuerdo con los estudiosos contemporáneos a nosotros. El más notable _________________________________________________________________________ 135 . Los nobles se deleitaban con los ‘cuadros mecánicos’. al menos en parte. que sorprendían a los visitantes de los salones. explicita en bien cuidados elementos decorativos que reflejan el estilo de la época. Eran colocados en jaulas colgantes o en paneles para anunciar la hora. fue un pato metálico que podía mover las alas (ensambladas con más de cuatrocientas piezas). estos dispositivos servían para perfeccionar el mecanismo de pequeños barcos a escala. en Alemania. De la caja salía un mago miniatura cuya mano apuntaba a la respuesta correcta entre las opciones escritas en una tableta. Cautivo al público con un muñeco tamborilero y un flautista (de dimensiones humanas) que tocaba doce melodías. Al mismo tiempo aparecieron las ‘cajas de magos’. el modelo original se perdió después de 1743.Inteligencia Artificial A finales del siglo XIV. La fantasía que cautivó a los espectadores se reveló como un fraude. Cuando lo presentó en París en 1738. pues en su afán de dar vida “parecía robarse el fuego celestial”. a diferente escala. Su autómata mas celebre. y que el excremento salía de otro. hechos de metales y piedras preciosas. Sin embargo. nadie puso en duda el perfecto carácter automático de las otras acciones que el pato desempeñaba. realizaba la digestión y hasta defecaba. se aplicaban en los teatros mecánicos. la gente se agolpaba y pagaba costosos boletos para verlo. en la elaboración de autómatas hubo también una búsqueda estética. sentarse y beber agua. Un curioso observador descubrió que el maíz que le daban de comer quedaba almacenado en un pequeño depósito. Hoy lo conocemos gracias a grabados y dibujos de aquellos días. Estos eran pasajes enmarcados cuyas figuras (animales y personas) y otros elementos (ríos y molinos) se movían ante los ojos del espectador gracias a un mecanismo oculto de relojería. incorporarse. Figuras pequeñas y grandes A finales del siglo XVIII surgieron modelos mucho más sofisticados en Europa. cuyos elementos eran de tamaño real. Los mismos principios. vivió la fiebre de los autómatas que cundía en la Francia del siglo XVIII. donde se había cargado antes. empero. Uno de los más famosos fue elaborado por encargo de Madame de Pompadour y hoy se exhibe en el Conservatorio Nacional de Artes y Oficios de Francia.

Uno de sus extremos más sofisticados es la Máquina Universal Programable para Ensamblaje. que podía repetir secuencias arbitrarias de movimientos. Nueva Jersey. compañía fundada por Joseph Engelberg en 1956. pero le interesaron las máquinas con un comportamiento más o menos flexible y algunos atributos de naturaleza humana. Austria. Su desempeño fue tan exitoso que ese mismo año se inició la primera producción en línea especial para la industria automotriz. Con todo y sus orígenes literarios. Aunque todos se inscriben en la literatura de la ciencia ficción. se trata de uno de los robots más duraderos. cerca de Salzburgo. y los problemas éticos y sociales que se derivarían de ellos. a “la tecnología que se ocupa de diseño. las novelas Las cavernas de acero (1954) y Robots e imperio (1985). presenta 113 figuras con movimiento hidráulico. _________________________________________________________________________ 136 . que inspiraron tantos libros y películas de ficción. asimismo. el sector que ha dado mayor impulso a la robótica para hacer eficientes sus tareas y abatir costos. En ella se enuncian. El más notable de los inicios fue Unimate.Inteligencia Artificial se encuentra en los jardines de Hellbrunn. un brazo hidráulico controlado electrónicamente para levantar objetos. las famosas ‘leyes de la robótica’. Además de ser un dispositivo pionero para la industria de la robótica. Unimate La industria renuncio a crear robots con rasgos humanoides. Ya desde los primeros modelos se aprovecharon los avances de la computación para crear esquemas de instrucciones que sean introducidos a las máquinas para la realización automática de tareas. la palabra robótica se convirtió en el término estándar para referirse. El propio Asimov escribió una completa serie de libros dedicados a ese tema.. como la colección Yo robot (1950). Los robots que aparecen en sus libros son muy semejantes a los homúnculos. escritor estadounidense de origen ruso. Armado entre 1748 y 1752. Para 1961 la compañía general Motors lo introdujo en su planta de hierro fundido en Trenton. Su tarea principal era retirar y apilar las piezas que salían de una máquina fundidora. crear la otra palabra más importante relacionada con el tema: ‘robótica’. la construcción y la operación de robots automatizados”. pues hasta la fecha se fabrica (con un mecanismo perfeccionado) y se vende a las fábricas de autos. de acuerdo con el diccionario Merriam Webster’s. pero carecen de las características que dan carácter humano a éstos. Fue inventado en 1954 por el ingeniero estadounidense George Devol y creado por Unimation Inc. que aparece citada por primera vez en su relato Runaround (1942). complejo brazo robótico capaz de colocar paneles y luces a los automóviles. los conocimientos científicos y tecnológicos del autor abrieron rutas a la reflexión sobre las dificultades de construir verdaderos robots inteligentes. La robótica: una nueva disciplina Correspondió a Isaac Asimov. en especial los sentimientos o la conciencia de la identidad y existencia propias.

Con el paso del tiempo estos vehículos se vieron beneficiados por los avances en la computación. los cuales realizan su acción sujetos en un mismo lugar. ‘Legless Locomotion’ estudia nuevas formas de movimiento para los robots que no estén basadas en la estructura y modelo de las piernas humanas.Inteligencia Artificial Aparecen los robots móviles Una útil variedad de los robots industriales son los robots móviles. Trabaja con compañías privadas que patrocinan proyectos con interés específico para ellas. ‘Telepresence’ es un robot con propósitos educativos que incluye la información completa de los programas de estudio y una amplia fuente de referencia para apoyar a los estudiantes. A partir de 1980 la tecnología para su uso se basó en controles con microprocesadores que permitieron realizar operaciones más complejas que las basadas en meras señales eléctricas. La rápida transferencia de tecnología les permite obtener ventajas significativas en la manufactura y la productividad. A partir de 1990 una nueva generación se ubica en el espacio mediante el reflejo de sensores fijos dispuestos en el equipo. a diferencia de los fijos. A cambio son las primeras en recibir un reporte de los resultados. También se trabaja en una flotilla automatizada de sensores oceánicos para detectar peligros potenciales para la vida en el mar. Algunos académicos llamaron la atención sobre el fenómeno. el Ejército y los Marines) y de la NASA. dedicado a la investigación de la robótica. Luego de casi 30 años de trabajo. en su primera generación respondían a las señales emitidas por cables eléctricos que se hallaban colocados bajos los pisos de concreto de las instalaciones correspondientes. ya se vislumbraban las posibilidades que abriría el futuro. hoy cuenta con una planta de más de 200 investigadores. Trabajan con precisión. _________________________________________________________________________ 137 . en 1979. han reducido los accidentes en las instalaciones y trajeron consigo un abatimiento en los costos operativos. Hoy se llevan a cabo varios proyectos en el Instituto ‘Treasure Hunt’ enfoca la forma de crear una interacción coordinada en ambientes adversos entre diferentes robots y entre éstos y los humanos. era un carro eléctrico sin conductor capaz de desplazar cajas de productos en el almacén de una tienda de abarrotes en Carolina del Sur. del Instituto de Robótica de Carnegie Mellon. Construido por Barrett Electronics. La gran utilidad de estos equipos impulsó las crecientes inversiones. El proyecto EODR-VLC se propone crear un robot capaz de detectar y destruir explosivos. Con él nacían los ‘vehículos guiados automáticamente’ que. en Pittsburgh. Hoy dia Carnegie Mellon sigue siendo uno de los centros de investigación robótica más importante del mundo. Instituto de la robótica Aunque en la década de 1970 la tecnología de la robótica era incipiente. Obtiene sus fondos del Departamento de Defensa de Estados Unidos (la Fuerza Aérea. Uno de los movimientos clave en este sentido fue la creación. que cuentan con la capacidad de desplazarse. El primer robot móvil apareció en 1954.

capaces de crear tareas repetitivas. organiza concursos anuales para quien presente los mejores modelos. capaces de desplazarse dentro de un espacio limitado. Entre 1961 y 1980. Se ha ofrecido un premio de millones de dólares. el desafio era hacer máquinas con capacidad de aprender. Están provistos de motores que activan sus miembros. Era la primera vez que un equipo de cómputo desafiaba y superaba la capacidad de la inteligencia humana. Las competencias se han realizado con relativo éxito en espacios despejados. emular los procesos de la mente humana. el dueño emula las fases de crecimiento que van desde cachorro hasta el animal adulto. en la Universidad de Edimburgo se construyó se construyó una generación de robots dotados de visión binocular. controlados por microprocesador. otro objetivo a alcanzar es la fabricación de automóviles robots que puedan desplazarse sin la necesidad de un conductor y respondan a situaciones cambiantes. capaces de hablar o moverse en respuesta a diferentes sonidos o cambios de luz. El ‘reto urbano’ consiste en lograr que un vehículo robot recorra 96 kilómetros de una ciudad en menos de seis horas. Bajo la apariencia de material de un pequeño perro. Incluso se creo un programa especial para recrear la educación de una mascota. basadas en las acciones de los demás vehículos. reconocen hasta 100 instrucciones diferentes de sus dueños. tomar decisiones y. Es indispensable que logre sortear los problemas que un conductor común enfrenta en el tráfico cotidiano. En 1999 Sony lanzó al mercado una generación de mascotas robot con el nombre de AIBO. micrófonos y una cámara. Un área del Departamento de Defensa de Estados Unidos. pues deberá incluir la toma de decisiones en tiempo real. especializada en investigación de proyectos avanzados. En este contexto. adaptarse. en general. la máquina lo derrotó. Muchos programas necesarios _________________________________________________________________________ 138 . No se trataba solo de crear equipos mecanizados. el máximo desafío se ha planteado para noviembre próximo (2007). Sus logros han sido parciales. en respuesta a situaciones cambiantes. en referencia a su uso de la Inteligencia Artificial. Mediante una secuencia de instrucciones y la interacción continua. En un encuentro sólo verosímil en las páginas de ciencia ficción. La realización de este propósito es un esfuerzo multidisciplinario en el que confluyen la computación. Modernos juguetes En la década de 1980 aparecieron los primeros robots lúdicos. y además. acuñó el concepto ‘Inteligencia Artificial’ para referirse a la construcción de máquinas inteligentes. investigador del Instituto Tecnológico de Massachusetts. Su idea expresaba una nueva orientación para la robótica. Con el tiempo los modelos se fueron perfeccionando.Inteligencia Artificial En busca de la Inteligencia Artificial En 1955 John McCarty. entre muchas otras disciplinas. las neurociencias y la psicología. En 1965 Joseph Weizenbaum diseñó un programa interactivo con la capacidad de sostener un diálogo con un humano. obedezca las reglas de tránsito vigentes. La programación del vehículo será compleja. En el año 1997 marcó un gran hito para la Inteligencia Artificial: el campeón ruso de ajedrez Garry Kasparov sostuvo una partida con Deep Blue una computadora de IBM.

Es interesante observar que los robots industriales no emulan siempre las acciones humanas.impress. aprovecharía algunas de las tecnologías creadas para éstos en otros de sus productos comerciales. Están clara las características de varias tareas industriales en las que las máquinas podrían reemplazar a los hombres: 1) La operación es repetitiva y exige los mismos movimientos mediante un ciclo.watch. Trabajo industrial En la actualidad los robots son un recurso común en la industria manufacturera. 4) La tarea permite que el robot sea utilizado en dos o tres operaciones consecutivas. Algunas tareas son muy sencillas: el robot recoge piezas de un contenedor y las coloca en otro. dejaría de producir los AIBO y nunca lanzaría los QRIO. su carga y descarga de las máquinas. para que el robot las pueda manipular mejor.wmv. Sin embargo. _________________________________________________________________________ 139 . Su capacidad de manejar el balón los enfrentó en partidos de futbol. La primera es el manejo de materiales. correr y reconocer la voz y el rostro de las personas. la peculiar danza robótica puede admirarse en pc. Los robots se convierten en sustitutos del trabajo humano. Para ello se valen de un agarre especial.jp/docs/2003/1218/sony_06. Por lo general cuentan con sensores para determinar si el elemento a revisar cumple con los estándares de calidad requeridos. como la colocación de las piezas en empaques especiales. A veces también pule piezas o aplica diferentes terminados. resulta muy difícil que se sirvan de un desarmador (uno de los procesos más comunes en la fabricación manual). Pero hay tareas más complejas. La tercera área en la que se desenvuelven es el ensamblaje y la inspección. los QRIO se quedaron en meros prototipos y nunca salieron al mercado. consiste en la transferencia de materias primas. El máximo logro de Sony fue el robot QRIO. Por esa razón las partes industriales se modifican. 2) La tarea es arriesgada e incomoda para una persona. 3) El desempeño exige el uso de una herramienta difícil de manejar.Inteligencia Artificial para la operación de estos equipos se hallan disponibles en internet. Con todos y estos éxitos. donde realizan tres tipos de acciones diferentes. por ejemplo una pistola de aire para pintar autopartes. Por ejemplo.co. Los robots se programan dependiendo del tipo de objetos que deban inspeccionar. La segunda área de actividad es el desarrollo de operaciones. Ésta se ha intensificado a causa de los elevados costos del trabajo manual. El robot manipula una herramienta para completar una parte del proceso industrial. En 2006 Sony informó que sorprendería con su programa de robótica. En 2006 se llegó a coordinar a estos robots en una sorprendente rutina de baile cuya coreografía tomó varias semanas de trabajo. un androide de medio metro con la capacidad de caminar.

Talon Sword es un rifle robot que se opera a control remoto y asemeja un pequeño tanque. que puede aumentar si se solicitan adaptaciones. Existen también un vehículo autónomo todoterreno. de Lockeed Martin. hechas de materiales y textiles sensibles a los cambios de temperatura. En 2006 los funcionarios de la Red Europea para la investigación en Robótica afirmaron que en unos cinco años será común tener relaciones sexuales con estos robots que pronto ingresarán al mercado. En palabras de Harriman. Creada por iRobot. Robocopter es _________________________________________________________________________ 140 . En este 2007 el inventor alemán Michael Harriman informó que había creado “el robot sexual más sofisticado del mundo”. como un mayor tamaño de los senos. Complejos sistemas de cómputo permiten el reconocimiento de la voz y la emulación de los cambios físicos que ocurren durante el coito y el orgasmo. Cien unidades se encuentran activas en Afganistán (donde se apropian de las municiones del Talibán) y en Irak se usan para desactivar bombas colocadas en carreteras. provisto con armas antitanques. Packbot es una pequeña grúa capaz de acceder a espacios confinados y apoderarse de las municiones con un brazo robótico. la respiración del autómata se acelera. Estas figuras. cuentan con varias tecnologías características del sexo virtual. es una avioneta portátil (puede cargarla un soldado) que se hace despegar sin tripulación para tareas de patrullaje durante el día y la noche en los desiertos de Irak. Tecnologías de guerra Otra inspiración de la robótica es la creación de equipos y dispositivos que puedan reemplazar a los seres humanos en las peligrosas operaciones del frente de batalla. Realizó sus primeras misiones en Bosnia.” Los primeros modelos tienen un elevado precio en venta (unos 8. 000 dólares). y sigue activo en la guerra de Irak. No se descarta en el futuro la apertura de prostíbulos mecanizados con robots femeninos adaptados ‘a la carta’. El Desert Hawk. que puede transportar bombas y municiones y cuenta con la capacidad de avanzar por zonas peligrosas o accidentadas para vehículos comunes. “es casi imposible distinguirlos de una persona real. En la actualidad existen aviones que pueden volar sin tripulantes para realizar tareas de reconocimiento y ataque. y los equipos especializados en la detección y desactivación de minas antipersonales. Tiene mucha mayor estabilidad que un rifle común manejado por un humano. Su modelo incluye una réplica del corazón.Inteligencia Artificial Robots sexuales A comienzos de este siglo la robótica también se ha orientado hacia la satisfacción de las necesidades sexuales de los seres humanos. que late con mayor intensidad durante la relación sexual. excepto la de los pies. durante el año 2000. la temperatura ‘corporal’ se eleva. pero estoy haciendo mejoras y sólo estaré contento cuando superen a la personas reales. Se trata de la creación de modelos avanzado de muñecas o muñecos de tamaño natural que se utilizan como compañeros sexuales.

Don Cuco el guapo Este curioso personaje es el robot mexicano más famoso. Mientras tal objetivo aún aparece muy remoto. si se le trata con afecto y se le dicen palabras cariñosas. Provisto de un chip especial. de la Universidad de California. mide dos metros y pesa 130 kilos. Cuenta con recursos para cambiar de conducta según las acciones del dueño: si no se interactúa con él. también entran en juego los factores afectivos y sociales. Cuenta con un vocabulario de 3. Paro. Scooba lava automáticamente los pisos y otras superficies con una solución líquida especial que se le deposita en un tanque. del ingeniero japonés Takanori Shibata. Con una forma antropoide imaginada por la escultora Gloria Erika Weimer. un robot femenino encargado de realizar las tareas del hogar. En su realización contribuyeron más de cincuenta especialistas de la universidad en un esfuerzo multidisciplinario. Fue desarrollado en 1992 en el departamento de microelectrónica de la Universidad Autónoma de Puebla. tiene por objetivo interactuar con los seres humanos y hacer compañía a las personas solas. diseñado en Japón a partir de 1997. limpiadoras automáticas de albercas que recorren en el fondo de la piscina para retirar desechos y sedimentos. Su cerebro está basado en un sofisticado microprocesador electrónico y _________________________________________________________________________ 141 . Su importancia conceptual es la fusión de robot y ser humano. Se han difundido también las máquinas de este tipo para podar el césped. se vuelve flojo. en el transcurso de los últimos años han surgido aparatos electrodomésticos ‘inteligentes’ que relevan a sus dueños de tareas específicas. 000 palabras. se transmitió en la década de 1970 y entretenía a chicos y a grandes con su peculiar visión del futuro. Se han fabricado aspiradoras cuyos sensores evitan obstáculos y detectan la acumulación de polvo en zonas determinadas. Cuenta con capacidad para realizar 28 diferentes movimientos y tiene dos cámaras en los ojos. es el robot de una ballena que representa distintas emociones con un efecto calmante y relajante para las personas enfermas o que se recuperan de alguna intervención quirúrgica. Su función más interesante es que puede leer partituras musicales e interpretar las notas de un piano eléctrico. Uno de los personajes favoritos era Robotina. trabaja en un exoesqueleto robótico para combatientes que les permita llevar consigo pesadas cargas sin tener que aguantar su peso. El experto en robótica Hami Kazerooni.Inteligencia Artificial un helicóptero miniatura con la capacidad de realizar misiones delicadas en zonas inaccesibles para las naves mayores. su capacidad de reconocer figuras y su poder de análisis de datos. de Hanna-Barbera. Al servicio del hogar La serie de dibujos animados Los Supersonicos. Lo logra mediante el procesamiento de imágenes. PaPeRo. detecta los movimientos del portador y compensa la carga. por ejemplo. camina alrededor del propietario y se le acerca con cariño. Crear un equipo semejante ha sido una ilusión muy acariciada por la robótica. Pero las necesidades de la casa no se limitan a la limpieza. Hay.

por su parte. En su variante más común destaca el uso de brazos robóticos. colocar un bypass en la arteria coronaria y extirpar miomas uterinos o el útero mismo. En Estados Unidos se han probado dos sistemas de cirugía robótica. Se conocen ambos como robots amo-esclavo. cuenta con un robot con brazos mecánicos articulados. Entonces se introduce el instrumental operado por brazos robóticos que se controlan desde una consola. El Centro de Investigación y Estudios Avanzados del Instituto Politécnico Nacional ofrece la maestría y el doctorado en Ciencias de la Robótica y Manufactura. un centro de control y un monitor. llena la cavidad con dióxido de carbono e introduce una cámara que ilumina el interior y transmite sus imágenes a un monitor. _________________________________________________________________________ 142 . Don Cuco se ha presentado en ferias tecnológicas y comerciales de España y América Latina. apoyar la asistencia médica en las unidades de terapia intensiva y hasta conducir las sesiones de terapia física para pacientes en rehabilitación. En México la robótica es incipiente. Los ganadores fueron los robots cooperativos construidos con bloques Lego y unos curiosos artefactos programados para hallar su salida en un laberinto. El cirujano realiza pequeñas incisiones en la zona. Al eliminarse el temblor de las manos.Inteligencia Artificial tiene otras muchas aplicaciones potenciales. que se orienta al trabajo industrial. operados por un cirujano. al que se presentaron casi cien participantes. El Sistema Quirúrgico Da Vinci cuesta un millón de dólares. Sus beneficios son cicatrices más pequeñas. por la subordinación continua de la máquina a las exigencias de su operador. cortan y cosen tejido durante la operación. uso reducido de la anestesia y menores riesgos y tiempos de hospitalización. El otro sistema (Zeus) ofrece algunas ventajas similares pero tiene un costo menor. reparar la válvula mitral. En algunos hospitales ya hay robots responsables de distribuir medicamentos en las estaciones de las enfermeras. En 2006 la Universidad La Salle realizó el Segundo Concurso Mexicano de Robótica. los movimientos se vuelven mucho más precisos y adquieren un rango y destreza superiores a los de las técnicas quirúrgicas tradicionales. Se utilizan en cirugías para retirar la vesícula biliar. para realizar distintos procedimientos. La facultad de Ingeniería de la UNAM cuenta. separan. Los instrumentos funcionan gracias a las señales eléctricas en sincronía con las manos del médico. Los brazos robóticos manejan el instrumental médico: agarran. con un laboratorio de interfaces inteligentes del que se desprende el laboratorio de biorrobótica. Otro avance significativo son pequeños robots para la reparación de zonas dañadas de la médula espinal y la detección de células madre en el organismo. Robodocs Uno de los campos más fértiles de la robótica contemporánea es su empleo en medicina.

se ha propuesto construir un robot humanoide con capacidad de movimiento propio e interacción con las personas. desbloquear arterias y hasta reemplazar órganos completos. creado en 1986. que le hace posible reconocer objetos en movimiento. la manipulación del ADN y las antenas ópticas. Una hipotética flota de estos robots miniatura podría combatir infecciones dentro del cuerpo. y se desplaza con mayor facilidad. entornos y rostros. Proyecto Asimo Llamado así en honor de Isaac Asimov y también por las siglas en inglés de “Paso avanzado en Movilidad Innovadora”. responde a su nombre. y sus posibilidades originaron el concepto ‘sociedad poshumana’. Honda quiso capitalizar su experiencia en la construcción de motocicletas y automóviles. Identifica hasta a diez personas diferentes. Gracias a los sensores colocados en sus muñecas el robot. en aplicaciones relacionadas con la carrera espacial.Inteligencia Artificial Nanorrobots Visualizamos a los robots como grandes máquina pero la ciencia ha imaginado una versión distinta. afirman los investigadores. El robot puede avanzar y retroceder. Su propósito es “crear un compañero para las personas. reparar tejidos dañados. pues pueden mantenerse activos por lapsos muy prolongados. También se han propuesto escenarios en los que estos organismos podrían salir de control y provocar el fin del hombre. con lo que su interacción es automática. posturas. _________________________________________________________________________ 143 . La primera versión se presento en 2004 y podía correr a 3 km. este proyecto de la empresa japonesa Honda. Desde el modelo EO. Otra ventaja es su duración. Sobre la espalda carga una mochila que porta su batería de 30 voltios. moverse hacia los lados y hasta subir y bajar escaleras.20 metros. lanzado en la década de 1980. Entre sus posibles aplicaciones se encuentra el ensamblaje y mantenimiento de sistemas sofisticados en el procedimiento conocido como fabricación molecular. Su origen data desde los 80 con trabajos pioneros de Richard Feynman. la producción de memoria para computadora. Un campo distinto de aplicación es la medicina. La nanorrobótica es uno de los campos más nuevos y menos explorados. una organización en la que las máquinas miniatura gobernarían todos los aspectos de la vida. cuenta con la llamada ‘Tecnología de la inteligencia’. un nuevo tipo de robot que funcione en la sociedad”. La segunda se dio a conocer en 2005 y contaba con características mejoradas. saluda con la mano y su conexión a internet le permite dar a conocer las más recientes noticias o buscar información. sonidos. En su base se encuentra un profundo estudio de los movimientos del cuerpo humano. es capaz de cargar carros. bandejas y paquetes. y detecta la presencia de humanos. que mide 1. empleado para la construcción de circuitos. Asimo es compacto y ligero. El poder de controlar las interacciones atómicas podría resultar útil. Una de sus grandes ventajas potenciales es la capacidad de construir réplicas de sí mismos y reemplazar así las unidades que se gasten o se destruyan. Los nanorrobots son ingenios microscópicos creados para realizar tareas precisas a escalas mucho más pequeñas que un milímetro.

Inteligencia Artificial

Shadow hand
Uno de los mayores desafíos en la robótica es la emulación de la compleja estructura y los
movimientos de las manos humanas. En Estados Unidos se trabaja en el Proyecto Shadow
con ese objetivo. Iniciado por Richard Greenhil en la década de 1990, actualmente tiene
en el mercado una mano derecha, con todo y antebrazo, cuyas medidas son el promedio
de nuestras manos con un rango amplio de movimientos. Su estructura mecánica emula la
ósea de las manos humanas, aunque se han creado articulaciones y funciones especiales
para fortalecer, por ejemplo, el dedo meñique.
El movimiento se logra en virtud de cuarenta músculos artificiales neumáticos (operados
mediante aire a presión). En cada uno el flujo de aire está controlado por ochenta
válvulas. La muñeca incluye dos articulaciones extra que permiten flexionar y contraer la
mano. El equipo contiene 234 sensores que determinan la posición de los dedos, la calidad
de las superficies que la mano recorre (emulación del sentido del tacto) y la demanda de
movimiento muscular. Para lograr una similitud perfecta con las funciones de la mano
humana, los dedos están cubiertos por una capa fina de poliuretano semejante a la piel
que da poder de agarre. Los datos que captan sus terminales se transmiten a una
computadora que regula su desempeño.
También destacan los esfuerzos de Hugh Herr, del MIT, y sus prótesis robóticas. Su pierna
Rheo Knee es capaz de reconocer las señales nerviosas que el cerebro envía en los
músculos cercanos. Con ella, las personas caminan sin problema y hasta pueden subir
escaleras.
Depth X
Los robots han sido parte fundamental de la exploración espacial. Dos de ellos (Spirit y
Opportunity) realizan hoy día un reconocimiento del suelo de Marte. En Mayo de 2007 un
conjunto de investigadores de la Agencia estadounidense para el Espacio (NASA por sus
siglas en inglés) comenzó las pruebas del equipo más sofisticado de este tipo. El aparato,
llamado Explorador Profundo Freático Termal, fue concebido para explorar las lunas de
Júpiter en una misión que podría desarrollarse dentro de treinta años.
El también llamado Depth X cuenta con cincuenta sensores de sonar para sentir la
temperatura, y un equipo de análisis químico que verifica cambios en el agua, en el
oxígeno y otros factores.
Mediante estos procesos el robot determina por sí mismo cuáles muestras de material
debe recuperar, y cuándo y cómo ha de regresar a su punto de partida. Para ello utiliza
una poderosa computadora que crea un mapa tridimensional del entorno y lo actualiza
constantemente. Sus primeras pruebas se realizaron en un profundo cenote mexicano,
hasta ahora inexplorado por seres humanos. Se le conoce como Zacatón y esta ubicado a
las afueras de Tampico, Tamaulipas. El robot tuvo por misión descender a una
profundidad de 305 metros y recuperar materiales del fondo.

_________________________________________________________________________
144

Inteligencia Artificial

Con un aspecto semejante al de un automóvil, Depth X tuvo un costo de más de cinco
millones de dólares. Su característica más sobresaliente es su completa autonomía y
relativa capacidad para la toma de decisiones en circunstancias difíciles.
La ética de la robótica
En 1981 la prensa internacional publicó una noticia que parecía cumplir con lo escrito en
las más sombrías fantasías de ciencia ficción. Kenji Urada, empleado en una planta de la
empresa japonesa Kawasaki, se subió a una valla de seguridad para realizar algunas
tareas de mantenimiento a un robot industrial. Sin embargo, olvidó apagarlo. El poderoso
brazo hidráulico del robot siguió trabajando y empujó con fuerza al operario hacia una
máquina trituradora. Urada era la primera persona que moría en manos de un robot
desobediente de las leyes enunciadas por Isaac Asimov. En 2006, al recapitular sobre este
hecho, la revista inglesa The Economist reportó que desde entonces hasta ahora han
ocurrido por lo menos, 77 accidentes relacionados con robots en Gran Bretaña: obreros
que mueren aplastados, reciben golpes en la cabeza y hasta han sido quemados.
Las serias preocupaciones derivadas de situaciones así hicieron que en 2006 se realizará
en Génova, Italia, una conferencia para establecer tácticas de seguridad que impidan a los
robots dañar a la gente, en el marco de una nueva disciplina, la ‘ética de la robótica’. Los
especialistas se hacen varias preguntas: ¿Es razonable tener en casa robots tan poderosos
que puedan aplastarnos? ¿Es justificable que un avión robot empleado en las guerras
dispare sobre civiles inocentes por una mera falla del sistema? ¿De quién es la culpa si
una aspiradora robótica succiona y daña el cuerpo de un niño? Las compañías de seguros
estudian la situación para promover pólizas especiales. El creciente avance de las
máquinas exige nuevas regulaciones legales para dirigir su acción y normar los vínculos
con los humanos.
Mientras el gobierno coreano prepara un código de ética que incorpora las leyes de
Asimov pero no se limita a ellas, un estudio del gobierno británico revela que en un futuro
no tan lejano los robots podrían llegar a exigir los derechos humanos de los ciudadanos
comunes. Entre sus demandas se incluirían, por ejemplo, servicios médicos y de
mantenimiento [9].
Estudiantes mexicanos crean perro virtual
Tres estudiantes mexicanos crearon un perro virtual tridimensional bautizado como
"Poligochi", con el que quieren "concienciar a niños, jóvenes y adultos acerca de la
responsabilidad de tener una mascota".
El Instituto Politécnico Nacional (IPN) detalla en un comunicado que "para que la mascota
alcance la edad máxima se requiere que el usuario controle adecuadamente los niveles de
sus necesidades básicas".

_________________________________________________________________________
145

Inteligencia Artificial

Los creadores del ingenio, parecido al "Tamagochi" japonés popularizado en los años
noventa, diseñaron la mascota para que su dueño le dé comida y bebida, lo saque a
pasear, lo lleve a hacer sus necesidades, le regule su temperatura y no deje que se canse.
El "Poligochi" funciona con un programa informático diseñado por Héctor Díaz, Miguel
González y Emmanuel Mendoza, de la Escuela Superior de Cómputo del IPN, a quienes
supervisó el catedrático Rodolfo Romero Herrera. Díaz señaló que al animal virtual "se le
tiene que enseñar el sitio en el que debe comer, dormir, hacer sus necesidades fisiológicas
y protegerse de los cambios climáticos".
El "Poligochi" vive en un patio donde se encuentran su casa y un arbolito, y debe hacer
frente a distintos cambios climáticos que se pueden programar. El usuario puede hacer
cosas como silbar a su perro, sacarlo de paseo, regañarle, castigarle, darle de comer o
acariciarlo.
La mascota virtual fue desarrollada con base en técnicas de computación afectiva,
Inteligencia Artificial, redes neuronales y sistemas de programación de algoritmos. Entre
las mayores complicaciones que tuvo crear el "Poligochi" destacó la de desarrollar sus
afectos. El estado de ánimo de la mascota, que con otro "Poligochi" de distinto sexo puede
llegar a tener cachorros, depende de lo bien que se la trate, que en el mejor de los casos
prolonga su vida año y medio.
El programa mexicano, en el que se trabaja para ponerlo a disposición del público por
Internet, se hizo sobre la base de investigaciones en computación afectiva realizadas en el
Instituto Tecnológico de Massachussets (MIT) ya que en México este campo de
conocimiento está poco desarrollado [10].

_________________________________________________________________________
146

Los átomos de información: una cadena de texto que empieza por letra minúscula o un valor numérico con signo opcional 2. maria). prolog en este punto no conoce quien es el padre de quien. Formas Mínimas en Prolog: Corresponden a las formas más sencillas de información manipulada por Prolog: 1. Ejemplos de relaciones: padre(pepe. Las Relaciones: Con las formas mínimas anteriormente descritas se pueden construir las relaciones. (. base del conocimiento en Prolog. prolog solamente se encarga de crear una relación en su base del conocimiento*/ Obsérvese la sintaxis de la relación descrita: • Nótese que los nombres de las personas empiezan por letras minúsculas indicando que son átomos de información y variables.Inteligencia Artificial Anexo C Prolog Generalidades sobre Prolog La programación lógica surge hacia 1979 donde Kowalski establece el enunciado del patrón de programación lógica: Algoritmo + lógica + control La programación lógica involucra: El uso de hechos y reglas y la construcción de deducciones para procesar consultas. /* en esta relación se denota una existencia de parentesco entre pepe y maria. somos nosotros quienes le damos esa interpretación.) _________________________________________________________________________ 147 . • Número de objetos relacionados: sin son cero irán entre paréntesis y si son mas de uno. irán separados por comas. • Los hechos terminan siempre en punto. Las variables: Son cadenas de texto que empiezan por una letra mayúscula o por el signo _ (underscore). • El nombre de la relación es también un átomo de información y no debe ser una cantidad numérica.

legusta(pepe. legusta(ana.Y). sucesor(X. sucesor(3. por lo tanto el responderá con el primer hecho que tenga ese predicado.).6). busca una predicado (nombre de la relación) llamado sucesor.Inteligencia Artificial Al tener por ejemplo dentro de nuestra base del conocimiento. Podemos realizar consultas como las siguientes: sucesor(X.5).pesca). legusta(maria.).musica).musica). -¿Le gusta bailar a Pepe y a Maria no le gusta la música?: ?-legusta(pepe. _________________________________________________________________________ 148 .musica).legusta(maria. en este punto Prolog busca dentro de su base del conocimiento un hecho que haga emparejamiento con la información suministrada en la consulta. prolog responde X=5.musica)). en la tercera no existe información para hacer emparejamiento en la base del conocimiento. legusta(maria. OR(. Nótese como los átomos de información que se desean consultar han sido reemplazados por variables (letra inicial en mayúscula). sucesor(2. Es también posible construir en prolog consultas complejas con los operadores AND(.3).bailar).musica). -¿Le gusta bailar a Pepe o a Maria le gusta la música?: ?-legusta(pepe.legusta(maria.pesca). para la cual debemos oprimir punto y coma (. sucesor(5.6). así. sucesor(6.) y NOT(not) de la siguiente forma: legusta(pepe.bailar). legusta(ana. luego hace una comparación entre la información que se tiene (6). De la misma forma ocurre con la segunda consulta. Se pueden realizar las siguientes preguntas sobre la base de información: -¿Le gusta la música a Pepe y a Maria?: ?-legusta(pepe. Primero.2).4).musica).7).not(legusta(maria.musica).musica). sucesor(2. Responderá: X=1 Y = 2. los siguientes hechos: sucesor(1. sucesor(4. para llenar la variable X con la información almacenada en el hecho.Y). En este punto tenemos dos opciones: quedar satisfechos con la respuesta que prolog nos ha suministrado oprimiendo enter o solicitarle consultas sobre otros posibles emparejamientos.

al nombre de la relación se le llama predicado.R2). Aquí podemos apreciar como suma es una regla que depende en gran medida de la condición sucesor. podemos observar también que se realiza una operación recursiva. sucesor(6.4). pues no está involucrando variables en su definición.3). Predicados. si se trata de reglas.R). seguida por una o mas relaciones de condición. Una regla es una sola conclusión seguida por el signo :.N). Esta misma sentencia traducida en un lenguaje de programación como Java quedaría: int suma(int N. Más formalmente un predicado es un conjunto de hechos o reglas que tienen un mismo nombre y la misma cantidad de objetos relacionados. maria).R):-sucesor(X.N).R1).5).X. en nombre de la conclusión es el mismo y el número de objetos relacionados es también el mismo. int R) { if ( N == 1 ) { sucesor(X. Hechos y Reglas: En este caso la relación padre(pepe. sucesor(5.suma(M. sucesor(2.X.2).R). por tanto estas van separadas por coma. int X.R):-sucesor(M.sucesor(R1. Por ejemplo: sucesor(1.X. sucesor(R1. suma(N.R).6). En la segunda regla de suma se observa que existe mas de una condición.X. sucesor(3. } else { sucesor(M. suma(1.Inteligencia Artificial Para que estas consultas funcionen de forma adecuada es necesario no dejar espacios entre los operadores.el cual hace la vez de SI condicional. sucesor(4.R1).7). suma(M. } } _________________________________________________________________________ 149 . se asume como un hecho.

exe 2. en cuyo caso finaliza la recursión y se origina una respuesta. la cual puede ser vacía.L.psy. debido a la forma como se representa una lista generalizada. La notación se extiende de esta manera. de forma tal.d. 3.Z|W] Ejemplo de manipulación de listas: se quiere a una lista agregar otra lista al final. El programa que realiza esto en prolog sería: agregar([]. Cree un nuevo archivo usando la opción File--New (use un nombre tal como prueba. Listas Una lista en prolog es una secuencia lineal de objetos.nl/cgi-bin/nph-download/SWI-Prolog/w32pl5213.L.Inteligencia Artificial Obsérvese que en la segunda línea del bloque else se realiza un llamado recursivo al método suma.Y|Z] contiene por lo menos dos objetos: X y Y.e. Descargue e instale SWI-Prolog http://www. lista que se adiciona. para una lista con por lo menos tres objetos. Práctica: 1.[A|T]):-agregar(R. Observamos que los elementos en la regla son: lista inicial. Ejecute la aplicación.L. su representación sería la siguiente: [X.f].f].e. que se realiza la operación disminuyendo el valor de N hasta que este se hace 1.c. si la primera lista es [a.b. con un número de objetos distinto de 0: [X|Y] //en esta lista se está declarando por lo menos un objeto X y una secuencia de objetos a la derecha de X.T). con la característica de que toda la manipulación de la secuencia se realiza por el extremo izquierdo. la lista resultante sería: [a. la lista [X.pl) _________________________________________________________________________ 150 .L). agregar([A|R]. en el cual termina la recursividad y se origina la respuesta.c] y la segunda es [d. De igual manera.b. En este programa nuevamente vemos la recursión en la segunda línea: se va disminuyendo el tamaño de la primera lista hasta que este es cero.Y. pudiendo ser incluso una lista vacía. de esta forma.swi. lista final.uva. seguidos de una secuencia de objetos Z. Una lista vacía se representa de la siguiente manera: [] Una lista generalizada.

prueba(dos). 5. Digite: prueba(uno).Inteligencia Artificial 4. Cargue el archivo usando la opción File--Consult 7. . En el prompt digite: prueba(X). Resultado X = uno X = dos _________________________________________________________________________ 151 . 6. <enter> . Guarde el archivo y salga del editor.

Inteligencia Artificial

Anexo D Cláusulas de Horn
Existe un tipo especial de cláusulas que es importante en la Inteligencia Artificial y en
otros ámbitos de las ciencias de la computación. Una cláusula de Horn es una cláusula que
tiene, como mucho, un literal positivo.
Algunos ejemplos de cláusulas de Horn son las siguientes:
P, ¬P v Q, ¬P v ¬Q v R, ¬P v ¬R
Las cláusulas de este tipo fueron investigadas por primera vez por el lógico Alfred Horn.
Existen tres tipos de cláusulas de Horn:
• Un átomo simple –a menudo llamado <<hecho>>-.
• Una implicación –a menudo llamada <<regla>>- cuyo antecedente consiste en
una conjunción de literales positivos y cuyo consecuente es un solo literal positivo.
• Un conjunto de literales negativos –escritos en forma de implicación, con un
antecedente compuesto por una conjunción de literales positivos, y un
consecuente vacío-. Esta forma se obtiene, por ejemplo, cuando uno niega una fbf
que debe ser demostrada, compuesta por una conjunción de literales positivos. A
dicha cláusula se le denominara <<objetivo>>.
Sin embargo, en las cláusulas de Horn no hay disyunciones de literales positivos.
Los sistemas para demostrar objetivos a partir de reglas y hechos con cláusulas de Horn
proporcionan, por lo general, una ordenación de la información suministrada al sistema
mediante la escritura de los hechos y las reglas en un cierto orden, mediante la escritura
de los literales en el antecedente de cada regla o del objetivo en otro cierto orden, y,
posteriormente, mediante la búsqueda de la demostración, basada en una estrategia de
tipo primero en profundidad, combinada con estas ordenaciones previas.

_________________________________________________________________________
152

Inteligencia Artificial

Anexo E Tres en raya
Este problema se enuncia inicialmente así:
El tablero se representa por un vector de nueve componentes, donde las componentes del
vector se corresponden con las posiciones del tablero de la siguiente forma:

1
4
7

2
5
8

3
6
9

Posición. Una estructura que contiene un vector de nueve componentes.
Tablero. Que representa al tablero, una lista de posiciones del tablero que podría ser el
siguiente movimiento, y un número que representa una estimación de la probabilidad de
que la jugada lleve a la victoria al jugador que mueve.
El algoritmo. Para decidir la siguiente jugada, se debe tener en cuenta las posiciones del

tablero que resultarán de cada posible movimiento. Decidir que posición es la mejor,
realizar la jugada que corresponda a esa posición, y asignar la clasificación de mejor
movimiento a la posición actual.
Para decidir cuál de todas las posibles posiciones es mejor, se realiza para cada una de
ellas la siguiente:
Ver si se produce la victoria. Si ocurre catalogarla como la mejor dándole el mejor puesto
en la clasificación. En caso contrario, considerar todos los posibles movimientos que el
oponente puede realizar en la siguiente jugada. Mirar cual de ellos es pero para nosotros
(mediante una llamada recursiva a este procedimiento). Asumir que el oponente realizará
este movimiento. Cualquier puesto que tenga la jugada, asignarla al nodo que se está
considerando. El mejor nodo es el que resulte con un puesto más alto.
Este algoritmo inspecciona varias secuencias de movimientos para encontrar aquella que
lleva a la victoria. Intenta maximizar la probabilidad de victoria, mediante la suposición de
que el oponente intentará minimizar dicha probabilidad. Este algoritmo se denomina
minimax.

_________________________________________________________________________
153

Inteligencia Artificial

El programa necesita mucho más tiempo que otras soluciones debido a que debe realizar
una búsqueda en un árbol que representa todas las posibles secuencias de jugada antes
de realizar un movimiento. Sin embargo es superior a los demás programas en algo
importante: podría ser ampliado para manipular juegos mas complicados que las tres en
raya, cualidad en que otras soluciones fracasan.
La anterior solución es un ejemplo del uso de una técnica de Inteligencia Artificial. Para
problemas muy pequeños, es menos eficiente que los métodos más directos. Sin embargo
puede usarse en aquellas situaciones en las que fallen los métodos tradicionales [24].

_________________________________________________________________________
154

2006.-C. Harvard University Press. Academic Press. New York. [2] Sistemas Expertos Principios y Programación Giarratano. 1969. R. Un Enfoque Moderno Stuart Russell. and Page. R. 181-189. Riley Ed. Maxwell Macmilan. 1969] Bryson A. W. Graw Hill. Sánchez y Beltrán Ed. [Bryson y Ho.. Rolston Ed.. 91(3). Applied Optimal Control. McGraw-Hill. Macrobit. Meter Norving Ed. Mc. 1989 [Anderson. J.Inteligencia Artificial BIBLIOGRAFÍA [1] Inteligencia Artificial. C. 1995] Cohen. J. S. 1983 The Architecture of Cognition. _________________________________________________________________________ 155 . R. 2001. [Cohen. 1995 Learnability in inductive logic programming: Methods and results. D. [4] Expert Systems: Desing and Development Durkin. [5] Inteligencia Artificial e Ingeniería del Conocimiento Gonzalo Pajares Martinsanz. Thomson Learning.S. 1990 [8] Utilización de C en Inteligencia Artificial Herbert Schildt Ed. and Moore. Massachusetts. 1979] A Computational Logic. 1990. 1994. W. Addison Wesley Iberoamericana. [Boyer. Cambridge. Osborne. E. J. [3] Principios de Inteligencia Artificial y Sistemas Expertos David W. American Mathematical Monthly. Matilde Santos Peñas Ed. 2004. 13 (3-4). Y. Blaisdell. And Ho. Alfaomega. and Moore. Una metodología de programación J. New Generation Computing. 1984] Proof checking the RSA public key encryption algorithm. 1992 [7] Sistemas Expertos. [6] Inteligencia Artificial Patrick Henry Winston Ed. 1980] Anderson. Prentice Hall. S. New York.S. 369-409. P. J. [Boyer.

. 279-295. 23(5). p. R. S... C. [Friedberg. Journal of Automated Reasoning. Massachussets. E... G. (7). 1982. 1967] Marvin Minsky. 2.. pp. 1982] McDermott. 16. M. N. VA. (Eds.. 22. C.. M. J. Amsterdam.L. N. In Lighthill. 263-276. and Settle. _________________________________________________________________________ 156 . [McCarthy et al.Inteligencia Artificial [Craik. 1863 Utilitarianism. Elsevier/North-Holland. IBM Journal. Tech.. F. 1997] Solution of the robbins problem. Proposal for the Dartmout summer research project on artificial intelligence. J. 1955] J. J. [Lighthill. Oglesby. J. H. In Proceedings of the 5th NASA Langley Formal Methods Workshop.). Cambridge. J. ISSS Transactions on Software Engineering. R1: A Rule-based configure of computer systems. N. Algorithm = Logic + Control. M. 1967.. 19(1). J. [Guard. J.. Park. Longuet-Higgins. [McCune.. Adaption in natural and artificial systems. Lowry. Williamsburg. Holland.J. 1986] Horvitz. Penix. [Holland y col. E. Rep. Pecheur. H.. London. In Kanal. Sutherland. 1958] Friedberg. 39-88. K. London. 1975. Cambridge University Press. 424-436. The inconsistent use of measures of certainty in artificial intelligence research. W. Son and Bourn. 1979] Robert Kowalski. 1955. Computation: Finite and Infinite Machines. 2-13. and Michie. Dartmouth College.. 1986. New York. Visser. 1997] The Spin model checker. 1943] Craik. Prentice-Hall.. Parker. D. Rochester. J.. 2000] Formal Analysis of the remote agent before and after flight. Minsky. J. 1973] Lighthill. Science Research Council of Great Britain.. 1973 Artificial Intelligence: A general survey.. University of Michigan Press. A learning machine: Part I. [Horvitz y Heckerman. ACM. 228. Comm. And Heckerman. [Kowalski. Needham.. And Lemmer. pp. J.. J. M.. C. and White. 19(3). [McDermott. Journal of the Association for Computing Machinery. 1979. D.. L. 137-151. 49-62 [Havelun. 1969] Semi-automated mathematics. W.. K. S. F. [Holzmann. 1975] J. [Minsky. and Shannon.). S. MIT Press. Uncertainty in Artificial Intelligence. 1943 The Nature of Explanation. R. [Mill. 1958. 1986. 1863] Mill. UK. London.A.. 1989] Ontic: A Knowledge Representation System for Mathematics. Cambridge. Bennett. Artificial Intelligence: A paper Symposium. [McAllester. D. Artificial Intelligence. L. L. Horvitzet al. (Eds.

And Keil. [Wojciechowski. Semantic Memory. P. Massachusetts. AddisonWesley. University of Texas at Austin. Cambridge. R. _________________________________________________________________________ 157 . Lernende Automaten. Addison-Wesley Pub. 1990. IEEE Transactions of Computers. (Eds. A. Massachusetts. MIT Press. 2. Semantic Information Processing. New York. 1986 Parallel Distributed Processing. 1960. M.. Laird. R.). Harvard University Press.S. [Smolesky. SOAR: An architecture for general intelligence. 1968] M. 1984. 1-74 [Srivas. and Rosenbloom. E.. A. 227-270. In 1960 IRE WESCON Convention Record. p. [Widrow y Hoff. Behavioral and Brain Sciences. D. M. 2nd ed. 1978. Marvin Minsky. E. H. [Quillian. M. [Nussbaum. J. A Machine-Oriented Logic Based on the Resolution Principle. c32(9). 1993. 1987. 1987] Neil A. Princeton University Press. H. p. Cambridge. And Bickford. Widrow. D. Cognitive Science: An Introduction. [Shankar. 33 (1).15] Nalwa. 1983] Automated design of multiple-valued logic circuits by automated theorem proving techniques. B and Hoff. P. 1968. 96-104. In Billing. 1-64. (Ed.. V. Laird et al. 1965] J. et al. 12 (1).). 1990 Unified Theories of Cognition. IEEE software. 1988] Smolesky.ACM. MIT Press. S. Princeton. A.S. 1962] Widrow. Artificial Intelligence. pp. L. 1987. [Newell. ed. 1960 Adaptive switching circuits. Artificial Intelligence. Cambridge. [Rumelhart y MacClelland. N. Massachusetts. J... S. A.. And Simon. 40] Nussbaum. a program that simulates human thought. 785-798. 1986] Rumelhart. MIT Press. 1999 The MIT Encyclopedia of the Cognitive Sciences. 1961 GPS. enero de 1986. Computer Science Department. [Winston. 1986] Proof-Cheking Metamathematics Ph. New Jersey. M. J. 1984] Patrick Henry Winston. Stillings. [Wilson y Keil. 1990] Formal verification of a pipelined microprocessor. 1961] Newell.A. A. 109-124. Munich. Quillian. pp. [Newell y Simon. [Robinson. Robinson. 1978 Aristotle’s De Motu Animalium. and McClelland. [Stillings. pp.. Massachusetts. MIT Press. Reading.E. pp. W. 23-41. F.R. 1987] Newell. and Wojcik.Inteligencia Artificial [Nalwa..). Thesis. C.. (Eds. Newell. Olden-bourg. 52-64. 1993 A Guided Tour of Computer Vision. 1999] Wilson. C. 7(5). 1988 On the proper treatment of connectionism.. A.

telepolis.upc.es/~quimmel/altres_documents/articles/inteligencia-aei. S.com/ohcop/sisrlogi.telepolis.com/ohcop/causal_r.uc3m.com/trabajos/iartificial/pagina4_35. In Bledsoe. D. Abril 2007 http://club. Agosto 2006 http://www. 1983] Open questiones solved with the assistance of AURA. Enero 2007 Glosario de Carlos von der Becke.html _________________________________________________________________________ 158 .es/~luigi/II/IA-2007-primavera/3b-inferencia-en-agentes-basados-enconocimiento-(es).cs.es. Marzo 2007 http://club. http://club.es. Enero 2007 http://www. Agosto 2006 http://www.com.aspx?cpdocumentid=5129468 [11] http://www.uc3m. Abril 2007 http://scalab.msn.monografias.udg.pdf [19] http://www.pdf [18] http://www.com/trabajos10/trabajos/trabajos.W.com.mec.com. [9] Revista muy interesante.us.telepolis.edu.lsi.lsi.us.html [16] http://scalab.es.html [17] http://www.lsi. and Loveland.com/ohcop/mcevnode.pdf [22] http://club.com/LandinTech/landingpage.muyinteresante.telepolis.lsi.unlu. L. mes julio 2007.es/cursos/iia-2004/temas/tema-01.pntic.es.udg.msn.edu.mx [10] http://tecnologia.telepolis.shtml [15] http://club.prodigy.es/~cmunoz11/carlos43.html http://club.telepolis.com.com.telepolis.upc.pdf [21] http://www.es. Julio 2007 http://tecnologia.telepolis. Agosto 2006 http://www.html [14] http://www.unlu.com/ohcop/determin.monografias. Noviembre 2006 http://serbal.es/~luigi/II/IA-2007-primavera/3b-inferencia-en-agentes-basados-enconocimiento-(es).ar/~ogarcia/se/doc/SistemasBasadosenConocimiento(1). Febrero 2007 http://www.upc.com/ohcop/non_dete.monografias. www.ar.ppt#11 [20] http://eia.pntic.prodigy.com. Octubre 2006 http://eia.upc.htm [12] http://serbal. And Winker. Diciembre 2006 http://www.com.cs.monografias.es. W.Inteligencia Artificial [Wos.pdf [13] http://club..es/~docweb/ia/introduccion_sistemas_produccion/tutorial/tutorial.html http://club.mec.galerades.

es/~abasolo/intart/1-introduccion. Mayo 2007 http://www.com.org/wiki/Imagen:World_of_Ptolemy_as_shown_by_Johannes_de_Arms shein_-_Ulm_1482.es.wikipedia.com/cgibin/foro/programacion/messages/862. Mayo 2007 http://www.htm http://www.uib.fenicios.es/cursos/ia1-2002/temas/tema-05.org/wiki/Algoritmo_determin%C3%ADstico http://es.wikipedia.us.pdf [24] http://www.html _________________________________________________________________________ 159 .wikipedia.fenicios.us.org/wiki/Algoritmo_no_determin%C3%ADstico [23] http://www.cs.htm http://dmi.com/cgibin/foro/programacion/messages/391.png http://es.cs.fenicios.Inteligencia Artificial http://es.