Está en la página 1de 159

Inteligencia Artificial

INTELIGENCIA ARTIFICIAL

_________________________________________________________________________
1

Inteligencia Artificial

INDICE
INTRODUCCIN ................................................................................................................... 6
UNIDAD 1 .............................................................................................................................. 7
FUNDAMENTOS ................................................................................................................ 8
1.1.- El propsito de la Inteligencia Artificial y su evolucin histrica................. 8
1.2.- Las habilidades cognoscitivas segn la psicologa. Teoras de la
inteligencia (conductismo, Gardner). ...................................................................... 21
1.3.- El proceso de razonamiento segn la lgica (Axiomas, Teoremas,
demostracin)............................................................................................................. 22
1.4.- El modelo de adquisicin del conocimiento segn la filosofa................... 29
1.5.- El modelo cognoscitivo. ................................................................................... 31
1.6.- El modelo del agente inteligente.................................................................... 32
1.7.- El papel de la heurstica................................................................................... 34
Cuestionario de evaluacin....................................................................................... 36
UNIDAD 2 ............................................................................................................................ 37
REPRESENTACIN DEL CONOCIMIENTO Y RAZONAMIENTO ................................ 38
2.1.- Mapas conceptuales. ........................................................................................ 38
2.2.- Redes semnticas. ............................................................................................ 40
2.3.- Razonamiento montono. ............................................................................... 45
2.4.- La lgica de predicados: sintaxis, semntica, validez e inferencia. .......... 46
2.5.- La demostracin y sus mtodos..................................................................... 52
2.6.- El mtodo de resolucin de Robinson. .......................................................... 54
2.7.- Conocimiento no-montono y otras lgicas. ................................................ 58
2.8.- Razonamiento probabilstico. .......................................................................... 63
2.9.- Teorema de Bayes............................................................................................ 64
Cuestionario de evaluacin....................................................................................... 68
UNIDAD 3 ............................................................................................................................ 69
SISTEMAS DE RAZONAMIENTO LGICO ................................................................... 70
3.1.- Reglas de produccin....................................................................................... 70
3.2.- Sintaxis de las reglas de produccin. ............................................................ 72
- A1 A2. ... An => C - representacin objeto-atributo-valor........................... 72
3.3.- Semntica de las reglas de produccin......................................................... 73
3.4.- Arquitectura de un sistema de Produccin (SP) ( Sistemas Basados en
Reglas, SBR). .............................................................................................................. 77
3.5.- Ciclo de vida de un sistema de Produccin. ................................................. 88
Cuestionario de evaluacin....................................................................................... 91
UNIDAD 4 ............................................................................................................................ 92
BSQUEDA Y SATISFACCIN DE RESTRICCIONES ................................................. 93
4.1.- Problemas y espacios de estados. ................................................................. 93
4.2.- Espacios de estados determinsticos y espacios no determinsticos....... 100
4.3.- Bsqueda sistemtica. ................................................................................... 103
4.4.- Satisfaccin de restricciones. ........................................................................ 117
4.5.- Resolucin de problemas de juegos. ........................................................... 120
_________________________________________________________________________
2

Inteligencia Artificial

Cuestionario de evaluacin..................................................................................... 126


CONCLUSIN .................................................................................................................... 128
ANEXOS ............................................................................................................................. 129
Anexo A Minera de datos........................................................................................... 129
Anexo B Robtica ......................................................................................................... 130
Anexo C Prolog ............................................................................................................. 147
Anexo D Clusulas de Horn ........................................................................................ 152
Anexo E Tres en raya .................................................................................................. 153
BIBLIOGRAFA .................................................................................................................. 155

_________________________________________________________________________
3

Inteligencia Artificial

NDICE DE FIGURAS
Figura 1. Ejemplo de un problema resuelto por el programa ANALOGY de Evans..12
Figura 2. Esquema del mundo de los bloques, SHRDLU (Winograd, 1972).. 13
Figura 3. Los agentes interactan con el medioambiente sensores y efectores. 32
Figura 4. El mundo de la aspiradora con dos localizaciones solamente.. 33
Figura 5. Tabla parcial de una funcin de agente sencilla para el mundo de la
aspiradora.... 34
Figura 6. Mapa conceptual... 38
Figura 7. Mapa conceptual sobre los mapas conceptuales.... 39
Figura 8. Una red general.... 41
Figura 9. Una red semntica... 42
Figura 10. Red semntica con vnculos ES-UN y UN-TIPO-DE.. 43
Figura 11. Tabla de verdad.. 51
Figura 12. Clusulas padre bsicas.. 58
Figura 13. Ejemplo de una tabla con el tro OAV (objeto-atributo-valor)... 73
Figura 14. Estructura de un smbolo o signo.. 74
Figura 15. Caractersticas de los sistemas de produccin... 78
Figura 16. Estructura de un sistema basado en conocimiento.. 79
Figura 17. Ciclo de vida de un Sistema de Produccin.. 90
Figura 18. Ejemplo de un grafo.... 96
Figura 19. Grafica de estado para una mquina expendedora de bebidas gaseosas que
acepta monedas de 25 y 5 centavos.. 98
Figura 20. El espacio de estado para el problema del mono y los pltanos.. 99
Figura 21. rbol de bsqueda.. 104
Figura 22. rbol de bsqueda.. 106

_________________________________________________________________________
4

Inteligencia Artificial

Figura 23. rbol de bsqueda con costos asociados... 111


Figura 24. Ejemplo de n-reinas... 120
Figura 25. Planificacin de corte.... 120
Figura 26. rbol para minimax... 124
Figura 27. Poda alfa-beta... 125

_________________________________________________________________________
5

Inteligencia Artificial

INTRODUCCIN
La Inteligencia Artificial es una ciencia orientada al diseo y construccin de mquinas que
implementen tareas propias de humanos dotados de inteligencia natural.
La Inteligencia Artificial ha pasado de ser un pequeo aspecto de la ciencia informtica a
ser quizs la aportacin ms importante a la informtica desde el transistor.
Este cambio se basa en cuatro factores fundamentales: el xito de los sistemas expertos,
que fueron los primeros productos de la Inteligencia Artificial de autntico impacto
comercial, el bien conocido compromiso de los japoneses con la Inteligencia Artificial, la
lenta pero firme integracin de las tcnicas de la Inteligencia Artificial en las aplicaciones
existentes y, finalmente, el hecho de que ha llegado la hora de la Inteligencia Artificial.
La Inteligencia Artificial ha tenido siempre como modelo natural las funcionalidades
inteligentes del hombre, focalizndose en distintos aspectos. Su primera motivacin, que
data de tiempo atrs, fue intentar construir mquinas que pudieran pensar como el ser
humano, o al menos, emularlo en alguna capacidad que denotara cierta inteligencia.
La Inteligencia Artificial ofrece perspectivas interesantes ya que es capaz de suministrar
metodologas que permiten realizar de forma automtica algunas de las tareas realizadas
tpicamente por los humanos.
La Inteligencia Artificial esta ayudando a expandir el horizonte del tratamiento de la
informacin. Parte de esta expansin se debe a la extensin de las fronteras de la
tecnologa. Desde el microprocesador al impacto del procesamiento en paralelo, va redes
neuronales, todo apunta a la expansin de las tcnicas computacionales.

_________________________________________________________________________
6

Inteligencia Artificial

UNIDAD 1
FUNDAMENTOS

_________________________________________________________________________
7

Inteligencia Artificial

UNIDAD 1

FUNDAMENTOS
1.1.- El propsito de la Inteligencia Artificial y su evolucin histrica.
Durante ms de 2000 aos de tradicin en filosofa han surgido diversas teoras del
razonamiento y del aprendizaje simultneamente con el punto de vista de que la mente se
reduce al funcionamiento de un sistema fsico. Durante ms de 400 aos de matemticas,
han surgido teoras formales relacionadas con la lgica, probabilidad, teora de decisiones
y la computacin. La psicologa ofrece herramientas que permiten la investigacin de la
mente humana, as como un lenguaje cientfico para expresar las teoras que se van
obteniendo. La lingstica ofrece teoras sobre la estructura y significado del lenguaje. La
ciencia de la computacin de la que se toman herramientas que permiten que la
Inteligencia Artificial sea una realidad.
Los filsofos (desde el ao 400 a. C.) tuvieron en mente la Inteligencia Artificial al
concebir a la mente con maneras diversas como una mquina que funciona a partir del
conocimiento codificado en un lenguaje interno y al considerar que el pensamiento serva
para determinar cul era la accin correcta que haba que emprender.
Las matemticas proveyeron las herramientas para manipular las aseveraciones de certeza
lgica as como las inciertas de tipo probabilista. As mismo prepararon el terreno para el
manejo del razonamiento con algoritmos.
Los psiclogos reforzaron la idea de que los humanos y otros animales podan ser
considerados como mquinas para el procesamiento de informacin.
Los lingistas demostraron que el uso de un lenguaje se ajusta dentro de este modelo.
La ingeniera de cmputo ofreci el dispositivo que permite hacer realidad las aplicaciones
de la Inteligencia Artificial. Los programas de Inteligencia Artificial por lo general son
extensos y no funcionaran sin los grandes avances de velocidad y memoria apartadas por
la industria de cmputo.
Las ciencias que aportan a la Inteligencia Artificial son: filosofa, matemticas, psicologa,
lingstica y ciencias de la computacin.

_________________________________________________________________________
8

Inteligencia Artificial

Historia de la Inteligencia Artificial


Gnesis 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
fisiologa bsica y funcionamiento de las neuronas en el cerebro, el anlisis formal de la
lgica proposicional de Rusell y Whitehead y la teora de la computacin de Turing.
Propusieron un modelo constituido por neuronas artificiales, en el que cada una de ellas se
caracterizaba por estar activadas o desactivadas; la activacin se daba como
respuesta a la estimulacin producida por una cantidad suficiente de neuronas vecinas [1].
El estado de una neurona se vea como equivalente, de hecho, a una proposicin con los
estmulos adecuados. Mostraron, por ejemplo, que cualquier funcin de cmputo podra
calcularse mediante una red de neuronas interconectadas, y que todos los conectores
lgicos (and, or, not, etc.) se podran implementar utilizando estructuras de red sencillas.
McCulloch y Pitts tambin sugirieron que redes adecuadamente definidas podran
aprender. Donald Hebb (1949) propuso y demostr una sencilla regla de actualizacin
para modificar las intensidades de las conexiones entre neuronas. Su regla, ahora llamada
de aprendizaje Hebbiano o de Hebb, sigue vigente en la actualidad.
Dos estudiantes graduados en el Departamento de Matemticas de Princeton, Marvin
Minsky y Dean Edmonds, construyeron la primera computadora a partir de una red
neuronal en 1951, el SNARC, como se llam, utilizaba 3 000 vlvulas de vaco y un
mecanismo de piloto automtico obtenido de los desechos de un avin bombardero B-247
para simular una red de 40 neuronas. El comit encargado de evaluar el doctorado de
Minsky vea con escepticismo el que este tipo de trabajo pudiera considerarse como
matemtico, pero se dice que Von Newmann dijo, si no lo es actualmente, algn da lo
ser.
Minsky posteriormente prob teoremas influyentes que mostraron las limitaciones de la
investigacin con redes neuronales.
Hay un nmero de trabajos iniciales que se pueden caracterizarse como de Inteligencia
Artificial, pero fue Alan Turing quien articul primero una versin de la Inteligencia
Artificial en su artculo Computing Machinery and Intelligence, en 1950, ah, introdujo la
prueba de Turing, el aprendizaje automtico, los algoritmos genticos y el aprendizaje por
refuerzo.
Nacimiento de la Inteligencia Artificial (1956)
Princeton University acogi a otra de las figuras de la Inteligencia Artificial: John
McCarthy. Posteriormente a su graduacin, McCarthy se traslad al Dartmouth College,
que se erigira en el lugar del nacimiento oficial de este campo. McCarthy convenci a
Minsky, Claude Shannon y Nathaniel Rochester para que le ayudaran a aumentar el inters
de los investigadores americanos de la teora de autmatas, las redes neuronales y el

_________________________________________________________________________
9

Inteligencia Artificial

estudio de la inteligencia. Organizaron un taller con una duracin de dos meses en


Darmouth en el verano de 1956. Hubo diez asistentes en total, entre los que se incluan
Trenchard More de Princeton, Arthur Samuel de IBM (International Business Machines), y
Ray Solomonoff y Oliver Selfridge del MIT (Instituto Tecnolgico de Massachusetts) [1].
Dos investigadores del Carnegie Tech, Allen Newell y Herbert Simon, acapararon la
atencin. Si bien los dems tambin tenan algunas ideas y, en algunos casos, programas
para aplicaciones determinadas como el juego de damas, Newell y Simon contaban ya con
un programa de razonamiento, el Terico Lgico (TL), del que Simon afirmaba: Hemos

inventado un programa de computacin capaz de pensar de manera no numrica, con lo


que ha quedado resuelto el venerable problema de la dualidad mente-cuerpo 1. Poco

despus del trmino del taller, el programa ya era capaz de demostrar gran parte de los
teoremas del capitulo 2 de Principia Matemtica de Russell y Whitehead. Se dice que
Russell se manifest complacido cuando Simon le mostr que la demostracin de un
teorema que el programa haba generado era ms corta que la que apareca en Principia.
Los editores de la revista Journal of Symbolic Logic resultaron menos impresionados y
rechazaron un artculo cuyos autores eran Newell, Simon y el Terico Lgico TL.
El taller de Dartmouth no produjo ningn avance notable, pero puso en contacto a las
figuras importantes de este campo. Durante los siguientes 20 aos, el campo estuvo
dominado por estos personajes, as como por los estudiantes y colegas del MIT, CMU
(Carnegie Mellon University), Stanford e IBM. Quiz lo ltimo que surgi del taller fue el
consenso en adoptar el nuevo nombre propuesto por McCarthy para este campo:
Inteligencia Artificial. Quiz racionalidad computacional hubiese sido mas adecuado, pero
Inteligencia Artificial se ha mantenido.
Revisando la propuesta del taller de Dartmouth [McCarthy et al, 1955], se puede apreciar
por qu fue necesario para la Inteligencia Artificial convertirse en un campo separado.
Por qu no todo el trabajo hecho en el campo de la Inteligencia Artificial se ha realizado
bajo el nombre de teora de control, o investigacin operativa, o teora de la decisin, que,
despus de todo, persiguen objetivos similares a los de la Inteligencia Artificial? O, por
qu no es la Inteligencia Artificial una rama de las matemticas? La primera respuesta es
que la Inteligencia Artificial desde el primer momento abarc la idea de duplicar las
facultades humanas como la creatividad, la auto-mejora y el uso del lenguaje. Ninguno de
los otros campos tena en cuenta estos temas. La segunda respuesta est relacionada con
la metodologa. La Inteligencia Artificial es el nico de estos campos que es claramente
una rama de la informtica (aunque la investigacin operativa comparte el nfasis en la
simulacin por computadora), adems la Inteligencia Artificial es el nico campo que
persigue la construccin de mquinas que funcionen automticamente en medios
complejos y cambiantes.

Newel y Simon tambin desarrollaron un lenguaje de procesamiento de listas, IPL, para poder escribir el TL.
No disponan de un compilador y lo tradujeron a un cdigo mquina a mano. Para evitar errores, trabajaron en
paralelo, diciendo en voz alta nmeros binarios, conforme escriban cada instruccin para asegurarse de que
coincidan.

_________________________________________________________________________
10

Inteligencia Artificial

Entusiasmo inicial, grandes esperanzas (1952-1969)


Los primeros aos de la Inteligencia Artificial estuvieron llenos de xitos (aunque con
ciertas limitaciones). Teniendo en cuenta lo primitivo de las computadoras y las
herramientas de programacin de aquella poca, y el hecho de que slo unos pocos aos
antes, a las computadoras se les consideraba como artefactos que podan realizar trabajos
aritmticos y nada ms, result sorprendente que una computadora hiciese algo
remotamente inteligente. La comunidad cientfica, en su mayora, prefiri creer que una
mquina nunca podra hacer tareas humanas. Naturalmente, los investigadores de
Inteligencia Artificial responderan demostrando la realizacin de una tarea tras otra. John
McCarthy se refiere a esta poca como la era de Mira, mam, ahora sin manos! [1].
Al temprano xito de Newell y Simon sigui el del Sistema de Resolucin General de
Problemas (SRGP), a diferencia del Terico Lgico, desde el principio este programa se
dise para que imitara protocolos de resolucin de problemas de los seres humanos.
Dentro del limitado nmero de puzzles que poda manejar, result 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. Es decir, el
SRGP posiblemente fue el primer programa que incorpor el enfoque de pensar como un
ser humano. El xito de SRGP y de los programas que le siguieron, como los modelos de
cognicin, llevaron a Newell y Simon (1976) a formular la famosa hiptesis del sistema de
smbolos fsicos, que afirma que un sistema de smbolos fsicos tiene los medios
suficientes y necesarios para generar una accin inteligente. Lo que ellos queran decir es
que cualquier sistema (humano o mquina) que exhibiese inteligencia debera operar
manipulando estructuras de datos compuestas por smbolos.
En IBM, Nathaniel Rochester y sus colegas desarrollaron algunos de los primeros
programas de Inteligencia Artificial. Herbert Gelernter (1959) construy el demostrador de
teoremas de geometra (DGT), el cual era capaz de demostrar teoremas que muchos
estudiantes de matemticas podan encontrar muy complejos de resolver. A comienzos
1952, Arthur Samuel escribi una serie de programas para el juego de las damas que
eventualmente aprendieron a jugar hasta alcanzar un nivel equivalente al de un amateur.
De paso, ech por tierra la idea de que las computadoras slo pueden hacer lo que se les
dice: su programa pronto aprendi a jugar mejor que su creador. El programa se present
en la televisin en febrero de 1956 y caus gran impresin. Como Turing, Samuel tena
dificultades para obtener el tiempo de cmputo. Trabajaba todas las noches y utilizaba
mquinas que an estaban en periodo de prueba en la planta de fabricacin de IBM.
John McCarthy se traslad de Darmouth al MIT, donde realiz tres contribuciones cruciales
en un ao histrico: 1958. En el Laboratorio de Inteligencia Artificial de MIT Memo
Nmero 1, McCarthy defini el lenguaje de alto nivel Lisp, que se convertira en el
lenguaje de programacin dominante en la Inteligencia Artificial. Lisp es el segundo
lenguaje de programacin ms antiguo que se utiliza en la actualidad, ya que apareci un
ao despus de FORTRAN. Con Lisp, McCarthy tena la herramienta que necesitaba, pero
el acceso a los escasos y costosos recursos de cmputo an era un problema serio. Para
solucionarlo, l, junto a otros miembros del MIT inventaron el tiempo compartido.
Tambin, en 1958, McCarthy public un artculo titulado Programs with Common Sense,
en el que describa el Generador de Planes (planificador), un programa hipottico que

_________________________________________________________________________
11

Inteligencia Artificial

podra considerarse como el primer sistema de Inteligencia Artificial completo. Al igual que
el Terico Lgico y el Demostrador de Teoremas de Geometra, McCarthy dise su
programa para buscar la solucin a problemas utilizando el conocimiento.
Pero, a diferencia de los otros, manejaba el conocimiento general del mundo. Por ejemplo,
mostr cmo algunos axiomas sencillos permitan a un programa generar un plan para
conducirnos hasta el aeropuerto y tomar un avin. El programa se dise para que
aceptase nuevos axiomas durante el curso normal de la operacin, permitindole as ser
competente en reas nuevas, sin necesidad de reprogramacin. El Generador de Planes
incorporaba as los principios centrales de la representacin del conocimiento y el
razonamiento: es til contar con una representacin formal y explicita del mundo y de la
forma en que la accin de un agente afecta al mundo, as como, ser capaces de manipular
estas representaciones con procesos deductivos.
1958 fue el ao en el que Marvin Minsky se traslad al MIT. Sin embargo, su colaboracin
inicial no dur demasiado, McCarthy se centr en la representacin y el razonamiento con
lgica formal, mientras que Minsky estaba ms interesado en lograr que los programas
funcionaran y eventualmente desarroll un punto de vista anti-lgico. En 1963 McCarthy
cre el Laboratorio de Inteligencia Artificial en Stanford, su plan para construir la versin
ms reciente del Generador de Planes con ayuda de la lgica sufri un considerable
impulso gracias al descubrimiento de J. A. Robinson del mtodo de resolucin (un
algoritmo completo para la demostracin de teoremas para la lgica de primer orden). El
trabajo realizado en Stanford haca nfasis en los mtodos de propsito general para el
razonamiento lgico. Algunas aplicaciones de la lgica incluan los sistemas de
planificacin y respuesta a preguntas de Cordell Green (1969), as como el proyecto de
robtica de Shakey en el nuevo SRI (Instituto de Investigacin de Stanford), este ltimo
proyecto, fue el primero que demostr la total integracin del razonamiento lgico y la
actividad fsica.
Minsky supervis el trabajo de una serie de estudiantes que eligieron un nmero de
problemas limitados cuya solucin pareci requerir inteligencia. Estos dominios limitados
se conocen como micromundos. El programa SAINT de James Slagle (1963) fue capaz
de resolver problemas de integracin de clculo de forma cerrada, habituales en los
primeros cursos de licenciatura. El programa ANALOGY de Tom Evans (1968) resolva
problemas de analoga geomtrica que se aplicaban en las pruebas de medicin de
inteligencia, semejante a la figura 1.

es a

como

es a:

Figura 1. Ejemplo de un problema resuelto por el programa ANALOGY de Evans.

_________________________________________________________________________
12

Inteligencia Artificial

El programa STUDENT de Daniel Cocrow (1967) poda resolver problemas de lgebra del
tipo:

Si el nmero de clientes de Tom es dos veces el cuadrado de 20 por ciento de la cantidad


de anuncios que realiza, y stos ascienden a 45. Cuntos clientes tiene Tom?
El micromundo ms famoso fue el mundo de los bloques, que consiste en un conjunto de
bloques slidos colocados sobre una mesa (ms frecuentemente, en la simulacin de
sta), como se muestra en la figura 2. Una tarea tpica de este mundo es la reordenacin
de los bloques de cierta manera, con la ayuda de la mano de un robot que es capaz de
tomar un bloque a la vez, el mundo de los bloques fue el punto de partida para el
proyecto de visin de David Huffman (1971), la visin y el trabajo de propagacin con
restricciones de David Waltz (1975), la teora del aprendizaje de Patrick Winston (1970), el
programa de compresin de lenguaje natural de Terry Winograd (1972) y del planificador
de Scott Fahlman (1974).

Azul

Rojo
Verde
Rojo
Verde

Azul

Verde

Rojo

Figura 2. Esquema del mundo de los bloques, SHRDLU (Winograd, 1972). Ha completado su tarea,
<<Busca un bloque que sea ms alto que el que ahora tienes y ponlo en la caja>>.

El trabajo realizado por McCulloch y Pitts con redes neuronales hizo florecer esta rea. El
trabajo de Winograd y Cowan (1963) mostr cmo un gran nmero de elementos podra
representar un concepto individual de forma colectiva, lo cual llevaba consigo un aumento
proporcional en robustez y paralelismo. Los mtodos de aprendizaje de Hebb se
reforzaron con las aportaciones de Bernie Widrow [Widrow y Hoff, 1960; Widrow, 1962],
quien llam adalines a sus redes, y por Frank Rosenblatt (1962) con sus perceptrones.
Rosenblatt demostr el famoso teorema del perceptrn, con lo que mostr que su
algoritmo de aprendizaje podra ajustar las intensidades de las conexiones de un
perceptrn para que se adaptaran a los datos de entrada, siempre y cuando existiera una
correspondencia.

_________________________________________________________________________
13

Inteligencia Artificial

Una dosis de realidad (1966-1973)


Desde el principio, los investigadores de Inteligencia Artificial hicieron pblicas, sin
timidez, predicciones sobre el xito que les esperaba. Con frecuencia, se cita el siguiente
comentario realizado por Herbert Simon en 1957:

Sin afn de sorprenderlos y dejarlos atnitos, pero la forma ms sencilla que tengo
de resumirlo es dicindoles que actualmente en el mundo existen mquinas capaces de
pensar, aprender y crear. Adems, su aptitud para hacer lo anterior aumentar
rpidamente hasta que (en un futuro previsible) la magnitud de problemas que sern
capaces de resolver ir a la par que la capacidad de la mente humana para hacer lo
mismo [1].
Trminos como futuro previsible pueden interpretarse de formas distintas, pero Simon
tambin hizo predicciones ms concretas: como que en diez aos una computadora
llegara a ser campen de ajedrez, y que podra demostrar un importante teorema
matemtico con una mquina. Estas predicciones se cumpliran (al menos en parte) dentro
de los siguientes 40 aos y no en diez. El exceso de confianza de Simon se debi a la
prometedora actuacin de los primeros sistemas de Inteligencia Artificial en problemas
simples. En la mayor parte de los casos result que estos primeros sistemas fallaron
estrepitosamente cuando se utilizaron en problemas mas variados o de mayor dificultad.
El primer tipo de problemas surgi porque la mayora de los primeros programas contaban
con poco o ningn conocimiento de las materias de objeto de estudio; obtenan resultados
gracias a las sencillas manipulaciones sintcticas. Una ancdota tpica tuvo lugar cuando
se comenzaba a trabajar en la traduccin automtica, actividad que reciba un generoso
patrocinado del Consejo Nacional para la Investigacin de Estados Unidos en intento de
agilizar la traduccin de los artculos cientficos rusos en vsperas del lanzamiento del
Sputnik en 1957. Al principio se consider que todo se reducira a sencillas
transformaciones sintcticas apoyadas en las gramticas rusas e inglesa y al
emplazamiento de las palabras mediante un diccionario electrnico, lo que bastara para
obtener el significado exacto de las oraciones. La realidad es que para traducir es
necesario contar con un conocimiento general sobre el tema, que permita resolver
ambigedades y as, precisar el contenido de una oracin. La famosa retraduccin del ruso
al ingls de la frase el espritu es fuerte pero la carne es dbil, cuyo resultado fue el
vodka es bueno pero la carne esta podrida es un buen ejemplo del tipo de dificultades
que surgieron. En un informe presentado en 1966, el comit consultivo declar que no se

ha logrado obtener ninguna traduccin de textos cientficos generales ni se prev obtener


ninguna en un futuro inmediato. Se cancel todo el patrocinio del gobierno
estadounidense que se haba asignado a los proyectos acadmicos sobre traduccin. Hoy
da, la traduccin automtica es una herramienta imperfecta pero de uso extendido en
documentos tcnicos, comerciales, gubernamentales y de Internet.

El segundo problema fue que muchos de los problemas que se estaban intentando
resolver mediante la Inteligencia Artificial eran intratables. La mayora de los primeros
programas de Inteligencia Artificial resolvan problemas experimentando con diversos
pasos hasta que se llegara a encontrar una solucin. Esto funcion en los primeros
programas debido a que los micromundos con los que se trabajaba contenan muy pocos

_________________________________________________________________________
14

Inteligencia Artificial

objetos, y por lo tanto muy pocas acciones posibles y secuencias de soluciones muy
cortas. Antes de que se desarrollara la teora de la complejidad computacional, se crea
que para aumentar el tamao de los programas de forma que estos pudiesen solucionar
grandes problemas sera necesario incrementar la velocidad del hardware y aumentar las
memorias. El optimismo que acompa al logro de la demostracin de problemas, por
ejemplo, pronto se vio eclipsado cuando los investigadores fracasaron en la demostracin
de teoremas que implicaban ms de unas pocas decenas de condiciones. El hecho de que,
en principio, un programa sea capaz de encontrar una solucin no implica que tal
programa encierre todos los mecanismos necesarios para encontrar la solucin en la
prctica.
La ilusoria nocin de una limitada capacidad de cmputo no slo existi en los programas
para la resolucin de problemas. Los primeros experimentos en el campo de la evolucin
automtica (ahora llamados algoritmos genticos) [Friedberg, 1958] estaban basados
en la, sin duda correcta, premisa de que efectuando una adecuada serie de pequeas
mutaciones a un programa de cdigo mquina se podra generar un programa con buen
rendimiento aplicable en cualquier tarea sencilla. Despus surgi la idea de probar con
mutaciones aleatorias aplicando un proceso de seleccin con el fin de conservar aquellas
mutaciones que hubiesen demostrado ser ms tiles. No obstante, las miles de horas
dedicadas, no dieron lugar a ningn avance tangible, los algoritmos genticos actuales
utilizan representaciones mejores y han tenido ms xito.
La incapacidad para manejar la explosin 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 bas la decisin del gobierno britnico para retirar la ayuda a las
investigaciones sobre la Inteligencia Artificial, excepto en dos universidades.
El tercer obstculo se deriv de las limitaciones inherentes a las estructuras bsicas que se
utilizaban en la generacin de la conducta inteligente. Por ejemplo, en 1969, en el libro de
Minsky y Papert, Perceptrons, se demostr que si bien era posible lograr que los
perceptrones (una red neuronal simple) aprendieran cualquier cosa que pudiesen
representar, su capacidad de representacin era muy limitada. En particular, un
perceptrn con dos entradas no se poda entrenar para que aprendiese a reconocer
cundo sus dos entradas eran diferentes. Si bien los resultados que obtuvieron no eran
aplicables a redes ms complejas multicapa, los fondos para la investigacin de redes
neuronales se redujeron prcticamente. Es irnico que los nuevos algoritmos de
retroalimentacin utilizados en las redes multicapa y que fueron la causa del gran
resurgimiento de la investigacin en redes neuronales de finales de los aos 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 resolucin de problemas durante la primera dcada de
investigacin en la Inteligencia Artificial estaba centrado en el desarrollo de mecanismos
de bsqueda de propsito general, en los que se entrelazaban elementos de
razonamientos bsicos para encontrar as soluciones completas. A estos procedimientos se
les ha denominado mtodos dbiles, debido a que no tratan problemas ms amplios o

_________________________________________________________________________
15

Inteligencia Artificial

ms complejos. La alternativa a los mtodos dbiles es el uso de conocimiento especfico


del dominio que facilita el desarrollo de etapas de razonamiento ms largas, pudindose
as resolver casos recurrentes en dominios de conocimiento restringido. Podra afirmarse
que para resolver un problema en la prctica es necesario saber de antemano la
correspondiente respuesta.
La trascendencia de DENDRAL (en griego significa rbol) se debi a ser el primer sistema
experto de conocimiento intenso que tuvo xito: su base de conocimiento estaba formada
por grandes cantidades de reglas de propsito particular. En sistemas diseados
posteriormente se incorporaron tambin los elementos fundamentales de la propuesta de
McCarthy para el Generador de Planes, la ntida separacin de conocimiento (en forma de
reglas) de la parte correspondiente al razonamiento.
El siguiente gran esfuerzo se realiz en el rea de diagnstico mdico, Feigenbaum,
Buchanan y el doctor Edward Shortliffe disearon el programa MYCIN, para el diagnstico
de infecciones sanguneas. Con 450 reglas aproximadamente, MYCIN era capaz de hacer
diagnsticos tan buenos como los de un experto y, desde luego, mejores que los de un
mdico recin graduado. Se distingua de DENDRAL en dos aspectos principalmente. En
primer lugar, a diferencia de las reglas de DENDRAL, no se contaba con un modelo terico
desde el cual se pudiesen deducir las reglas de MYCIN. Fue necesario obtenerla a partir de
extensas entrevistas con expertos, quienes las haban obtenido de libros de texto, de otros
expertos o de su experiencia directa en casos prcticos. En segundo lugar, las reglas
deberan reflejar la incertidumbre inherente al conocimiento mdico. MYCIN contaba con
un elemento que facilitaba el clculo de la incertidumbre denominado factores de certeza,
que al parecer (en aquella poca) corresponda muy bien a la manera como los mdicos
ponderaban las evidencias al hacer un diagnstico.
La importancia del conocimiento del dominio se demostr tambin en el rea de la
comprensin del lenguaje natural. Aunque el sistema SHRDLU de Winograd para la
comprensin del lenguaje natural haba suscitado mucho entusiasmo, su dependencia del
anlisis sintctico provoc algunos de los mismos problemas que haban aparecido en los
trabajos realizados en la traduccin automtica. Era capaz de resolver los problemas de la
ambigedad e identificar los pronombres utilizados, gracias a que se haba diseado
especialmente para un rea (el mundo de los bloques). Fueron varios de los
investigadores que, como Eugene Charniak, estudiante de Winograd en el MIT, opinaron
que para una slida comprensin del lenguaje era necesario contar con un conocimiento
general sobre el mundo y un mtodo general para usar este conocimiento.
En Yale, el lingista transformado en informtico Roger Schank reforz lo anterior al
afirmar: No existe eso que llaman sintaxis lo que irrit a muchos lingistas pero sirvi
para iniciar un til debate. Schank y sus estudiantes disearon una serie de programas
cuyo objetivo era la compresin del lenguaje natural. Entre los problemas estaba el de la
representacin de situaciones de estereotipo, la descripcin de la organizacin de la
memoria humana y la compresin de planes y objetivos.
El crecimiento generalizado de aplicaciones para solucionar problemas del mundo real
provoc el respectivo aumento de la demanda de esquemas de representacin del
conocimiento que funcionaran. Se desarroll una considerable cantidad de lenguajes de

_________________________________________________________________________
16

Inteligencia Artificial

representacin y razonamientos diferentes. Algunos basados en la lgica, por ejemplo el


lenguaje Prolog goz de mucha aceptacin en Europa, aceptacin que en los Estados
Unidos fue para la familia del PLANNER. Otros, siguiendo la nocin de marcos de Minsky
(1975) se decidieron por un enfoque ms estructurado, al recopilar la informacin sobre
objetos concretos y tipos de eventos, organizando estos tipos en grandes jerarquas
taxonmicas, similares a las biolgicas.
Impacto de la Inteligencia Artificial en la industria
(Desde 1980 hasta el presente)
El primer sistema experto comercial que tuvo xito, R1, inici su actividad en DEC (Digital
Equipment Corporation) [McDermott, 1982], el programa se utilizaba en la elaboracin de
pedidos de nuevos sistemas informticos. En 1986 representaba para la compaa un
ahorro estimado de 40 millones de dlares al ao, en 1988, el grupo de Inteligencia
Artificial de DEC haba distribuido ya 40 sistemas expertos, y haba ms en camino. Du
Pont utilizaba ya 100 y estaban en etapa de desarrollo de 500 ms, lo que generaba
ahorro de diez millones de dlares anuales aproximadamente. Casi todas las compaas
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 Generacin, un plan de diez aos
para construir computadoras inteligentes en los que pudiese ejecutarse Prolog. Como
respuesta Estados Unidos constituy la Microelectronics and Computer Technology
Corporation (MCC), consorcio encargado de mantener la competitividad nacional en estas
reas. En ambos casos, la Inteligencia Artificial formaba parte de un gran proyecto que
inclua el diseo de chips y la investigacin de la relacin hombre mquina. Sin embargo,
los componentes de Inteligencia Artificial generados en el marco de MCC y el proyecto de
Quinta Generacin nunca alcanzaron sus objetivos. En el Reino Unido, el informe Alvey
restaur el patrocinio suspendido por el informe Lighthill (para evitar confusiones, se cre
un nuevo campo denominado Sistemas Inteligentes Basados en Conocimientos (IKBS) ya
que la Inteligencia Artificial haba sido oficialmente cancelada).
En su conjunto, la industria de la Inteligencia Artificial creci rpidamente, pasando de
unos pocos millones de dlares en 1980 a billones de dlares en 1988. Poco despus de
este periodo lleg la poca llamada El invierno de la Inteligencia Artificial, que afect a
muchas empresas que no fueron capaces de desarrollar los extravagantes productos
prometidos.
Las redes neuronales (Desde 1986 a la fecha)
Aunque la informtica haba abandonado de manera general el campo de las redes
neuronales a finales de los aos 70, el trabajo continu en otros campos. Fsicos como
John Hopfield (1982) utilizaron tcnicas de la mecnica estadstica para analizar las
propiedades de almacenamiento y optimizacin de las redes, tratando colecciones de
nodos como colecciones de tomos. Psiclogos como David Rumelharl y Geoff Hinton
continuaron con el estudio de modelos de memoria basados en redes neuronales. El

_________________________________________________________________________
17

Inteligencia Artificial

impulso ms fuerte se produjo a mediados de la dcada de los 80, cuando por lo menos
cuatro grupos distintos reinventaron el algoritmo de aprendizaje de retroalimentacin,
mencionado por primera vez en 1969 por Bryson y Ho. El algoritmo se aplic a diversos
problemas de aprendizaje en los campos de la informtica y la psicologa, y la gran
difusin que conocieron los resultados obtenidos, publicados en la coleccin Parallel
Distributed Processing [Rumelhart y MacClelland, 1986], suscit gran entusiasmo [1].
Aquellos modelos de Inteligencia Artificial llamados conexionistas fueron vistos por
algunos de los competidores tanto de los modelos simblicos propuestos por Newell y
Simon como de la aproximacin lgica de McCarthy entre otros [Smolesky, 1988]. Puede
parecer obvio que los humanos manipulan smbolos hasta cierto nivel, de hecho, el libro
The Symbolic Species (1977) de Terrence Deacon sugiere que esta es la caracterstica que
define a los humanos, pero los conexionistas ms ardientes se preguntan si la
manipulacin de los smbolos desempea algn papel justificable en determinados
modelos de cognicin. Este interrogante no ha sido an clarificado, pero la tendencia
actual es que las aproximaciones conexionistas y simblicas son complementarias y no
competidoras.
Inteligencia Artificial se convierte en una ciencia
(Desde 1987 hasta el presente)
En los ltimos aos se ha producido una revolucin tanto en el contenido como en la
metodologa 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 teoras de la
Inteligencia Artificial deben basarse rigurosamente en la matemticas) sobre los
desaliados (aquellos que despus de intentar muchas ideas, escriben algunos programas
y despus evalan las que aparentemente funcionan), ambos enfoques son tiles, esta
tendencia a favor de una mayor pulcritud es seal de que en el campo ha alcanzado cierto
nivel de estabilidad y madurez, lo cual implica que tal estabilidad se puede ver alterada
con el surgimiento de otras ideas poco estructuradas.]. Actualmente es ms usual el
desarrollo sobre teoras ya existentes que proponer teoras totalmente novedosas, tomar
como base rigurosos teoremas o slidas evidencias experimentales ms que intuicin, y
demostrar la utilidad de las aplicaciones en el mundo real ms que crear ejemplos de
juguete [1].
La Inteligencia Artificial se fund en parte en el marco de una rebelin en contra de las
limitaciones de los campos existentes como la teora de control o la estadstica, y ahora
abarca estos campos, tal y como lo indica David McAllester (1998).

En los primeros aos la Inteligencia Artificial pareca perfectamente posible que las
nuevas formas de la computacin simblica, por ejemplo, los marcos y las redes
semnticas, hicieran que la mayor parte de la teora clsica pasar a ser obsoleta. Esto
llev a la Inteligencia Artificial a una especie de aislamiento, que la separ del resto de las
ciencias de la computacin. En la actualidad se est abandonando este aislamiento.
Existe la creencia de que el aprendizaje automtico no se debe separar de la teora
de la informacin, que el razonamiento incierto no se debe separar de los modelos

_________________________________________________________________________
18

Inteligencia Artificial

estocsticos2, de que la bsqueda no se debe aislar de la optimizacin clsica y el control,


y de que el razonamiento automtico no se debe separar de los mtodos formales y del
anlisis esttico.
En los trminos metodolgicos, se puede decir, con rotundidad, que la Inteligencia
Artificial ya forma parte del mbito de los mtodos cientficos. Para que se acepten, las
hiptesis se deben someter a rigurosos experimentos empricos, y los resultados deben
analizarse estadsticamente para identificar su relevancia [Cohen, 1995], el uso de
Internet y el compartir repositorios de datos de prueba y cdigo, ha hecho posible que
ahora se puedan contrastar experimentos.
Un buen modelo de la tendencia actual es el campo del reconocimiento del habla, en la
dcada de los 70 se someti a prueba una gran variedad de arquitecturas y enfoques,
muchos de ellos fueron un tanto ad hoc y resultaban frgiles, y fueron probados slo en
unos pocos ejemplos elegidos especialmente. En aos recientes, las aproximaciones
basadas en los modelos de Markov ocultos (MMO), han pasado a dominar el rea.
Dos son las caractersticas del MMO que tienen relevancia; primero, se basan en una
rigurosa matemtica, lo cual ha permitido a los investigadores del lenguaje basarse en los
resultados de las investigaciones matemticas hechas en otros campos a lo largo de varias
dcadas; en segundo lugar, los modelos se han generado mediante un proceso de
aprendizaje en grande corpus de datos de los lenguajes, lo cual garantiza una
funcionalidad robusta, y en sucesivas pruebas ciegas, los MMO han mejorado sus
resultados a un ritmo constante. La tecnologa del habla y del campo relacionado del
reconocimiento de caracteres manuscritos est actualmente en transicin hacia una
generalizada utilizacin en aplicaciones industriales y de consumo.
Las redes neuronales tambin siguen esta tendencia. La mayor parte del trabajo realizado
con redes neuronales en la dcada de los 80 se realiz con la idea de dejar a un lado lo
que se poda hacer y de descubrir en qu se diferenciaban las redes neuronales de otras
tcnicas tradicionales. La utilizacin de las metodologas mejoradas y marcos tericos,
ha autorizado que este campo alcance un grado de conocimiento que ha permitido que
ahora las redes neuronales se puedan comparar con otras tcnicas similares de campos
como la estadstica, el reconocimiento de patrones y el aprendizaje automtico, de forma
que las tcnicas ms prometedoras pueden aplicarse a cualquier problema. Como
resultado de estos desarrollos, la tecnologa denominada minera de datos (vase anexo
Minera de datos) ha generado una nueva y vigorosa industria.
La aparicin de Probabilistic Reasoning in Intelligent Systems de Judea Pearl (1988) hizo
que se aceptara de nuevo la probabilidad y la teora de la decisin como parte de la
Inteligencia Artificial, como consecuencia del resurgimiento del inters despertado y
gracias especialmente al articulo In Defense of Probability de Peter Cheeseman (1985). El
formalismo de las redes de Bayes apareci para facilitar la representacin eficiente y el
razonamiento riguroso en situaciones en las que se dispona de conocimiento incierto. Este
enfoque supera con creces muchos de los problemas de sistemas de razonamiento
probabilstico de las dcadas de los 60 y 70; y ahora domina la investigacin de la
Inteligencia Artificial en el razonamiento incierto y los sistemas expertos. Esta
2

Se denomina estocstico a aquel sistema que funciona, sobre todo, por el azar.

_________________________________________________________________________
19

Inteligencia Artificial

aproximacin facilita el aprendizaje a partir de la experiencia, y combina lo mejor de la


Inteligencia Artificial clsica y las redes neuronales. El trabajo de Judea Pearl (1982) y de
Eric Horvitz y David Heckerman [Horvitz y Heckerman, 1986; Horvitz et al., 1986] sirvi
para promover la nocin de sistemas expertos normativos: es decir, los que actan
racionalmente de acuerdo con las leyes de la teora de la decisin, sin que intenten imitar
las etapas de razonamiento de los expertos humanos. El sistema operativo Windows TM
incluye varios sistemas expertos de diagnstico normativos para la correccin de
problemas.
Revoluciones similares y suaves se han dado en robtica, visin por computadora, y
aprendizaje automtico. La comprensin mejor de los problemas y de su complejidad,
junto a un incremento de la sofisticacin de las matemticas ha facilitado el desarrollo de
una agenda de investigacin y de mtodos ms robustos. En cualquier caso, la
formalizacin y la especializacin ha llevado tambin la fragmentacin: reas como la
visin y la robtica estn cada vez ms aislados de la rama central de la Inteligencia
Artificial (vase anexo Robtica). La concepcin unificadora de la Inteligencia Artificial
como diseo de agentes racionales puede facilitar la unificacin de estos campos
diferentes.
Los sistemas inteligentes (Desde 1995 hasta el presente)
Quizs animados por el progreso en la revolucin de subproblemas de Inteligencia
Artificial, los investigadores han comenzado a trabajar de nuevo en el problema del
agente total. El trabajo de Allen Newell, John Laird, y Paul Rosenbloom en SOAR
[Newell, 1990; Laird et al., 1987] es el ejemplo mejor conocido de una arquitectura de
agentes completa. El llamado movimiento situado intenta entender la forma de actuar de
los agentes inmersos en entornos reales, que disponen de sensores de entradas continuas
[1].
Los diseadores de SOAR aplicaron el sistema a distintos problemas, como ser el de
resolver puzzles simples y jugar juegos sencillos, a diagnsticos mdicos, al control de un
robot y otros. En 1991 el sistema estaba aprendiendo lenguajes humanos y tpicamente
aprendi alrededor de 1000 reglas de actuacin y reaccion en 25 milisegundos
aproximadamente.
Unos de los medios ms importantes para los agentes inteligentes es el Internet. 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 comn. Ms
an, tecnologas de Inteligencia Artificial son base de muchas herramientas para Internet,
como por ejemplo motores de bsqueda, sistemas de recomendacin, y los sistemas para
la construccin de portales Web.
Unas de las conclusiones que se han extrado al tratar de construir agentes inteligentes
completos ha sido que se deberan reorganizar los subcampos aislados de la Inteligencia
Artificial para que sus resultados se puedan interrelacionar. En particular, ahora se cree
mayoritariamente que los sistemas sensoriales (visin, sonar, reconocimiento del habla,
etc.) no pueden generar informacin totalmente fidedigna del medio en el que habitan.

_________________________________________________________________________
20

Inteligencia Artificial

Otra segunda consecuencia importante, desde la perspectiva del agente, es que la


Inteligencia Artificial se ha ido acercando a otros campos, como la teora del control y la
economa, que tambin tratan con agentes.

1.2.- Las habilidades cognoscitivas segn la psicologa. Teoras de la


inteligencia (conductismo, Gardner).
Psicologa (Desde el ao 1879 hasta el presente)
Cmo piensan y actan los humanos y los animales?
La psicologa cientfica se inici con los trabajos del fsico alemn Hermann Von Helmholtz
(1821-1894), segn se referencia habitualmente, y con su discpulo Wilhelm Wundt (18321920), Helmholtz aplic el mtodo cientfico al estudio de la vista humana, y su obra
Handbook of Physiological Optics, todava en nuestros das, se considera como el tratado
actual ms importante sobre la fsica y la fisiologa de la vista humana [Nalwa, 1993, p.
15]. En 1879, Wundt abri el primer laboratorio de psicologa experimental en la
Universidad de Leipzig, Wundt puso mucho nfasis en la realizacin de experimentos
controlados cuidadosamente en la que sus operarios realizaban tareas de percepcin o
asociacin al tiempo que sometan a introspeccin sus procesos mentales. Los meticulosos
controles evolucionaron durante un largo periodo de tiempo hasta convertir la psicologa
en una ciencia, pero la naturaleza subjetiva de los datos hizo poco probable que un
investigador pudiera contradecir sus propias teoras. Bilogos, estudiando el
comportamiento humano, por el contrario, carecan de datos introspectivos y desarrollaron
una metodologa objetiva, tal y como describe H. S. Jennings (1906) en su influyente
trabajo Behavior of the Lower Organisms. El movimiento conductista, liderado por John
Watson (1878-1958) aplic este punto de vista a los humanos, rechazando cualquier
teora en la que intervinieran procesos mentales, argumentando que la introspeccin no
aportaba evidencia fiable. Los conductistas insistieron en el estudio exclusivo de
mediciones objetivas de percepciones (o estmulos) sobre animales y de las acciones
resultantes (o respuestas). Construcciones mentales como conocimientos, creencias,
objetivos y pasos en un razonamiento quedaron descartadas por ser consideradas
psicologa popular no cientfica. El conductivismo hizo muchos descubrimientos utilizando
ratas y palomas, pero no tuvo menos xito en la compresin de los seres humanos. An
as, su influencia en la psicologa fue notable (especialmente en los Estados Unidos) desde
aproximadamente 1920 hasta 1960 [1].
La conceptuacin del cerebro como un dispositivo de procesamiento de informacin,
caracterstica principal de la psicologa cognitiva, se remonta por lo menos a las obras de
William James (1842-1910) (era hermano del novelista Henry James. Se comenta que
Henry escribi novelas narrativas como si se tratara de psicologa y William escribi sobre
psicologa como si se tratara de novelas narrativas.) Helmholtz tambin pone nfasis en
que la percepcin entraa cierto tipo de inferencia lgica inconsciente. Este punto de vista
cognitivo se vio eclipsado por el conductivismo en Estados Unidos, pero en la Unidad de
Psicologa Aplicada de Cambridge, dirigida por Federic Bartlett (1886-1969), los modelos
cognitivos emergieron con fuerza. La obra The Nature of Explanation, de Kenneth Craik
(1943), discpulo y sucesor de Bartlett, restablece enrgicamente la legitimidad de

_________________________________________________________________________
21

Inteligencia Artificial

trminos mentales como creencias y objetivos, argumentando que son tan cientficos
como lo pueden ser la presin y la temperatura cuando se habla acerca de los gases, a
pesar de que stos estn formados por molculas que no tienen ni presin ni temperatura.
Craik establece tres elementos clave que hay que tener en cuenta para disear un agente
basado en conocimiento: (1) el estmulo deber de ser traducido a una representacin
interna, (2) esta representacin se debe manipular mediante procesos cognitivos para as
generar nuevas representaciones internas, y (3) stas, a su vez, se traducirn de nuevo
en acciones. Dej muy claro por qu consideraba que estos eran los requisitos idneos
para disear un agente:
Si el organismo tiene en su cabeza un modelo a pequea escala de la realidad externa y
de todas sus posibles acciones, ser capaz de probar diversas opciones, decidir cul es la
mejor, planificar su reaccin ante posibles situaciones futuras antes de que stas surjan,
emplear lo aprendido de experiencias pasadas en situaciones presentes y futuras, y en
todo momento, reaccionar ante los previstos que acontezcan de manera satisfactoria,
segura y ms competente [Craik, 1943].
Despus de la muerte de Craik en un accidente de bicicleta en 1945. Donald Boadbent
continu su trabajo, y su libro Perception and Communication (1958) incluy algunos de
los primeros modelos de procesamiento de informacin del fenmeno psicolgico.
Mientras tanto, en los Estados Unidos el desarrollo del modelo computacional llevo a la
creacin del campo de la ciencia cognitiva, se puede decir que este campo comenz en un
simposio celebrado en el MIT, en septiembre de 1956, en este simposio, George Miller
present The Magic Number Seven, Noam Chomsky present Three Models of language, y
Allen Newell y Herbert Simon presentaron The Logic Theory Machine. Estos tres artculos
influyentes mostraron cmo se podan utilizar los modelos informticos para modelar la
psicologa de la memoria, el lenguaje y el pensamiento lgico, respectivamente. Los
psiclogos comparten en la actualidad el punto de vista comn de que la teora cognitiva
debe ser como un programa de computadora [Anderson, 1980], o dicho de otra forma,
debe describir un mecanismo de procesamiento de informacin detallado, lo cual lleva
consigo la implementacin de algunas funciones cognitivas.

1.3.- El proceso de razonamiento segn la lgica (Axiomas, Teoremas,


demostracin).
Comportamiento humano: el enfoque de la prueba de Turing
La Prueba de Turing propuesta por Alan Turing (1950), se dise para proporcionar una
definicin operacional y satisfactoria de inteligencia. En vez de proporcionar una lista larga
y quiz controvertida de cualidades necesarias para obtener inteligencia artificialmente, l
sugiri una prueba basada en la incapacidad de diferenciar entre entidades inteligentes
indiscutibles y seres humanos. La computadora supera la prueba si un evaluador humano
no es capaz de distinguir si las respuestas, a una serie de preguntas planteadas, son de
una persona o no [1]. Hoy por hoy, podemos decir que programar una computadora para
que supere la prueba requiere un trabajo considerable. La computadora debera poseer las
siguientes capacidades:

_________________________________________________________________________
22

Inteligencia Artificial

Procesamiento de lenguaje natural que le permita comunicarse


satisfactoriamente en ingls.
Representacin del conocimiento para almacenar lo que se conoce o siente.
Razonamiento automtico para utilizar la informacin almacenada para
responder a las preguntas y extraer nuevas conclusiones.
Aprendizaje automtico para adaptarse a nuevas circunstancias y para
detectar y extrapolar patrones.

La Prueba de Turing evit deliberadamente la interaccin fsica directa entre el evaluador y


la computadora, dado que para medir la inteligencia es necesario simular fsicamente a
una persona. Sin embargo, la llamada Prueba Global de Turing incluye una seal de vdeo
que permite al evaluador valorar la capacidad de percepcin del evaluado, y tambin le da
la oportunidad al evaluador de pasar objetos fsicos a travs de una ventanita. Para
superar la Prueba Global de Turing la computadora debe estar dotada de:

Visin computacional para percibir objetos.


Robtica para manipular y mover objetos.

Estas seis disciplinas abarcan la mayor parte de la Inteligencia Artificial, Turing merece ser
reconocido por disear una prueba que se conserva vigente despus de 50 aos.
Los investigadores del campo de la Inteligencia Artificial han dedicado poco esfuerzo a la
evaluacin de sus sistemas con la Prueba de Turing, por creer que es ms importante el
estudio de los principios en los que se basa la inteligencia para duplicar un ejemplar. La
bsqueda de un ingeniero que volara artificialmente tuvo xito cuando los hermanos
Wright, entre otros, dejaron de imitar a los pjaros y comprendieron los principios de la
aerodinmica. Los textos de ingeniera aerodinmica no definen el objetivo de su campo
como la construccin de mquinas que vuelen como palomas de forma que puedan
incluso confundir a otras palomas.
Pensamiento racional: el enfoque de las leyes del pensamiento
El filsofo griego Aristteles fue uno de los primeros en intentar codificar la manera
correcta de pensar, es decir, un proceso de razonamiento irrefutable. Sus silogismos
son esquemas de estructuras de argumentacin mediante las que siempre se llega a
conclusiones correctas si se parte de permisas correctas (por ejemplo: Scrates es un
hombre; todos los hombres son mortales; por lo tanto Scrates es mortal). Estas leyes de
pensamiento supuestamente gobiernan la manera de operar de la mente; su estudio fue
el inicio de un campo llamado lgica [1].
Estudiosos de la lgica desarrollaron, en el siglo XIX, una notacin precisa para definir
sentencias sobre todo tipo de elementos en el mundo y especificar relaciones entre ellos
(comprese esto con la notacin aritmtica comn, que prcticamente slo sirve para
representar afirmaciones acerca de la igualdad y desigualdad entre nmeros). Ya en 1965
existan programas que, en un principio, resolvan cualquier problema resoluble descrito
en una notacin lgica. La llamada tradicin logstica dentro del campo de la Inteligencia
Artificial trata de construir sistema inteligentes a partir de estos programas.

_________________________________________________________________________
23

Inteligencia Artificial

Este enfoque representa dos obstculos. No es fcil transformar conocimiento informal y


expresarlo en los trminos formales que requieren de una notacin lgica, particularmente
cuando el conocimiento que se tiene es inferior al 100 por 100. En segundo lugar, hay una
gran diferencia entre poder resolver un problema en principio y hacerlo en la prctica.
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. Aunque los dos
obstculos anteriores estn presentes en todo intento de construir sistemas de
razonamiento computacional, surgieron por primera vez en la tradicin lgica.
Actuar de forma racional: el enfoque del agente racional
Un agente es algo que razona (agente viene del latn agere, hacer). Pero de los agentes
informticos se espera que tengan otros atributos que los distingan de los programas
convencionales, como que estn dotados de controles autnomos, que perciban su
entorno, que persistan durante un perodo de tiempo prolongado, que se adapten a los
cambios, y que sean capaces de alcanzar los objetivos diferentes. Un agente racional es
aquel que acta con la intencin de alcanzar el mejor resultado o, cuando hay
incertidumbre, el mejor resultado esperado [1].
En el caso del enfoque de la Inteligencia Artificial segn las leyes del pensamiento, todo
el nfasis se pone en hacer inferencias correctas. La obtencin de estas inferencias
correctas puede, a veces, formar parte de lo que se considera un agente racional, ya que
una manera racional de actuar es llegar a la conclusin lgica de que si una accin dada
permite alcanzar un objetivo, hay que llevar a cabo dicha accin. Sin embargo, al efectuar
una inferencia correcta no depende siempre de la racionalidad, ya que existen situaciones
para las que no hay nada correcto que hacer y en las que hay que tomar una decisin.
Existen tambin formas de actuar racionalmente que no implican realizar inferencias, por
ejemplo, el retirar la mano de la estufa caliente es un acto de reflejo mucho ms eficiente
que una respuesta lenta llevada a cabo tras una deliberacin cuidadosa.
Todas las habilidades que se necesitan en la Prueba de Turing deben permitir emprender
acciones racionales. Por lo tanto, es necesario contar con la capacidad para representar el
conocimiento y razonar basndonos en l, porque ello permitir alcanzar decisiones
correctas en una amplia gama de situaciones. Es necesario ser capaz de generar
sentencias comprensibles en lenguaje natural, ya que el enunciado de tales oraciones
permite a los agentes desenvolverse en una sociedad compleja. El aprendizaje no se lleva
a cabo por erudicin exclusivamente, sino que profundizar en el conocimiento de cmo
funciona el mundo facilita la concepcin de estrategias mejores para manejarse en l, la
percepcin visual es necesaria no slo porque ver es divertido, sino porque es necesario
para poder tener una idea mejor de lo que una accin puede llegar a representar, por
ejemplo, el ver un delicioso bocadillo contribuir a que nos acerquemos a l.
Por esta razn, el estudiar la Inteligencia Artificial desde el enfoque del diseo de un
agente racional ofrece al menos dos ventajas. La primera es ms general que el enfoque
que proporcionan las leyes del procesamiento, dado que el efectuar inferencias correctas
es slo uno de los mecanismos existentes para garantizar la racionalidad. La segunda es

_________________________________________________________________________
24

Inteligencia Artificial

ms afn a la forma en que se ha producido el avance cientfico que los enfoques basados
en la conducta o pensamiento humano, porque la norma de racionalidad est claramente
definida y es de aplicacin general. Por el contrario, la conducta humana se adapta bien a
un entorno especfico, y en parte, es producto de un proceso evolutivo complejo, en gran
medida desconocido, que an est lejos de llevarnos a la perfeccin.
Sistemas lgicos
Un sistema lgico es una recopilacin de objetos como reglas, axiomas, instrucciones,
etctera, organizada de manera congruente [2]. El sistema lgico tiene varios objetivos, el
primero consiste en especificar las formas de los argumentos. Como los argumentos
lgicos no tienen significado en un sentido semntico, una forma vlida es esencial si
habr de determinarse la validez del argumento. Por tanto, una funcin importante de un
sistema lgico es determinar las frmulas bien formadas (fbf) que se utilizan en los
argumentos; slo estas pueden utilizarse en argumentos lgicos. Por ejemplo, en la lgica
silogstica:
Todo S es P
Podra ser una fbf, pero:
Todo
Todo es S P
Es S todo
No son fbfs. Aunque los smbolos del alfabeto carecen de significado, la secuencia de
smbolos que conforman la fbf s lo tiene.
El segundo objetivo de un sistema lgico es indicar las reglas de inferencia que son
vlidas. El tercer objetivo de un sistema lgico es extenderse al descubrir nuevas reglas de
la inferencia y, por tanto, extender el rango de argumentos que pueden probarse. Al
extender el rango de los argumentos, pueden probarse nuevas fbf, llamadas teoremas,
con un argumento lgico.
Cuando un sistema lgico esta bien desarrollado, puede utilizarse para determinar la
validez de los argumentos de manera anloga a los clculos en sistemas como la
aritmtica, la geometra, el clculo, la fsica y la ingeniera. Se han desarrollado sistemas
lgicos como el Clculo de frases o proposiciones, el Clculo de afirmaciones, etc. Cada
sistema depende de definiciones formales de sus axiomas o postulados, que son sus
definiciones fundamentales, a partir de estos axiomas, la trata de determinar lo que puede
probarse. Cualquier persona que haya estudiado geometra euclidiana en la preparatoria
esta familiarizado con los axiomas y la derivacin de teoremas geomtricos. Al igual que
los teoremas geomtricos pueden derivarse de los axiomas geomtricos, los teoremas
lgicos pueden derivarse de axiomas lgicos.
Un axioma es solo un hecho o aseveracin (o aserto) que no puede probarse desde el
interior del sistema. A veces aceptamos ciertos axiomas porque tienen sentido al apelar
al sentido comn o a la observacin. Otros axiomas, como las lneas paralelas se unen en
el infinito, no tienen un sentido intuitivo porque parecen contradecir el axioma de

_________________________________________________________________________
25

Inteligencia Artificial

Euclides de que las lneas paralelas nunca se unen. Sin embargo, este axioma acerca de
las lneas paralelas que se unen en el infinito es tan razonable desde el punto de vista
puramente lgico como el de Euclides y es la base de un tipo de geometra no euclidiana.
Un sistema formal requiere lo siguiente:
1.
2.
3.
4.

Un alfabeto de smbolos.
Un conjunto de cadenas finitas de estos smbolos, las fbf.
Axiomas, las definiciones del sistema.
Reglas de inferencia, que permiten una fbf, A, que habr de deducirse como la
conclusin de un conjunto finito, G, de otras fbf donde G = (A1, A2An). Estas fbf
deben ser axiomas u otros teoremas del sistema lgico. Por ejemplo, un sistema
de lgica proposicional puede definirse utilizando slo modus ponens para derivar
nuevos teoremas.

Si el argumento: A1, A2, AN; por lo tanto A


Es vlido, entonces se dice q A es un teorema del sistema de lgica formal y se escribe
con el smbolo . Por ejemplo, A significa que A es un teorema del conjunto de fbf, .
Un esquema mas explicito de una prueba de que a es un teorema se muestra a
continuacin:
A1, A2, AN, A
El smbolo que indica que el siguiente fbf es un teorema, no es un smbolo del sistema.
En cambio es un metasmbolo, porque se utiliza para describir al propio sistema. Una
analoga es un lenguaje de computadora como el Pascal, pues aunque pueden
especificarse programas utilizando la sintaxis de Pascal, no hay sintaxis en Pascal para
indicar un programa vlido.
Una regla de inferencia en un sistema formal especifica la manera exacta en que pueden
obtenerse nuevos asertos, los teoremas, a partir de axiomas y teoremas previamente
derivados. Un ejemplo de un teorema es nuestro silogismo sobre Scrates, escrito en
forma de lgica de predicados:
(x) (H(x) M(x)), H(s) M(s)

Donde H es la funcin del predicado para hombre y M es la funcin de predicado para


mortal. Como M(s) puede probarse a partir de sus axiomas de la izquierda, es un teorema
de estos axiomas. Sin embargo, ntese que M (Zeus) no seria un teorema porque Zeus, el
dios griego, no es un hombre, y no hay forma alterna de demostrar M (Zeus).
Si un teorema es una tautologa, se deduce que es un conjunto vaci porque la fbf
siempre es verdadera y, por tanto, no depende de ningn otro axioma o teorema. Un
teorema que es una tautologa se escribe con el smbolo , como en A. Por ejemplo, si
Aip ~ p, entonces p ~p establece que p ~p es un teorema, que es una tautologa.
Observe que, independientemente de cualquier valor asignado a p, V o F, el teorema
p ~p siempre es verdadero. Una asignacin de valores verdaderos es una

_________________________________________________________________________
26

Inteligencia Artificial

interpretacin de una fbf. Un modelo es una interpretacin en la cual la fbf es


verdadera. Por ejemplo, un modelo de p q es p=V y q=V. A una fbf se le llama
consistente si hay una interpretacin que la hace verdadera, e inconsistente si la fbf
es falsa en todas las interpretaciones. Un ejemplo de una fbf inconsistente es p ~ p.
Una fbf es vlida si es verdadera en todas las interpretaciones; de otra manera es
invlida. Por ejemplo, la fbf p ~ p es vlida, mientras que p->q es una fbf invalida
porque no es verdadera para p=V y q=F. Una fbf probada si puede demostrarse que es
vlida. Todas las fbf de proposiciones pueden comprobarse con el mtodo de la tabla de
verdad, porque slo hay un nmero finito de interpretaciones para fbf, y as, se puede
determinar el clculo proposicional decidible. Sin embargo, el clculo de predicados no es
decidible porque no hay un mtodo general de comprobacin como las tablas de verdad
para todas las fbf del clculo de afirmaciones.
Un ejemplo de una fbf de clculo de predicados vlida que puede probarse es la de
cualquier predicado B;
( x)B(x) ~ [(x) ~ B(x )]
que muestra cmo el cuantificador existencial puede reemplazarse con el cuantificador
universal. Por tanto, esta fbf de clculo de predicados es un teorema.
Hay una gran diferencia entre una expresin como A y B. La A es un teorema y puede
probarse a partir de los axiomas, mediante las reglas de inferencia. La B es una fbf y tal
vez no haya prueba conocida para demostrar su derivacin. Mientras que la lgica
proposicional es decidible, la lgica de predicado no lo es. Es decir, no hay un
procedimiento ni algoritmo mecnico para comprobar un teorema de lgica proposicional
con un nmero finito de pasos. En realidad, existe una prueba terica de que no hay un
procedimiento de decisin para la lgica de predicados. Sin embargo, no hay
procedimientos de decisin para sus subconjuntos como los silogismos y la lgica de
proposicin. Debido a esto, a veces se alude a la lgica de predicado como
semidecidible.
Un ejemplo muy simple de un sistema formal completo, define lo siguiente:
Alfabeto: el smbolo 1.
Axioma: La cadena 1 (que resulta igual que el smbolo 1).
Regla de inferencia: si cualquier cadena $ es un teorema, entonces la cadena $11 lo es.
Esta regla puede escribirse como una regla de produccin de Post:
$ $11
Si $=1 entonces la regla da $11=111
Si $=111 entonces la regla da $11=11111 y en general
1, 111, 11111, 1111111,
Estas cadenas son los teoremas de este sistema formal [Minsky 1967].

_________________________________________________________________________
27

Inteligencia Artificial

Aunque algo como 11111 no se parece a los teoremas que acostumbramos ver, son
teoremas lgicos perfectamente vlidos. Estos teoremas particulares tambin tienen un
significado semntico, porque son los nmeros nones expresados en un sistema de
nmeros unitario del smbolo 1. Al igual que el sistema binario slo se tiene los smbolos
del alfabeto 0 y 1, el sistema de nmeros unitario slo tiene el smbolo 1. Los nmeros del
sistema unitario y decimal se expresan como sigue:
Unitario
1
11
111
1111
11111

Decimal
1
2
3
4
5

y as sucesivamente.
Observemos que debido a la inferencia y al axioma, las cadenas 11, 1111 y dems, no
pueden expresarse en nuestro sistema formal. Es decir, 11 y 1111 son cadenas de nuestro
alfabeto formal, pero no son teoremas ni fbf porque no pueden probarse utilizando
solamente la regla de inferencia y el axioma. El sistema formal slo permite la derivacin
de los nmeros nones, no la de los pares. Debe agregarse al axioma 11 para poder
derivar los nmeros pares.
Otra propiedad de un sistema formal es su capacidad de estar completo. Un conjunto de
axiomas esta completo si cada fbf puede probarse o refutarse, este termino significa
probar que alguna aseveracin es falsa. En un sistema completo, cada fbf lgicamente
valida es un teorema. Sin embargo, como no es posible determinar la lgica de
predicados, obtener una prueba depende de nuestra suerte e inteligencia.
Por supuesto, otra posibilidad es escribir un programa de computadora que tratar de
derivar pruebas y dejar que acte.
Una propiedad an ms deseable de un sistema lgico es que sea slido. Por sistema
slido se entiende que cada teorema es una fbf lgicamente vlida. En otras palabras, un
sistema slido no permitir que se infiera una conclusin que no sea una consecuencia
lgica de sus premisas. No se inferirn argumentos invlidos como vlidos.
Hay diferentes rdenes de lgica. Un lenguaje de primer orden se define para que los
cuantificadores operen sobre objetos que son variables como x un lenguaje de segundo
orden tendra caractersticas adicionales como dos tipos de variables y cuantificadores.
Adems de variables y cuantificadores de orden, la lgica de segundo orden puede tener
cuantificadores que abarcan smbolos de funcin y de predicado. Un ejemplo de lgica de
segundo orden es el axioma de igualdad, que establece que dos objetos son iguales si
todos sus predicados son iguales. Si P es cualquier predicado de un argumento, entonces:
x = y (p)[P(x) P(y)]

Es una afirmacin del axioma de igualdad que usa un cuantificador de segundo orden,
P, que abarca todos los predicados.

_________________________________________________________________________
28

Inteligencia Artificial

1.4.- El modelo de adquisicin del conocimiento segn la filosofa.

Filosofa (Desde el ao 428 a.C. hasta el presente)

Se pueden utilizar reglas formales para extraer conclusiones vlidas?


Cmo se genera la inteligencia mental a partir de un cerebro fsico?
De dnde viene el conocimiento?
Cmo se pasa del conocimiento a la accin?

Aristteles (348-322 a.C.) fue el primero en formular un conjunto preciso de leyes que
gobernaban la parte racional de la inteligencia, l desarroll un sistema informal para
razonar adecuadamente con silogismos, que en un principio permita extraer conclusiones
mecnicamente, a partir de premisas iniciales. Mucho despus, Ramn Lull (d. 1315) tuvo
la idea de que el razonamiento til se podra obtener por medios artificiales. Sus ideas
aparecen representadas en la portada de este manuscrito. Thomas Hobbes (1588-1679)
propuso que el razonamiento era como la computacin numrica, de forma que nosotros
sumamos y restamos silenciosamente en nuestros pensamientos. La automatizacin de la
computacin en s misma estaba en marcha: alrededor de 1500, Leonardo da Vinci (14521519) dise, aunque no construy, una calculadora mecnica; construcciones recientes
han demostrado que su diseo era funcional. La primera mquina calculadora conocida se
construy alrededor de 1623 por el cientfico alemn Wilhelm Schickard (1592-1635),
aunque la Pascalina, construida en 1642 por Blaise Pascal (1623-1662), sea ms famosa,
Pascal escribi que la mquina aritmtica produce efectos que parecen ms similares a
los pensamientos que a las acciones animales. Gottfried Willhelm Leibniz (1646-1716)
construy dispositivo mecnico con el objetivo de llevar a cabo operaciones sobre
conceptos en lugar de sobre nmeros, pero su campo de accin era muy limitado [1].
Ahora que sabemos que un conjunto de reglas pueden describir la parte racional y formal
de la mente, el siguiente paso es considerar la mente como un sistema fsico. Ren
Descartes (1596-1650) proporciona la primera discusin clara sobre la distincin ente la
mente y la materia y los problemas que surgen. Uno de los problemas de una concepcin
puramente fsica de la mente es que parece dejar poco margen de maniobra al libre
albedro: si el pensamiento est totalmente gobernado por leyes fsicas, entonces una
piedra podra decidir caer en direccin al centro de la Tierra gracias a su libre albedro. A
pesar de ser denotado defensor de la capacidad del razonamiento, Descartes fue defensor
del dualismo. Sostena que existe una parte de la mente (o del alma o del espritu) que
est al margen de la naturaleza, exenta de la influencia de las leyes fsicas. Los animales,
por el contrario, no poseen esta cualidad dual; a ellos se le podra concebir como si se
tratasen de una mquina. Una alternativa al dualismo es el materialismo, que considera
que las operaciones del cerebro realizadas de acuerdo a las leyes de la fsica constituyen a
la mente. El libre albedro es simplemente la forma en la que la percepcin de las opciones
disponibles aparecen en el proceso de seleccin.
Dada una mente fsica que gestiona conocimiento, el siguiente problema es establecer las
fuentes de este conocimiento. El movimiento emprico, iniciado en novum Organum (una
actualizacin del Organon, o instrumento de pensamiento, de Aristteles), Francis Bacon
(1561-1626), se caracteriza por el aforismo de John Locke (1632-1704): Nada existe por

_________________________________________________________________________
29

Inteligencia Artificial

la mente que no haya pasado por los sentidos. David Hume (1711-1776) propuso en A
Treatise of Human Nature (Hume, 1739) lo que actualmente se conoce como principio de

induccin: las reglas generales se obtienen mediante la exposicin a asociaciones


repetidas entre sus elementos. Sobre la base de las propuestas de Ludwing Wittgenstein
(1889-1951) y Bertrand Russell (1872-1970), el famoso Crculo de Viena, liderado por
Rudolf Carnap (1891-1970), desarroll la doctrina del positivismo lgico. Esa doctrina
sostiene que todo el conocimiento se puede caracterizar mediante teoras lgicas
relacionadas, en ltima instancia, con sentencias de observacin que corresponden a
estmulos sensoriales. La teora de la confirmacin de Carnap y Carl Hempel (19051997) intenta explicar cmo el conocimiento se obtiene a partir de la experiencia, el libro
de Carnap, The Logical Structure of the World (1928), define un procedimiento
computacional explcito para la extraccin de conocimiento a partir de experiencias
primarias. Fue posiblemente la primera teora en mostrar la mente como un proceso
computacional.
El ltimo elemento de esta discusin filosfica sobre la mente es la relacin que existe
entre el conocimiento y la accin. Este asunto es vital para la Inteligencia Artificial, ya que
la inteligencia requiere tanto accin como razonamiento. Ms an, simplemente con
comprender cmo se justifican determinadas acciones se puede llegar a saber cmo
construir un agente cuyas acciones sean justificables (o racionales). Aristteles argumenta
que las acciones se pueden justificar por la conexin lgica entre los objetivos y el
conocimiento de los efectos de las acciones:

Cmo es que el pensamiento viene acompaado en algunos casos de acciones y en otros


no?, en algunos casos por el movimiento y en otros no? Parece como si la misma cosa
sucediera tanto si razonramos o hiciramos inferencias sobre objetos que no cambian;
pero en este caso el fin es una proposicin especulativa...mientras la conclusin resultante
de las dos premisas es una accin...Yo necesito abrigarme, una manta abriga. Yo necesito
una manta. Qu necesito, qu debo hacer; necesito una manta. Necesito hacer una
manta. Y la conclusin, Yo tengo que hacer una manta, es una accin [Nussbaum, 1978,
p. 40].
En Nicomachean Ethics (Libro III. 3, 1112b), Aristteles contina trabajando en este tema,
sugiriendo un algoritmo:

Nosotros no reflexionamos sobre los fines, sino sobre los medios. Un mdico no reflexiona
sobre si debe curar, ni un orador sobre si debe persuadir...Ellos asumen el fin y consideran
cmo y con qu medios se obtienen, y si resulta fcil y es por tanto productivo; mientras
que si solo se puede alcanzar por un medio se tiene en consideracin cmo se alcanzar
por este y por qu medios se obtendr ste, hasta que se llegue a la causa primera...y lo
ltimo en el orden del anlisis parece ser lo primero en el orden de los acontecimientos. Y
si se llega a un estado imposible, se abandona la bsqueda, como por ejemplo si se
necesita dinero y no se puede conseguir; pero si hay una posibilidad se intentar.
El algoritmo de Aristteles se implement 2 300 aos ms tarde por Newell y Simon con la
ayuda de su programa SRGP. El cual se conoce como sistema de planificacin regresivo.

_________________________________________________________________________
30

Inteligencia Artificial

El anlisis basado en objetivos es til, pero no indica que hacer cuando varias acciones
nos llevan a la consecucin del objetivo, o cuando ninguna accin facilita su completa
consecucin. Antoine Arnauld (1612-1694) describi correctamente una forma cuantitativa
para decidir qu accin llevar a cabo en un caso como este. El libro Utilitarianism [Mill,
1863] de John Stuart Mill (1806-1873) propone la idea de un criterio de decisin racional
en todos los mbitos de la actividad humana.

1.5.- El modelo cognoscitivo.


Pensar cmo humano: el enfoque del modelo cognoscitivo
En el campo interdisciplinario de la ciencia cognoscitiva concurren modelos
computacionales de Inteligencia Artificial y tcnicas experimentales de psicologa para
intentar elaborar teoras precisas y verificables del funcionamiento de la mente humana.
El enfoque de ste modelo, no slo bast con que su programa resuelva correctamente los
problemas, sino que se interesa por seguir la pista de los pasos de razonamiento y
compararla con la ruta seguida por sujetos humanos [1].
Para poder decir que un programa dado piensa como un humano, es necesario contar con
un mecanismo para determinar cmo piensan los humanos. Es necesario penetrar en el
funcionamiento de las mentes humanas. Hay dos formas de hacerlo: mediante
introspeccin (intentando atrapar nuestros propios pensamientos conforme stos van
apareciendo) y mediante experimentos psicolgicos. Una vez que cuente con una teora lo
suficientemente precisa sobre cmo trabaja la mente, se podr expresar esa teora en la
forma de un programa de computadora, si los datos de entrada/salida del programa y los
tiempos de reaccin son similares a los de un humano, existe la evidencia de que algunos
de los mecanismos del programa se pueden comparar con los que utilizan los seres
humanos. Por ejemplo, a Allen Newell y Herbert Simon, que desarrollaron el Sistema de
Resolucin General de Problemas (SRGP) [Newell y Simon, 1961], no les bast con que su
programa resolviera correctamente los problemas propuestos, lo que les interesaba era
seguir las etapas del proceso de razonamiento y compararlas con las seguidas por los
humanos a los que se enfrent a los mismos problemas. En el campo interdisciplinado de
la ciencia cognitiva convergen modelos computacionales de Inteligencia Artificial y
tcnicas experimentales de psicologa intentando elaborar teoras precisas y verificables
sobre el funcionamiento de la mente humana.
La ciencia cognitiva es un campo fascinante [Wilson y Keil, 1999]. Ocasionalmente se
hacen comentarios acerca de las similitudes o diferencias entre las tcnicas de Inteligencia
Artificial y cognicin humana. La autntica ciencia cognitiva se fundamenta
necesariamente en la investigacin experimental en humanos y animales.
En los comienzos de la Inteligencia Artificial haba confusin entre las distintas
aproximaciones: un autor podra argumentar que un algoritmo resolva adecuadamente
una tarea y que por tanto era un buen modelo de representacin humana, o viceversa.

_________________________________________________________________________
31

Inteligencia Artificial

Los autores actuales hacen diferencia entre las dos reivindicaciones; esta distincin ha
permitido que ambas disciplinas, la Inteligencia Artificial y la ciencia cognitiva, se
desarrollen ms rpidamente. Los dos campos continan alimentndose entre s,
especialmente en las reas de la visin y el lenguaje natural. En particular, el campo de la
visin ha avanzado recientemente con la ayuda de una propuesta integrada que tiene en
cuenta la evidencia neurofisiolgica y los modelos computacionales [6].

1.6.- El modelo del agente inteligente.


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. La figura 3 ilustra esta idea
simple. Un agente humano tiene ojos, odos y otros rganos sensoriales adems de
manos, piernas, boca y otras partes del cuerpo para actuar. Un agente robot recibe
pulsaciones del teclado, archivos de informacin y partes va red a modo de entradas
sensoriales y acta sobre el medio con mensajes en el monitor, escribiendo ficheros y
enviando paquetes por red. Se trabajar con la hiptesis general de que cada agente
puede percibir sus propias acciones (pero no siempre sus efectos) [1].

Agente

Sensores
Percepciones

Medio Ambiente

?
Acciones
Actuadores

Figura 3. Los agentes interactan con el medioambiente sensores y efectores.

El trmino percepcin se utiliza en el contexto para indicar que el agente puede recibir
entradas en cualquier instante. La secuencia de percepciones de un agente refleja el
historial completo de lo que el agente ha recibido. En general, un agente tomar una

decisin en un momento dado dependiendo de la secuencia completa de percepciones


hasta ese instante. Si se puede especificar qu decisin tomar un agente para cada una

de las posibles secuencias de percepciones, entonces se habr explicado ms o menos


todo lo que se puede decir de un agente. En trminos matemticos se puede decir que el
comportamiento de un agente viene dado por la funcin del agente que proyecta una
percepcin dada en una accin.

_________________________________________________________________________
32

Inteligencia Artificial

La funcin que describe el comportamiento de un agente se puede presentar en forma de


tabla; en la mayora de los casos esta tabla sera muy grande (infinita a menos que se
limite el tamao de la secuencia de percepciones que se quiera considerar). Dado un
agente, con el que se quiera experimentar, se puede, en un principio, construir esta tabla
teniendo en cuenta todas las secuencias de percepcin y determinando qu accin llevar a
cabo el agente en respuesta. La tabla es, por supuesto, una caracterizacin externa del
agente. Inicialmente, la funcin del agente para una gente artificial se implementar
mediante el programa del agente. Es importante diferenciar estas dos ideas. La funcin
del agente es una descripcin matemtica abstracta; el programa del agente es una
implementacin completa, que se ejecuta sobre la arquitectura del agente.
Para ilustrar esta idea se utilizar un ejemplo muy simple, el mundo de las aspiradoras
representado en la figura 4, este mundo es tan simple que se puede describir todo lo que
en l sucede; es un mundo hecho a la medida, para el que se pueden inventar otras
variaciones, este mundo en particular tiene solamente dos localizaciones: cuadrcula A y B,
la aspiradora puede percibir en qu cuadrante se encuentra y si hay suciedad en l, puede
elegir si se mueve hacia la izquierda, derecha, aspirar la suciedad o no hacer nada; una
funcin muy simple para el agente vendra dada por: si la cuadrcula en la que se
encuentra est sucia, entonces aspirar, de otra forma cambiar de cuadrcula. Una muestra
parcial de la funcin del agente representada en forma de tabla aparece en la figura 5.

Figura 4. El mundo de la aspiradora con dos localizaciones solamente.

_________________________________________________________________________
33

Inteligencia Artificial

Secuencia de percepciones

Accin

[A, Limpio]
[A, Sucio]
[B,Limpio]
[A, Sucio]
[A, Limpio] , [A, Limpio]
[A, Limpio] , [A, Sucio]

Derecha
Aspirar
Izquierda
Aspirar
Derecha
Aspirar

[A, Limpio] , [A, Limpio] , [A, Limpio]


[A, Limpio] , [A, Limpio] , [A, Sucio]

Derecha
Aspirar

Figura 5. Tabla parcial de una funcin de agente sencilla para el mundo de la aspiradora que se
muestra en la figura anterior.

1.7.- El papel de la heurstica.


La heurstica es un mtodo prctico o conocimiento emprico obtenido de una experiencia
y que puede ayudar en la solucin, pero que no garantiza su funcionamiento siempre. Los
sistemas expertos estn diseados principalmente para el razonamiento simblico [2].
Una regla heurstica es una regla prctica que puede ayudar a encontrar una solucin,
pero que no esta garantizada de la misma forma que un algoritmo. Las reglas heursticas
son muy importantes en Inteligencia Artificial porque los problemas tpicos en ello son tan
difciles que no existe una solucin de algoritmo o, si la hay, no resulta eficiente para uso
prctico.
Reglas generales en forma de opiniones o reglas empricas que sugieren procedimientos
que se pueden seguir cuando no existen disponibles reglas de procedimiento invariables.
Dichas reglas son aproximadas y han sido generalmente acuadas por un experto a travs
de aos de experiencia.
El uso de heursticas contribuye grandemente a la potencia y flexibilidad de los sistemas
expertos y tiende a distinguirlos an ms del software tradicional. Adems de estas formas
especficas de conocimientos, un experto posee un modelo conceptual general del rea
especfica y un esquema global para hallar una solucin. Estas visiones globales
conforman la infraestructura bsica para la aplicacin por parte del experto de
conocimientos detallados.

_________________________________________________________________________
34

Inteligencia Artificial

De acuerdo con ANSI/IEEE Std 100-1984, la heurstica trata de mtodos o algoritmos


exploratorios durante la resolucin de problemas en los cuales las soluciones se descubren
por la evaluacin del progreso logrado en la bsqueda de un resultado final. Se suele usar
actualmente como adjetivo, caracterizando tcnicas por las cuales se mejora en promedio
el resultado de una tarea resolutiva de problemas (parecido al uso de "mtodo ptimo").
Se suele mencionar que hay bsquedas ciegas (que sin embargo pueden ser exhaustivas,
lo cual significa que al acabar la bsqueda con mal xito, se est seguro que as
planteado, el problema no tiene solucin), bsquedas heursticas (basadas en la
experiencia propia o ajena), bsquedas adversariales (aplicables a juegos de competencia)
y bsquedas racionales (usando inteligencia).

_________________________________________________________________________
35

Inteligencia Artificial

Cuestionario de evaluacin.

Colocar el nmero en la definicin correcta:


1.-Inteligencia Artificial

( ) Dispositivos
inspirados en la
funcionalidad de las neuronas biolgicas,
aplicados al reconocimiento de patrones
que las convierten en aptas para modelar y
efectuar predicciones en sistemas muy
complejos.
2.- Ciencias que aportan a la Inteligencia ( ) Para que un ser o mquina se considere
Artificial
inteligente debe lograr engaar a un
evaluador de que este ser o mquina se
trata de un ser humano evaluando todas
las actividades de tipo cognoscitivo que
puede realizar el ser humano. Si el dilogo
que ocurra y el nmero de errores en la
solucin dada se acerca al nmero de
errores ocurridos en la comunicacin con
un ser humano, se podr estimar que
estamos ante una mquina inteligente.
3.- Mquina de Turing
( ) Sistemas expertos, procesamiento de
lenguaje natural, visin artificial, robtica,
bsqueda
de
soluciones,
lgica,
aprendizaje, lgica difusa.
4.- Agente inteligente
( ) Bsqueda en los datos para identificar
tendencias y establecer relaciones.
5.- Heurstica
( ) Sistema basado en los conocimientos
que imita el pensamiento de un experto
para resolver problemas de un terreno
particular de aplicacin
6.- Minera de datos
( ) Es la ciencia que enfoca su estudio a
lograr la comprensin de entidades
inteligentes.
7.- Sistema Experto
( ) Es el anlisis y la extrapolacin de datos
basados en experiencias pasadas y en sus
consecuencias, este apartado es de una
importancia vital para la Inteligencia
Artificial.
8.- Redes neuronales
( ) Es aquel que emprende la mejor accin
posible ante una situacin dada.
9.- reas de investigacin de la Inteligencia ( ) Filosofa, Matemticas, Psicologa,
Artificial
Lingstica y ciencias de la computacin.
Respuestas: 8, 3,9, 6,7, 1, 5, 4, 2

_________________________________________________________________________
36

Inteligencia Artificial

UNIDAD 2
REPRESENTACIN DEL CONOCIMIENTO Y
RAZONAMIENTO

_________________________________________________________________________
37

Inteligencia Artificial

UNIDAD 2

REPRESENTACIN DEL CONOCIMIENTO Y RAZONAMIENTO


2.1.- Mapas conceptuales.
Los mapas conceptuales son artefactos para la organizacin y representacin del
conocimiento. Tienen su origen en las teoras sobre la psicologa del aprendizaje de David
Ausubel enunciadas en los aos 60.
Su objetivo es representar relaciones entre conceptos en forma de proposiciones. Los
conceptos estn incluidos en cajas o crculos, mientras que las relaciones entre ellos se
explicitan mediante lneas que unen sus cajas respectivas. Las lneas, a su vez, tienen
palabras asociadas que describen cul es la naturaleza de la relacin que liga los
conceptos.
Los mapas conceptuales se estructuran en forma jerrquica en la que los conceptos ms
generales estn en la raz del rbol y a medida que vamos descendiendo por el mismo nos
vamos encontrando con conceptos ms especficos.
Un mapa conceptual es, por tanto, un recurso esquemtico 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.

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. Mapa conceptual. En un mapa conceptual, dos o ms conceptos


estn unidos a travs de palabras que describen la relacin entre ellos.

_________________________________________________________________________
38

Inteligencia Artificial

Caractersticas de un mapa conceptual:

Los mapas conceptuales deben ser simples, mostrar claramente las relaciones
entre conceptos y/o proposiciones.
Van de lo general a lo especfico, las ideas ms generales o inclusivas, ocupan el
pice o parte superior de la estructura y las ms especificas y los ejemplos la parte
inferior.
Deben ser vistosos.
Los conceptos, que nunca se repiten van adentro de los valos y las palabras de
enlace se ubican cerca de las lneas de la relacin.
Para las palabras de enlace se pueden utilizar verbos, preposiciones, conjunciones,
u otro tipo de nexo conceptual, las palabras de enlace le dan sentido al mapa.
Si la idea principal puede ser dividida en dos o ms conceptos iguales estos
conceptos deben ir en la misma lnea o altura.

Mapa conceptual
Mapas
conceptuales
ayudan a
responder

representan
Sentimientos o
afecto asociado

incluyen

Se aade 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
estn

Regularidades
Percibidas o
Patrones

son

estn

Etiquetado
Estructuradas
Jerrquicamente

Unidades
Semntica

Enseanza
Eficiente

pueden
ser

Sucesos

construidas
en
en

Palabras
empieza
con

Smbolos
Objetos

ayuda

Creatividad

Nios

empieza
con

especialmente
con

p. ej.
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. Mapa conceptual sobre los mapas conceptuales.

_________________________________________________________________________
39

Inteligencia Artificial

Ventajas de los mapas conceptuales:


Aprendizaje significativo
El aprendizaje significativo ocurre cuando una persona consciente y explcitamente vincula
esos nuevos conceptos a otros que ya posee. Cuando se produce ese aprendizaje
significativo, se produce una serie de cambios en nuestra estructura cognitiva,
modificando los conceptos existentes, y formando nuevos enlaces entre ellos. Esto es
porque dicho aprendizaje dura ms y es mejor que la simple memorizacin: los nuevos
conceptos tardan ms tiempo en olvidarse, y se aplican ms fcilmente en la resolucin de
problemas.
Aprendizaje activo
Cuando se realiza un mapa conceptual, se obliga a relacionar, a jugar con los conceptos, a
aprender con el contenido. No es una simple memorizacin; se debe prestar atencin a la
relacin entre los conceptos. Es un proceso activo.
El mapa conceptual puede tener varios propsitos:

Generar ideas (brain storming, etc.);


Disear una estructura compleja (textos largos, hipermedia, pginas web grandes,
etc.);
Comunicar ideas complejas;
Contribuir al aprendizaje integrando explcitamente conocimientos nuevos y
antiguos;
Evaluar la comprensin o diagnosticar la incomprensin;
Explorar el conocimiento previo y los errores de concepto.

2.2.- Redes semnticas.


Una red semntica es una tcnica clsica de representacin de la Inteligencia Artificial
utilizada para informacin relativa a las proposiciones. A una red semntica tambin se le
llama red de proposiciones [Stillings, 1987]. Una proposicin es una frase verdadera o
falsa, como todos los perros son mamferos y un tringulo tiene tres lados. Son formas
de conocimiento declarativo porque establecen hechos. En trminos matemticos, una red
semntica es una grfica rotulada y con direccin. Una proposicin siempre es verdadera o
falsa y se le llama atmica porque su veracidad ya no puede dividirse ms, el trmino
atmica se emplea en el sentido clsico de objeto indivisible [2].
Las redes semnticas se desarrollaron para la Inteligencia Artificial como una forma de
representar la memoria y la comprensin del lenguaje del ser humano [Quillian, 1968].
Quillian las utiliz para analizar el significado de palabras en frases. Desde entonces se

_________________________________________________________________________
40

Inteligencia Artificial

han aplicado a muchos de los problemas relacionados con la representacin del


conocimiento.
La estructura de una red semntica se muestra grficamente en trminos de nodos y los
arcos que los conectan. A los nodos suele denominrseles como objetos y a los arcos
como vnculos o bordes.
Los vnculos de una red semntica se utilizan para expresar relaciones. Por lo general, los
nodos se utilizan para representar objetos fsicos, conceptos o situaciones. En la siguiente
figura 8 se muestra una red ordinaria, en realidad una grfica con direccin, donde los
vnculos indican las rutas de una lnea area entre ciudades. Los nodos son los crculos, los
vnculos, las lneas que los conectan y las flechas muestran la direccin en que pueden
volar los aviones, de aqu el trmino de grafica con direccin.

San Francisco

Chicago

Nueva York

Indianpolis

Los ngeles
Houston
(a) Una red general

Figura 8.Una red general.

En la figura 9, los vnculos muestran las relaciones entre los miembros de una familia, las
relaciones son de gran importancia en las redes semnticas porque proporcionan la
estructura bsica para la organizacin del conocimiento. Sin relaciones, el conocimiento es
una simple coleccin de hechos inconexos. Con ellas, el conocimiento es una estructura
cohesiva a partir de la cual puede inferirse conocimiento adicional. Por ejemplo, en la
figura 9 se puede inferir que Ana y Memo son los abuelos de Juan, aunque no haya un
vnculo explcito rotulado abuelo de.

_________________________________________________________________________
41

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

Toms

Esposo de

Madre de

Padre de

Juan

Figura 9.Una red semntica.


(b) Una red semntica

A las redes semnticas a veces se les denomina redes asociativas porque los nodos
estn asociados o relacionados con otros nodos. De hecho, el trabajo original de Quillian
model la memoria humana como una red asociativa en la cual los conceptos eran los
nodos y los vnculos formaban las conexiones entre ellos. De acuerdo con este modelo,
cuando un nodo de concepto se estimula al leer las palabras de una frase, sus vnculos
con otros nodos se activan en un patrn de dispersin. Si otro nodo recibe activacin
suficiente, el concepto sera forzado dentro de la mente consciente. Por ejemplo, aunque
se conozcan miles de palabras, slo se est pensando en las palabras especficas de la
frase que se lee.
Ciertos tipos de relaciones han probado ser muy tiles en una amplia gama de
representaciones del conocimiento. El uso de tipos comunes facilita la comprensin de una
red no muy conocida.
Dos tipos de vnculos utilizados con frecuencia son ES-UN y UN-TIPO-DE [Winston,
1984]. La figura 10 es un ejemplo de una red semntica que utiliza estos vnculos; en esta
figura ES-UN significa es un caso de y se refiere a un miembro especfico de una clase.
Una clase est relacionada con el concepto matemtico de conjunto, que alude a un
grupo de objetos.
Aunque un conjunto puede tener elementos de cualquier tipo, los objetos de una clase
tienen alguna relacin entre s. Por ejemplo, es posible definir un conjunto formado por:
(3, huevos, azul, llantas, arte)
Sin embargo, los miembros de este conjunto no tienen relacin entre s. Por el contrario,
aviones, trenes y automviles se relacionan con una clase porque todos son tipos de
transporte.

_________________________________________________________________________
42

Inteligencia Artificial

El vnculo UN-TIPO-DE se utiliza aqu para relacionar una clase con otra. No se usa para
relacionar un individuo especfico porque esa es la funcin de ES-UN, UN-TIPO-DE
relaciona una clase individual con una clase padre a la que pertenece una clase hijo.
Desde otro punto de vista, el UN-TIPO-DE relaciona nodos genricos con nodos
genricos, mientras ES-UN relaciona un caso o un individuo con una clase genrica. En la
figura 10 las clases ms generales se encuentran en la parte superior y las ms especficas
en la base. La clase ms general, a la que seala una flecha UN-TIPO-DE, se le denomina
superclase; si sta tiene un vnculo UN-TIPO-DE apuntando a otro nodo, entonces
tambin es una clase de la superclase a la que seala el vnculo UN-TIPO-DE. Otra forma
de expresarlo es que un vnculo UN-TIPO-DE seale de una subclase a una clase. El
vnculo SON se usa algunas veces para UN-TIPO-DE y se lee como el verbo son.

Aeronave

Un tipo de
Un tipo de

Un tipo de

redonda

Tiene forma

Manejo a
propulsin

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

Espritu de
San Luis

Fuerza
Area 1

Figura 10. Red semntica con vnculos ES-UN y UN-TIPO-DE.

Los objetos de una clase tienen uno o ms atributos en comn y cada atributo tiene un
valor. La combinacin de atributo y valor es una propiedad. Por ejemplo, un dirigible
tiene atributos de tamao, peso, forma, color, etc. El valor del atributo de forma es
elipsoidal. En otras palabras, un dirigible tiene una forma elipsoidal como una de sus
propiedades. Como Goodyear es un dirigible y los dirigibles tienen forma elipsoidal,
entonces Goodyear es elipsoidal. Tambin se pueden encontrar otros tipos de vnculos en
las redes semnticas. El vnculo ES define un valor. Por ejemplo, cualquier aeronave
presidencial de Estados Unidos es el Fuerza Area 1. Si el presidente est en un CD-9,
entonces Fuerza Area 1 es un DC-9. El vnculo CAUSA expresa conocimiento causal. Por
ejemplo, el aire caliente CAUSA que el globo se eleve.

_________________________________________________________________________
43

Inteligencia Artificial

A la duplicacin de las caractersticas de un nodo por parte de un descendiente se le llama


herencia. A menos que haya ms evidencias especficas de lo contrario, se supone que
todos los miembros de una clase heredarn todas las propiedades de las superclases. Por
ejemplo, los globos tienen una forma redonda. Sin embargo, como la clase dirigible tiene
un vnculo que seala a la forma elipsoidal, sta tiene precedencia. La herencia es una
herramienta muy til en la representacin del conocimiento porque elimina la necesidad
de repetir caractersticas comunes. Los vnculos y la herencia proporcionan medios muy
eficientes de representacin del conocimiento porque muchas relaciones complejas
pueden mostrarse con pocos nodos y vnculos.
Dificultades con redes semnticas
Aunque las redes semnticas pueden ser muy tiles en la representacin del
conocimiento, tiene limitantes, como la falta de estndares para asignacin de nombres a
los vnculos. Esto hace difcil entender para qu se dise realmente la red y si fue
diseada de una forma congruente. Un problema complementario al asignar nombre a los
vnculos es el nombre de los nodos. Si un nodo se rotula silla, Representa
una silla especfica
la clase de todas las sillas
el concepto de una silla
el nombre del cerro de la Silla
o algo ms? Para que una red semntica represente conocimiento definitivo (es decir,
conocimiento que puede definirse), deben definirse con rigor los nombres de vnculos y
nodos.
Otro problema es la explosin combinatoria de la bsqueda de nodos, sobre todo si la
respuesta a una consulta es negativa. Para que una consulta produzca un resultado
negativo, tendran que buscarse muchos o todos los vnculos de la red. El nmero de
vnculos es el factorial del nmero de nodos menos uno, si estn todos conectados.
Aunque no todas las representaciones necesitarn este grado de conectividad, existe la
posibilidad de que surja una explosin combinatoria.
Las redes semnticas fueron propuestas originalmente como modelos de la memoria
asociativa humana, en la que un nodo tiene vnculos con otros y la recuperacin de la
informacin ocurre debido a una dispersin de la activacin de los nodos. No obstante, el
cerebro humano tambin debe disponer de otros mecanismos, porque no le toma mucho
tiempo responder la consulta: hay un equipo de ftbol en Plutn? Hay alrededor de 1010
neuronas en el cerebro humano y alrededor de 1015 vnculos. Si todo el conocimiento
estuviera representado por una red semntica, tomara demasiado tiempo responder
consultas negativas como en el caso de la consulta del ftbol, porque todas las bsquedas
incluyen 1015 vnculos.
Las redes semnticas son lgicamente inadecuadas porque no pueden definir el
conocimiento de la forma en que lo hace la lgica. Una representacin lgica puede
especificar cierta silla, algunas sillas, todas las sillas, ninguna silla, etctera. Otro problema

_________________________________________________________________________
44

Inteligencia Artificial

es que las redes semnticas tambin son heursticamente inadecuadas porque no hay
forma de insertar en la red informacin heurstica relacionada con la manera de
explorarlas de forma eficiente. Una regla heurstica es una regla prctica que puede
ayudar a encontrar una solucin, pero que no esta garantizada de la misma forma que un
algoritmo. Las reglas heursticas son muy importantes en la Inteligencia Artificial porque
los problemas tpicos en ello son tan difciles que no existe una solucin de algoritmo o, si
la hay, no resulta eficiente para uso prctico. La herencia es la nica estrategia estndar
de control integrada en una red que puede ayudar, pero no todos los problemas pueden
tener esta estructura.
Se han probado varios mtodos para corregir los problemas inherentes a las redes
semnticas; se han hecho mejoras lgicas y se han probado mejoras heursticas al
adjuntar procedimientos a los nodos, que sern ejecutados cuando el nodo se active. Sin
embargo, los sistemas resultantes mejoraron poco su capacidad a costa de la fuerza de
expresin natural de las redes semnticas. La conclusin de todo este esfuerzo es que,
como cualquier herramienta, las redes semnticas deben utilizarse para aquello que hacen
mejor, mostrar relaciones binarias, y no considerarse una herramienta universal.

2.3.- Razonamiento montono.


Sistema que permite obtener nuevos conocimientos (conclusiones) a partir de una serie de
conocimientos previos (premisas3).
Notacin:
BC |= (del conjunto de premisas BC se deduce la conclusin ).
Se dice que un sistema de razonamiento es montono cuando un aumento de las
premisas nunca puede hacer disminuir el conjunto de conclusiones, es decir, para
cualesquiera conjuntos de premisas BC y y cualquier conclusin se cumple:
Si BC |= , entonces BC ^ |=
Donde:
|= implicacin
^ operador lgico Y
(La aparicin de nuevas premisas nunca supone la desaparicin de ninguna de las
conclusiones previas).
La caracterstica del monotonismo nos dice que el conjunto de sentencias implicadas slo
puede aumentar (pero no cambiar) al aadirse informacin a la base de conocimiento4.
3

Premisa. Se denomina premisa a cada una de las proposiciones de un razonamiento que dan lugar a la
consecuencia o conclusin de dicho razonamiento.
4
Las lgicas no montonas, que violan la propiedad de monotonismo, modelan una caracterstica propia del
razonamiento humano: cambiar de opinin.

_________________________________________________________________________
45

Inteligencia Artificial

Para cualquier sentencia y , por ejemplo, supongamos que la base de conocimiento


contiene una asercin adicional , se nos dice que hay exactamente 8 hoyos en el
escenario. Este conocimiento podra ayudar al agente a obtener conclusiones adicionales,
pero no puede invalidar ninguna conclusin ya inferida (como la conclusin de que no
hay un hoyo en la casilla [1, 2]).
El monotonismo permite que las reglas de inferencia se puedan aplicar siempre que se
hallen premisas aplicables en la base del conocimiento; la conclusin de la regla debe
permanecer sin hacer caso de qu ms hay en la base del conocimiento.
La lgica de predicados al ser un formalismo de razonamiento montono, no resulta muy
adecuada para ciertos dominios del mundo real, en los cuales las verdades pueden
cambiar con el paso del tiempo.
Tanto los humanos como los autmatas deben extraer conclusiones que son verdad en los
mejores modelos de los hechos que se han tenido en cuenta, hay diversos conceptos de lo
que es mejor en sistemas diferentes, muchos implican la minimizacin de algo, a medida
que se agregan nuevos hechos, algunas de las anteriores conclusiones no sobreviven, por
este motivo, el razonamiento que permiti arribar a esas conclusiones que han decado, se
denomina no-montono.

2.4.- La lgica de predicados: sintaxis, semntica, validez e inferencia.


Aunque la lgica de proposiciones es til, tiene limitaciones [2]. El principal problema es
que la lgica de proposiciones slo puede tratar con afirmaciones completas. Es decir, no
puede examinar la estructura interna de una afirmacin. La lgica de proposiciones ni
siquiera puede probar la validez de un silogismo5 como:
Todos los seres humanos son mortales.
Todas las mujeres son seres humanos.
Por lo tanto, todas las mujeres son mortales.
La lgica de predicado se desarroll con el fin de analizar casos ms generales. Su
forma ms simple es la lgica de predicados de primer orden, la base de lenguajes de
programacin lgicos como PROLOG (vase anexo Prolog). La lgica de proposiciones es
un subconjunto de la lgica de predicado.
La lgica de predicado se relaciona con la estructura interna de las afirmaciones, sobre
todo, se relaciona con el uso de palabras especiales llamadas cuantificadores, como
todo, algo y no. Estas palabras son muy importantes porque cuantifican
explcitamente otras palabras y hacen ms exactas las afirmaciones. Todos los
cuantificadores se relacionan con cuanto y, por tanto, permiten un alcance ms amplio
de la expresin que la lgica de proposiciones.
5

Silogismo. Es una forma de razonamiento lgico que consta de dos proposiciones y una conclusin, la ltima
de las cuales se deduce necesariamente de las otras dos.

_________________________________________________________________________
46

Inteligencia Artificial

La lgica formal, una consecuencia de las antiguas consideraciones filosficas, fue una de
las formas ms antiguas de representacin de conocimientos empleada en Inteligencia
Artificial. El sistema de lgica formal ms ampliamente empleado, llamado lgica de
predicados de primer orden, consiste de cuatro componentes principales: un alfabeto, un
lenguaje formal, un conjunto de enunciados bsicos llamados axiomas (expresados en el
lenguaje formal) y un conjunto de reglas de inferencia. Cada axioma describe el
fragmento de conocimientos y las reglas de inferencia se aplican a los axiomas para
deducir nuevos enunciados verdaderos.
Lgica de predicados: alfabeto
El alfabeto para un lenguaje formal consiste de los smbolos a partir de los cuales se
construyen los enunciados. Los alfabetos constan de predicados, variables, funciones,
constantes, conjunciones, cuantificadores y delimitadores tales como parntesis y comas
[3].

Constantes. Un smbolo constante, el componente ms sencillo en la lgica de predicados,

se usa para representar un elemento especfico del dominio. Este elemento puede ser
cualquier objeto sealado de inters, incluyendo los objetos fsicos y las abstracciones
tales como ideas, puntos de vista o conjuntos de datos. Una serie de letras maysculas se
emplea como un smbolo constante.
Entre los ejemplos estn:
TILIN
AZUL
CONSERVADOR

Un perro
Un color
Un pensamiento poltico

Variable. Un smbolo variable se emplea para representar un conjunto de elementos del


dominio sin especificar elemento alguno en concreto. Para un smbolo de variable se
emplea un conjunto de letras minsculas.
Entre los ejemplos estn:
Perro
Color
Opinin

Un elemento que es un perro, pero con una identidad no


especificada.
Un color no especificado.
Cualquier opinin.

Funciones. Adems de los smbolos constantes y variables, se puede emplear una funcin

para identificar un elemento del dominio. Una funcin describe un elemento


identificndolo como el resultado nico de la aplicacin de una transformacin entre otros
elementos del dominio. Una letra minscula se emplea como el smbolo de una funcin y
los argumentos pueden ser cualquier trmino vlido, donde un trmino es una forma de
identificar un elemento del dominio. Un trmino se define inductivamente como una
variable, una constante o una funcin.

_________________________________________________________________________
47

Inteligencia Artificial

Como ejemplos estn:


Padre (JUAN):

Una invocacin a una funcin que especifica el


elemento nico, en este caso un hombre, que es el
padre de JUAN.

Madre (padre (JUAN)):

Elemento nico que es la madre del padre de JUAN


abuela de JUAN.

Asesino (x):

La persona nica que asesin al elemento no


especificado representado por x.

Predicado. Los predicados se emplean para representar relaciones dentro del dominio e

indican que un elemento se relaciona en alguna otra forma especfica. Un predicado tiene
el valor de verdadero si los elementos dados estn relacionados de modo especfico y de
falso si no lo estn.

Los predicados (serie de letras maysculas) junto con trminos que identifican los
elementos relacionados, se emplean para conformar frmulas atmicas (o tomos), las
cuales estn entre los bloques bsicos de construccin de la lgica de predicados. Entre
los ejemplos estn:
HOMBRE (TITO)
MASALTO (TITO, PEPE)
MASALTO (TITO, padre (TITO))

Tito es un hombre
Tito es ms alto que Pepe
Tito es ms alto que su padre

Lgica de predicados: interpretacin


Dados los componentes anteriores, podemos conformar frmulas atmicas muy
interesantes. Para que una frmula sea til, de alguna forma debemos estar posibilitados
para determinar exactamente lo que representa. Para componer una frmula, el analista
selecciona en primer lugar, un conjunto de smbolos especficos y luego establece una
correspondencia; relacin entre cada uno de los smbolos seleccionados con el elemento
del dominio asociado. Este conjunto de correspondencias establece la semntica que nos
permite interpretar una frmula.
En el caso de frmulas atmicas sencillas, la interpretacin puede ser obvia. Por ejemplo,
consideremos la frmula, PERRO (TILIN). An sino se especifica interpretacin alguna,
podemos asumir que esta frmula representa el hecho que Tiln es un Perro. Nuestra
presuncin sin bases para esta interpretacin, se fundamenta en el hecho que PERRO se
escogi como smbolo de predicado, asociado con el hecho que Tiln es un nombre tpico
de un perro.

_________________________________________________________________________
48

Inteligencia Artificial

Lgica de predicados: conjunciones


Los componentes descritos hasta el momento tienen poco valor para representar
enunciados complejos compuestos. Por ejemplo, sera muy difcil representar el enunciado
Mi casa es azul, Victoriana de dos pisos, con persianas amarillas y est en un lote
esquinero. Aunque pudiramos definir un predicado AV2LE para indicar los atributos
anteriores y luego componer la frmula
AV2LE (MI-CASA), la frmula, aunque
tcnicamente correcta sera difcil de manejar y completamente intil para un manejo
sintctico independiente.
Para expresar proposiciones compuestas, empleamos conjunciones que combinan
frmulas para construir Frmulas bien definidas (FBD) ms complejas. Las frmulas
componentes pueden ser FBD o frmulas atmicas. Entre las conjunciones de uso
corrientes estn:
^
V

And (Y)
Or (O) inclusivo
Implica
Equivalente a
No (negacin)

A continuacin se describen:
^
Se usa para construir frmulas que sealan que los diferentes componentes deben
ser verdaderos para que la FBD completa sea verdadera. Cada componente de la frmula
en tal expresin se llama conjunto, y la expresin completa se llama conjuncin. Por
ejemplo,
AZUL (MI-CASA) ^ DOS-PISOS(MI-CASA) ^ VICTORIANA(MI-CASA) ^ PERSIANASAMARILLAS(MI-CASA) ^ ESQUINERA(MI-CASA)
V
Se usa para construir frmulas cuya veracidad depende solamente de la veracidad
de cualquiera de los componentes. Cada componente de la frmula se llama disjunto y la
expresin completa se llama disyuncin. Por ejemplo Hernn compr un automvil o un
camin, se representa por la disyuncin:
COMPRA (HERNAN, AUTOMOVIL) V COMPRA (HERNAN, CAMION)
~
El smbolo de negacin (~), el cual algunas veces se considera como una pseudoconjuncin porque no enlaza realmente frmulas, se emplea para cambiar el valor de la
veracidad de una FBD de verdadero a falso o de falso a verdadero. Cuando se aplica ~ a
una frmula, sta se convierte en negacin. Por ejemplo:
~ MUCHACHO (LAURA) representa la frase, Laura no es un muchacho.

Se usa para desarrollar constructos Si-Entonces (IF-THEN) y se denomina

implicacin. El hecho que el antecedente sea verdadero implica que el consecuente sea
tambin verdadero. Por ejemplo:
[PRESENTE (CHISPA) ^ PRESENTE (COMBUSTIBLE) ^ PRESENTE (AIRE)]
COMBUSTION (COMBUSTIBLE)

_________________________________________________________________________
49

Inteligencia Artificial

Se usa para indicar la equivalencia lgica de dos frmulas. Una frmula tal como
X Y indica que la veracidad del lado izquierdo y del lado derecho son equivalentes, sin
observar como se interpretan (mientras las variables sean interpretadas coherentemente).

Lgica de predicados: cuantificacin


Estamos utilizando la Lgica Proposicional, un subconjunto de la lgica de predicados, si
empleamos solamente las construcciones descritas hasta el momento y excluimos el uso
de variables en las expresiones. Desafortunadamente, aunque el empleo de conjunciones,
incrementa de manera apreciable nuestra potencia expresiva, an no podemos expresar el
hecho simple, toda persona necesita aire. Para ayudar a conformar dichas expresiones,
empleamos cuantificadores. El cuantificador universal x se utiliza para aseverar que una
frmula es verdadera para todos los valores de la variable asociada. Por ejemplo, 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
asignacin para x, que har que la frmula asociada sea veraz.
Por ejemplo, El propietario del automvil tambin lo es del bote se puede representar
como:
x [PROPIETARIO (x, AUTOMOVIL) ^ PROPIETARIO (x, BOTE)]

En este caso, la frmula es cierta si existe un dueo que posea un automvil y un bote.
Tambin es cierto si varias (o todas) personas del dominio posean ambos (son
propietarios mediante una sociedad).
La variable asociada con un cuantificador se llama variable cuantificada, y el alcance del
cuantificador es la frmula que sigue. Las variables que se referencian en los
cuantificadores se llaman ligadas y aquellas que no lo estn se llaman libres. La mayora
de las frmulas de inters para los sistemas expertos se llaman frases, que son las
frmulas que contienen solamente variables ligadas.
Lgica de predicados: el lenguaje
El lenguaje formal asociado con la lgica de predicados es el conjunto de todas las
frmulas que se pueden construir legalmente a partir del alfabeto de smbolos (el conjunto
de todos los enunciados que podran hacerse, dados los smbolos expuestos).
Una frmula legalmente construida en el lenguaje se llama frmula bien definida FBD y se
define inductivamente como sigue:
1.- Una frmula atmica es una FBD.
2.- Las siguientes son FBD: (~ F), (F^G), (F V G), (F G).
Donde: F y G son FBD

_________________________________________________________________________
50

Inteligencia Artificial

3.- Las siguientes son FBD: (xF) y (xF) donde F es una FBD y x una variable.
Dada esta definicin, podemos construir de modo arbitrario, FBD complejas, por ejemplo:

(x ) ((y) [P(x,y) Q(y,x) R(x,x) R(x,y)] )


Sin embargo, otras frmulas sencillas que se forman a partir de los smbolos del alfabeto
no son FBD. Por ejemplo, ~ f(A) no es una FBD de acuerdo con las reglas anteriores. Ms
importante an es que las siguientes no son FBD:

(P ) P(A) y (f) f(A)


Lgica de predicados: evaluacin
Los conceptos de verdad y prueba formal son importantes en un sistema de lgica
formal. El proceso de inferir nuevos conocimientos es un proceso estructurado como una
prueba similar a las pruebas desarrolladas en matemticas. Este proceso que depende
solamente de manipulaciones sintcticas y se ajusta cercanamente al ideal terico de un
sistema experto, es un mtodo para la demostracin rigurosa de la verdad de un
enunciado propuesto, basado en la verdad que ya se haya conocido. Este proceso,
obviamente, depende de nuestra habilidad para determinar si una FBD cualquiera es
verdadera o falsa.
El valor de la verdad de una frmula atmica se determina mediante la aplicacin de la
interpretacin del predicado: Si al darse la interpretacin del predicado en el dominio
expuesto, la relacin descrita por el predicado con sus argumentos es cierta, entonces el
valor de verdad del tomo es verdadero; de otra manera, el valor de verdad del tomo es
falso. Por ejemplo, si el predicado ALTO (x) se interpreta en el sentido de que x tiene al
menos 1.80m de alto, luego para encontrar el valor de verdad de la formula ALTO
(JOSE), medimos la estatura de Jos. Si tiene al menos 1.80m de alto, entonces la frmula
es verdadera; de lo contrario es falsa.
En la lgica proposicional, el valor de la verdad de una frmula compleja se puede
establecer mediante el empleo del mtodo de la Tabla de Verdad, que se basa en la tabla
de verdad que se muestra en la figura 11.

XY
VV
VF
FF
FV

X^Y
V
F
F
F

XY
V
V
F
V

XY
V
F
V
V

~X
F
F
V
V

XY
V
F
V
F

Figura 11. Tabla de verdad.

_________________________________________________________________________
51

Inteligencia Artificial

Obsrvese que la definicin de verdad para la conjuncin implica no es intuitivamente


clara. Un valor de verdad de una implicacin es verdadero por definicin, siempre que el
antecedente sea falso o el consecuente sea verdadero. El valor de verdad se aplica a la
implicacin total y no nos dice nada sobre la verdad de cualquier componente. Por lo
tanto, CABALLO(TILIN)GATO(TILIN) es verdadera.
Para determinar la veracidad o falsedad de una complicada frmula compuesta en lgica
de predicados, aplicamos en forma sucesiva las relaciones de la tabla de verdad para
reducir las frmulas componentes, inicindose desde el interior hacia fuera. Por ejemplo,
dado el conocimiento de que algn predicado P es falso y que los predicados Q y R son
verdaderos6 , para establecer el valor de veracidad de la expresin:
[(P (Q ^ R)) ^ ~ P] (Q ^ P)
empleamos en primer lugar la tabla de verdad para determinar que Q^R es cierta. La
expresin compuesta se reduce luego a
[(P tt) ^ ~ P] (Q ^ P)
Cuando se establece que P tt es cierta y se reduce la expresin a
(tt ^ ~ P) (Q ^ P)
Esta expresin se reduce entonces a la forma final empleando la siguiente secuencia:
(tt ^ tt) (Q ^ P)
tt (Q ^ P)
ttff
ff
De este modo se establece que la expresin total es falsa.

2.5.- La demostracin y sus mtodos.


Demostradores de teoremas
Demostradores de teoremas (tambin conocidos como razonadores automticos). Los
demostradores de teoremas aceptan la lgica de primer orden en su totalidad [1].
En muchos demostradores de teoremas, la forma sintctica escogida para las sentencias
no afecta a los resultados. Los demostradores de teoremas todava necesitan la
informacin de control para poder operar eficientemente, pero por lo general, dicha
6

Para este y sucesivos anlisis de lgica proposicional se asume que todos los ejemplos tienen la misma
constante, [P(A), Q(A), R(A)].

_________________________________________________________________________
52

Inteligencia Artificial

informacin se mantiene separada de la base de conocimiento, en vez de formar parte de


la propia representacin del conocimiento.
Gran parte de la investigacin en demostradores de teoremas se basa en encontrar
estrategias de control que sean de utilidad general al mismo tiempo que aumenten la
velocidad.
Los demostradores de teoremas han sido utilizados para verificar diseos de hardware y
para generar programas correctos desde el punto de vista lgico, entre otras aplicaciones.
Demostradores de teoremas como asistentes
Otro uso de los demostradores de teoremas es como asistentes, proporcionando consejo
a, por ejemplo, un matemtico. De este modo, un matemtico acta como un supervisor,
seleccionando la estrategia para determinar qu hacer seguidamente y pidiendo al
demostrador de teoremas que rellene los detalles. Este mecanismo alivia, en parte, el
problema de las semidecidibilidad, porque el supervisor puede cancelar una peticin e
intentar otro enfoque si la peticin est consumiendo mucho tiempo. Un demostrador de
teoremas tambin puede actuar como un comprobador de demostraciones, donde la
demostracin la da una persona en forma de un conjunto de pasos algo extenso, y las
inferencias concretas que se necesitan para demostrar que cada paso es slido las realiza
el sistema.
Un razonador Socrtico es un demostrador de teoremas cuya funcin PREGUNTA es
incompleta, pero que siempre puede llegar a una solucin si le han dado el orden correcto
de peticiones. De este modo, los razonadores Socrticos son buenos asistentes, dado que
haya un supervisor que enve las series llamadas correctas a PREGUNTA. ONTIC
[McAllester, 1989] es un sistema de razonamiento Socrtico para matemticos.

Usos prcticos de los demostradores de teoremas


Los demostradores de teoremas han surgido con resultados matemticos muy originales.
El programa Semi-Automated Mathematics (SAM) fue el primero en demostrar un lema de
la teora de retculos [Guard et al., 1969]. El programa AURA tambin ha respondido a
preguntas abiertas en diversas reas de las matemticas [Wos y Winker, 1983], el
demostrador de teoremas Boyer-Moore [Boyer y Moore, 1979] se ha utilizado y ampliado
durante muchos aos y se utiliz por Natarajan Shankar para dar la primera demostracin
formal rigurosa sobre el Teorema de la Incompletitud de Gdel [Shankar, 1986]. El
programa OTTER es uno de los mejores demostradores de teoremas; se han utilizado para
resolver diversas preguntas abiertas sobre lgica combinatoria. La ms famosa es la que
concierne al lgebra de Robbins. En 1933, Herbert Robbins propuso un conjunto
sencillo de axiomas que intentaban definir el lgebra Booleana, pero no se pudo encontrar
ninguna prueba que los demostrara. En octubre de 1996, despus de ocho das de clculo,
el EOP (una variante del OTTER) encontr una demostracin [Mc Cune, 1997].
Los demostradores de teoremas se pueden aplicar a los problemas relacionados con la
verificacin y sntesis del hardware y software, porque ambos dominios pueden

_________________________________________________________________________
53

Inteligencia Artificial

disponer de axiomatizaciones correctas. De este modo, la investigacin en la demostracin


de teoremas se lleva a cabo en los campos del diseo del hardware, los lenguajes de
programacin, y la ingeniera del software, no slo en la Inteligencia Artificial. En el caso
del software, los axiomas definen las propiedades de cada elemento sintctico del
lenguaje de programacin. Un algoritmo se verifica demostrando que sus salidas respetan
las especificaciones de todas las entradas. El algoritmo RSA de encriptacin de clave
pblica y el algoritmo de emparejamiento de texto de Boyer-Moore han sido verificados de
este modo [Boyer y Moore, 1984]. En el caso del hardware, los axiomas describen las
interacciones entre las seales y los elementos del circuito. El diseo de un sumador de 16
bits ha sido verificado por el AURA [Wojcik, 1983]. Los razonadores especialmente
diseados para la verificacin han sido capaces de verificar CPUs enteras, incluyendo
propiedades temporales [Srivas y Bickford, 1990].
La sntesis formal de algoritmos fue uno de los primeros usos de los demostradores de
teoremas, tal como perfila Cordell Green (1969a), quien trabaj sobre las ideas iniciales de
Simon (1963). La idea es demostrar un teorema de manera que exista un programa que
satisfaga ciertas especificaciones. Si la demostracin est restringida a ser constructiva el
programa se puede obtener. Aunque, tal como se le llama, la sntesis deductiva no ha sido
automatizada totalmente, y an no ha con seguido ser viable para la programacin de
propsito general, la sntesis deductiva guiada ha tenido xito en el diseo de diversos
algoritmos bastante sofisticados y novedosos. Los programas de sntesis para propsito
especfico tambin son un rea activa de investigacin. En el rea de sntesis de hardware,
el demostrador de teoremas AURA se ha aplicado en el diseo de circuitos que son ms
compactos que cualquier diseo anterior [Wojciechowski y Wojcik, 1983]. Para muchos
diseos de circuitos, la lgica proposicional es suficiente porque el conjunto de
proposiciones de inters est fijado por el conjunto de elementos del circuito. La aplicacin
de la inferencia proposicional en la sntesis del hardware es actualmente una tcnica
estndar que tiene muchas utilidades a gran escala.
Actualmente, estas mismas tcnicas se estn comenzando a aplicar en la verificacin del
software, por sistemas como el comprobador de modelos SPIN [Holzmann, 1997], por
ejemplo, el programa de control espacial del Agente Remoto fue verificado antes y
despus del vuelo [Havelund et al., 2000].

2.6.- El mtodo de resolucin de Robinson.


A partir de los trabajos de los precursores, han surgido dos tendencias para mejorar la
eficiencia de los mtodos mecnicos: Los mtodos basados en las ideas de Prawitz, 1960;
y los mtodos basados en el Principio de Resolucin de Robinson, 1965 [2].
El mtodo de resolucin de Robinson esta considerado como el precursor de toda una
familia de mtodos, que hacen uso de los conceptos centrales, pero que, de alguna
manera proponen algn refinamiento.
Consiste esencialmente en una extensin de la regla de la literal simple de Davis y
Putnam. Se aplica directamente a cualquier conjunto de clusulas (no necesariamente

_________________________________________________________________________
54

Inteligencia Artificial

clusulas base o aterrizadas), para probar la insatisfactibilidad de S. El aspecto central del


mtodo consiste en probar que si S contiene la clusula vaca, entonces es inconsistente.
En caso de que S no contenga la clusula vaca, se intentar derivarla a partir de las
clusulas existentes en S. Si la clusula vaca es derivada de las clusulas existentes, S es
inconsistente.
Resolucin
La muy eficaz regla de resolucin de inferencia, introducida por Robinson en 1965, con
frecuencia se implanta en programas de Inteligencia Artificial para prueba de teoremas
[Robinson, 1965]. En realidad la resolucin es la principal regla de inferencia de PROLOG.
En lugar de muchas reglas de inferencia de aplicacin limitada, como modus ponens,
modus tollens, combinacin, encadenamiento, etctera, PROLOG utiliza una regla de
inferencia general de resolucin. Esta aplicacin de la resolucin hace que los probadores
automticos de teoremas como PROLOG resulten herramientas prcticas para resolver
problemas, porque en lugar de tener que probar diferentes reglas de inferencia esperando
que una tenga xito, puede aplicarse la regla de resolucin simple, mtodo que puede
reducir mucho espacio en la bsqueda.
Como una manera de introducir la resolucin, consideremos primero el silogismo sobre
Scrates expresado en PROLOG como se muestra a continuacin, donde los comentarios
se muestran con un signo de porcentaje:
Mortal (X) :- hombre (X).
Hombre (scrates).
:- mortal (scrates).
S

%todos los hombres son mortales


%Scrates es un hombre
%consulta: Scrates es mortal?
%PROLOG responde s

PROLOG utiliza una notacin libre de cuantificador. El cuantificador universal , esta


implcito en la informacin de que todos los hombres son mortales.
PROLOG se basa en la lgica de predicados de primer orden, sin embargo, tambin tiene
varias extensiones para facilitar las aplicaciones de programacin. Estas funciones de
programacin especiales violan la lgica de predicados pura y se les denomina funciones
extralgicas: entrada/salida, corte (que altera el espacio de bsqueda) y
asegurar/retractar (para modificar valores de verdad sin justificacin de lgica).
Antes de que pueda aplicarse la resolucin, la frmula bien formada (fbf) debe estar en
una forma normal o estndar. Los tres principales tipos de formas normales son la forma
normal conjuntiva, la forma de clusula y subconjunto de clusula de Horn (vase
anexo Clusulas de Horn). La idea bsica de la forma normal es expresar la fbf de una
forma estndar que slo utilice ,
y tal vez ~. El mtodo de resolucin se aplica
entonces a las fbf de forma normal en la que todos los conectores y cuantificadores se
han eliminado. Esta conversin es necesaria porque la resolucin es una operacin sobre
pares de disyunciones, que produce nuevas disyunciones, lo que simplifica la fbf.

_________________________________________________________________________
55

Inteligencia Artificial

Este es un ejemplo de una fbf de forma normal conjuntiva, que se define como la
conjuncin de disyunciones, que son literales.
(P1 P2

) (Q1 Q 2 ) (Z1 Z 2

Trminos como P1 deben ser literales, lo que significa que no contienen conectores lgicos
como el condicional o bicondicional, o cuantificadores. Una literal es una frmula atmica
o una frmula atmica negada. Por ejemplo, la siguiente fbf:
(A B) (~B C)
Est de la forma normal conjuntiva. Los trminos entre parntesis son clusulas:
A B y ~B C
Cualquier fbf de lgica de predicados, que incluye a la lgica proposicional como un caso
especial, puede escribirse en forma de clusulas. La forma de clusula completa puede
expresar cualquier frmula de la lgica de afirmaciones, pero tal vez no sea tan natural o
legible como para una persona [Kowalski, 1979]. La sintaxis de PROLOG es el conjunto de
la clusula de Horn, que facilita en gran medida la comprobacin de los teoremas
mecnicos en PROLOG y hace su implantacin ms eficiente que la notacin lgica de
predicados normal o la forma de clusula completa. PROLOG solo permite un encabezado.
Por lo general, una expresin en forma de clusula completa se escribe de una forma
especial llamada forma de clusula de Kowalski:
A1, A2, AN B1, B2, BM
La cual se interpreta como si se dijera que si todos los subjetivos A1, A2,AN son
verdaderos, entonces uno o ms de B1, B2, o BN tambin son verdaderos. Obsrvese que
a veces la direccin de la flecha est invertida en esta notacin. Esta clusula, escrita en
notacin de predicados normal, es:
A1 A2, AN B1 B2 BN
Esto puede expresarse en forma disyuntiva como la disyuncin de literales utilizando la
equivalencia:
p q ~ p q
As:
A1 A2 AN B1 B2 BM
~(A1 A2 AN) (B1 B2 BM)
~ A 1 ~ A 2 ... ~ A N B 1 B 2 ...B M
Donde la ley de De Morgan:
~ (p q) ~ p ~ q

_________________________________________________________________________
56

Inteligencia Artificial

Se usa para simplificar la ltima expresin. PROLOG utiliza un tipo restringido de forma de
clusula, clusula de Horn, en la que slo se permite un encabezado.
A 1 , A 2 ,...A N B
Que se escribe en sintaxis de PROLOG como:
B : A 1 , A 2 ,...A N

El problema que surge al tratar de probar directamente un teorema, es la dificultad de


deducirlo utilizando slo las reglas de inferencia y los axiomas del sistema. Esto puede
requerir mucho tiempo para deducir un teorema o tal vez no seramos lo suficientemente
listos para hacerlo. Para probar que un teorema es verdadero, se utiliza el mtodo clsico
de reduccin al absurdo, o mtodo de contradiccin, entonces la fbf original no negada
es un teorema.
El objetivo bsico de la resolucin es inferir una nueva clusula, el resolutivo, de otras
dos clusulas, llamadas clusulas padre; el resolutivo tendr menos trminos que los
padres. Al seguir el proceso de resolucin, terminar por obtenerse una contradiccin o el
proceso se terminar porque no se ha hecho ningn progreso. En el siguiente argumento
se muestra un ejemplo simple de resolucin.

AB
A ~B
A
Una manera de ver como se llega a la conclusin, es escribiendo las premisas como:
(A B) (A ~ B)
Uno de los axiomas de distribucin 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 ltimo paso seguido desde (B ~B) siempre es falso. Esto se desprende de la
Ley del medio excluido, que establece que algo no puede ser verdadero y falso a la vez.
En la lgica de confusin, veremos que esta ley no se sostiene. Otra manera de escribir
esto utiliza el trmino nulo, que significa vaco, nada o falso. Por ejemplo, la Ley del
medio excluido establece que (B ~B) nulo.
El ejemplo de resolucin muestra la manera en que las clusulas padre (A B) (A ~B)
pueden simplificarse en el resolutivo A. En la siguiente figura 12 se resumen algunas
clusulas padre bsicas y sus resolutivos en notacin de clusula, donde las comas que
separan las clusulas significa .

_________________________________________________________________________
57

Inteligencia Artificial

Clusulas padre
pq, p
o
~p v q, p
pq, qr
o
~p v q, q v r
~p v q, p v q
~p v ~q, p v q
~p, p

Resolutivo
q
pr
o
~p v r
q
~p v p
o
~q v q
nulo

Significado
Modus ponens
Encadenamiento o silogismo
hipottico
Combinacin
VERDADERO (una
tautologia)
FALSO (una contradiccin)

Figura 12. Clusulas padre bsicas.

2.7.- Conocimiento no-montono y otras lgicas.


Se dice que un sistema de razonamiento es no montono cuando viola la condicin de
monotona, es decir, cuando un aumento de las premisas puede hacer disminuir el
conjunto de conclusiones obtenidas previamente.
Formalmente: un sistema es no montono si existen conjuntos de premisas BC y y
alguna conclusin tales que:
BC |= y sin embargo BC
(La aparicin de nuevas premisas puede invalidar alguna de las conclusiones anteriores).
Tipos de no monotona
Existen varios tipos de no monotona, aunque la frontera entre ellos no es del todo ntida,
y, a menudo, los distintos tipos aparecen de forma combinada. Una posible clasificacin,
en dos grandes grupos, es la siguiente:
Razonamiento defectivo
Consiste en la extraccin de conclusiones racionales (aunque no definitivas y por lo tanto
revisables) a partir de informacin incompleta, no concluyente.
Existen varias modalidades de razonamiento defectivo:

Prototpico: Basado en el uso de reglas con excepciones, reglas que describen una
situacin tpica (la que se da en condiciones normales), pero que pueden tener
excepciones, por lo que no son universalmente ciertas.
Ejemplo: Habitualmente, los pjaros vuelan.

_________________________________________________________________________
58

Inteligencia Artificial

Sin-riesgo: Casos en los que una conclusin equivocada puede tener consecuencias
desastrosas.
Ejemplo: En ausencia de evidencias iniciales de lo contrario, los acusados
son inocentes.

Mejor-conjetura: Consiste, ante la ausencia de mayor informacin, en elegir la


mejor conjetura posible.
Ejemplo: Es domingo, tengo que comprar algo y s que una de las dos
farmacias de mi pueblo est abierta, pero no s cual. La mejor conjetura es
elegir la ms cercana a mi casa.

Probabilstica: Similar al caso prototpico pero aplicable en situaciones en las que


las reglas generales se construyen mediante la utilizacin de probabilidades.

Razonamiento auto epistmico


Consiste en la extraccin de conclusiones racionales (aunque no definitivas y por lo tanto
revisables) a partir de una representacin incompleta de una informacin virtualmente
completa, por lo que se aplica la suposicin de que si la conclusin fuese falsa, se sabra.
El razonamiento auto epistmico se puede dividir en dos clases:

Por convencin. Casos en los que existe una convencin implcita que indica que, si
la conclusin fuese falsa, se sabra.
Ejemplo: Si en los horarios de trenes no aparece un cierto recorrido, es
porque no la hay.

Subjetivo. Casos en los que es una opinin subjetiva la que indica que si la
conclusin fuese falsa se sabra. Suele seguir el siguiente patrn:
Si x fuese cierto, lo sabra.
No s si x es cierto.
Por lo tanto deduzco que x es falso.
Ejemplo: Me preguntan si el profesor X va a dar una conferencia maana en
el departamento. Mi respuesta es no", aunque nadie me ha dicho que no
vaya a ser as, y la razn es que pienso que si fuese cierto, me habra
enterado.

_________________________________________________________________________
59

Inteligencia Artificial

Modelos
Los modelos de razonamiento no montono aportan por lo tanto mtodos formales para la
construccin de sistemas capaces de operar adecuadamente ante informacin incompleta,
incierta, imprecisa, sujeta a cambios y, en algunas ocasiones, contradictoria.
En particular, proponen mecanismos rigurosos para la revisin de razonamientos ante la
llegada de nueva informacin, permitiendo retractar aquellas conclusiones que han dejado
de ser vlidas y derivar nuevas conclusiones alternativas.
Existen diversos modelos de Razonamiento No Montono, que pueden clasificarse en tres
grandes categoras:
Modelos Simblicos: Basados en extensiones de la lgica clsica, Hiptesis del Mundo
Cerrado W, Lgicas modales no montonas, Lgicas defectivas W, Circunscripcin.
Modelos No Simblicos: Modelos probabilsticos.
Modelos borrosos: Sistemas basados en herencia W, Sistemas de mantenimiento de la
verdad.
Otro rasgo importante que permite clasificar a los modelos de razonamiento no montono
es su actitud ante informaciones contradictorias (ejemplo: cuqueros y republicanos):

Los modelos crdulos evitan las inconsistencias ofreciendo distintas soluciones


alternativas.

Los modelos escpticos evitan las inconsistencias abstenindose de emitir


conclusiones en caso de conflicto.

Cada uno de estos enfoques tiene sus ventajas e inconvenientes; sern el tipo de
razonamiento que se est formalizando y la aplicacin concreta los que determinen cul
de ellos es el ms adecuado.
Aplicaciones
Algunas de las aplicaciones ms relevantes del Razonamiento No Montono son las
siguientes:
Problemas de Diagnstico. Diagnstico mdico, de funcionamiento de equipos, etc. El
diagnstico se suele basar en unas reglas generales que permiten determinar las causas
ms probables del problema. Razonamiento legal. La mayora de las leyes estn escritas
mediante reglas con excepciones (por ejemplo: Los contratos son vlidos. Los contratos
con menores no son vlidos. Los contratos con menores ratificados por el tutor del menor
son vlidos.").
Tratamiento del lenguaje natural. El lenguaje natural es ambiguo, y est por lo tanto
sujeto a mltiples interpretaciones. Muchos actos comunicativos se basan en

_________________________________________________________________________
60

Inteligencia Artificial

convenciones, y normalmente se extraen conclusiones basadas en ellas a menos que estas


se violen explcitamente.
Razonamiento temporal. Operaciones que se realizan en marcos de trabajo cambiantes, lo
que obliga a hacer razonamientos predictivos sobre la evolucin del problema.
Visin. Cuando slo es posible ver una parte de un escenario, se asumen conclusiones por
defecto sobre el escenario completo, que pueden tener que ser revisadas ms adelante al
recibirse nueva informacin.
Circunscripcin y lgica por defecto
La introspeccin simple sugiere que esos fallos de la propiedad monotnica son
generalizados en el razonamiento basado en el sentido comn, parece que los humanos a
menudo llegan a conclusiones, por ejemplo, cuando uno ve un coche aparcado en la
calle, uno tiende normalmente a creer que el coche tiene cuatro ruedas aunque slo sean
visibles tres; ahora la teora de la probabilidad puede proporcionar una conclusin de que
la cuarta rueda existe con una alta probabilidad, incluso, para la mayora de la gente, la
posibilidad de que el coche no tenga la cuarta rueda no surge a menos que se presente
alguna nueva evidencia, por lo tanto, parece que la conclusin de la cuarta rueda se
alcanza por defecto, en ausencia de otra razn que lo ponga en duda; si se detectan
nuevas evidencias (por ejemplo, si uno ve al propietario del coche llevando una rueda y se
da cuenta de que el coche tiene un gato), entonces la conclusin puede ser negada.
Esta clase de razonamiento se dice que es no monotnico, porque el conjunto de
creencias no crece monotnicamente con el tiempo cuando se dispone de nuevo
conocimiento. La lgica no monotnica ha sido concebida con nociones modificadas de
verdad e implicacin para capturar este comportamiento. Se examinarn estos dos tipos
de lgica que han sido estudiados de forma extensiva: circunscripcin y lgica por defecto
[1].
La circunscripcin puede ser vista como una versin ms potente y precisa de la asuncin
del mundo cerrado. La idea es especificar predicados particulares que son asumidos como
tan falsos posibles (es decir, falso para todo objeto excepto para aquellos para los
cuales se conoce que es cierto). Por ejemplo supngase que se quiere expresar la regla
por defecto de que los pjaros vuelan. Se podra introducir un predicado. Por ejemplo
Anormal1(x), y escribir

Pjaro (x) Anormal1 (x) Vuela (x)


Si se especifica que Anormal1 va a ser circunscrito, un razonador que utiliza circunscripcin
asumir Anormal1(x) a menos que sea conocida la certeza de Anormal1 (Tweety).
La circunscripcin puede ser vista como un ejemplo de lgica de preferencia de modelos.
En este tipo de lgica, una sentencia se deduce (con valor por defecto) si es cierta en
todos los modelos preferidos de la base de conocimiento, en contraposicin a los
requerimientos de verdad en todos los modelos de la lgica clsica. Por circunscripcin, un

_________________________________________________________________________
61

Inteligencia Artificial

modelo se prefiere a otro si tiene menos objetos anormales. El ejemplo estndar para el
cual la herencia mltiple genera problemas se llama El diamante de Nixon. Surge de la
observacin de que Richard Nixon es un cuquero (y por lo tanto pacifista) y un
republicano (y por lo tanto no pacifista). Se podra escribir esto como sigue:
Republicano(Nixon) Cuquero(Nixon)
Republicano(x) Anormal (x) Pacifista (x)
2
Cuquero(x) Anormal (x) Pacifista (x)
3
Si se circunscriben Anormal2 y Anormal3, no existen modelos preferidos: uno en el que se
cumpla Anormal2 (Nixon) y Pacifista (Nixon) tambin se considera vlido. Por lo tanto es
pacifista. Si se desea adems afirmar que las creencias religiosas tienen precedencia sobre
creencias polticas, se podra usar un formalismo denominado circunscripcin priorizada
para dar preferencia a modelos donde Anormal3 es minimizado.
La lgica por defecto es un formalismo en el cual las reglas por defecto se pueden escribir
para generar conclusiones contingentes no monotnicas. Una regla por defecto se parece
a la siguiente:
Pjaro(x) : Vuela(x) / Vuela(x)
Esta regla significa que si Pjaro(x) es cierto y si Vuela(x) es consistente con la base de
conocimiento, entonces se puede concluir Vuela(x) por defecto. En general, una regla por
defecto tiene la forma
P : J1 ..., J n /C

Donde P es un prerrequisito, C es la conclusin, y Ji son las justificaciones (si cualquiera de


ellas se puede probar como falsa, entonces la conclusin no se puede alcanzar).
Cualquier variable que aparece en Ji o C tambin debe aparecer en P. El ejemplo del
diamante de Nixon puede ser representado utilizando lgica por defecto con un hecho y
dos reglas por defecto.
Republicano(Nixon) Cuquero(Nixon)
Republicano(x) : Pacifista( x)/ Pacifista (x)
Cuquero(x) : Pacifista (x) /Pacifista (x)
Para interpretar cul es el significado de las reglas por defecto, se definir la nocin de
una extensin o una teora por defecto como el conjunto mximo de consecuentes de la
teora. Es decir, una extensin S consta de los hechos originales conocidos y un conjunto
de conclusiones a partir de las reglas por defecto, de tal modo que no se pueden alcanzar
conclusiones adicionales desde S y las justificaciones de cada conclusin por defecto en S
son consistentes con S. Como en el caso de los modelos preferidos en la circunscripcin,
se tienen dos posibles extensiones para el diamante de Nixon: uno en el que l es un
pacifista y otro en el que no lo es. Existen esquemas priorizados en los que a algunas
reglas por defecto se les puede dar precedencia sobre otras, permitiendo resolver algunas
ambigedades.

_________________________________________________________________________
62

Inteligencia Artificial

Desde 1980, cuando se propuso por primera vez la lgica no monotnica, se han hecho
muchos progresos para entender sus propiedades matemticas, comenzando en los
ltimos aos de la dcada de los 90, los sistemas prcticos basados en programacin
lgica han demostrado ser prometedores como herramientas para la representacin del
conocimiento, por ejemplo, si los coches tienen cuatro ruedas es falso, qu significa el
que lo tengamos en nuestra base de conocimiento? Cul es el conjunto apropiado de
reglas por defecto que debemos tener? Si no se puede decidir, para cada regla por
separado, si debe pertenecer a la base de conocimiento, entonces existe un problema
serio de no modularidad. Por ltimo, cmo se pueden usar las creencias que tienen un
valor por defecto para tomar decisiones? Probablemente esta sea la cuestin ms difcil de
resolver para el razonamiento por defecto. Las decisiones a menudo implican cambios, y
por lo tanto, 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, es posible
interpretar las reglas por defecto como afirmaciones que establecen un umbral de
probabilidad. Por ejemplo, la regla por defecto mis frenos estn correctos, en ausencia
de otra informacin, es suficientemente alta para que la decisin ptima sea conducir sin
revisarlos. Cuando el contexto para la toma de decisiones cambia (por ejemplo, cuando
uno conduce un camin pesado muy cargado por una carretera de montaa empinada), el
valor por defecto de repente no es el apropiado, incluso cuando no haya evidencia que
sugiera que los frenos estn mal.
Estas consideraciones han llevado a algunos investigadores a considerar cmo encapsular
el razonamiento por defecto en la teora de la probabilidad.

2.8.- Razonamiento probabilstico.


El concepto o idea que generalmente se tiene del trmino probabilidad es adquirido de
forma intuitiva, siendo suficiente para manejarlo en la vida corriente.
A la medida numrica de la posibilidad de que ocurra un suceso A cuando se realiza el
experimento aleatorio. A esta medida la llamaremos probabilidad del suceso A y la
representaremos por p(A).
La probabilidad es una medida sobre la escala 0 a 1 de tal forma que:
Al suceso imposible le corresponde el valor 0.
Al suceso seguro le corresponde el valor 1.
El resto de sucesos tendrn una probabilidad comprendida entre 0 y 1. El
concepto de probabilidad no es nico, pues se puede considerar desde distintos puntos de
vista:
-

El punto de vista objetivo.


Definicin clsica o a priori.
Definicin frecuentista o a posteriori.

El razonamiento probabilstico es un caso dentro del razonamiento no montono.

_________________________________________________________________________
63

Inteligencia Artificial

Ventajas:
La principal ventaja del razonamiento probabilstico sobre el razonamiento lgico es que el
primero permite tomar decisiones racionales an en los casos en que no haya suficiente
informacin para probar que cualquier accin dada funcionar.
Las redes bayesianas o probabilsticas son una representacin grfica de dependencias
para razonamiento probabilstico en sistemas expertos.

2.9.- Teorema de Bayes.


La teora de la probabilidad se puede aplicar:
-

A los sucesos o eventos: probabilidad frecuencial o de ocurrencia.


A las proposiciones: probabilidad de que sean o no ciertas.

La mayora de las veces se define la probabilidad en funcin de las frecuencias de


ocurrencias de sucesos contenidos en un conjunto de posibilidades. No obstante, en la
vida diaria y en las ciencias e ingenieras, asignamos tambin probabilidades a las
proposiciones para indicar un grado de credibilidad basada en las evidencias de que
disponemos. Por ejemplo, la probabilidad de que maana llueva teniendo en cuenta la
informacin meteorolgica de que disponemos; la probabilidad de que Miguel de

Cervantes se refiriera a Argamasilla de Alba como el lugar de La Mancha de cuyo nombre


no quera acordarse, teniendo en cuenta la informacin de que disponemos sobre su

estancia por aquella zona. Lgicamente a esta proposicin no le podemos dar una
probabilidad basada en la frecuencia de ocurrencia del hecho, pero no obstante se usa
este tipo de juicios en nuestra vida diaria.
Lo incompleto de la informacin de que disponemos nos lleva a asignar un grado de
certidumbre o de credibilidad a las proposiciones. De este modo, las probabilidades se
pueden utilizar para, a partir de unas evidencias, dar una medida del grado de credibilidad
que se da a unas proposiciones, a partir de ellas realizar inferencias.

La probabilidad de que una variable aleatoria pueda o no ocurrir, o que una proposicin Xi,
sea cierta o no lo sea, se denomina probabilidad incondicional o a priori. Es decir,
representa la probabilidad de que algo ocurra p(A) antes de considerar ninguna
informacin adicional p(A|E).
Supongamos que tenemos dos proposiciones X e Y, y una serie de evidencias o hiptesis
que recogemos bajo la proposicin Z. Se designa P(X|Z) a la probabilidad condicional
de que X sea verdadera dado que Z es verdadera. Tambin se suele decir, la probabilidad
de X dada Z. de manera similar designamos por P(Y|Z) la probabilidad de Y dado Z.
El conocimiento de la ocurrencia de un suceso puede modificar las probabilidades de otros
sucesos. Por ello, cada vez que se dispone de nueva informacin, las probabilidades de los
sucesos pueden y suelen, cambiar.

_________________________________________________________________________
64

Inteligencia Artificial

La regla de Bayes y su uso


La regla del producto se puede escribir de dos formas por la conmutatividad de la
conjuncin [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), obtenemos

P(b a)

P(a b)P(b)
P(a)

Esta ecuacin se conoce como regla de Bayes (tambin como ley de Bayes o teorema de
Bayes). Esta ecuacin sencilla subyace en todos los sistemas de Inteligencia Artificial
modernos con inferencia probabilstica. El caso ms general para variables multivaluadas
puede escribirse con la notacin P como.

P( Y X) =

P(X Y)P(Y)
P(X)

Donde de nuevo se interpreta como la representacin de un conjunto de ecuaciones, y


cada relacin con valores especficos de las variables. Tambin tendremos ocasin de usar
una versin ms general, condicionada a alguna evidencia base e.

P(Y X, e) =

P(X Y, e)P( Y e)
P(X e)

Aplicacin de la regla de Bayes: el caso sencillo


A primera vista, la regla de Bayes no parece muy til. Requiere tres trminos (una
probabilidad condicional y dos probabilidades incondicionales) slo para calcular una
probabilidad.
La regla de Bayes es til en la prctica porque hay muchos casos donde disponemos de
buenas estimaciones probabilistas para estos tres nmeros y necesitamos calcular el
cuarto. En una tarea como el diagnstico mdico, con frecuencia tenemos probabilidades
condicionales de relaciones causales y necesitamos deducir un diagnstico. Un mdico
sabe que la enfermedad de meningitis causa al paciente que el cuello se agarrote,
digamos, el 50 por ciento de las veces. El mdico tambin 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. Si
tomamos s como la proposicin de que el paciente tiene un cuello agarrotado y m como la
proposicin de que el paciente tiene meningitis, tenemos

_________________________________________________________________________
65

Inteligencia Artificial

P(s m) = 0.5
P(m) = 1/150 000
P(s) = 1/20

P(m s) = P(s m)P(m) \P(s) =

0.5 1/50 000


= 0.0002
1/20

Es decir, esperamos que slo un paciente de entre 5, 000 con un cuello agarrotado tengan
meningitis. Ntese que, aun pensando en que una meningitis apunta a un cuello
agarrotado con bastante contundencia (con probabilidad 0.5), la probabilidad de
meningitis en el paciente se queda pequea. Esto es porque la probabilidad a priori de un
cuello agarrotado es mucho ms alta que la meningitis.
El proceso por el que se puede evitar la asignacin de probabilidades de la evidencia se
puede aplicar en la regla de Bayes. Tenemos
P( M s) = P(s m)P(m), P(s m)P( m)
As para usar esta aproximacin necesitamos estimar P(s m) en vez de P(s). A veces es
ms fcil, a veces es ms difcil. La frmula general de la regla de Bayes con normalizacin
es
P( Y X) = P( X Y)P(Y)

Donde es la constante de normalizacin necesaria para hacer que las entradas de


P( Y X) sumen 1.
Una cuestin obvia sobre la regla de Bayes es por qu uno debe disponer de la
probabilidad condicional en un sentido, pero no en el otro. En el dominio de la meningitis,
quizs el mdico sabe que un cuello agarrotado implica meningitis en uno de cada 5, 000
casos; es decir, el mdico tiene informacin cuantitativa en el sentido de los sntomas a
las causas, el sentido diagnstico. Tal mdico no tiene necesidad de usar la regla de
Bayes. Desafortunadamente, el conocimiento diagnstico es con frecuencia ms frgil que
el conocimiento causa. Si hay una epidemia repentina de meningitis, la probabilidad
incondicional de meningitis, P(m), aumentar. El mdico que obtuvo la probabilidad
diagnstica P(m s) directamente de la observacin estadstica de pacientes antes de la
epidemia no tendr ni idea de cmo actualizar el valor, pero el mdico que calcula P(m s)
a partir de los otros tres valores ver que P(m s) aumentar proporcionalmente a P(m).
Lo que es ms importante, la informacin causal P(s m) no se ve afectada por la
epidemia, ya que sencillamente refleja el modo en que acta la meningitis. 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.

_________________________________________________________________________
66

Inteligencia Artificial

Problemas de los mtodos Bayesianos

En que se basan las probabilidades a priori y condicionadas? Muestra estadstica


grande, valor suministrado por un experto.

No son capaces de explicar el proceso de razonamiento: los sistemas de


diagnstico mdico basados en bayes no son aceptados porque no explican como
llegan a las conclusiones.

_________________________________________________________________________
67

Inteligencia Artificial

Cuestionario de evaluacin.
Escribir el concepto que corresponda a cada definicin.
1.- ______________________________________________________________________
Los componentes bsicos de esta red son los nodos y los enlaces. Los nodos se emplean
para representar elementos del dominio, se muestran grficamente como rectngulos y
son rotulados con los nombres de los elementos representados. Los enlaces representan
relaciones entre los elementos.
2.- ______________________________________________________________________
Sus componentes son: alfabeto, lenguaje formal, axiomas y reglas de inferencia.
3.- ______________________________________________________________________
Es un lenguaje de programacin lgico e interpretado, bastante popular en el medio de
investigacin en Inteligencia Artificial.
4.- ______________________________________________________________________
La aplicacin de sta hace que los probadores automticos de teoremas como PROLOG
resulten herramientas prcticas para resolver problemas, porque en lugar de tener que
probar diferentes reglas de inferencia esperando que una tenga xito, puede aplicarse la
regla simple, mtodo que puede reducir mucho espacio en la bsqueda.
5.- ______________________________________________________________________
Conjunto de datos sobre hechos, verdades o de informacin almacenada a travs de la
experiencia o del aprendizaje (a posteriori), o a travs de introspeccin (a priori).
6.- ______________________________________________________________________
Conjunto de actividades mentales consistentes en conectar unas ideas con otras de
acuerdo a ciertas reglas o tambin puede referirse a estudio de este proceso, conjunto de
proposiciones enlazadas entre s que dan apoyo o justifican una idea.
7.- ______________________________________________________________________
Establece que puede calcular la probabilidad condicional de que un evento o proposicin Y
ocurra o sea cierta, si el evento o proposicin X ya ha ocurrido o es cierta, suponiendo
conocidas la probabilidad a priori de X e Y, y la probabilidad de X dado Y.

Respuestas: Redes semnticas, Lgica de predicados, Prolog, Regla de resolucin de inferencia, Conocimiento,
Razonamiento, Teorema de Bayes o regla de Bayes

_________________________________________________________________________
68

Inteligencia Artificial

UNIDAD 3
SISTEMAS DE RAZONAMIENTO LGICO

_________________________________________________________________________
69

Inteligencia Artificial

UNIDAD 3

SISTEMAS DE RAZONAMIENTO LGICO

3.1.- Reglas de produccin.


La representacin del conocimiento en forma de reglas de produccin fue propuesta por
Post en 1943.
La regla es la forma ms comn de representar el conocimiento, debido a su gran sencillez
y a ser la formulacin ms inmediata del principio de causalidad (causa-efecto).
Una regla consta de un conjunto de acciones o efectos (una o ms) que son ciertas
cuando se cumplen un conjunto de condiciones o causas (una o ms). La fortaleza de una
regla es la funcin de la lgica que admita en las expresiones de las condiciones y de las
conclusiones.
El mundo es una representacin del conocimiento mediante reglas de produccin y se
hace mediante un conjunto de hechos que son verdaderos y un conjunto de reglas de
produccin que muestran la forma de la evolucin de estos hechos. En la representacin
del conocimiento de tipo procedimental la forma de describir el mundo es muy similar
pues se hace mediante los datos y algoritmos, obtenindose nuevos datos verdaderos o
resultados [7].
En las reglas de produccin:

Utilizacin indirecta de la lgica de predicados.


Pares condicin-accin que definen una condicin que si se satisface causa que
se dispare la regla, aplicndose la accin correspondiente. Responden al
esquema if-then.
Muy utilizadas en la prctica (Sistemas expertos).
Los sistemas basados en este tipo de representacin se denominan sistemas de
produccin.
Las reglas suelen aplicarse por encadenamiento hacia delante o
encadenamiento hacia atrs.

Ejemplo 1:
SI estoy esperando en la parada de autobs y llega ste,
ENTONCES subir al autobs.
SI estoy en el autobs,
ENTONCES pagar el billete.

_________________________________________________________________________
70

Inteligencia Artificial

SI estoy en el autobs y he pagado el billete,


ENTONCES encontrar un asiento libre.
Ejemplo 2:
Hecho: en mi jardn tengo una PLANTA PERENNE, ALTA Y CON EL TRONCO DESNUDO.
Regla 1: Un rbol es una planta perenne, alta y con el tronco desnudo.
Nuevo hecho: En mi jardn tengo un rbol.
La frmula general de la regla es la siguiente:
SI <Condiciones> ENTONCES <Conclusiones o acciones>.
La conclusin se suele referir a la creacin de un nuevo hecho vlido, o la incorporacin
de una nueva caracterstica a un hecho, mientras que la accin suele referirse a la
transformacin de un hecho.
En nuestro ejemplo:
REGLA 1:<rbol> SI <planta Y perenne Y alta Y tronco desnudo>.
REGLA 2: <arbusto> SI <planta Y perenne Y NO alta Y tronco NO desnudo>.
REGLA 3: <alta> SI <altura >= 6 metros>.

En lenguajes de PROLOG las reglas se pueden escribir de forma directa.


Existe una restriccin de la sintaxis de las reglas de produccin que se denomina Clusulas
de Horn y que es utilizada por el lenguaje PROLOG, consistente en:
1.- Slo existe una conclusin por regla.
2.- La conclusin no puede ser negada.
El conocimiento acerca de las reglas de produccin que siguen esta misma estructura, se
denomina Meta-reglas (el prefijo meta significa por encima o ms alto). Las Metareglas facilitan la resolucin de los problemas, las Meta-reglas pueden inhibir parte de los
mdulos lo que hace ms rpida la bsqueda de soluciones.
Existen dos clases de meta-reglas que son:
a) Las meta-reglas ciegas, son aquellas que contienen conocimiento sobre la
estructura de las reglas, es decir sobre su sintaxis.
Ejemplos de meta-reglas ciegas son las siguientes:
Elegir la regla ms corta.
Elegir la primera regla.
Elegir la regla con mayor peso.
Elegir la regla utilizada ms recientemente.

_________________________________________________________________________
71

Inteligencia Artificial

b) Las meta-reglas no ciegas o inteligentes, son aquellas que contienen conocimientos


sobre el contenido de las reglas es decir sobre su semntico.
Un ejemplo de la meta-regla no ciega es:
Un rbol joven no es alto, por lo que no es aplicable la regla 1.
Formulando esto con la misma sintaxis que se ha utilizando sera:
NO <REGLA1> SI <joven>.
Existen un tipo de reglas que normalmente se les denomina estratgicas, que consisten en
la ejecucin de algoritmos o procedimientos para el control del proceso. De esta forma se
puede omitir el metaconocimiento. Sin embargo, no parece excesivamente lgico o
limpio construir un sistema experto empleando este tipo de reglas. En un sistema as no
estara en forma declarativa sino en forma procedimental, esto quiere decir que en la base
de conocimientos se incluiran algoritmos y procedimientos de control, lo cual implicara de
forma implcita o explcita la no independencia de la base de conocimientos y el control, lo
que nos llevara a una filosofa de programacin tradicional en la que en el mejor de los
casos el control fuera de forma funcional como es en LISP.
Las ventajas que representan las reglas de produccin son su carcter declarativo, su
sencillez, su uniformidad que permite la representacin de conocimiento como de
metaconocimiento, su independencia que permite la supresin o inclusin sin que se vea
afectado el resto de la base de conocimientos y su modularidad al ser fcilmente
agrupables.
Las desventajas que representan las reglas de produccin, es la dificultad de establecer
relaciones, para lo cual hay que recurrir al uso de las meta-reglas, al crecimiento muy
rpido del nmero de reglas lo que relentiza el proceso de inferencia y a la gran facilidad
con la que se pueden introducir repeticiones y, lo que es peor, contradicciones [20].

3.2.- Sintaxis de las reglas de produccin.


- A1 A2. ... An => C - representacin objeto-atributo-valor
Un problema con el uso de las redes semnticas es que no hay definiciones estndar para
nombrar los vnculos. Por ejemplo, algunos utilizan ES-UN para relaciones genricas
individuales. ES-UN se utiliza entonces en el sentido ordinario de las palabras es un y
tambin en el sentido de UN-TIPO-DE.
Otro vnculo muy utilizado es TIENE-UN, que relaciona una clase con una subclase.
TIENE-UN seala a la inversa de UN-TIPO-DE y suele utilizarse para relacionar un objeto
con una parte del objeto.

_________________________________________________________________________
72

Inteligencia Artificial

Por ejemplo,
El automvil TIENE-UN motor.
El automvil TIENE-UNAS llantas.
El automvil ES-UN ford.
Ms especficamente, ES-UN relaciona un valor con un atributo mientras que TIENE-UN
relaciona un objeto con un atributo.
Los elementos objeto, atributo y valor ocurren tan frecuentemente que es posible
construir una red semntica simplificada utilizando nicamente estos elementos. Una
tripleta objeto-atributo-valor (OAV), puede utilizarse para caracterizar todo el
conocimiento de una red semntica y se us en el sistema experto MYCIN para
diagnosticar enfermedades infecciosas. La representacin del tro OAV es conveniente
para ordenar el conocimiento en forma de tabla y luego introducirla al cdigo de la
computadora mediante reglas de induccin. En la figura 13 se muestra el ejemplo de una
tabla con el tro OAV.
Objeto
Manzana
Manzana
Manzana
Uvas
Uvas
Uvas

Atributo
Color
Tipo
Cantidad
Color
Tipo
Cantidad

Valor
Roja
Golden
100
rojas
sin semilla
500

Figura 13. Ejemplo de una tabla con el tro OAV (objeto-atributo-valor).

Los tros OAV son especialmente tiles para representar los hechos y sus patrones para
llevarlos al antecedente de una regla. La red semntica para este tipo de sistema consta
de nodos para objetos, atributos y valores, conectados por vnculos TIENE-UN y ES-UN.

3.3.- Semntica de las reglas de produccin.


La semntica es la dimensin del lenguaje que relaciona los elementos lingsticos,
nombres, predicados y oraciones, con los objetos, las acciones y propiedades y los hechos
del mundo. La semntica tiene que ver con nuestra capacidad de representarnos el mundo
mediante smbolos [12].
Un smbolo o signo tiene una estructura triangular:
a) El significante: es el objeto lingstico arbitrario. Una secuencia de grafas o
fonemas que tiene una existencia fsica. Por ejemplo: la palabra mesa.

_________________________________________________________________________
73

Inteligencia Artificial

b) El significado: es la intencin del significante y es un concepto o categora que


expresa las propiedades generales y significativas de un objeto de la realidad que
denotamos con el significante. Por ejemplo, la palabra mesa significa un tablero
con cuatro patas capaces de soportar un peso o una fuerza. El significado nos
permite localizar la referencia, el objeto del que habla el significante.
c) La referencia o extensin es el objeto real del mundo representado por el
significante. Las referencias de los posibles tipos de significantes del lenguaje
seran las siguientes:

El nombre refiere a un objeto del mundo.


El predicado refiere a una propiedad del mundo.
La oracin refiere a un valor de verdad.
Smbolo o Signo

Significante
mesa

Significa

Representa

Significado: tablero con patas


capaz de soportar objetos o
fuerzas sobre l

Referencia

Localiza

Figura 14. Estructura de un smbolo o signo.

Efectivamente toda oracin remite a un hecho si el hecho ocurre, en cuyo caso se dice
que esa oracin es verdadera; si no ocurre, se dice de ella que es falsa. La verdad
entonces es una propiedad de las oraciones que se refieren, remiten o representan hechos
en el mundo.
Naturalmente cada oracin tiene o puede tener un significado distinto, pero las referencias
posibles de las oraciones son slo dos: lo verdadero o lo falso. La verdad es, en
consecuencia es una nocin semntica por medio de la cual valoramos o juzgamos la
relacin que se establece entre las oraciones que expresan hechos del mundo y estos
mismos hechos.

_________________________________________________________________________
74

Inteligencia Artificial

Esta consideracin del smbolo permiti a las ciencias que tratan con el lenguaje abordar
el estudio de ste mediante una metodologa atomista y una ontologa7 realista que se
permita considerar al lenguaje como una estructura articulable, generativa, veritativafuncional que era independiente de quien lo usara, del contexto en que se usaba e incluso
de los procesos de comprensin o creacin de las formas lingsticas. Es lo que Newell
(1980) denomino sistema de smbolos fsicos. Desde esta perspectiva, el lenguaje puede
comprenderse como un sistema de reglas de produccin que generaba cadenas de
smbolos como meras estructuras sintcticas a las que se les poda asignar
interpretaciones rgidas para que refirieran a elementos del mundo ya fuera el mundo
natural o cualquier mundo formal, por un lado. Por el otro lado, cabe una interpretacin
cognitivista que relacionara los signos con las estructuras conceptuales de una mente
simblica, pero esta dimensin resultaba difcil de manejar y, a la postre, era irrelevante
para la visin realista que estaba nicamente interesada en los procesos de conocimiento
del mundo y de produccin de teoras verdaderas. De este modo, la nica semntica
verdaderamente til y manejable era la semntica extensional que slo tenia en cuenta la
relacin de verdad que se establece entre los elementos de lenguajes, los objetos y
hechos del mundo.
La teora de modelos, desde luego inspir a toda una serie de ciencias -filosofa del
lenguaje, lgica, ciencia cognitiva, lingstica, Inteligencia Artificial- a aventurarse en un
segundo intento histrico de establecer una teora del conocimiento que por fin nos
colocara en la vida de la verdad que Parmnides8 nos asegur que era la nica transitable.
La ciencia cognitiva, que haba recuperado la mente con su papel causal al que le haba
condenado el conductivismo, pronto mostr que la nocin de informacin no era suficiente
para explicar las complejas relaciones que los sistemas que la procesan establecen con el
mundo para sobrevivir en l. La Inteligencia Artificial, como tecnologa al servicio de todas
las disciplinas para la verificacin de las teoras, mostr justo todo lo contrario. Mostr que
con estas semnticas de modelos o de mundos posibles, o en general, objetivistas,
nuestra posibilidad de supervivencia en un mundo abierto, cambiante y lleno de novedad
era nula.

3.3.1.- Conocimiento causal.


Relacin causal
Definicin: Un mtodo para definir el conocimiento consiste en representar la causa y el
efecto como entidades relacionadas. Una relacin causal enlaza las causas con los efectos
de forma comprensible como si fuera un teorema lgico (por ejemplo, si llueve, entonces
las plantas van a crecer) [13].
7

El trmino ontologa en informtica hace referencia al intento de formular un exhaustivo y riguroso esquema
conceptual dentro de un dominio dado, con la finalidad de facilitar la comunicacin y la comparticin de la
informacin entre diferentes sistemas.
Un uso comn tecnolgico actual del concepto de ontologa lo encontramos en la Inteligencia Artificial y la
representacin del conocimiento.
8
Es considerado por muchos eruditos como el miembro ms importante de la escuela eletica. Con l y con
Herclito de feso comienza segn Ortega y Gasset, la filosofa propiamente tal.

_________________________________________________________________________
75

Inteligencia Artificial

Relacin que vincula dos ideas a travs de una conexin supuestamente necesaria. Es uno
de los tres principios de asociacin. La causalidad no tiene carcter necesario cuando se
aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repeticin (o
conjuncin constante) no es ms que una creencia; es algo que esperamos que suceda,
no algo que deba suceder necesariamente sino algo que debe ser evaluado en trminos
de posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a
hechos que todava no han sucedido, porque no tenemos evidencia de que lo todava no
ha sucedido, la falta de un concepto de causalidad nos conduce necesariamente al
escepticismo.
Las acciones de cualquier agente, sea humano o un sistema inteligente, tomadas para
alcanzar una meta en cierto contexto, son precedidas por las decisiones tomadas en base
al conocimiento adquirido. Aceptar la idea del principio y considerando lo que el agente
tiene que hacer para producir ciertos cambios y alcanzar la meta, para actuar en el
ambiente, el desempeo del agente sern influenciados por su conocimiento causal en el
cual el agente deber conocer no slo los resultados de una accin sino tambin sus
consecuencias. El agente puede tambin re(actuar) en modo reflexivo (a travs de
acciones reactivas) para estimular aquellas acciones que lo llevarn a la consecucin de la
meta.
Las reglas causales reflejan la direccin que se asume de casualidad en el mundo: algunas
propiedades ocultas del mundo causan que se generen ciertas percepciones.

3.3.2.- Conocimiento de diagnstico.


Reglas de diagnstico
Las reglas de diagnstico nos llevan de los efectos observados a sus causas ocultas.
Mientras que para la deteccin de fallos es suficiente conocer las condiciones de
funcionamiento normal, para el diagnstico a menudo es necesario un conocimiento ms
profundo del proceso, incluyendo su operacin en fallo.
Muchas de las aplicaciones actuales de deteccin y diagnstico de fallos van asociadas a
resultados de investigacin y son soluciones a medida. La tendencia es desarrollar
sistemas integrados que incluyen y combinan diversas tcnicas.
El problema principal al que se encuentran las tcnicas de deteccin y diagnstico de fallos
es la complejidad creciente de los procesos actuales debido a no linealidades, sistemas
cambiantes, mltiples interacciones y acoplamientos, distribucin de tareas, etc. [20].
Los sistemas que razonan con reglas causales se denominan razonamiento basado en
modelos, porque las reglas causales forman un modelo de cmo se comporta el entorno.
La diferencia entre el razonamiento basado en modelos y el de diagnstico es muy
importante en muchas reas de la Inteligencia Artificial. El diagnstico mdico en concreto

_________________________________________________________________________
76

Inteligencia Artificial

ha sido un rea de investigacin muy activa, en la que los enfoques basados en


asociaciones directas entre los sntomas y las enfermedades (un enfoque de diagnstico)
han sido reemplazados gradualmente por enfoques que utilizan un modelo explcito del
proceso de la enfermedad y de cmo se manifiesta en los sntomas [1].

3.4.- Arquitectura de un sistema de Produccin (SP) ( Sistemas Basados


en Reglas, SBR).
Sistemas de produccin
Un sistema de produccin proporciona una estructura que facilita la descripcin y la
ejecucin de un proceso de bsqueda. Un sistema de produccin consiste de:

Un conjunto de facilidades para la definicin de reglas.


Mecanismos para acceder a una o ms bases de conocimientos y datos.
Una estrategia de control que especifica el orden en el que las reglas son
procesadas, y la forma de resolver los conflictos que pueden aparecer cuando
varias reglas coinciden simultneamente.
Un mecanismo que se encarga de ir aplicando las reglas.

Dentro de esta definicin general de sistema de produccin, se incluyen:

Lenguajes bsicos para sistemas de produccin (LISP, CLIPS, PROLOG). Tambin


se los conoce como lenguajes de Inteligencia Artificial.
Sistemas hbridos y sistemas vacos (shells) para produccin de sistemas basados
en conocimientos (VP-Expert, Expert Teach, Personal Consultant, Intelligence
Compiler, EXSYS).
Arquitecturas generales para resolucin de problemas (mquinas LISP, mquinas
PROLOG).

Caractersticas de los Sistemas de Produccin


Un sistema de produccin, al igual que los problemas, puede ser descrito por un conjunto
de caractersticas que permiten visualizar la mejor forma en que puede ser implementado.
Un sistema de produccin se dice que es monotnico si la aplicacin de una regla nunca
evita que ms tarde se pueda aplicar otra regla que tambin pudo ser aplicada al
momento en que la primera fue seleccionada.
Un sistema de produccin es parcialmente conmutativo si existe un conjunto de reglas que
al aplicarse en una secuencia particular transforma un estado A en otro B, y si con la
aplicacin de cualquier permutacin posible de dichas reglas se puede lograr el mismo
resultado [14].

_________________________________________________________________________
77

Inteligencia Artificial

Un sistema de produccin es conmutativo, si es monotnico y parcialmente conmutativo.


As como se muestra en la figura 15.

SISTEMA DE PRODUCCIN

MONOTNICO

NOMONOTNICO

PARCIALMENTE CONMUTATIVO

Demostracin de
Teoremas

Navegacin
Robtica

PARCIALMENTE NO CONMUTATIVO

Sntesis Qumica

Juego de Ajedrez

Figura 15. Caractersticas de los sistemas de produccin.

Los sistemas basados en reglas trabajan mediante la aplicacin de reglas, comparacin de


resultados y aplicacin de las nuevas reglas basadas en situacin modificada. Tambin
pueden trabajar por inferencia lgica dirigida, bien empezando con una evidencia inicial en
una determinada situacin y dirigindose hacia la obtencin de una solucin, o bien con
hiptesis sobre las posibles soluciones y volviendo hacia atrs para encontrar una
evidencia existente (o una deduccin de una evidencia existente) que apoye una hiptesis
en particular.
Los sistemas de produccin basados en reglas son un mtodo popular para implantar
sistemas expertos.
Los sistemas basados en reglas son los ms comnmente utilizados. Su simplicidad y
similitud con el razonamiento humano, han contribuido para su popularidad en diferentes
dominios. Las reglas son un importante paradigma de representacin del conocimiento.
Las reglas representan el conocimiento utilizando un formato SI-ENTONCES (IF-THEN),
es decir tienen 2 partes:

La parte SI (IF), es el antecedente, premisa, condicin o situacin; y


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

Las reglas pueden ser utilizadas para expresar un amplio rango de asociaciones [15].
Por ejemplo:
SI est manejando un vehculo Y se aproxima una ambulancia,
ENTONCES baje la velocidad Y hgase a un lado para permitir el paso de la
ambulancia.
SI su temperatura corporal es de 39 C,
ENTONCES tiene fiebre.

_________________________________________________________________________
78

Inteligencia Artificial

SI el drenaje del lavabo est tapado Y la llave de agua est abierta,


ENTONCES se puede inundar el piso.
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. La primera parte es la memoria de largo
plazo, en la que guarda los hechos (Base de Hechos) y los conocimientos (Base de
Conocimientos) acerca del dominio en el que tiene experiencia. Se muestra a continuacin
en la figura 16.

Figura 16. Estructura de un sistema basado en conocimiento.

La segunda parte es el sistema que realiza la funcin de razonamiento para resolver


problemas (Motor de Inferencia). Finalmente, la tercera parte la conforman las unidades
de entrada y salida que permiten la comunicacin entre el sistema y su entorno.
Desventajas de los sistemas de produccin
Existen algunos problemas en los sistemas basados en reglas. Estos problemas caen
dentro de una de las siguientes categoras: encadenamiento infinito; incorporacin de
conocimiento nuevo contradictorio, y; modificacin de reglas existentes.
Desventajas adicionales pueden ser: ineficiencia (necesidad de modularizar o de introducir
meta-reglas), opacidad (dificultad de establecer relaciones), adaptacin al dominio (rpido
crecimiento del nmero de reglas).

_________________________________________________________________________
79

Inteligencia Artificial

El conocimiento acerca de las reglas de produccin se denomina META-REGLA. Las metareglas facilitan y aceleran la bsqueda de soluciones.
Ventajas de los Sistemas de Produccin
A pesar de las desventajas anotadas, los sistemas basados en reglas han permanecido
como los esquemas ms comnmente utilizados para la representacin del conocimiento.
Como ventajas significativas se pueden mencionar las siguientes: modularidad,
uniformidad y naturalidad para expresar el conocimiento.
Conclusin
Hemos visto como podemos representar un problema que consta de estados y
transiciones entre estados por medio de hechos y de reglas, es decir, por medio de un
sistema de produccin. Para representar un problema de este tipo en un sistema de
produccin, hay que especificar:

La representacin de los estados del problema.


El estado inicial (hechos iniciales).
Las transiciones entre estados (las reglas que representan las transiciones entre
estados).
El estado final (regla que detecta cuando se ha alcanzado una solucin).

El sistema de produccin funciona en ciclos sucesivos, que se ejecutan hasta que no haya
ms reglas activas. Un ciclo consta de:

Determinar que reglas estn activas (equiparando sus partes izquierdas con la base
de hechos). Las reglas activas constituyen la agenda.
Determinar que regla se debe disparar en ese ciclo (por medio de la estrategia de
control, que puede ser tan simple como elegir la regla que tenga prioridad
mxima).
Disparar la regla elegida ejecutando su parte derecha. Esto normalmente cambiar
la base de hechos (borrando hechos, aadiendo 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, sino parejas (regla,
hecho(s) que equipara(n) con esa regla), aunque por resumir se habla de reglas
solamente.
Dicho de otra manera, los componentes bsicos de un sistema de produccin son:

Base de hechos (o memoria de trabajo).


Base de reglas.
Estrategia de control.

_________________________________________________________________________
80

Inteligencia Artificial

Por ltimo, un sistema de produccin con una estrategia de control determinista, puede no
encontrar la solucin al problema representado con ese sistema. Eso es debido a que la
estrategia de control se haya equivocado al elegir una regla en lugar de otra en algn
momento. La nica manera de solucionar ese problema es utilizar bsqueda en el espacio
de estados [16].
Segn el tipo de problema a resolver, los mbitos de aplicacin en los que ms se han
utilizado los sistemas basados en el conocimiento son los siguientes:

Sistemas de ayuda a la toma de decisiones. Se trata de sistemas que a partir


de una problemtica determinada sugieren la solucin que consideran ms idnea
a partir del conocimiento incluido en el sistema.

Configuracin. Se encargan de la seleccin y planificacin de los componentes


que se necesitan en un proceso determinado. Un caso tpico son los sistemas que
ayudan a configurar los equipos fsicos a partir de los componentes existentes y de
las restricciones establecidas.

Diagnstico. Se trata de sistemas que a partir de unos "sntomas" determinan las


causas que lo producen. Ejemplo de ellos son los sistemas basados en el
conocimiento de diagnstico de enfermedades o de averas.

Interpretacin y Anlisis. Sirven para tratar grandes volmenes de informacin,


interpretarla, dar un informe explicativo y sugerir las acciones a tomar. Ejemplo de
ellos pueden ser los sistemas de evaluacin de resistencia de estructuras frente a
terremotos o sistemas de supervisin de procesos industriales.

Monitorizacin. En algunas situaciones se considera un caso particular de


sistemas de interpretacin y anlisis, pero debido a su frecuente uso se suelen
considerar aparte. Estos sistemas suelen encargarse de monitorizar procesos
suministrando una salida de control como respuesta. Existen muchos ejemplos de
monitorizacin de procesos en fbricas, plantas qumicas, centrales nucleares, etc.
Son sistemas que deben funcionar en tiempo real.

Planificacin. Son sistemas que establecen las etapas y recursos necesarios para
alcanzar un determinado objetivo. Ejemplo de ellos podra ser un sistema basado
en el conocimiento de planificacin de trabajos en una fbrica.

Interfaces inteligentes. Hacen de puente entre las personas y equipos


complejos y de difcil utilizacin. Caso tpico son los interfaces inteligentes de
acceso a base de datos.

Diseo. Son aqullos que efectan la planificacin o trazado de un objeto o


sistema en base a los requisitos especificados. Suelen ser capaces de dar
diferentes soluciones de forma que el usuario pueda elegir aquella que le
convenga. Ejemplo de este tipo son los sistemas de ayuda al diseo de puentes,
presas, microcircuitos electrnicos, etc.

A modo de resumen y sin ser exhaustivos, pues el mbito de aplicacin de los sistemas
basados en el conocimiento es muy amplio, el siguiente cuadro indica algunas de las reas
en las que se han aplicado sistemas basados en el conocimiento y el tipo de problema que
abordan:

_________________________________________________________________________
81

Inteligencia Artificial

DOMINIO
mbito Administrativo:
Reglamentacin.
Derecho interpretado.
Procesos.
Procedimientos.
Gestin:
Ejecutivos.

- Gestores.
- Planificacin estratgica.
- Direccin.
- Consultores.
Operaciones:
- Operacin de maquinaria.
- Controles de calidad.
- Controles de inventario.
- Control de maquinaria
Servicios de Apoyo:
- Relaciones Pblicas.
- Entrenamiento de personal.
- Servicios de proceso de datos.
- Mantenimiento y construccin.
- Investigacin y desarrollo.
- Problemas legales.
Finanzas:
- Gestores de cartera.
-

Contabilidad financiera.
Gestores financieros.
Auditoria.
Control.
Mercadotecnia:

- Ventas.
- Publicidad.

PROBLEMAS
-

Aligerar el tiempo de procedimientos.


Disminucin de costos de tramitacin.
Homogeneidad de las interpretaciones legales.
Disponibilidad de la informacin.

- Manejo de un volumen creciente de informacin.


- Acceso a expertos o consultores para la resolucin de
un problema determinado.
- Reduccin de la complejidad organizativa.

- Mejora de la coordinacin de la organizacin,


programacin y gestin complejas.
- Vigilancia de sistemas complejos para poder tomar
decisiones rpidamente.
- Previsin de resultados de procesos complejos y
dinmicos.

- Comunicacin de procedimientos nuevos y complejos.


- Examen y explicacin de las decisiones tomadas.
- Control y reduccin de los costes de desarrollo y
mantenimiento de sistemas informticos.
- Entrenamiento de operarios en tareas complejas.

- Necesidad de disponer de herramientas inteligentes


para la planificacin.
- Vigilancias de sistemas complejos existentes.

- Necesidad de asistencia experta para examinar


cuestiones mercadotcnicas.
- Necesidad de programas de servicio de clientes,
asistencia y control.

- Investigacin mercado- tcnica.

_________________________________________________________________________
82

Inteligencia Artificial

- Gestin de pedidos.
Automatizacin del Trabajo de
Oficina:
- Proceso de textos.

- Necesidad de incremento en el manejo, comunicacin,


recuperacin y distribucin de informacin.

- Gestin de bases de datos.


Servicios Profesionales:
- Consultora de gestin.
- Abogaca.
- Medicina.
- Contabilidad.

- Acceso a la informacin de otros consultores o


expertos.
- Realizacin de informes.
- Modelizacin y simulacin.
- Control de un volumen creciente de informacin.

3.4.1.- Hechos.
Base de hechos: predicados que describen el problema concreto [17].
Llamada tambin workspace. Contiene los hechos que se descubren acerca de un
problema durante una consulta. Parte de un sistema experto que contiene los hechos del
problema que se descubren durante la sesin [4].
Los hechos que el sistema reciba del usuario y los que vaya infiriendo se almacenan en la
memoria de trabajo y pueden ser hechos, hiptesis, conclusiones parciales, etc.; es decir
lo que infiera emparejando los datos proporcionados con la base de conocimiento.
Tambin es necesario mencionar que los hechos de la memoria de trabajo tambin los
puede obtener de fuentes externas como base de datos, hojas de clculo, etc.; que los
puede cargar al inicio de la sesin u obtenerlos de acuerdo a su necesidad.
Hechos: terminologa
Los hechos constituyen los datos del problema en forma de:

Base de hechos (BH).


Memoria de trabajo.
Memoria a corto plazo.
Aserciones.

Ejemplos:

X es un gato.
X es un animal domstico.

_________________________________________________________________________
83

Inteligencia Artificial

3.4.2.- Base de conocimientos.


Base de conocimiento (o de reglas): reglas que describen los mecanismos de
razonamiento que permiten resolver problemas [17].
Reglas:

Si
-

Condiciones
Antecedentes
Premisas

Entonces
- Acciones
- Consecuentes
- Conclusiones

Las reglas modelan el conocimiento general del dominio y constituyen:

Base de conocimiento (BC).


Memoria a largo plazo.
Implicaciones.

Ejemplo:
Si X es un gato entonces X es un animal domstico.
Contiene el conocimiento del dominio en el cual el programa es competente. Durkin lo
define como: Parte de un sistema experto que contiene el dominio del conocimiento [4].
El tema primordial para este componente es obtener el conocimiento del experto y
codificarlo en la base de conocimientos usando diferentes tcnicas de representacin del
conocimiento. Una de las ms usadas es representar el conocimiento en forma de reglas.
Una regla es una estructura de tipo IF/THEN (SI/ENTONCES) en donde existe una
premisa o antecedente y una conclusin o accin.
Por ejemplo:
REGLA 1:
IF el automvil no enciende
THEN el problema puede estar en el sistema elctrico.
REGLA 2:
IF el sueldo mensual de un cliente es menor o igual que 1,000
THEN el tope de crdito es de 3,500.
REGLA 3:
SI su temperatura corporal es de 39 C
ENTONCES tiene fiebre.

_________________________________________________________________________
84

Inteligencia Artificial

De las reglas mostradas podemos identificar que la base de conocimientos esta integrada
por conceptos, hechos o variables que varan de estados (valores) y que relacionadas
conforman las reglas.
Por ejemplo:
En la regla 1 tenemos dos hechos y dos valores:
automvil =enciende; automvil = no enciende y
problema es = el sistema elctrico o pueden existir otros valores.
El conocimiento tiene que estar representado en la forma que resulte ms adecuada para
el dominio de su competencia. Adicionalmente hay que tratar que esa representacin sea:

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

La parte fundamental de todo sistema es la base de conocimientos y su funcin consiste


en almacenar los conocimientos expresados en conceptos, hechos, relaciones, etc.
relativos al rea del sistema y por lo tanto, depende del modelo de representacin del
conocimiento que se utilice. Entre los modelos mas conocidos de representacin del
conocimiento tenemos:

Representacin
Representacin
Representacin
Representacin
Representacin

basada
basada
basada
basada
basada

en
en
en
en
en

Reglas de Produccin.
Lgica de Predicados.
Redes Semnticas.
Frames o Marcos.
Restricciones.

3.4.3.- Mecanismo de control.


Motor de inferencia [17].
El motor de inferencia o mecanismo de control est compuesto de dos elementos:

Interprete de reglas o mecanismo de inferencia. Mecanismo de razonamiento que


determina que reglas de la BC (base de conocimiento) se pueden aplicar para
resolver el problema.
Estrategia de control o estrategia de resolucin de conflictos.

_________________________________________________________________________
85

Inteligencia Artificial

Funcin:

Ejecutar acciones para resolver el problema (objetivo) a partir de un conjunto


inicial de hechos y eventualmente a travs de una interaccin con el usuario.
La ejecucin puede llevar a la deduccin de nuevos hechos.

Tambin conocido como estructura de control o interpretador de reglas. 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, para deducir o llegar a la conclusin sobre el problema [4].

Selecciona, decide, interpreta y aplica el conocimiento de la base de conocimientos sobre


la base de hechos con el fin de obtener la solucin buscada. 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 representacin del conocimiento). Cuando encuentra el emparejamiento,
agrega la(s) conclusin de las reglas a la memoria de trabajo y contina examinando las
reglas buscando nuevos emparejamientos. El mecanismo de inferencia debe ser
independiente del conocimiento y de los hechos.
Est caracterizado por:

El lenguaje en que ha sido escrito.


La velocidad de trabajo: Inferencias/segundo.
Las estrategias de bsqueda de soluciones:
- No Ordenada: aleatoria, heurstica.
- Ordenada: Encadenamiento hacia adelante (guiado por los datos,
deductivo), encadenamiento hacia atrs (guiado por los objetivos,
inductivo).
La forma en que elige el conocimiento.
La posibilidad de incorporar metaconocimiento.
El mtodo que utiliza para la evaluacin del conocimiento incompleto o incierto.

Fases del ciclo bsico del motor de inferencia:


1. Deteccin (filtro): Reglas pertinentes.
Obtencin, de la base de conocimiento, del conjunto de reglas aplicables a una situacin
determinada (estado) de la base de hechos; formacin del conjunto de conflictos
(interprete de reglas).

Construccin del conjunto de reglas aplicables.


El intrprete de reglas realiza los clculos necesarios para obtener las
instanciaciones que son posibles en cada estado de resolucin del problema
(comparacin o matching).

_________________________________________________________________________
86

Inteligencia Artificial

Una regla puede instanciarse ms de una vez, caso de existir variables que lo
permitan.

2. Seleccin: Qu regla?
Resolucin de conflictos: seleccin de la regla a aplicar (estrategia de control).

Las reglas son o no aplicadas dependiendo de la estrategia de control:


Estrategia fija.
Estrategia dinmica prefijada.
Estrategia guiada por meta-reglas.

Seleccin de la mejor instanciacin.


Ejemplos de estrategia de control:
1 regla por orden en la base de conocimiento.
La regla ms/menos utilizada.
La regla ms especfica (con ms literales) / ms general.
La regla que tenga el grado de certeza ms alto.
La instanciacin que satisfaga los hechos:
o Ms prioritarios.
o Ms antiguos (instanciacin ms antigua).
o Ms nuevos (instanciacin ms reciente).
Aplicacin de todas las reglas (slo si se quieren todas las soluciones posibles).
La regla usada ms recientemente.
Meta-reglas, que indican dinmicamente como seleccionar las reglas a aplicar.
Posible combinacin de criterios.

3. Aplicacin.
Aplicacin de la regla sobre una instanciacin de las variables: modificacin de la memoria
de trabajo.

Ejecucin de la regla =>


Modificacin de la base de hechos (en el razonamiento hacia delante).
Nuevos clculos, nuevas acciones, preguntas al usuario.
Nuevos sub-objetivos (en el razonamiento hacia atrs).
Propagacin de las instanciaciones.
Propagacin del grado de certeza.

El proceso de deduccin acaba cuando:


se encuentra la conclusin (el objetivo) buscado => xito
no queda ninguna regla aplicable => xito? / fracaso?

_________________________________________________________________________
87

Inteligencia Artificial

4. Vuelta al punto 1, o parada si el problema est resuelto.


Si no se ha encontrado una solucin y no hay reglas aplicables: fracaso [18].

3.5.- Ciclo de vida de un sistema de Produccin.


La solucin es esencialmente la misma que hubiera dado un ser humano confrontado con
un problema idntico, aunque no necesariamente el proceso seguido por ambos puede ser
igual.
Ciclo de vida
1. Anlisis del Problema:
Evaluar el problema y los recursos disponibles para determinar la aplicabilidad de una
solucin basada en conocimiento. Se debe realizar un anlisis costo-beneficio del sistema
basado en conocimiento (SBC) propuesto para saber si su desarrollo puede ser
garantizado.
2. Especificacin de Requerimientos:
Formalizar y poner por escrito lo que fue adquirido durante la fase de anlisis. Esto
permite determinar los objetivos del proyecto, de una manera inequvoca y establece los
medios para obtener dichos objetivos.
3. Diseo Preliminar:
Esta etapa considera nicamente las decisiones de alto nivel necesarias para preparar y
desarrollar rpidamente el prototipo inicial. Especficamente, esta etapa determina el
paradigma de representacin del conocimiento, la herramienta escogida para construir el
prototipo, y la seleccin de los expertos.
4. Prototipo Inicial y Evaluacin:
Esta es una etapa clave debido a que todas las decisiones tomadas en el diseo preliminar
deben ser ya sea confirmadas, rectificadas o desechadas, sobre la base del conocimiento
recopilado de los expertos en el proceso hasta completar esta etapa.
5. Diseo Final:
Comprende la seleccin de las herramientas y de los recursos necesarios para desarrollar
el sistema a ser entregado. En muchos casos puede ser aplicable y muy til realizar una
descripcin grfica de los diferentes mdulos del sistema, empleando las herramientas
CASE9 propias de los sistemas de software convencionales.
CASE. Las Herramientas CASE (Computer Aided Software Engineering, Ingeniera de Software Asistida por
Ordenador) son diversas aplicaciones informticas destinadas a aumentar la productividad en el desarrollo de
software reduciendo el coste de las mismas en trminos de tiempo y de dinero. 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 diseo del proyecto, calculo de costes, implementacin de parte del cdigo automticamente con el
diseo dado, compilacin automtica, documentacin o deteccin de errores entre otras.
9

_________________________________________________________________________
88

Inteligencia Artificial

6. Implementacin:
Comprende el proceso completo de adquisicin del conocimiento para todos los mdulos o
subsistemas. Es en esta etapa que tiene lugar el desarrollo incremental.
7. Pruebas:
El asegurar la calidad de un SBC es una tarea muy importante que debe ser
cuidadosamente planificada, especialmente a medida que el SBC es ms grande y
complejo, o es de aplicacin crtica. El plan de pruebas, es bastante similar al que se
prepara para un sistema convencional, basndose en la validacin y la verificacin.
8. Ajustes al Diseo:
A medida que el trabajo avanza y los ingenieros cognoscitivos tienen a la vista los
problemas detectados, deben realizar los ajustes necesarios al inicio de cada iteracin. Si
estos ajustes cada vez son relativamente ms pequeos y no son retroactivos, se tiene
una buena medida de que se est progresando. Pero si ocurre lo contrario, puede
representar un serio retardo al proyecto y posiblemente requerir un cambio de paradigma.
9. Instalacin, Implantacin y Mantenimiento:
En la etapa final del ciclo de vida de un SBC se traslada el sistema desarrollado, como un
producto operativo hacia el entorno de los usuarios. Para ello, se deben realizar varias
actividades de instalacin, implantacin y mantenimiento similares a las de un sistema de
software convencional [19].

_________________________________________________________________________
89

Inteligencia Artificial

Anlisis del
Problema

Especificacin
de
Requerimientos

Diseo
Preliminar

Prototipo Inicial
y
Evaluacin

Diseo Final

Implementacin

Pruebas

Figura 17. Ciclo de vida de un Sistema de Produccin

Ajustes al Diseo

Instalacin,
Implantacin
y Mantenimiento

Figura 17. Ciclo de vida de un Sistema de Produccin

_________________________________________________________________________
90

Inteligencia Artificial

Cuestionario de evaluacin.
Selecciona la respuesta correcta o las respuestas correctas.
1.- Uno de los resultados ms significativos demostrados por Newell y Simon fue que gran
parte de la solucin humana de problemas o cognicin puede expresarse con:
a) Reglas de produccin.
b) Reglas de situacin-accin.
c) Reglas de si-entonces.
2.- Enlaza las causas con los efectos de forma comprensible como si fuera un teorema
lgico, refleja la direccin que se asume de casualidad en el mundo.
a) Relacin causal.
b) Reglas de diagnstico.
c) Reglas de produccin.
3.- Programa de computacin inteligente que usa el conocimiento y los procedimientos de
inferencia para resolver problemas que son lo suficientemente difciles como para requerir
significativa experiencia humana para su solucin.
a) Sistema experto.
b) Sistema basado en conocimiento.
c) Redes neuronales artificiales.
4.- Componentes bsicos de un sistema basado en conocimiento.
a) Base de conocimientos, base de hechos, programas externos.
b) Subsistema de explicacin, motor de inferencias, mdulo de aprendizaje.
c) Base de conocimientos, motor de inferencia, interfase.
5.- Se encarga de recorrer las reglas inspeccionando si las puede aplicar, es decir, se
encarga de ejecutar el razonamiento.
a) Base de hechos.
b) Base de conocimiento.
c) Motor de inferencia.
6.- Es el conjunto de evidencias, junto con sus certezas asociadas como una variable
medida o una posible alarma o conclusin de una o varias reglas.
a) Base de hechos.
b) Interfaz del usuario.
c) Mecanismo de inferencia.
RESPUESTAS
1.- Opcin a, b, c
2.- Opcin a
3.- Opcin a, b
4.- Opcin c
5.- Opcin c
6.- Opcin a

_________________________________________________________________________
91

Inteligencia Artificial

UNIDAD 4
BSQUEDA Y SATISFACCIN DE
RESTRICCIONES

_________________________________________________________________________
92

Inteligencia Artificial

UNIDAD 4

BSQUEDA Y SATISFACCIN DE RESTRICCIONES

4.1.- Problemas y espacios de estados.


La definicin del problema
La Inteligencia Artificial ha tenido siempre como objetivo, a ms o menos largo plazo, la
resolucin de problemas. La utilizacin de procedimientos de bsqueda, primero ms
directos y luego con tcnicas heursticas ms sofisticadas, ha sido uno de los principales
campos de esta ciencia [5].
De hecho, la resolucin mediante bsqueda ha sido una de las primeras aplicaciones de la
Inteligencia Artificial a problemas reales, no de juguete, como se le achac en sus
inicios. La orientacin de la Inteligencia Artificial siempre fue ms hacia un mejor
conocimiento de cmo resolver los problemas, y no tanto a la consecucin del resultado
final. Por eso los ejemplos iniciales sobre los que desarrollaron las estrategias de la
Inteligencia Artificial fueron problemas simples como puzzles, juegos, apilar bloques, etc.,
ejemplos ya clsicos que han servido de banco de pruebas. Sin embargo, aunque pudieran
parecer realmente procesos simples, cmo definir un problema con la suficiente precisin
y cmo representarlo para que una mquina pueda resolverlo?
En muchos casos no existe realmente un conocimiento sistemtico del problema de forma
que se pueda plantear una solucin analtica del mismo mediante un sistema de
ecuaciones, por ejemplo. En estas circunstancias, los procedimientos de bsqueda s se
pueden aplicar para resolverlos y se han demostrado muy eficientes para abordar este tipo
de tareas.
En general, el planteamiento de un problema de bsqueda consiste en encontrar o
conseguir un objetivo. La resolucin del mismo puede estructurarse en los siguientes
pasos:
1. Determinar una serie de objetivos o metas que se desean alcanzar. Estos objetivos
pueden ser mltiples (restricciones de tiempo, de costo, etc.) o simples (alcanzar
un estado final).
2. Disponer de un conjunto de acciones que conduzcan a la obtencin de los
objetivos o metas. Estas acciones son denominadas operaciones.
3. Definir un procedimiento de seleccin entre las diferentes formas de alcanzar las
metas. Cada una de estas soluciones constituye una secuencia de acciones
determinada y posible. Se suele llamar solucionador al mdulo encargado de
construir dicha solucin.

_________________________________________________________________________
93

Inteligencia Artificial

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

_________________________________________________________________________
94

Inteligencia Artificial

Por contraposicin se podra hablar de los espacios de reduccin, donde al aplicar un


operador se generan una serie de subproblemas, cada uno de los cuales ser en general
ms sencillos que el original (de ah el trmino reduccin que lo describe). Se aplica el
conocido principio de divide y vencers, para llegar a problemas de menor dimensin
que tengan solucin conocida.
Algo importante a implementar en los problemas de bsqueda es el criterio para detectar
cundo se ha llegado a la consecucin del objetivo propuesto. En nuestro juego se tratara
de identificar sobre el tablero si alguna fila, columna o diagonal est formada por todo Xs
o Os. En este caso la prueba final es sencilla, pero la definicin del criterio la consecucin
del objetivo final puede ser en s misma un problema importante [8].
En muchos problemas de bsqueda el inters se centra no slo en conseguir un estado
final, sino en alcanzarlo en el mnimo tiempo posible, o minimizando otro tipo de costo (en
definitiva, maximizando un beneficio). En estos casos se puede asociar un costo o peso a
los operadores que se aplican y tambin a las transiciones de un estado a otro.
Esta traza del costo o funcin de costo se denota habitualmente con la letra g. Permite
comparar distintos algoritmos de resolucin tanto por la solucin obtenida como por la
cantidad de la misma en trminos de costo asociado.
En algunos problemas como el del ejemplo del juego de tres en raya, el espacio de
bsqueda es limitado, porque tambin lo est el espacio de estados posibles y de
soluciones. Pero en muchos problemas del mundo real el espacio de bsqueda no est
acotado, e incluso puede alcanzar dimensiones muy grandes que exijan algoritmos que
puedan escalarse para tratar espacios muy extensos.
Hay otros aspectos sobre el funcionamiento de los algoritmos de bsqueda que se pueden
tener en cuenta. Por ejemplo:

Un algoritmo es ptimo si encuentra la mejor solucin entre todas las posibles.


Una estrategia es completa si garantiza que encontrar una solucin siempre y
cuando sta exista.

La eficiencia de un algoritmo en trminos de complejidad temporal (cunto tiempo


requiere para alcanzar la solucin) o en trminos de complejidad espacial (memoria que
necesita) son consideraciones prcticas de gran importancia. Un algoritmo ptimo que
garantiza encontrar la mejor solucin tendr poco valor prctico si tarda horas en
completarse, cuando a lo mejor slo contamos con unos minutos para tomar una decisin.
De forma similar, un algoritmo completo que utilice mucha memoria es intil si antes de
encontrar la solucin a un problema se queda sin memoria.
Representacin en el espacio de estados
Para aplicar las estrategias de bsqueda a problemas en el espacio de estados se suele
trabajar con una representacin de la informacin mediante grafos.

_________________________________________________________________________
95

Inteligencia Artificial

Un grafo representa el conjunto de mundos, escenarios o situaciones que se pueden


generar mediante los operadores u acciones. Se denomina por lo tanto grafo de estados
ya que indica el recorrido del proceso de bsqueda que va movindose de un estado a
otro, en la consecucin del objetivo final.
Un grafo por lo tanto es un conjunto de nodos (estados) y arcos que unen esos nodos
figura 18. El recorrido entre dos nodos consecutivos a travs de un arco define un camino.
Dentro del espacio de estados en un problema de bsqueda, cada nodo representa un
elemento que equivale a una situacin vlida (nodo y estado son sinnimos en este
contexto). El nodo Terminal que satisface las condiciones del objetivo, es decir, la funcin
de costo es la meta.
Este camino puede ser cerrado si el ltimo nodo coincide con el primero y abierto si no
coinciden. Si entre dos nodos existe al menos un camino, es un grafo conexo, y si no
contiene ciclos, es acclico.

Nodos

Arcos

L
Figura 18. Ejemplo de un grafo.

Los grafos pueden ser dirigidos, cuando la secuencia entre dos nodos (P, Q) se considera
diferente de la que recorre los nodos en el orden (Q, P); en este caso el origen es el nodo
predecesor o padre, y el destino el sucesor o nodo hijo; o pueden ser no dirigidos, en el
caso contrario. Expandir un nodo es obtener todos sus posibles sucesores en el grafo de
bsqueda a travs de la aplicacin de todos los operadores disponibles relacionados. Un
nodo o estado es cerrado si ya ha sido expandido, y esta abierto si todava queda por
aplicar algn operador. A estos ltimos tambin se les denomina margen o frontera.

_________________________________________________________________________
96

Inteligencia Artificial

En general un problema de bsqueda se representa por un rbol, que es un grafo dirigido


acclico conexo. El obtener el rbol de bsqueda es la tarea prioritaria en todo problema
de bsqueda o de decisin ya que en definitiva la resolucin del problema es un recorrido
a travs del mismo. Por eso es crucial que represente toda la informacin disponible con
las dependencias y relaciones que existan.
Aplicando esta representacin al juego de tres en raya, cada nodo es un estado o valor
de la matriz; cada arco apunta la operacin que lleva de un valor de la matriz a otro, por
ejemplo, cuando el jugador X mueve un 1 de una celda a otra celda vlida. Los nodos
terminales son aquellos que dan una configuracin ganadora.
Otro ejemplo sera la representacin arbrea de un laberinto, donde cada nodo sera una
bifurcacin, salida o pared al final de un camino, y cada arco un camino. El problema
consiste en encontrar el camino ms corto a una salida, nodo final.
Problemas de la vida real que se pueden plantear y resolver como espacios de estados
[21]:

Bsqueda de rutas en redes informticas.


Rutas areas para viajar.
Problema del viajante.
Diseo de microchips.
Ensamblaje de componentes.
Desplazamiento de robots.

Ejemplos de espacios de estado


Como un simple ejemplo de espacios de estado, consideremos la compra de una bebida
gaseosa en una mquina expendedora: cuando se depositan monedas en la mquina, sta
hace una transicin de un estado a otro [2].
En la siguiente figura 19 se ilustra el espacio de estado, suponiendo que slo estn
disponibles monedas de 25 y de 5 centavos, y que se requieren 55 centavos para obtener
una bebida. Si consideramos monedas de otras denominaciones, como de 10 y 50
centavos, se complica ms la grfica y no se muestra aqu.

_________________________________________________________________________
97

Inteligencia Artificial

Inicio

25
25

5
25 5

50

30
25,5

25

10
5

25
35

25

15
5

25

25

40 5

25

20

45

25
25

xito

Figura 19. Grfica de estado para una mquina expendedora de bebidas gaseosas que acepta
monedas de 25 y 5 centavos.

Los estados de inicio y xito se dibujan como crculos dobles para facilitar su identificacin.
Los estados se muestran como crculos y las transiciones posibles a otros estados se
muestran como flechas. Observe que esta grfica es una grfica con pesos, donde stos
son las monedas que pueden entrar a la mquina en cada estado.
A esta grfica tambin se le llama grfica de mquina de estado finito, porque describe el
nmero finito de estados de una mquina. El trmino mquina se usa en un sentido muy
general, puede ser un objeto real, un algoritmo, un concepto, etc. Asociadas con cada
estado hay acciones que la conducen a otro. En cualquier momento, la mquina puede
estar en un solo estado. A medida que acepta la entrada a un estado, pasa de ese estado
a otro. Si se dan las entradas correctas, pasar del inicio al xito o estado final. Si un
estado no est diseado para aceptar cierta entrada, la mquina se detendr en l. Por
ejemplo, la mquina de bebidas gaseosas no tiene la capacidad de aceptar monedas de
diez centavos, si alguien pone una de estas monedas en la mquina, la respuesta no est
definida. Un buen diseo incluir la posibilidad de entradas no vlidas para cada estado y
proporcionar transiciones a un estado de error. Este es diseado para proporcionar
mensajes de error apropiados y llevar a cabo cualquier accin necesaria.

_________________________________________________________________________
98

Inteligencia Artificial

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

Mono en
el piso

Baja el sof

Si el sof est bajo


los pltanos

Si el sof no est
Bajo los pltanos

El sof no
est bajo los
pltanos

Sof bajo
los pltanos

Mover el sof

El mono no
est en la
escalera

Si el mono no est en
la escalera

Si el mono est en la
escalera

Mono esta
en la
escalera

Mover al mono

La escalera
No est bajo
Los
pltanos

Si la escalera no est bajo


los pltanos

Si la escalera esta
bajo los pltanos

Mover la escalera

Si la
escalera
est bajo los
pltanos

Trepar por la
escalera

Mono en
la escalera

Agarrar pltanos

xito,
el mono tiene
los
pltanos

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

Las instrucciones variarn de acuerdo con las posiciones iniciales del mono, el sof la
escalera. Como hay varios estados iniciales, no se muestra aqu el doble crculo especial
de inicio. Por ejemplo, otro estado de inicio posible es con el mono en el sof debajo de
los pltanos, de esta manera, el mono tendr entonces que hacer el silln a un lado antes
de poner la escalera debajo de los pltanos. En el estado inicial ms simple, el mono ya se
encuentra en la escalera debajo de los pltanos.
Aunque este problema parece obvio para un ser humano, requiere una considerable
cantidad de razonamiento. Una aplicacin prctica de un sistema de razonamiento como

_________________________________________________________________________
99

Inteligencia Artificial

ste, es la de dar a un robot instrucciones relacionadas con la realizacin de una tarea. En


lugar de suponer que todos los objetos del ambiente se mantienen fijos en un lugar, una
solucin general es un sistema de razonamiento que puede tratar con diversas
situaciones.

4.2.- Espacios de estados determinsticos y espacios no determinsticos.


Determinismo
Definicin: Explicacin de la realidad basada en la existencia de productores de
resultados predectibles. Los programas determinsticos se ramifican al llegar a un IF...
THEN, slo en base a condiciones absolutas. El determinismo aplica habitualmente lgica
dicotmica10 para verificar variables de tal manera de mantener bajo control el flujo del
programa, llevando a ste hacia la produccin de resultados deseados. Cuanto ms una
tcnica de programacin sea comandada por los datos, tanto menos predecible es el
resultado.
Algoritmo Determinstico
Un algoritmo determinstico es un algoritmo que en trminos informales: es
completamente predictivo si se conocen las entradas al mismo. Dicho de otra forma si se
conocen las entradas del algoritmo siempre producir la misma salida, y la mquina
interna pasar por la misma secuencia de estados. Este tipo de algoritmos ha sido el ms
estudiado durante la historia y por lo tanto resulta ser el tipo ms familiar de los
algoritmos, as como el ms prctico ya que puede ejecutarse en las mquinas
eficientemente [22].
Un modelo simple de algoritmo determinstico es la funcin matemtica, de esta forma se
puede establecer el siguiente paralelismo: la funcin extrae la misma salida para una
entrada dada, al igual que los algoritmos determinsticos. La diferencia es que un
algoritmo describe explcitamente como la salida se obtiene de la entrada, mientras que
las funciones definen implcitamente su salida.
Definicin
Formalmente los algoritmos determinsticos se pueden definir en trminos de una mquina
de estado: un estado describe que est haciendo la mquina en un instante particular de
tiempo. Justo cuando se produce la entrada, la mquina comienza en su estado inicial y
posteriormente si la mquina es determinstica comenzar la ejecucin de la secuencia de
10
Un mtodo de razonamiento basado en que cada restriccin del problema puede ser considerada verdadera
o falsa. La dicotoma verdadero/falso, una vez aplicada a cada restriccin del problema, provee bases para la
ramificacin bajo la forma de rboles decisionales. Aristteles propuso una lgica con dos valores. La
matemtica de la lgica de dos valores, sirvi como base durante muchos aos para la mayora de las
estructuras de control en lenguajes de programacin.

_________________________________________________________________________
100

Inteligencia Artificial

estados predeterminados. Es de notar que una mquina puede ser determinstica y no


tener lmite temporal para la ejecucin o quedarse en un bucle de estados cclicos
eternamente.
Ejemplos de mquinas abstractas determinsticas se pueden incluir en mquinas de Turing
determinsticas y los autmatas finitos determinsticos.
Problemas con los algoritmos determinsticos
Desafortunadamente para algunos problemas es muy difcil implementar un algoritmo
determinstico. Por ejemplo, existen eficientes y simples algoritmos probabilsticos que
pueden determinar si un nmero entero es primo o no pero tienen una pequea
posibilidad de equivocarse (Test de primalidad de Fermat). Algunos de ellos son muy
conocidos desde 1970; solamente tras otros 30 aos de investigacin focalizada en
investigar se ha encontrado un algoritmo determinstico similar, pero mucho ms lento.
Otro ejemplo puede encontrarse en los problemas NP-completos dentro de esta categora
puede encontrarse la mayora de los problemas prcticos, este tipo de problemas puede
resolverse rpidamente empleando de forma masiva y paralela una Mquina de Turing no
determinstica, pero no se ha encontrado an un algoritmo eficientes para esta tarea, al
menos ahora slo encuentran soluciones aproximadas en casos especiales.
Otro problema sobre el planteamiento de algoritmos determinsticos 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
nmeros pseudoaleatorios y de esta forma un apostador espabilado podra averiguar los
nmeros del generador y determinar las cartas sobre la mesa de juego permitiendo
engaar durante todo el tiempo al croupier11 (esto ocurre actualmente). Problemas
similares pueden encontrarse en criptografa, 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 criptogrfico seguro de nmeros pseudo-aleatorio.
Algoritmo no Determinstico
Un algoritmo no determinstico es un algoritmo que ofrece ms de una nica salida en
funcin de su entrada, siempre que no se haya dado otra especificacin adicional. Una
ejecucin 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
determinsticos no permiten "a priori" saber cual ser el resultado o el estado en el que
quedar el sistema.
En la teora estndar de computacin el trmino algoritmo deja claro que se trata de
algoritmos determinsticos. Sin embargo, estos emplean modelos de computacin, tales
como el non deterministic finite state machine, que es no-determinstico.

11

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

_________________________________________________________________________
101

Inteligencia Artificial

En diseo general de algoritmos, esta categora de algoritmos no-determinsticos se suele


emplear como especificaciones.
Convirtiendo algoritmos no determinsticos en determinsticos
Una forma de simular algoritmos no determinsticos N mediante el empleo de otros
determinsticos D puede realizarse tratando los estados de N como estados de D. Esto
significa que D puede tracear todas las posibilidades y trayectorias de ejecucin del
algoritmo N.
Otra posibilidad es emplear algoritmos de generacin de nmeros aleatorios que consisten
en perturbar los estados mediante el establecimiento de todas las posibilidades mediante
un generador de nmeros aleatorios. El resultado es un algoritmo determinstico
probabilstico.
Qu hace a un algoritmo no determinstico?
Una variedad de factores puede ser la causa de que un algoritmo determinstico se
comporte como de una forma no determinstica:

Si emplea en la ejecucin de la secuencia de estados otro estado "externo" como


entrada del proceso, como por ejemplo: una entrada de un usuario, una variable
objetivo, un valor de un temporizador de hardware, un valor aleatorio, etc.

Si al operar se encuentra con concurrencia de estados, por ejemplo si tiene


mltiples procesadores escribiendo al mismo tiempo en un fichero. En este caso el
orden preciso en el que cada procesador escribe el dato puede afectar a la salida y
no est pre-planificado su valor inicial.

Si un error (cuyo origen puede deberse al hardware o al software) causa un


inesperado cambio en la secuencia de ejecucin de estados.

Aunque los programas reales rara vez son puramente determinsticos, es ms fcil que los
seres humanos as como otros programas determinar sobre la esencia de lo que realmente
son. Por esta razn, la mayora de los lenguajes de programacin y especialmente
aquellos que entran dentro de la categora de programacin funcional son lenguajes que
hacen un esfuerzo en prevenir eventos que se ejecutan sin control. Por esta razn este
tipo de restricciones fuerzan el carcter determinstico por esta razn a los algoritmos
determinsticos se les denomina purely functional.

_________________________________________________________________________
102

Inteligencia Artificial

4.3.- Bsqueda sistemtica.


Se van a examinar tcnicas bsicas que se utilizan para resolver problemas de bsqueda
en el mbito de la Inteligencia Artificial, dentro de la bsqueda por fuerza bruta o a ciegas
es la que no cuenta con informacin a priori que la dirija en su secuencia de acciones para
la consecucin del objetivo final. Es decir, realiza una bsqueda exhaustiva.

4.3.1.- Bsqueda de metas a profundidad.


La bsqueda en profundidad es otra forma de recorrer sistemticamente una estructura
del rbol para encontrar el nodo solucin, pero recorrindolo en profundidad, es decir,
bajando de nivel. En vez de buscar de forma exhaustiva en cada nivel, este algoritmo
sigue las ramas del rbol hacia abajo hasta el nivel ms inferior que pueda, hasta que
encuentra la solucin o un nodo sin hijos. Se trata de expandir un nico camino desde la
raz. En el caso de llegar a un callejn sin salida se retrocede hasta el nodo ms cercano
desde donde se pueda tomar una rama alternativa para seguir avanzando figura 21 [5].
La complejidad temporal de esta estrategia es la misma que la del procedimiento de
bsqueda en amplitud, puesto que para un grafo de una determinada profundidad se
generan los mismos nodos, aunque en diferente orden.
Sin embargo, esta estrategia puede ser muy ineficiente ya que el algoritmo puede
dedicarse a recorrer un camino demasiado largo que no conduzca a ninguna solucin, o
meterse en bucles infinitos. Por eso el algoritmo de bsqueda en profundidad no es
completo ni ptimo.
El procedimiento sigue los siguientes pasos:
1. Crear una lista de nodos e inicializarla con el nodo raz (estado inicial). Esta lista se
maneja como una pila LIFO (last-in first-out).
2. Lazo:
2.1. Si la lista esta vaca, salir.
2.2. Extraer el primer nodo de la lista.
2.3. Si la lista contiene el nodo meta, salir.
La solucin es el primer nodo de la lista
2.4. Para cada hijo del nodo actual, expandirlo y aadir todos sus hijos
como nuevos nodos al principio de la cola.

_________________________________________________________________________
103

Inteligencia Artificial

Figura 21. rbol de bsqueda

La lista a gestionar tendra los siguientes valores para la figura anterior.


Estado de la cola

iteracin

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

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 sera:


HADKLEBFCGJ
La complejidad espacial se reduce con respecto al anterior ya que slo es necesario
guardar la constancia del camino construido hasta el momento. La complejidad para un
camino de longitud p ser dicho valor ms el factor de ramificacin(r), es decir, O(p+r).
Adems, cuando existen mltiples soluciones posibles, la eficiencia del mtodo aumenta.
Debera establecerse un lmite de nivel de exploracin para acortar la longitud real del
camino de la solucin. Esta estrategia se denomina bsqueda limitada por
profundidad. Se impone a la profundidad mxima de un recorrido (lp), que debe ser
estimada en cada paso. Esta variante tiene la ventaja de que en general es completa
(excepto para lmites muy pequeos) aunque no es ptima.

_________________________________________________________________________
104

Inteligencia Artificial

La eleccin de lmite de profundidad adecuado puede resultar crucial para la obtencin de


la solucin. La bsqueda por profundizacin iterativa (iterative deepening) evita los
problemas que conlleva esa eleccin probando de forma iterativa todos los lmites de
profundidad posibles. As, comienza con profundidad cero (nodo raz), para probar con
profundidad 1, 2, etc. Esta estrategia es ptima y completa. De hecho, es el mtodo
idneo para problemas con espacios de bsqueda de dimensin grande, de los que no se
conocen sus lmites de profundidad. Es una comunicacin de la bsqueda preferente por
amplitud y en profundidad.
Otra variante de este mtodo es la llamada bsqueda de retroceso en la que, en lugar
de generar todos los sucesores al expandir un nodo, se genera un nico sucesor en cada
paso, que ser el que se expanda.
La lista a gestionar tendra los siguientes valores para la figura 21 de ejemplo:
H
A
D
K

L
B
F
C

El recorrido hasta encontrar los nodos solucin sera:


HADKLBFCG
Su principal ventaja es que requiere menor espacio de almacenamiento que la bsqueda
en profundidad: slo hay que recordar en cada instante un sucesor del nodo seleccionado,
es decir, su complejidad es O(p). Otra ventaja es que no se generan las ramas del rbol
de bsqueda que se encuentren despus del camino de la solucin. Sin embargo, la
complejidad temporal es la misma que con los otros algoritmos, y tiene un factor de
indeterminacin en el orden del recorrido de los nodos que puede hacerle perder su
eficiencia.

4.3.2.- Bsqueda de metas en anchura.


Se denomina tambin recorrido en anchura prioritaria. El algoritmo define una forma de
moverse a lo largo de la estructura arbrea examinando los valores de los nodos de
manera sistemtica y controlada, de forma que se pueda encontrar un nodo de solucin
[5].
La idea es generar varias trayectorias de una determinada longitud antes de crear una
trayectoria ms larga.

_________________________________________________________________________
105

Inteligencia Artificial

Es decir, se recorren de izquierda a derecha, todo los subobjetivos generados por el


objetivo de nivel inmediatamente superior antes de considerar el siguiente nivel de
profundidad del rbol. Se examina cada nodo situado a un paso del estado inicial, y
despus dos niveles ms all, y as sucesivamente, hasta que se han considerado todos
los nodos del rbol o se ha encontrado la solucin.
En un procedimiento completo: se garantiza encontrar una solucin si sta existe. Pero en
general no es ptimo (no encontrar la mejor solucin, simplemente la primera que
satisfaga el objetivo) figura 22.
Especficamente se realiza mediante los siguientes pasos:
1.

Crear una lista de nodos e inicializarla con el nodo raz (estado inicial). Esta
lista se maneja como una cola FIFO (first-in-first-out).

2.

Lazo:
2.1. Si la lista est vaca, terminar.
2.2. Quitar el primer nodo de la lista.
2.3. Si la lista contiene el nodo meta, salir.
La solucin es el primer nodo de la lista
2.4 Expandir el nodo actual y aadir todos sus hijos como nuevos
nodos al final de la cola.
H

Figura 22. rbol de bsqueda.

_________________________________________________________________________
106

Inteligencia Artificial

La lista para gestionar el rbol de la figura 22 tendr los siguientes valores:


Estado de la cola

iteracin

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 ste ltimo paso se comprobara que el primer nodo de la lista es uno de los nodos
solucin. Es decir, los nodos recorridos serian los representados en la diagonal:
HABCDEFGJKL
Por lo tanto, al llegar al nodo G se terminara el algoritmo dando esa solucin. Como
puede observar, el nodo L, la otra meta, sera el ltimo en alcanzarse.
Si el nivel de profundidad asociado a la solucin es significativamente menor que el factor
de ramificacin, se expandirn demasiados nodos intilmente. Por eso una variante muy
utilizada de esta estrategia es la denominada prioridad al mejor (best-first), consistente
en seleccionar primero los nodos con el mnimo nmero de subobjetivos y recorrerlos as;
es decir, en el ejemplo:
HBFCGJAEDKL
De esta forma se llega a la solucin de forma mucho ms eficiente. En este ejemplo se
encontrara el nodo G a la quinta iteracin.
Este mtodo tiene complejidad exponencial tanto temporal como espacial. La complejidad
temporal depende del factor de ramificacin y de la profundidad de la solucin. Si el
nmero medio de sucesores es n (se utiliza el valor medio ya que el rbol de bsqueda no
tiene por qu ser uniforme; es decir, no todos los nodos tienen igual nmero de
sucesores) y la solucin se alcanza en el nivel p, el tiempo empleado es 1+n+n2++np.
Siendo p un valor generalmente grande, la complejidad ser del orden O(np).
La complejidad espacial es tambin del orden O(np), lo que hace difcil de utilizar en
problemas reales.
Las complejidades de las estrategias de bsqueda se calculan considerando el peor caso.
Es decir, tanto la complejidad temporal como la espacial crecen exponencialmente con
esta estrategia de bsqueda, por lo que slo se pueden aplicar a problemas de pequea
dimensin.

_________________________________________________________________________
107

Inteligencia Artificial

4.3.3.- Bsqueda ptima.


Todas las tcnicas de bsqueda descritas hasta ahora estn diseadas para encontrar una
solucin. Como se demostrar con las bsquedas heursticas, existen esfuerzos para
mejorar la posibilidad de encontrar una solucin buena, y preferiblemente ptima. Sin
embargo, algunas veces solo se desea la solucin ptima. El trmino solucin ptima en el
sentido en que lo utilizamos aqu simplemente significa la mejor ruta que se pueda
encontrar usando una de las distintas tcnicas de generacin de mltiples soluciones que
puede que no sea, de hecho, la mejor solucin-. Encontrar la autntica solucin ptima
exige la utilizacin de Inteligencia Artificial, extremadamente costosa y una bsqueda
exhaustiva.
Bsqueda Heurstica
La bsqueda heurstica tiene muchos ejemplos en la vida real. Uno de los ms conocidos
es el problema del viajero, donde un vendedor tiene que recorrer una serie de ciudades de
una forma que en su ruta slo puede pasar una vez por cada ciudad y adems tiene que
hacer el menor recorrido posible. Es un tipo de problema donde el numero de soluciones
sigue una ley de explosin combinatoria, conocidos como np-completos. Es decir, no
puede ser resuelto por los algoritmos de bsqueda ciega. Son problemas para los que es
imposible computacionalmente encontrar la mejor solucin para dimensiones elevadas por
ese crecimiento exponencial. La nica forma de abordarlos es conformarnos con una
solucin suficientemente buena, hay varios mtodos de bsqueda heurstica que
proporcionan formas prcticas de hacerlo [5].
Las estrategias de bsqueda heursticas se caracterizan por la tendencia a limitar el tiempo
y el espacio en donde buscar la respuesta a problemas complejos, y asumir que
aceptaremos cuando le encontremos una buena solucin, que puede no ser ptima. En
este sentido, aplicamos reglas heursticas o empricas para determinar a lo largo de un
recorrido cul es el trayecto que con mayor probabilidad nos lleve a una solucin.
Los algoritmos vistos hasta ahora se denominan en general algoritmos de generacin y
prueba. Su implementacin ms bsica, los pasos para ejecutarlos son:
1.
2.
3.

Generar una posible solucin, ya sea un nuevo estado o un camino a travs del
espacio de bsqueda.
Probar si ese nuevo estado o camino generado es una solucin comparndolo
con un conjunto de estados objetivo.
Si es la solucin, terminar. En otro caso, volver al paso 1.

Realmente es un recorrido en profundidad que realiza una bsqueda exhaustiva del


espacio de estados. Si hay una solucin, este algoritmo la encontrar, aunque
probablemente le lleve mucho tiempo. Para problemas de dimensiones pequeas puede
ser efectivo, pero para problemas ms complejos esta bsqueda no guiada es
impracticable.

_________________________________________________________________________
108

Inteligencia Artificial

Su principal desventaja radica en que no hay ninguna informacin relativa a en qu


direccin orientar la bsqueda, por lo que se han desarrollado otras estrategias para
incorporar este tipo de conocimiento con el uso de las funciones heursticas.
La bsqueda heurstica utiliza informacin adicional sobre el problema especfico, como el
costo o la distancia al estado final. Para tener en cuenta esta informacin, los mtodos
heursticos utilizan las denominadas funciones de evaluacin heursticas f que calculan o
evalan el valor de cada nodo particular en el rbol de bsqueda, dando una idea de lo
cerca o lejos que se encuentra del nodo objetivo. Es decir, son aplicaciones que hacen
corresponder a cada estado del espacio de bsqueda un valor numrico cj.

f(estadoj)=cj
Con estos valores se puede estimar el costo que llevara recorrer sus ramificaciones,
guiando la bsqueda hacia aquellos caminos que parecen ms prometedores. El valor
mximo o mnimo de las funciones heursticas debe alcanzarse en un estado meta.
Los principales mtodos de bsqueda heurstica son:

Ascensin a la cima o gradiente.


Primero el mejor.
Bsqueda menor costo.
Algoritmo A*.
Algoritmos genticos.

Ascensin a la cima o gradiente


El mtodo de la ascensin de la cima (hill-climbing) incorpora cierta informacin que
resulta del paso 2 descrito anteriormente en la bsqueda heurstica, es decir, de la
evaluacin del estado actual para mejorar la generacin de un nuevo estado candidato. Al
evaluar un estado mediante la funcin prueba se le asocia una medida o estimacin de su
distancia al estado objetivo, que servir para orientar la generacin del siguiente.
Son algoritmos denominados de mejoramiento iterativo ya que parten de una
configuracin completa del espacio de estados, y sobre ese escenario se van modificando
para mejorar la calidad de la solucin. Es decir, se trata de buscar la solucin ptima en
toda la superficie que representa al problema mediante pasos iterativos hacia la meta.
Por ejemplo, si se trata de identificar un mximo en la funcin de calidad (ascensin a la
cima), el algoritmo se ejecutara como un bucle que se desplaza constantemente en la
direccin del valor ascendente. En el caso del mtodo del gradiente, como la funcin de
evaluacin es un costo que se intenta minimizar, la iteracin se actualizara en la direccin
de los valores decrecientes.
Sin embargo, uno de sus principales problemas es que puede caer en los extremos
locales. Porque estamos siempre avanzando en la direccin del menor costo, por ejemplo,

_________________________________________________________________________
109

Inteligencia Artificial

se puede seguir un camino que alcance una buena solucin pero dejando de lado la
solucin ptima que quizs se encontraba muy cerca. De este mnimo o mximo local es
difcil salir ya que cualquier movimiento nos llevar a un prximo estado peor, con menor
valor de bondad en la funcin de evaluacin. En algunos casos el espacio de bsqueda
presenta una meseta o zona plana en la cual cualquier nuevo estado tiene asociado el
mismo valor que el anterior, por lo que el algoritmo se estancar ya que no encontrar la
diferencia de valores positiva o negativa necesaria para avanzar.
Para evitar estos extremos locales se han propuesto diversas estrategias. Una consiste,
por ejemplo, en forzar un reinicio aleatorio. Cuando no se logra ningn avance
significativo se recomienza desde otro nuevo punto. Habitualmente esta tcnica es
suficiente para encontrar la solucin.
Otro mtodo consiste en aadir ruido a la funcin de evaluacin para lograr salir de los
extremos locales. Inicialmente el nivel de ruido es alto y se va reduciendo gradualmente
con el tiempo. Esta tcnica, denominada simulated annealing (enfriamiento o temple
simulado) permite al algoritmo explorar direcciones que no son las mejores pero que
pueden conducir a una exploracin mas completa del espacio de estados. Como est
tcnica recuerda la analoga que se da en los metales cuando son calentados y luego
enfriados lentamente, el parmetro que se utiliza en el enfriamiento simulado se denomina
temperatura, de forma que una temperatura elevada permite continuar con la bsqueda
de forma un tanto aleatoria, mientras que temperaturas bajas hacen que el algoritmo
vuelva a un comportamiento mas determinista.
Primero el mejor
La bsqueda por primero el mejor o bsqueda preferentemente por lo mejor es una
estrategia de control sistemtica que combina las ventajas de los mtodos de bsqueda
exhaustiva en amplitud y en profundidad. Su principal diferencia con esos mtodos es que
en este caso se hace uso de la informacin que proviene de las funciones de evaluacin
para ordenar los nodos de la cola. En este sentido se elige como primer nodo el que
parece que va a ser mejor (costo mnimo), antes que cualquier otro, sin tener en cuenta
su posicin en el rbol o grafo. Es decir, se expande el ms prometedor, el que ha
resultado mejor evaluado [5].
Con este mtodo siempre se encuentra un mnimo global, por lo que consigue disimular el
problema de los extremos locales.
Sin embargo, presenta una desventaja: el hecho de que en el algoritmo no se considera el
camino recorrido hasta el momento, lo que podra dar lugar a una solucin no idnea. Por
ejemplo, si un nodo se encuentra muy cerca de la meta, quiz ya inicialmente, pero hay
otro cuya distancia al nodo final es menor aunque suponga un recorrido ms largo, se
seleccionar este ltimo debido a esa estimacin de la distancia que no tiene en cuenta el
costo acumulado.

_________________________________________________________________________
110

Inteligencia Artificial

Por ejemplo, definimos una funcin costo asociada a cada nodo cuyo valor sea la distancia
al nodo meta figura 23. El costo de la generacin de cada sucesor se puede considerar
cero o uno. En cualquier caso, va a ser un valor constante.

Figura 23. rbol de bsqueda con costos asociados.

Los pasos del algoritmo primero el mejor son:


1. El estado inicial esta formado nicamente por el nodo inicial.
2. Lazo:
2.1. Extraer el nodo inicial.
2.2. Se expande el nodo y se aaden todos los sucesores a la cola. Guardar
el recorrido.
2.3 Se evala cada uno de los nodos sucesores. Si algn sucesor es la
meta, salir.
La solucin es el nodo de la lista y el camino recorrido
2.4. Se extrae el nodo con menor costo y se aaden sus sucesores. Guardar
el recorrido.
2.5. Volver al paso nmero 2.3.

_________________________________________________________________________
111

Inteligencia Artificial

El algoritmo aplicado al ejemplo de la figura 23, donde la solucin consiste en llegar al


nodo F, sera:
estado de la cola

extraer

H(20)
A(14), C(16)
D(9), E(5), C(16)
D(9), C(16)
K(3), L(6), C(6)
L(6), C(6)

F(0), C(16)

H
A
E
D
K
L

El camino recorrido siguiendo los punteros que conduce a la solucin es:


HAEDKLF
Como se ha hecho notar, con este mtodo no se ha seleccionado el recorrido ms corto en
el sentido de recorrer menos nodos, que hubiera sido por la rama del nodo C, sino que las
decisiones se han ido tomando en cada momento segn la distancia estimada en ese
punto, no acumulada, aunque el costo acumulado sea menor en esta solucin.
Existe una variante denominada bsqueda en haz (beam search), que pretende acelerar
el proceso de bsqueda permitiendo explorar ms de una rama simultneamente.
Bsqueda menor costo
Denominada greedy search, este algoritmo es tambin una estrategia derivada del mtodo
primero el mejor, y viene a disimular una de sus desventajas. En este caso lo que se
intenta es minimizar el costo total para alcanzar la meta. Por lo tanto, siguiendo una
estrategia avara, se expandir el nodo que se presuponga ms cercano al nodo final,
para minimizar as tambin el recorrido.
Desafortunadamente, el costo exacto del recorrido al estado final no se puede calcular de
forma precisa, por lo que tendremos que conformarnos con una estimacin basada en una
funcin heurstica h, en la que se computa para cada nodo el costo estimado desde ese
nodo al nodo final por el camino de menor costo. Cuando mejor sea la estimacin de la
funcin h mejor y ms rpidamente se encontrar la solucin. Cuando se llega al nodo
meta, la evaluacin de h en ese estado debe ser cero.
Es por lo tanto un caso de la bsqueda heurstica ya que es esta funcin h la que dirige el
recorrido en base a un conocimiento sobre el camino con menor costo.
La eleccin de la funcin heurstica es crucial para el funcionamiento del algoritmo y
tambin para reducir la complejidad espacial y temporal del mismo.
Generalmente es un mtodo eficiente ya que suele encontrar la solucin con rapidez, si
bien sta no siempre es ptima porque lo que va considerando en cada momento es la

_________________________________________________________________________
112

Inteligencia Artificial

solucin inmediata ms barata, sin una visin global. Tampoco es completa pues puede
recorrer una ruta infinita y se estancara en ella sin probar otros caminos alternativos.
Algoritmo A*
Uno de los algoritmos de bsqueda mas conocidos y utilizados en la Inteligencia Artificial
es el A*, que combina la eficiencia del algoritmo de bsqueda menor costo con el mtodo
de costo uniforme que tiene las deseables propiedades de ser ptimo y completo. Es decir,
encuentra una solucin siempre y cuando sta exista, incluso para grafos infinitos, y
adems no cae en mnimos locales, sino encuentra el extremo global.
Otras de las ventajas de este mtodo es que expande el menor nmero de nodos. Sin
embargo, puede tardar mucho en hacer la seleccin entre dos caminos casi iguales por lo
que a veces puede requerir mucho tiempo.
En el mtodo de la bsqueda costo uniforme lo que se trataba era de reducir al mnimo el
costo de la meta h(n). El mtodo denominado de costo uniforme es una variacin de la
bsqueda en amplitud donde lo que se busca no son los caminos de menor longitud sino
de menor costo, por lo tanto, minimizar la ruta, g(n). Es decir, se expande el nodo con
menor costo de la ruta, en vez del que tenga menor profundidad, como lo haca la
estrategia en amplitud. Esta bsqueda s es ptima y completa, pero se puede ser muy
ineficiente.
En el algoritmo A* la funcin de evaluacin se calcula sumando estas dos medidas
heursticas para cada nodo n:

El costo estimado para ir de n al estado meta, h(n);


El costo que ha sido necesario para llegar a ese nodo n desde la raz o nodo inicial,
g(n). Este ltimo dato no es una estimacin ya que puede ser conocido con
exactitud.

La funcin de evaluacin f(n) estima el costo total de camino a la solucin que pasa por el
nodo n.

F(n) = g(n) + h(n)

Es decir, el conocimiento heurstico incorporado a este procedimiento permite evaluar y


ordenar los nodos en la lista para dirigirla de forma ms eficiente hasta el nodo meta.
Como se puede deducir, el mtodo del costo uniforme es un caso particular del algoritmo
A* que tiene lugar cuando n h(n)=0.
El procedimiento para llevar a cabo este algoritmo es el mismo que el anterior, si bien
ahora habr que sumar a la distancia estimada a la meta el camino de menor costo
encontrado hasta cada nodo para formar la nueva funcin heurstica f.

_________________________________________________________________________
113

Inteligencia Artificial

Para el ejemplo de la figura 23, el proceso de ejecucin del algoritmo con esta estrategia
sera:
sacar
H

H(20+0)
A(14+1),
C(16+1)
D(9+2),
E(5+2),
C(17)
D(11), C(17)

A
E
D

K(3+3), L(6+3),
C(17)
L(9), C(17)

F(0), C(16)

K
L

Con el cual se obtiene el mismo camino solucin que con el mtodo del primero el mejor.
A los arcos que unen los distintos nodos se les puede asociar un costo no constante, en
cuyo caso el procedimiento de resolucin sera el mismo pero ahora habra que sumar a
cada nodo como valor de g(n) el que indica ese enlace.
El algoritmo A* es completo y ptimo siempre y cuando se verifique una restriccin: que la
funcin heurstica h(n) sea admisible. Es decir, que la funcin h que se seleccione nunca
sobreestime el costo que implica alcanzar la meta. Es por lo tanto una acepcin optimista
de la bsqueda. Sin embargo, sigue siendo un mtodo con una complejidad temporal y
espacial que generalmente es exponencial.
Una conocida modificacin del algoritmo A* es la llamada IDA* (Iterative Deepending A*)
o bsqueda por profundizacin iterativa (A*PI), que tiene por objeto garantizar la
linealidad respecto a la complejidad espacial. En vez de limitar la profundidad de la
bsqueda, este nuevo algoritmo utiliza una limitacin en el costo.
Mantiene menos caminos simultneamente que A*, de ah la reduccin del consumo de
memoria, pero no deja de encontrar la solucin gracias a que explora mltiples rutas.
Algoritmos genticos
En los aos setenta, de la mano de John Holland [Holland y col., 1975] surgi una de las
lneas ms prometedoras de la Inteligencia Artificial, la de los algoritmos genticos. Son
llamados as porque se inspiran en la evolucin biolgica y su base gentico-molecular.
Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones
aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y
recombinacin gentica), as como tambin a una seleccin de acuerdo con algn criterio,
en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y
cules los menos aptos, que son descartados.

_________________________________________________________________________
114

Inteligencia Artificial

Los algoritmos genticos forman parte de una familia denominada algoritmos evolutivos,
que incluye las estrategias de evolucin, la programacin evolutiva y la programacin
gentica. Dentro de esta ltima se han logrado avances curiosos:
En 1999, por primera vez en la historia, se concedi una patente a un invento no realizado
directamente por un ser humano: se trata de una antena de forma extraa, pero que
funciona perfectamente en las condiciones a las que estaba destinada.
No hay, sin embargo, nada injusto en el hecho de que el autor del algoritmo gentico del
que sali la forma de la antena se haya atribuido la autora de la patente, pues l escribi
el programa e ide el criterio de seleccin que condujo al diseo patentado.
Un algoritmo gentico es un mtodo de bsqueda dirigida basada en probabilidad.
Bajo una condicin muy dbil (que el algoritmo mantenga elitismo, es decir, guarde
siempre al mejor elemento de la poblacin sin hacerle ningn cambio) se puede demostrar
que el algoritmo converge en probabilidad al ptimo. En otras palabras, al aumentar el
nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a 1.
Funcionamiento
Los algoritmos genticos establecen una analoga entre el conjunto de soluciones de un
problema, llamado fenotipo, y el conjunto de individuos de una poblacin natural,
codificando la informacin de cada solucin en una cadena, generalmente binaria, llamada
cromosoma. Los smbolos que forman la cadena son llamados los genes. Cuando la
representacin de los cromosomas se hace con cadenas de dgitos binarios se le conoce
como genotipo. Los cromosomas evolucionan a travs de iteraciones, llamadas
generaciones. En cada generacin, los cromosomas son evaluados usando alguna medida
de aptitud.
Funcionamiento de un algoritmo gentico bsico
1. Primero, se genera aleatoriamente la poblacin inicial, que est constituida por un
conjunto de cromosomas, que representan las posibles soluciones del problema.
En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la
poblacin inicial, se tenga la diversidad estructural de estas soluciones para tener
una representacin de la mayor parte de la poblacin posible o al menos evitar la
convergencia prematura.
2. A cada uno de los cromosomas de esta poblacin se aplicar la funcin de aptitud
para saber qu tan "buena" es la solucin que se est codificando.
3. Despus de saber la aptitud de cada cromosoma se procede a elegir los
cromosomas que sern cruzados en la siguiente generacin.

_________________________________________________________________________
115

Inteligencia Artificial

4. Los cromosomas
seleccionados.

con

mejor

aptitud

tienen

mayor

probabilidad

de

ser

5. El cruzamiento es el principal operador gentico, representa la reproduccin


sexual, opera sobre dos cromosomas a la vez para generar dos descendientes
donde se combinan las caractersticas de ambos cromosomas padres.
6. El algoritmo gentico se deber detener cuando se alcance la solucin ptima, pero
sta generalmente se desconoce, por lo que se deben utilizar otros criterios de
detencin. Normalmente se usan dos criterios: correr el algoritmo gentico un
nmero mximo de iteraciones (generaciones) o detenerlo cuando no haya
cambios en la poblacin.
7. Como se mencion, el problema de seleccin de variables se puede ver como un
problema de optimizacin, ya que queremos encontrar, bajo alguna heurstica, el
subconjunto de variables que potencialicen la diferenciacin y las semejanzas de
objetos de clases diferentes y de la misma clase respectivamente.
Esquema general del algoritmo
Inicializar aleatoriamente una poblacin de soluciones a un problema, representadas por
una estructura de datos adecuada.
Evaluar cada una de las soluciones, y asignarle una puntuacin o fitness segn lo bien que
lo hayan hecho.
Escoger de la poblacin la parte que tenga una puntuacin mayor.
Mutar (cambiar) y entrecruzar (combinar) las diferentes soluciones de esa parte escogida,
para reconstruir la poblacin.
Repetir un nmero determinado de veces, o hasta que se haya encontrado la solucin
deseada [5].
Hay que tener en cuenta que un algoritmo gentico es independiente del problema, lo
cual lo hace un algoritmo robusto, por ser til para cualquier problema, pero a la vez dbil,
pues no est especializado en ninguno.
Ejemplo
Los algoritmos genticos requieren que el conjunto se codifique en un cromosoma. Cada
cromosoma tiene varios genes, que corresponden a sendos parmetros del problema. Para
poder trabajar con estos genes en el ordenador, es necesario codificarlos en una cadena,
es decir, una lista de smbolos (nmeros o letras) que generalmente va a estar compuesta
de 0s y 1s.

_________________________________________________________________________
116

Inteligencia Artificial

Ejemplo 1:
Si un atributo (tiempo) puede tomar tres valores posibles (despejado, nublado, lluvioso)
una manera de representarlo es mediante tres bits de forma que:
(Tiempo = Nublado Lluvioso) y (Viento = Fuerte) se representara con la siguiente
cadena: 011 10.
De esta forma podemos representar fcilmente conjunciones de varios atributos para
expresar restricciones (precondiciones) mediante la concatenacin de dichas cadenas de
bits.
Adems si tenemos otro atributo Viento que puede ser Fuerte o Moderado, se
representara con la siguiente cadena: 011 10.
Las postcondiciones de las reglas se pueden representar de la misma forma. Por ello una
regla se puede describir como la concatenacin de la precondicin y la postcondicin.
Ejemplo2:
JugaralTenis puede ser Cierto o Falso.
Si Viento = Fuerte entonces JugaralTenis = Cierto se representara mediante la
cadena 111 10 10. Donde los tres primeros bits a uno indican que el atributo Tiempo
no afecta a nuestra regla.
Cabe destacar que una regla del tipo 111 10 11 no tiene demasiado sentido, puesto que
no impone restricciones en la postcondicin. Para solucionar esto, una alternativa es
codificar la postcondicin con un nico bit (1 = Cierto y 0 = Falso).
Otra opcin es condicionar los operadores genticos para que no produzcan este tipo de
cadenas o conseguir que estas hiptesis tengan una adecuacin muy baja (segn la
funcin de evaluacin) para que no logren pasar a la prxima generacin de hiptesis.

4.4.- Satisfaccin de restricciones.


Problemas de satisfaccin de restricciones es un tipo especial de problemas que satisfacen
algunas propiedades adicionales. Las restricciones pueden involucrar una o varias
variables al mismo tiempo. A veces en estos problemas conviene hacer una verificacin
hacia adelante (forward checking) para detectar estados sin solucin (ejemplo las 8reinas, figura 24). Muchas veces lo que conviene es analizar la variable ms restringida,
esto es, asignarle un valor a la variable que est involucrada en la mayor cantidad de
restricciones.

_________________________________________________________________________
117

Inteligencia Artificial

Otra heurstica comn es seleccionar un valor que elimine el menor nmero de valores en
las otras variables asociadas a la variable por medio de una restriccin. A veces la
descripcin del estado contiene toda la informacin necesaria para llegar a una solucin
(ejemplo las 8-reinas) y se utilizan algoritmos que hacen mejoras iterativas. La idea
general es empezar con una configuracin completa y hacer modificaciones para mejorar
su calidad [23].
Normalmente, en problemas de maximizacin se trata de moverse hacia el pico ms alto.
Los mtodos iterativos normalmente guardan slo su estado actual y no ven ms all de
sus vecinos inmediatos.
Problemas de Satisfaccin de Restricciones
Estructura de estados:

Un estado est compuesto por un conjunto de n variables que pueden tomar


diferentes valores.
Un estado es un estado meta si los valores que tienen sus variables cumplen una
serie de restricciones.

Definicin:

Un problema de satisfaccin de restricciones PRS (Constraint Satisfaction Problem)


es una tripleta (X, D, R)
o X = {x1,, xn} es un conjunto de variables.
o D: X V es una funcin total que asigna un dominio (conjunto de valores
de Vi) a cada variable. Frecuentemente se escribe Di en vez de D(xi) para
referirse al dominio de la variable xi.
o R = {R1,, Rk} es un conjunto de restricciones tal que cada Ri es un
predicado sobre un subconjunto de los variables de X.
Formalmente: Ri (x1,, xl) D1 Dl.

Conceptos bsicos de variables:

Un problema de satisfaccin de restricciones discreto es aquel en el que todas las


variables son discretas, es decir, toman valores en dominios finitos.
Un problema de satisfaccin de restricciones continuo es un PSR en el que todas
las variables son continuas, es decir, tienen dominios continuos.
Un problema de satisfaccin de restricciones mixto consta de variables continuas y
discretas.
Un problema de satisfaccin de restricciones binario es aquel en el que todas las
restricciones tienen a los sumo dos variables respectivamente.
Un problema de satisfaccin de restricciones no binario o n-ario es aquel en el que
las restricciones tienen cualquier nmero de variables.

_________________________________________________________________________
118

Inteligencia Artificial

Conceptos bsicos de restricciones:

Discretas: las variables participantes estn acotadas en dominios discretos.


Continuas: las variables participantes estn acotadas en dominios continuos.
Binarias: son restricciones en las que slo participan dos variables.
N-arias: son restricciones en las que slo participan cualquier nmero de variables (n>2).
Fuertes (hard): son restricciones cuya satisfacbilidad es imprescindible.
Dbiles (soft): son restricciones cuya satisfacbilidad no es imprescindible.
Difusas (fuzzy): son restricciones definidas sobre niveles de preferencia.
Disyuntivas: son restricciones compuestas por un conjunto disjunto de restricciones.
Clasificacin segn el tipo de restricciones:

Restricciones de obligacin (hard constraints).


Restricciones de preferencia (soft constraints).

Clasificacin segn los dominios:

Dominios discretos (finitos o infinitos).


Dominios continuos.

Clasificacin segn el nmero de variables implicadas en las restricciones:

Restricciones binarias.
Restricciones mltiples.

Ejemplo 1:
N reinas.

Situar N reinas en un tablero de ajedrez de tamao N x N de forma que no se den


jaque mutuamente figura 24.
Variables: V1, . . . , VN
Dominios: Di = {1, . . . ,N}
Restricciones:
o Jaque horizontal: Vi Vj
o Jaque diagonal: |Vi Vj| |i j|
Problema con dominios finitos y restricciones binarias (de obligacin).

_________________________________________________________________________
119

Inteligencia Artificial

1
2

3
0

Figura 24. Ejemplo de n-reinas.

Ejemplo 2:
Planificacin de corte.
Encontrar la manera de situar patrones de corte en una pieza de cartn figura 25.

Variables: P1, P2, P3, P4.


Dominios: Coordenadas en el plano.
Restricciones:
o Las piezas no deben superponerse.
Problema con dominios continuos y restricciones binarias (de obligacin).

Figura 25. Planificacin de corte.

4.5.- Resolucin de problemas de juegos.


Juegos
Los juegos provocan una inexplicable fascinacin y, la idea de que las computadoras
puedan jugar existe desde que existen las computadoras:

Siglo XIX, Babbage, arquitecto de computadoras, pens en programar su mquina


analtica para que jugara al ajedrez.

_________________________________________________________________________
120

Inteligencia Artificial

50s, Shannon describi los mecanismos que podan usarse en un programa para
que jugara al ajedrez.
50s, Turing describi un programa para jugar al ajedrez pero no lo construy.
60s, Samuel construy el primer programa de juegos importante y operativo, el
cual jugaba a las damas y poda aprender de sus errores para mejorar su
comportamiento.

En un primer momento se pens que se podran resolver por bsqueda exhaustiva en el


rbol del juego, es decir, un rbol que contenga todos los movimientos posibles de ambos
jugadores. Considerando por ejemplo el juego de ajedrez, en una partida cada jugador
realiza una media de 50 movimientos, con un factor de ramificacin medio de 35
posibilidades, por lo tanto para examinar el rbol de juego completamente se tendran que
examinar 35,100 posibilidades. Resulta evidente que una simple bsqueda directa no es
posible de realizar en la prctica, y por lo tanto es necesario algn tipo de procedimiento
de bsqueda heurstica.
Los juegos proporcionan una tarea estructurada en la que es muy fcil medir el xito o el
fracaso. En comparacin con otras aplicaciones de Inteligencia Artificial, por ejemplo
comprensin del lenguaje, los juegos no necesitan grandes cantidades de conocimiento.
El problema de la toma de decisin puede ser crucial en una serie de aplicaciones. Por
ejemplo, en los juegos o estrategias logsticas donde el objetivo es ganar ante unos
adversarios, cualquier tipo de informacin que ayude a tomar la decisin acertada es muy
valiosa. En este sentido, el plantear este tipo de problemas de la forma que se puede
aplicar una estrategia de bsqueda ha sido siempre un campo de inters para los
investigadores de la Inteligencia Artificial.
La mayora de las aplicaciones de la Inteligencia Artificial fueron juegos que requeran la
aplicacin de las facultades intelectuales. En este sentido, este tipo de problemas han
contribuido enormemente al desarrollo de la Inteligencia Artificial [5].
Un juego tiene una gran similitud con un problema de bsqueda porque se define
mediante:

El estado inicial, que incluye la posicin del tablero e identifica al jugador que
mueve.
Una funcin sucesor, que devuelve una lista de pares (movimiento, estado),
indicando un movimiento legal y el estado que resulta.
Un test terminal, que determina cundo se termina el juego. A los estados donde
el juego se ha terminado se les llaman estados terminales.
Una funcin utilidad (tambin llamada funcin objetivo o funcin de
rentabilidad), que da un valor numrico a los estados terminales. En el ajedrez, el
resultado es un triunfo, prdida, o empate, con valores +1, -1 o 0.

Por lo tanto, el primer paso ser la representacin del juego como un rbol de bsqueda,
y la definicin de las funciones de utilidad y de prueba final, es decir, determinar el
objetivo final. En general aunque se puede plantear como escenario un rbol completo
que represente las caractersticas del juego, frecuentemente no es posible tener en cuenta

_________________________________________________________________________
121

Inteligencia Artificial

la totalidad del rbol, por lo que en algn momento suele ser necesario suspender la
bsqueda y aplicar una funcin de evaluacin mediante la cual se obtenga una estimacin
de la utilidad de un estado determinado para saber por dnde seguir.
Hay diversos tipos de planteamiento en la resolucin de los problemas de bsqueda
aplicados a los juegos, determinados por sus caractersticas especficas. Depende del
nmero de elementos con capacidad de decisin involucrados, de la informacin que
posean del entorno y de los contrarios, etc.
En las aplicaciones con dos participantes que cuentan con informacin perfecta (y juegan
tambin de forma perfecta), el algoritmo minimax permite determinar cul ser la mejor
jugada. Como una modificacin de ste, el algoritmo alfa-beta es ms eficiente gracias a
la poda que realiza de las ramas del rbol de bsqueda que resultan irrelevantes para el
resultado final.
Los juegos de azar se pueden manejar como una extensin del algoritmo minimax
mediante el que se evalan nodos aleatorios, para lo que se toma en cuenta el valor de la
utilidad promedio de todos sus nodos hijos, ponderados por la probabilidad respectiva de
cada hijo.
Algoritmo del minimax
Se aplica este algoritmo a un juego de dos participantes que alternan sus decisiones, con
sus consiguientes movimientos, y que tienen un conocimiento perfecto en cada momento
tanto de la estrategia como del juego del adversario [5].
El objetivo es ganar, es decir, el algoritmo debe encontrar la secuencia de movimientos
que llevan a un jugador a alcanzar la meta. Pero debe tener en cuenta que el otro jugador
puede interponerse en ese recorrido, y que tambin el objetivo del adversario es llegar a
ese mismo estado final.
Los nodos del rbol son de dos tipos: MAX y MIN segn correspondan a uno u otro
jugador. Los valores altos son buenos para MAX, es decir, su objetivo es maximizar la
funcin de evaluacin que mide la proximidad estimada a la meta de una situacin dada.
Los valores bajos de la funcin de utilidad son los buenos para MIN que intenta minimizar
el valor de la funcin heurstica para dificultar a su contrincante la consecucin de la meta.
Debido a la alternancia en el juego, cada nivel dentro del rbol est formado slo por los
nodos MAX o nodos MIN. Si comienza MAX y ocupa la raz, ste ocupar los niveles pares
del rbol y el nivel inmediatamente inferior lo ocupar los nodos del jugador contrario.
El algoritmo de minimax desarrolla una bsqueda en profundidad limitada. Se puede
describir de forma simplificada en los siguientes pasos:
1. Generacin del rbol de bsqueda, desde la raz hasta los estados terminales.
2. Obtencin del valor de la funcin de utilidad en cada estado terminal.
3. Aplicacin de la funcin de utilidad para calcular este valor de cada uno de los
nodos del nivel inmediatamente superior a los terminales.

_________________________________________________________________________
122

Inteligencia Artificial

4. Continuacin de la propagacin de los valores de los nodos hojas en direccin a la


raz una capa cada vez.
5. Cuando los valores calculados llegan a la raz del rbol, MAX elige la jugada que le
permita obtener el valor ms alto.
Funcin DECISION-MINIMAX(estado) devuelve una accin
Variables de entrada: estado, estado actual del juego

MAX-VALOR(estado)
devolver la accin de SUCESORES(estado) con valor v

Funcin MAX-VALOR (estado) devuelve un valor utilidad


Si TEST-TERMINAL(estado) entonces devolver UTILIDAD(estado)
v -
para un s en SUCESORES(estado) hacer
v<- MAX(v, MIN-VALOR(s))
devolver v
Funcin 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, MAX-VALOR(s))
devolver v
Es decir, este algoritmo en cada jugada produce el operador con el que se obtiene la
mejor utilidad, la mejor jugada posible. Recorre todo el rbol del juego con una
exploracin exhaustiva y va pasando por todas las hojas para ir calculando el valor de
utilidad de un movimiento que llevar a la toma de decisin.
Hay que tener en cuenta que lo que se propaga hacia arriba depende del estado terminal,
que puede tener una funcin de utilidad que represente tanto ganar como perder o
empatar. Al recorrer el rbol 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.
Por ejemplo, en el rbol

_________________________________________________________________________
123

Inteligencia Artificial

MAX

MIN

Figura 26. rbol para minimax.

la estrategia ganadora sera la que llevara a MAX a los valores ms altos de la funcin de
utilidad, supongamos que igual o mayor que el valor 6. La jugada seleccionada por MIN
sera la respuesta a la jugada de MAX que diera el menor valor de los posibles despus del
primer movimiento de MAX. Se han marcado los nodos MAX con rombos y los MIN con
circulos.
Si existe, una estrategia ganadora para MAX ser un subrbol en el que todos sus nodos
terminales son ganadores; de esta forma se puede garantizar el xito sea cual sea la
respuesta del adversario. El recorrido marcado en la figura 26 desemboca siempre en una
rama ganadora. Cualquier jugada de MIN hace que MAX sea el vencedor si ha optado por
esa rama.
Por el contrario, una estrategia ganadora para MIN ser el subrbol en el que todos sus
nodos terminales sean perdedores, teniendo en cuenta que cada vez que juega MAX habr
que considerar todos sus movimientos y cuando juega MIN slo es necesario considerar
una de las dos alternativas.
El ejemplo comentado anteriormente de tres en raya se puede tambin expresar como
rbol de bsqueda para aplicar esta estrategia de minimax, pero resulta tan compleja su
representacin total que slo se pueden mostrar aspectos parciales del mismo. Este
ejemplo se enuncia en Russell y Norving (1995).
Como es el algoritmo de bsqueda en profundidad, su complejidad temporal es
exponencial, pero la espacial es lineal. Es por lo tanto ineficiente para problemas reales
por el tiempo de cmputo requerido, pero sin embargo permite abordar el problema de los
juegos desde un punto de vista de la representacin que facilita su compresin.

_________________________________________________________________________
124

Inteligencia Artificial

Poda alfa-beta
Es un mtodo basado en el minimax pero ms eficiente puesto que evita el recorrido
exhaustivo de todos los nodos de un rbol de bsqueda. Reduce por lo tanto
considerablemente el nmero de nodos expandidos, y por eso se le denomina mtodo de
poda, ya que no explora todas las ramas. Obtiene la misma solucin que con el anterior
pero no recorre las ramas que no van a influir en la decisin final, y por lo tanto, al no
calcular sus consiguientes valores de utilidad ni expandir sus sucesores, requiere
generalmente menor tiempo computacional [5].
La poda alfa-beta puede aplicarse a rboles de cualquier profundidad, y, a menudo, es
posible podar subrboles enteros.
Sin embargo, esa afirmacin depende del orden en que se exploren los nodos del rbol.
De hecho, en el peor de los casos habra que examinar todos los nodos terminales y
tendra la misma complejidad que el procedimiento minimax.
Para realizar la poda, ste mtodo va anotando cundo se puede hacer una poda porque
en una rama haya algn nodo con un valor de utilidad inferior al de otro recorrido. Para
ello lo que se hace es pasar, en cada llamada recursiva a un nodo hijo, dos valores ( y )
de manera que marque la cota inferior de los valores que se van a ir buscando en la
parte del rbol que queda por explorar, y es la cota superior de los mismos valores. Si
en algn momento llega a ser mayor o igual que no tendr sentido seguir con la
bsqueda, realizndose una poda si estamos en un nodo MAX o si estamos en un
nodo MIN. Se suele denominar por eso poda . Los valores de y se suelen inicializar
a y + respectivamente. Tambin se les puede asignar a el valor mnimo de la
funcin de utilidad y a el valor mximo que puede alcanzar la funcin de evaluacin
heurstica.

Jugador

Oponente

Jugador
Oponente

Figura 27. Poda alfa-beta: el caso general. Si m es mejor que n para el Jugador, nunca iremos a n
en el juego.

_________________________________________________________________________
125

Inteligencia Artificial

Cuestionario de evaluacin.
Asigne el concepto con su respectiva definicin.
Conceptos: Espacio de estados, grafos de estado, aplicacin de espacios de estados,
algoritmo no determinstico, algoritmo determinstico, recorrido en profundidad, recorrido
en amplitud, bsqueda heurstica, mtodos de bsqueda heurstica.
1.- ______________________________________________________________________
Es el entorno donde se desarrolla el proceso de bsqueda, y lo componen todos los
estados por los que se avanza y que se van recorriendo en la tarea de llegar a la meta.
2.- ______________________________________________________________________
La bsqueda en profundidad es otra forma de recorrer sistemticamente una estructura
del rbol para encontrar el nodo solucin, pero recorrindolo en profundidad, es decir,
bajando de nivel.
3.- ______________________________________________________________________
Es un algoritmo que ofrece ms de una nica salida en funcin de su entrada, siempre
que no se haya dado otra especificacin adicional. Una ejecucin de estos algoritmos
permite elegir en un instante dado una secuencia de posibles estados de salida para una
misma entrada o estado inicial.
4.- ______________________________________________________________________
Se caracterizan por la tendencia a limitar el tiempo y el espacio en donde buscar la
respuesta a problemas complejos, y asumir que aceptaremos cuando le encontremos una
buena solucin, que puede no ser ptima.
5.- ______________________________________________________________________
Representa el conjunto de mundos, escenarios o situaciones que se pueden generar
mediante los operadores u acciones. Ya que indica el recorrido del proceso de bsqueda
que va movindose de un estado a otro, en la consecucin del objetivo final.
6.- ______________________________________________________________________
Ascensin a la cima o gradiente, primero el mejor, bsqueda menor costo, algoritmo A*,
algoritmos genticos.
7.- ______________________________________________________________________
Es completamente predictivo si se conocen las entradas al mismo. Dicho de otra forma si
se conocen las entradas del algoritmo siempre producir la misma salida, y la mquina
interna pasar por la misma secuencia de estados.

_________________________________________________________________________
126

Inteligencia Artificial

8.- ______________________________________________________________________
El algoritmo define una forma de moverse a lo largo de la estructura arbrea examinando
los valores de los nodos de manera sistemtica y controlada, de forma que se pueda
encontrar un nodo de solucin.
9.- ______________________________________________________________________
Bsqueda de rutas en redes informticas, rutas areas para viajar, problema del viajante,
diseo de microchips, ensamblaje de componentes, desplazamiento de robots.

Respuestas: espacio de estados, recorrido en profundidad, algoritmo no determinstico, bsqueda heurstica,


grafos de estado, mtodos de bsqueda heurstica, algoritmo deterministico, recorrido en amplitud, aplicacin
de espacios de estados.

_________________________________________________________________________
127

Inteligencia Artificial

CONCLUSIN
La Inteligencia Artificial ha hecho posibles aplicaciones nuevas tales como los sistemas de
reconocimiento de voz, sistemas de control de inventarios, sistemas de vigilancia, robots y
motores de bsqueda.
Distintas ramas de la Inteligencia Artificial han ido alternando en popularidad: la
aproximacin conexionista, representada por las redes neuronales; la computacin
biolgica, con algoritmos evolutivos como tcnicas de bsqueda; la lgica borrosa, en un
intento de dotar de sentido comn a las mquinas, etc. Recientemente, el crecimiento de
Internet y de la computacin distribuida en general ha abierto nuevos campos de
aplicacin de la Inteligencia Artificial.
Parece probable que el xito de la Inteligencia Artificial a gran escala, la creacin de
inteligencia en el nivel humano y ms all, cambiara las vidas a la mayora de la
humanidad. La verdadera naturaleza de nuestro trabajo y de nuestro papel cambiara as
como nuestro punto de vista de la inteligencia, la conciencia y el destino futuro de la raza
humana. A este nivel, los sistemas de Inteligencia Artificial podran suponer una amenaza
directa a la autonoma humana, la libertad, e incluso la supervivencia. Por estas razones,
la investigacin en la Inteligencia Artificial no se puede divorciar de sus consecuencias
ticas.
Se puede observar que la Inteligencia Artificial ha progresado a lo largo de su corta
existencia, pero todava tiene validez la frase del ensayo de Alan Turing sobre Computing
Machinery and Intelligence:

Podemos observar slo a poca distancia hacia delante, pero tambin se pude ver que
todava queda mucho por hacer.

_________________________________________________________________________
128

Inteligencia Artificial

ANEXOS
Anexo A Minera de datos.
Conjunto de tcnicas y herramientas aplicadas al proceso no trivial de extraer y presentar
conocimiento implcito, previamente desconocido, potencialmente til y humanamente
comprensible, a partir de grandes conjunto de datos, con objeto de predecir de forma
automatizada tendencias y comportamientos; y describir de forma automatizada modelos
previamente desconocidos.
La minera de datos es una de las respuestas al problema de la necesidad de extraer
conocimiento en forma automtica a partir de grandes bases de datos.
Es la aplicacin de algoritmos especficos para extraer patrones de datos, un patrn es til
si nos permite decidir o realizar una accin, los patrones han de ser comprensibles por los
seres humanos.
El conocimiento lo constituyen aquellos patrones que hemos aprendido a detectar y que
hemos guardado por que nos permiten aplicarlos a nuevos datos, y por lo tanto, predecir
el comportamiento de los fenmenos o las personas que nos rodean. Al final resulta que el
conocimiento no es tan mgico como parece. Disponemos de medios para aproximarnos a
l y encontrar patrones interesantes para diversos campos.
En la actualidad, existe una gran cantidad de aplicaciones en reas tales como astronoma,
biologa molecular, aspectos climatolgicos, medicina, industria y manufactura,
mercadotecnia, inversin de casa de bolsa, deteccin de fraudes, etc.

_________________________________________________________________________
129

Inteligencia Artificial

Anexo B Robtica
Magia y tecnologa
Desde etapas remotas de la cultura, el ser humano ha intentado crear mquinas
semejantes a l, dotadas de la capacidad de actuar con autonoma y un propsito
especfico. Cientos de aos despus, la robtica an se debate entre la realidad cientfica y
la imaginacin fantstica.
En un inventario que comienza algunos siglos antes de Cristo, conocemos docenas de
golems, animales artificiales, estatuas vivientes, androides y robots. Muchos fueron
resultado de leyendas y figuraciones literarias. Otros surgieron como proyectos basados en
principios cientficos y desarrollos tecnolgicos.
El inters por crearlos fue, en un inicio, un asunto sobrenatural: el Golem, hecho de
materia inerte, se animaba al escribir en un frente los nombres de Dios, y se destrua con
slo borrarlos; el homnculo se haca con la raz de una mandrgora nutrida
pacientemente con sangre, leche y miel.
Al tiempo que prosperaban esas creencias, los protocientficos de Europa, Asia y el mundo
rabe intentaban producir criaturas mediante los principios de la fsica y la mecnica, sin
recurrir a la magia: usaban vapor, palancas y resortes metlicos para animarlos. La
confusin de los dos enfoques en la mente colectiva haca pensar a muchos que los logros
de stos eran resultado de un pacto con el mismo diablo.
El desarrollo de la ciencia durante la Ilustracin elimin la vertiente mgica de ese
horizonte. Sin embargo, confi de manera exagerada en la capacidad intelectual del
hombre al grado de atribuirle cualidades increbles, como pensar que sera capaz de
construir rplicas perfectas de las criaturas naturales y subordinarlas a l. As surgi la
gran poca de los androides y las prodigiosas figuras de relojera que podan escribir,
dibujar y tocar el clavicordio.
Renacimiento de la era industrial
Estas piezas de artesana fueron desplazadas por el embate de la industrializacin entre
los siglos XVIII y XIX. Sin embargo, esa transformacin que marc profundamente todos
los mbitos de la accin humana no puso fin al propsito de crear seres artificiales. Por el
contrario: lo alent de muy diversas maneras.
Lo hizo con el empleo de nuevos materiales y una posibilidad de desplazar al ser humano
de las lneas de produccin y sustituirlo con mquinas capaces de hacer sus tareas con
varias ventajas: la reduccin de los mrgenes de error, la disminucin de gastos en
sueldos y prestaciones, y la posibilidad de operar de forma continua, sin quejas ni
cansancio.

_________________________________________________________________________
130

Inteligencia Artificial

Los autores de ciencia ficcin, el gnero literario del siglo XX, vieron en ese proyecto el
peligro inminente de un mundo automatizado y desprovisto de sentimientos, en el que las
mquinas ganaran terreno al hombre y pondran en peligro su misma supervivencia.
Isaac Asimov cre el cdigo pionero de tica robtica. Mientras tanto, los cientficos
prosiguieron en su afn de crear esas mquinas con avances sorprendentes en muchos de
los casos, pero insignificantes comparados con lo ambicioso del proyecto. Los progresos
en las ciencias de la computacin dieron origen al concepto de Inteligencia Artificial: los
robots no slo podran repetir las acciones fsicas de los humanos, sino tambin sus
procesos intelectuales, como la toma de decisiones y los sentimientos.
Surgieron robots no antropoides para lneas de ensamblaje en plantas automotrices.
Aparecieron en los quirfanos para realizar cirugas ms precisas, y en la guerra para
atacar con ms poder que los humanos. Exploraron el espacio y las profundidades del
mar. Aspiraron el polvo de los hogares y cortaron el csped de los jardines. El rasgo
diferencial para colocarlos en una categora distinta a la de meras mquinas es tambin la
clave de la robtica: por su apariencia o movimientos parecen contar con intenciones y
capacidad de accin propias.
Son, adems, sensibles a su ambiente y se mueven coordinadamente en l.
A nuestra imagen y semejanza
Algunas grandes corporaciones siguieron acariciando, por su parte, la elaboracin de las
criaturas semejantes al hombre desde la perspectiva ldica: robots que bailan moviendo
abanicos o tocan el piano, que juegan ftbol, abren la puerta cuando llaman las visitas y
las invitan a pasar a la casa. Incluso se les concibi como sofisticados compaeros de
juegos sexuales capaces de proporcionar placer e imitar las reacciones de quien lo
experimenta. En el mundo pos-humano los robots, incluso, tuvieron sus primeras mezclas
con los seres humanos en la figura quimrica de los cyborgs (criaturas orgnicas y
mecnicas a la vez), la cual cobra realidad en los exo-esqueletos computarizados que
elevan las capacidades del organismo, prtesis inteligentes que captan las seales de las
terminales nerviosas y modelos que imitan la estructura y funciones de la mano humana.
Luego de la primera muerte humana provocada por un robot y los accidentes asociados a
stos, resurge el miedo de perecer, como el doctor Frankenstein, destruidos por las
mquinas que nosotros mismos hemos creado, y a cada nueva rea de la robtica (como
la nanorrobtica) se asocia un peligro potencial. Las leyes de Asimov se reformulan en un
moderno cdigo de tica para la era de los robots y se reajustan los marcos jurdicos para
regular la operacin e incorporacin de esas mquinas en nuestras vidas.
La dificultad de evaluar la sensatez de esas perspectivas, prevenciones y temores radica
en que todava hoy, aun dentro de los laboratorios ms serios y rigurosos del mundo, el
imaginario robtico (la fantasa de animar a la materia inanimada y dotarla de voluntad)
contamina las investigaciones.

_________________________________________________________________________
131

Inteligencia Artificial

Casos remotos
Aunque hay escasos ejemplos de autmatas anteriores al siglo XIV, varios documentos
registran la existencia de ciertos modelos.
Algunos textos rabes mencionan un rbol de bronce que simulaba el proceso de
crecimiento e inclua, adems, pjaros y leones mecnicos.
Uno de los ms importantes es una paloma de madera diseada y construida por el sabio
Arquitas de Tarento (trabajo entre 400 y 350 a. C.), amigo de Platn. El ave se hallaba
suspendida en la parte superior de una prtiga provista de pivotes, y se mova gracias a
corrientes de vapor y aire comprimido. La importancia de esa figura es su carcter
representativo de una serie de modelos semejantes empleados para el entretenimiento y
dotados de movimiento gracias a la fuerza del agua, el uso de pesos y contrapesos, vapor
y aire. Los escritos de Hern de Alejandra (redactados en el siglo I a. C.) ofrecen un
completo inventario de ellos; mencionan, por ejemplo, un conjunto de marionetas
mecnicas que representaban la Guerra de Troya, o a las curiosas estatuas que servan
vino a los seores de la casa mediante un sistema de palancas o principios de gravedad.
El polgrafo Polibio (ca. 200 a. C.) describe, por su parte, al autmata empleado por Nabis,
el tirano de Esparta: era un sistema mecnico con forma de mujer, con afilados clavos en
el pecho y los brazos. Cuando alguien no cumpla con el pago de una deuda, se le pona
enfrente del mecanismo y la mujer metlica lo abrazaba hasta producirle la muerte.
Desarrollo en China
Con su singular talento para la creacin de maquinarias complejas, los antiguos chinos
disearon sus primeros modelos casi al mismo tiempo de los que aparecan en Grecia. Ms
o menos en el siglo III a.C., bajo el reinado de la dinasta Han, exista una orquesta
mecnica que deleitaba con sus notas al emperador, y se habla de otros pequeos
mecanismos creados para su diversin.
El inters por la elaboracin de autmatas fue constante y stos se perfeccionaron.
Cuando la dinasta Sui estaba en el poder (entre los siglos VI y VII d.C.) ya eran comunes.
Incluso se public el tratado Shui shih tu Ching (Libro de las maravillas hidrulicas) para
describir algunos modelos. En el periodo Tang (siglo VII a X) los autmatas siguieron
siendo comunes en los crculos de la nobleza: haba pjaros voladores, nutrias mecnicas
capaces de atrapar peces y figuras que representaban seres humanos en distintas
actitudes. Destacaba, por ejemplo, un conjunto de mujeres artificiales que cantaban y un
monje que realizaba sus oraciones.
Estas figuras comenzaron a inspirar la imaginacin popular y dieron origen a cuentos y
leyendas donde se incorporan elementos fantsticos, como hadas y hroes. La elaboracin
de autmatas alcanz su auge con la dinasta Yuan (1279-1368), pero despus declin y
slo se practic de manera ocasional.

_________________________________________________________________________
132

Inteligencia Artificial

Mundo Islmico
En el siglo XIII el sabio al Jazari trabajaba para los gobernantes de Mesopotamia. Hoy se
le considera unos de los mayores ingenieros de la historia, pues invent el cigeal
(mecanismo capaz de transformar el movimiento rectilneo en rotatorio), los relojes
movidos por los pesos de agua, y varios dispositivos automticos. Autor de El libro del
conocimiento de los ingeniosos mecanismos (obra clave de la historia de la tecnologa), se
interes por la creacin de autmatas.
Realiz varios modelos de pavos reales impulsados con agua que se paseaban por los
jardines de los poderosos, y tambin autmatas de la figura humana que realizaban tareas
sencillas para sus dueos. Sin embargo, su creacin ms compleja y acabada fue un reloj,
cuya composicin inclua las figuras mecnicas de hombres, animales pequeos y un
sorprendente elefante, que se desplazaban para anunciar el paso de las horas. Aunque
estos modelos no se pudieron conservar, los principios que explic en su obra de
mecnica impulsaron trabajos afines en el mundo oriental y tambin en la Europa
medieval, que descubri asombrada esos progresos.
El avance de autmatas en el mundo islmico 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 sabidura y estatus sagrados no
han de ser desafiados.
Inters medieval
Hay varias referencias sobre los creadores de autmatas en la Edad Media. Uno de ellos
fue el notable filsofo ingls Roger Bacon (1220-1292), quien concibi modelos de barcos
y coches motorizados. Pionero del uso del mtodo experimental, imagino prodigiosas
piezas de ingeniera mecnica y plane la realizacin de muchos autmatas que se
quedaron en meros proyectos. Su mayor logro real fue una inquietante cabeza parlante.
Otra figura destacada de ese periodo fue el alemn Alberto Magno (1200-1280). A lo
largo de treinta aos trabaj en el modelo de un autmata de hierro que realizaba
diversas tareas en su hogar. Caminaba, abra la puerta, saludaba a las visitas y las invitaba
a pasar. Se cuenta que, al ver esta mquina, Toms de Aquino afirm que era una obra
del demonio e intent destruirla. Menos impactantes fueron los trabajos del arquitecto
francs Villard de Honnecourt, autor de un extenso libro de esquemas para la realizacin
de dispositivos mecnicos (muchos de ellos empleados en las ceremonias de la iglesia)
que cobraban forma de seres humanos y animales.
Con todo y estos progresos, la Edad Media era tambin poca de gran oscurantismo, y
durante ella aparecieron muchas leyendas sobre sabios capaces de crear mquinas
idnticas a los humanos. Como en el caso de Toms de Aquino, se pensaba que el
progreso tecnolgico obedeca, ms bien, a un pacto con las fuerzas del mal. La influencia
negativa de la iglesia fren los progresos en ese sentido.

_________________________________________________________________________
133

Inteligencia Artificial

Modelos de Leonardo
En la vasta obra de Leonardo da Vinci (1492-1519) sobresalen cientos de bocetos de
proyectos mecnicos que jams llegaron a construirse pero inspiraron a los constructores
en los tiempos que siguieron. Se han encontrado entre ellos modelos de autmatas. Uno
de los ms interesantes fue trazado a finales del siglo XV. Es una figura humana que porta
una armadura metlica, engarzada mediante diversos mecanismos que podran dotarla de
movimiento. En la poca actual se intent construirla y se comprob que era
tecnolgicamente viable.
Sus grandes conocimientos de ingeniera y mecnica le permitieron crear, en 1498, a uno
de los autmatas ms notables del Renacimiento. Para celebrar el ascenso al trono y la
entrada del rey Luis XII a Miln, construy un len mecnico de bronce, por encargo del
papa Len XII. El da de la fiesta de la formidable figura se desplaz por el saln donde se
llevaba a cabo el banquete. Los asistentes lo siguieron sorprendidos mientras caminaba
por las distintas habitaciones del palacio. De repente, el len se detuvo y un mecanismo
de resortes hizo que su pecho se abriera. De l salieron cientos de flores que deleitaron a
la concurrencia. Este prodigio le vali a Leonardo la amistad y el mecenazgo de Luis XII de
Francia, para quien trabajo a lo largo de muchos aos.
Otros autmatas de aquella poca se pierden entre la realidad y la ficcin. Se dice que en
el siglo XVI el ingeniero espaol Juanelo Turriano desarroll un autmata de palo que
recorra las calles de Toledo pidiendo limosna. Cuenta la leyenda que, a la muerte de su
hija Francine, el filsofo francs Ren Descartes dio vida a una mueca idntica a ella que
se mova por si misma y lo acompaaba en sus viajes. Por cierto, los trabajos cartesianos
en relacin con las leyes del movimiento y la mecnica fundamentaron muchos de los
robots posteriores.
Se inventa el resorte
A inicios del siglo XVI Europa vivi un inters renovado por la elaboracin de autmatas.
Aparte de la tradicin propia de la poca medieval, recibi la influencia de Oriente y el
mundo rabe, gracias al intenso intercambio comercial y la traduccin de los primeros
tratados sobre el tema, como los escritos de Hern de Alejandra. Quienes tenan dinero
para financiar esas investigaciones, las conceban como meras formas de distraccin. En
las casas de los ricos miembros de la nobleza haba intricadas fuentes mecnicas, dotadas
de elementos que se movan, como los famosos juegos de agua en los jardines de Villa d
Este, en Tvoli, cerca de Roma.
Un gran proceso tecnolgico en la elaboracin de autmatas fue la invencin del resorte
de acero templado. Los primeros modelos datan del siglo XII y pronto se descubri su
potencial como genuina fuente porttil de movimiento, fcil de emplear y muy verstil por
su diversidad de tamaos y posibilidad de adaptacin a mecanismos muy pequeos, como
los relojes. Se le us en la relojera y en la joyera, y en la elaboracin de muecos y
figuras de animales.

_________________________________________________________________________
134

Inteligencia Artificial

A finales del siglo XIV, en Alemania, estos dispositivos servan para perfeccionar el
mecanismo de pequeos barcos a escala, hechos de metales y piedras preciosas, que
decoraban las mesas de los ricos y servan de entretenimiento a sus comensales. Por
mucho tiempo, en la elaboracin de autmatas hubo tambin una bsqueda esttica,
explicita en bien cuidados elementos decorativos que reflejan el estilo de la poca.
El pato metlico
Voltaire compar a Jaques de Vaucanson (1709-1782) con Prometeo, pues en su afn de
dar vida pareca robarse el fuego celestial. Educado con los jesuitas, vivi la fiebre de los
autmatas que cunda en la Francia del siglo XVIII. Cautivo al pblico con un mueco
tamborilero y un flautista (de dimensiones humanas) que tocaba doce melodas.
Su autmata mas celebre, empero, fue un pato metlico que poda mover las alas
(ensambladas con ms de cuatrocientas piezas), incorporarse, sentarse y beber agua. Lo
ms sorprendente es que coma, realizaba la digestin y hasta defecaba. Cuando lo
present en Pars en 1738, la gente se agolpaba y pagaba costosos boletos para verlo. De
acuerdo con los estudiosos contemporneos a nosotros, ese inters responda al
convencimiento de que algn da la mente humana sera capaz de construir una criatura
artificial.
La fantasa que cautiv a los espectadores se revel como un fraude, al menos en parte.
Un curioso observador descubri que el maz que le daban de comer quedaba almacenado
en un pequeo depsito, y que el excremento sala de otro, donde se haba cargado
antes. Sin embargo, nadie puso en duda el perfecto carcter automtico de las otras
acciones que el pato desempeaba. Hoy lo conocemos gracias a grabados y dibujos de
aquellos das; el modelo original se perdi despus de 1743, cuando De Vaucanson se
hart de sus autmatas y los puso a la venta.
Figuras pequeas y grandes
A finales del siglo XVIII surgieron modelos mucho ms sofisticados en Europa. En Francia
los hermanos Rochat se especializaron en la elaboracin de pjaros miniatura que
cantaban. Eran colocados en jaulas colgantes o en paneles para anunciar la hora. Al
mismo tiempo aparecieron las cajas de magos, que sorprendan a los visitantes de los
salones. En una caja especial el usuario introduca un pequeo disco con una pregunta
grabada. De la caja sala un mago miniatura cuya mano apuntaba a la respuesta correcta
entre las opciones escritas en una tableta.
Los nobles se deleitaban con los cuadros mecnicos. Estos eran pasajes enmarcados
cuyas figuras (animales y personas) y otros elementos (ros y molinos) se movan ante los
ojos del espectador gracias a un mecanismo oculto de relojera. Uno de los ms famosos
fue elaborado por encargo de Madame de Pompadour y hoy se exhibe en el Conservatorio
Nacional de Artes y Oficios de Francia. Los mismos principios, a diferente escala, se
aplicaban en los teatros mecnicos, cuyos elementos eran de tamao real. El ms notable

_________________________________________________________________________
135

Inteligencia Artificial

se encuentra en los jardines de Hellbrunn, cerca de Salzburgo, Austria. Armado entre 1748
y 1752, presenta 113 figuras con movimiento hidrulico.
La robtica: una nueva disciplina
Correspondi a Isaac Asimov, escritor estadounidense de origen ruso, crear la otra palabra
ms importante relacionada con el tema: robtica, que aparece citada por primera vez en
su relato Runaround (1942). En ella se enuncian, asimismo, las famosas leyes de la
robtica, que inspiraron tantos libros y pelculas de ficcin.
El propio Asimov escribi una completa serie de libros dedicados a ese tema, como la
coleccin Yo robot (1950), las novelas Las cavernas de acero (1954) y Robots e imperio
(1985). Aunque todos se inscriben en la literatura de la ciencia ficcin, los conocimientos
cientficos y tecnolgicos del autor abrieron rutas a la reflexin sobre las dificultades de
construir verdaderos robots inteligentes, y los problemas ticos y sociales que se
derivaran de ellos. Los robots que aparecen en sus libros son muy semejantes a los
homnculos, pero carecen de las caractersticas que dan carcter humano a stos, en
especial los sentimientos o la conciencia de la identidad y existencia propias.
Con todo y sus orgenes literarios, la palabra robtica se convirti en el trmino estndar
para referirse, de acuerdo con el diccionario Merriam Websters, a la tecnologa que se
ocupa de diseo, la construccin y la operacin de robots automatizados.
Unimate
La industria renuncio a crear robots con rasgos humanoides, pero le interesaron las
mquinas con un comportamiento ms o menos flexible y algunos atributos de naturaleza
humana. Ya desde los primeros modelos se aprovecharon los avances de la computacin
para crear esquemas de instrucciones que sean introducidos a las mquinas para la
realizacin automtica de tareas.
El ms notable de los inicios fue Unimate, un brazo hidrulico controlado electrnicamente
para levantar objetos, que poda repetir secuencias arbitrarias de movimientos. Fue
inventado en 1954 por el ingeniero estadounidense George Devol y creado por Unimation
Inc., compaa fundada por Joseph Engelberg en 1956. Para 1961 la compaa general
Motors lo introdujo en su planta de hierro fundido en Trenton, Nueva Jersey. Su
desempeo fue tan exitoso que ese mismo ao se inici la primera produccin en lnea
especial para la industria automotriz. Su tarea principal era retirar y apilar las piezas que
salan de una mquina fundidora.
Adems de ser un dispositivo pionero para la industria de la robtica, se trata de uno de
los robots ms duraderos, pues hasta la fecha se fabrica (con un mecanismo
perfeccionado) y se vende a las fbricas de autos, el sector que ha dado mayor impulso a
la robtica para hacer eficientes sus tareas y abatir costos. Uno de sus extremos ms
sofisticados es la Mquina Universal Programable para Ensamblaje, complejo brazo
robtico capaz de colocar paneles y luces a los automviles.

_________________________________________________________________________
136

Inteligencia Artificial

Aparecen los robots mviles


Una til variedad de los robots industriales son los robots mviles, que cuentan con la
capacidad de desplazarse, a diferencia de los fijos, los cuales realizan su accin sujetos en
un mismo lugar. El primer robot mvil apareci en 1954. Construido por Barrett
Electronics, era un carro elctrico sin conductor capaz de desplazar cajas de productos en
el almacn de una tienda de abarrotes en Carolina del Sur. Con l nacan los vehculos
guiados automticamente que, en su primera generacin respondan a las seales
emitidas por cables elctricos que se hallaban colocados bajos los pisos de concreto de las
instalaciones correspondientes.
Con el paso del tiempo estos vehculos se vieron beneficiados por los avances en la
computacin. A partir de 1980 la tecnologa para su uso se bas en controles con
microprocesadores que permitieron realizar operaciones ms complejas que las basadas
en meras seales elctricas. La gran utilidad de estos equipos impuls las crecientes
inversiones. A partir de 1990 una nueva generacin se ubica en el espacio mediante el
reflejo de sensores fijos dispuestos en el equipo. Trabajan con precisin, han reducido los
accidentes en las instalaciones y trajeron consigo un abatimiento en los costos operativos.
Instituto de la robtica
Aunque en la dcada de 1970 la tecnologa de la robtica era incipiente, ya se
vislumbraban las posibilidades que abrira el futuro. Algunos acadmicos llamaron la
atencin sobre el fenmeno. Uno de los movimientos clave en este sentido fue la creacin,
en 1979, del Instituto de Robtica de Carnegie Mellon, en Pittsburgh, dedicado a la
investigacin de la robtica.
Luego de casi 30 aos de trabajo, hoy cuenta con una planta de ms de 200
investigadores. Obtiene sus fondos del Departamento de Defensa de Estados Unidos (la
Fuerza Area, el Ejrcito y los Marines) y de la NASA. Trabaja con compaas privadas que
patrocinan proyectos con inters especfico para ellas. A cambio son las primeras en recibir
un reporte de los resultados. La rpida transferencia de tecnologa les permite obtener
ventajas significativas en la manufactura y la productividad.
Hoy se llevan a cabo varios proyectos en el Instituto Treasure Hunt enfoca la forma de
crear una interaccin coordinada en ambientes adversos entre diferentes robots y entre
stos y los humanos. Legless Locomotion estudia nuevas formas de movimiento para los
robots que no estn basadas en la estructura y modelo de las piernas humanas. El
proyecto EODR-VLC se propone crear un robot capaz de detectar y destruir explosivos.
Telepresence es un robot con propsitos educativos que incluye la informacin completa
de los programas de estudio y una amplia fuente de referencia para apoyar a los
estudiantes. Tambin se trabaja en una flotilla automatizada de sensores ocenicos para
detectar peligros potenciales para la vida en el mar. Hoy dia Carnegie Mellon sigue siendo
uno de los centros de investigacin robtica ms importante del mundo.

_________________________________________________________________________
137

Inteligencia Artificial

En busca de la Inteligencia Artificial


En 1955 John McCarty, investigador del Instituto Tecnolgico de Massachusetts, acu el
concepto Inteligencia Artificial para referirse a la construccin de mquinas inteligentes.
Su idea expresaba una nueva orientacin para la robtica. No se trataba solo de crear
equipos mecanizados, capaces de crear tareas repetitivas; el desafio era hacer mquinas
con capacidad de aprender, adaptarse, tomar decisiones y, en general, emular los
procesos de la mente humana. La realizacin de este propsito es un esfuerzo
multidisciplinario en el que confluyen la computacin, las neurociencias y la psicologa,
entre muchas otras disciplinas.
Sus logros han sido parciales. En 1965 Joseph Weizenbaum dise un programa
interactivo con la capacidad de sostener un dilogo con un humano. Entre 1961 y 1980,
en la Universidad de Edimburgo se construy se construy una generacin de robots
dotados de visin binocular, capaces de desplazarse dentro de un espacio limitado, en
respuesta a situaciones cambiantes. En el ao 1997 marc un gran hito para la
Inteligencia Artificial: el campen ruso de ajedrez Garry Kasparov sostuvo una partida con
Deep Blue una computadora de IBM. En un encuentro slo verosmil en las pginas de
ciencia ficcin, la mquina lo derrot. Era la primera vez que un equipo de cmputo
desafiaba y superaba la capacidad de la inteligencia humana.
En este contexto, otro objetivo a alcanzar es la fabricacin de automviles robots que
puedan desplazarse sin la necesidad de un conductor y respondan a situaciones
cambiantes. Un rea del Departamento de Defensa de Estados Unidos, especializada en
investigacin de proyectos avanzados, organiza concursos anuales para quien presente los
mejores modelos. Las competencias se han realizado con relativo xito en espacios
despejados; el mximo desafo se ha planteado para noviembre prximo (2007). El reto
urbano consiste en lograr que un vehculo robot recorra 96 kilmetros de una ciudad en
menos de seis horas. Es indispensable que logre sortear los problemas que un conductor
comn enfrenta en el trfico cotidiano, y adems, obedezca las reglas de trnsito
vigentes. La programacin del vehculo ser compleja, pues deber incluir la toma de
decisiones en tiempo real, basadas en las acciones de los dems vehculos. Se ha ofrecido
un premio de millones de dlares.
Modernos juguetes
En la dcada de 1980 aparecieron los primeros robots ldicos, controlados por
microprocesador, capaces de hablar o moverse en respuesta a diferentes sonidos o
cambios de luz. En 1999 Sony lanz al mercado una generacin de mascotas robot con el
nombre de AIBO, en referencia a su uso de la Inteligencia Artificial. Estn provistos de
motores que activan sus miembros; micrfonos y una cmara.
Con el tiempo los modelos se fueron perfeccionando. Bajo la apariencia de material de un
pequeo perro, reconocen hasta 100 instrucciones diferentes de sus dueos. Incluso se
creo un programa especial para recrear la educacin de una mascota. Mediante una
secuencia de instrucciones y la interaccin continua, el dueo emula las fases de
crecimiento que van desde cachorro hasta el animal adulto. Muchos programas necesarios

_________________________________________________________________________
138

Inteligencia Artificial

para la operacin de estos equipos se hallan disponibles en internet. El mximo logro de


Sony fue el robot QRIO, un androide de medio metro con la capacidad de caminar, correr
y reconocer la voz y el rostro de las personas. En 2006 se lleg a coordinar a estos robots
en una sorprendente rutina de baile cuya coreografa tom varias semanas de trabajo, la
peculiar
danza
robtica
puede
admirarse
en
pc.watch.impress.co.jp/docs/2003/1218/sony_06.wmv.
Su capacidad de manejar el baln los enfrent en partidos de futbol. Con todos y estos
xitos, los QRIO se quedaron en meros prototipos y nunca salieron al mercado. En 2006
Sony inform que sorprendera con su programa de robtica, dejara de producir los AIBO
y nunca lanzara los QRIO. Sin embargo, aprovechara algunas de las tecnologas creadas
para stos en otros de sus productos comerciales.
Trabajo industrial
En la actualidad los robots son un recurso comn en la industria manufacturera, donde
realizan tres tipos de acciones diferentes. La primera es el manejo de materiales; consiste
en la transferencia de materias primas, su carga y descarga de las mquinas. Algunas
tareas son muy sencillas: el robot recoge piezas de un contenedor y las coloca en otro.
Pero hay tareas ms complejas, como la colocacin de las piezas en empaques especiales.
Para ello se valen de un agarre especial.
La segunda rea de actividad es el desarrollo de operaciones. El robot manipula una
herramienta para completar una parte del proceso industrial, por ejemplo una pistola de
aire para pintar autopartes. A veces tambin pule piezas o aplica diferentes terminados. La
tercera rea en la que se desenvuelven es el ensamblaje y la inspeccin. sta se ha
intensificado a causa de los elevados costos del trabajo manual. Los robots se programan
dependiendo del tipo de objetos que deban inspeccionar.
Por lo general cuentan con sensores para determinar si el elemento a revisar cumple con
los estndares de calidad requeridos.
Es interesante observar que los robots industriales no emulan siempre las acciones
humanas. Por ejemplo, resulta muy difcil que se sirvan de un desarmador (uno de los
procesos ms comunes en la fabricacin manual). Por esa razn las partes industriales se
modifican, para que el robot las pueda manipular mejor.
Los robots se convierten en sustitutos del trabajo humano. Estn clara las caractersticas
de varias tareas industriales en las que las mquinas podran reemplazar a los hombres: 1)
La operacin es repetitiva y exige los mismos movimientos mediante un ciclo; 2) La tarea
es arriesgada e incomoda para una persona; 3) El desempeo exige el uso de una
herramienta difcil de manejar; 4) La tarea permite que el robot sea utilizado en dos o tres
operaciones consecutivas.

_________________________________________________________________________
139

Inteligencia Artificial

Robots sexuales
A comienzos de este siglo la robtica tambin se ha orientado hacia la satisfaccin de las
necesidades sexuales de los seres humanos. Se trata de la creacin de modelos avanzado
de muecas o muecos de tamao natural que se utilizan como compaeros sexuales.
Estas figuras, hechas de materiales y textiles sensibles a los cambios de temperatura,
cuentan con varias tecnologas caractersticas del sexo virtual. Complejos sistemas de
cmputo permiten el reconocimiento de la voz y la emulacin de los cambios fsicos que
ocurren durante el coito y el orgasmo.
En 2006 los funcionarios de la Red Europea para la investigacin en Robtica afirmaron
que en unos cinco aos ser comn tener relaciones sexuales con estos robots que pronto
ingresarn al mercado.
En este 2007 el inventor alemn Michael Harriman inform que haba creado el robot
sexual ms sofisticado del mundo. Su modelo incluye una rplica del corazn, que late
con mayor intensidad durante la relacin sexual; la respiracin del autmata se acelera, la
temperatura corporal se eleva, excepto la de los pies. En palabras de Harriman, es casi
imposible distinguirlos de una persona real, pero estoy haciendo mejoras y slo estar
contento cuando superen a la personas reales.
Los primeros modelos tienen un elevado precio en venta (unos 8, 000 dlares), que puede
aumentar si se solicitan adaptaciones, como un mayor tamao de los senos. No se
descarta en el futuro la apertura de prostbulos mecanizados con robots femeninos
adaptados a la carta.
Tecnologas de guerra
Otra inspiracin de la robtica es la creacin de equipos y dispositivos que puedan
reemplazar a los seres humanos en las peligrosas operaciones del frente de batalla. En la
actualidad existen aviones que pueden volar sin tripulantes para realizar tareas de
reconocimiento y ataque, y los equipos especializados en la deteccin y desactivacin de
minas antipersonales.
Talon Sword es un rifle robot que se opera a control remoto y asemeja un pequeo
tanque. Tiene mucha mayor estabilidad que un rifle comn manejado por un humano.
Realiz sus primeras misiones en Bosnia, durante el ao 2000, y sigue activo en la guerra
de Irak. Creada por iRobot, Packbot es una pequea gra capaz de acceder a espacios
confinados y apoderarse de las municiones con un brazo robtico. Cien unidades se
encuentran activas en Afganistn (donde se apropian de las municiones del Talibn) y en
Irak se usan para desactivar bombas colocadas en carreteras.
Existen tambin un vehculo autnomo todoterreno, provisto con armas antitanques, que
puede transportar bombas y municiones y cuenta con la capacidad de avanzar por zonas
peligrosas o accidentadas para vehculos comunes. El Desert Hawk, de Lockeed Martin, es
una avioneta porttil (puede cargarla un soldado) que se hace despegar sin tripulacin
para tareas de patrullaje durante el da y la noche en los desiertos de Irak. Robocopter es

_________________________________________________________________________
140

Inteligencia Artificial

un helicptero miniatura con la capacidad de realizar misiones delicadas en zonas


inaccesibles para las naves mayores.
El experto en robtica Hami Kazerooni, de la Universidad de California, trabaja en un
exoesqueleto robtico para combatientes que les permita llevar consigo pesadas cargas
sin tener que aguantar su peso.
Provisto de un chip especial, detecta los movimientos del portador y compensa la carga.
Su importancia conceptual es la fusin de robot y ser humano.
Al servicio del hogar
La serie de dibujos animados Los Supersonicos, de Hanna-Barbera, se transmiti en la
dcada de 1970 y entretena a chicos y a grandes con su peculiar visin del futuro. Uno de
los personajes favoritos era Robotina, un robot femenino encargado de realizar las tareas
del hogar. Crear un equipo semejante ha sido una ilusin muy acariciada por la robtica.
Mientras tal objetivo an aparece muy remoto, en el transcurso de los ltimos aos han
surgido aparatos electrodomsticos inteligentes que relevan a sus dueos de tareas
especficas. Hay, por ejemplo, limpiadoras automticas de albercas que recorren en el
fondo de la piscina para retirar desechos y sedimentos. Se han fabricado aspiradoras
cuyos sensores evitan obstculos y detectan la acumulacin de polvo en zonas
determinadas. Scooba lava automticamente los pisos y otras superficies con una solucin
lquida especial que se le deposita en un tanque. Se han difundido tambin las mquinas
de este tipo para podar el csped.
Pero las necesidades de la casa no se limitan a la limpieza, tambin entran en juego los
factores afectivos y sociales. Paro, del ingeniero japons Takanori Shibata, 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 intervencin quirrgica. PaPeRo,
diseado en Japn a partir de 1997, tiene por objetivo interactuar con los seres humanos
y hacer compaa a las personas solas. Cuenta con recursos para cambiar de conducta
segn las acciones del dueo: si no se interacta con l, se vuelve flojo; si se le trata con
afecto y se le dicen palabras cariosas, camina alrededor del propietario y se le acerca con
cario. Cuenta con un vocabulario de 3, 000 palabras.
Don Cuco el guapo
Este curioso personaje es el robot mexicano ms famoso. Fue desarrollado en 1992 en el
departamento de microelectrnica de la Universidad Autnoma de Puebla. Con una forma
antropoide imaginada por la escultora Gloria Erika Weimer, mide dos metros y pesa 130
kilos. Cuenta con capacidad para realizar 28 diferentes movimientos y tiene dos cmaras
en los ojos. Su funcin ms interesante es que puede leer partituras musicales e
interpretar las notas de un piano elctrico. Lo logra mediante el procesamiento de
imgenes, su capacidad de reconocer figuras y su poder de anlisis de datos. En su
realizacin contribuyeron ms de cincuenta especialistas de la universidad en un esfuerzo
multidisciplinario. Su cerebro est basado en un sofisticado microprocesador electrnico y

_________________________________________________________________________
141

Inteligencia Artificial

tiene otras muchas aplicaciones potenciales. Don Cuco se ha presentado en ferias


tecnolgicas y comerciales de Espaa y Amrica Latina.
En Mxico la robtica es incipiente. El Centro de Investigacin y Estudios Avanzados del
Instituto Politcnico Nacional ofrece la maestra y el doctorado en Ciencias de la Robtica
y Manufactura, que se orienta al trabajo industrial. La facultad de Ingeniera de la UNAM
cuenta, por su parte, con un laboratorio de interfaces inteligentes del que se desprende el
laboratorio de biorrobtica. En 2006 la Universidad La Salle realiz el Segundo Concurso
Mexicano de Robtica, al que se presentaron casi cien participantes. Los ganadores fueron
los robots cooperativos construidos con bloques Lego y unos curiosos artefactos
programados para hallar su salida en un laberinto.
Robodocs
Uno de los campos ms frtiles de la robtica contempornea es su empleo en medicina.
En su variante ms comn destaca el uso de brazos robticos, operados por un cirujano,
para realizar distintos procedimientos. Se utilizan en cirugas para retirar la vescula biliar,
reparar la vlvula mitral, colocar un bypass en la arteria coronaria y extirpar miomas
uterinos o el tero mismo.
El cirujano realiza pequeas incisiones en la zona, llena la cavidad con dixido de carbono
e introduce una cmara que ilumina el interior y transmite sus imgenes a un monitor.
Entonces se introduce el instrumental operado por brazos robticos que se controlan
desde una consola. Al eliminarse el temblor de las manos, los movimientos se vuelven
mucho ms precisos y adquieren un rango y destreza superiores a los de las tcnicas
quirrgicas tradicionales. Los brazos robticos manejan el instrumental mdico: agarran,
separan, cortan y cosen tejido durante la operacin. En Estados Unidos se han probado
dos sistemas de ciruga robtica.
El Sistema Quirrgico Da Vinci cuesta un milln de dlares, cuenta con un robot con
brazos mecnicos articulados, un centro de control y un monitor. Los instrumentos
funcionan gracias a las seales elctricas en sincrona con las manos del mdico. Sus
beneficios son cicatrices ms pequeas, uso reducido de la anestesia y menores riesgos y
tiempos de hospitalizacin. El otro sistema (Zeus) ofrece algunas ventajas similares pero
tiene un costo menor. Se conocen ambos como robots amo-esclavo, por la subordinacin
continua de la mquina a las exigencias de su operador.
Otro avance significativo son pequeos robots para la reparacin de zonas daadas de la
mdula espinal y la deteccin de clulas madre en el organismo. En algunos hospitales ya
hay robots responsables de distribuir medicamentos en las estaciones de las enfermeras,
apoyar la asistencia mdica en las unidades de terapia intensiva y hasta conducir las
sesiones de terapia fsica para pacientes en rehabilitacin.

_________________________________________________________________________
142

Inteligencia Artificial

Nanorrobots
Visualizamos a los robots como grandes mquina pero la ciencia ha imaginado una versin
distinta. Los nanorrobots son ingenios microscpicos creados para realizar tareas precisas
a escalas mucho ms pequeas que un milmetro. Entre sus posibles aplicaciones se
encuentra el ensamblaje y mantenimiento de sistemas sofisticados en el procedimiento
conocido como fabricacin molecular, empleado para la construccin de circuitos. Una de
sus grandes ventajas potenciales es la capacidad de construir rplicas de s mismos y
reemplazar as las unidades que se gasten o se destruyan.
Un campo distinto de aplicacin es la medicina. Una hipottica flota de estos robots
miniatura podra combatir infecciones dentro del cuerpo, reparar tejidos daados,
desbloquear arterias y hasta reemplazar rganos completos. El poder de controlar las
interacciones atmicas podra resultar til, afirman los investigadores, en aplicaciones
relacionadas con la carrera espacial, la produccin de memoria para computadora, la
manipulacin del ADN y las antenas pticas. Otra ventaja es su duracin, pues pueden
mantenerse activos por lapsos muy prolongados.
La nanorrobtica es uno de los campos ms nuevos y menos explorados. Su origen data
desde los 80 con trabajos pioneros de Richard Feynman, y sus posibilidades originaron el
concepto sociedad poshumana, una organizacin en la que las mquinas miniatura
gobernaran todos los aspectos de la vida. Tambin se han propuesto escenarios en los
que estos organismos podran salir de control y provocar el fin del hombre.
Proyecto Asimo
Llamado as en honor de Isaac Asimov y tambin por las siglas en ingls de Paso
avanzado en Movilidad Innovadora, este proyecto de la empresa japonesa Honda,
lanzado en la dcada de 1980, se ha propuesto construir un robot humanoide con
capacidad de movimiento propio e interaccin con las personas. En su base se encuentra
un profundo estudio de los movimientos del cuerpo humano. El robot puede avanzar y
retroceder, moverse hacia los lados y hasta subir y bajar escaleras.
La primera versin se presento en 2004 y poda correr a 3 km. La segunda se dio a
conocer en 2005 y contaba con caractersticas mejoradas. Gracias a los sensores
colocados en sus muecas el robot, que mide 1.20 metros, es capaz de cargar carros,
bandejas y paquetes, y detecta la presencia de humanos, con lo que su interaccin es
automtica, y se desplaza con mayor facilidad.
Desde el modelo EO, creado en 1986, Honda quiso capitalizar su experiencia en la
construccin de motocicletas y automviles. Su propsito es crear un compaero para las
personas, un nuevo tipo de robot que funcione en la sociedad. Asimo es compacto y
ligero, cuenta con la llamada Tecnologa de la inteligencia, que le hace posible reconocer
objetos en movimiento, sonidos, posturas, entornos y rostros. Identifica hasta a diez
personas diferentes, responde a su nombre, saluda con la mano y su conexin a internet
le permite dar a conocer las ms recientes noticias o buscar informacin. Sobre la espalda
carga una mochila que porta su batera de 30 voltios.

_________________________________________________________________________
143

Inteligencia Artificial

Shadow hand
Uno de los mayores desafos en la robtica es la emulacin 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 dcada 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 mecnica emula la
sea de las manos humanas, aunque se han creado articulaciones y funciones especiales
para fortalecer, por ejemplo, el dedo meique.
El movimiento se logra en virtud de cuarenta msculos artificiales neumticos (operados
mediante aire a presin). En cada uno el flujo de aire est controlado por ochenta
vlvulas. La mueca incluye dos articulaciones extra que permiten flexionar y contraer la
mano. El equipo contiene 234 sensores que determinan la posicin de los dedos, la calidad
de las superficies que la mano recorre (emulacin del sentido del tacto) y la demanda de
movimiento muscular. Para lograr una similitud perfecta con las funciones de la mano
humana, los dedos estn 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 desempeo.
Tambin destacan los esfuerzos de Hugh Herr, del MIT, y sus prtesis robticas. Su pierna
Rheo Knee es capaz de reconocer las seales nerviosas que el cerebro enva en los
msculos cercanos. Con ella, las personas caminan sin problema y hasta pueden subir
escaleras.
Depth X
Los robots han sido parte fundamental de la exploracin espacial. Dos de ellos (Spirit y
Opportunity) realizan hoy da 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 ingls) comenz las pruebas del equipo ms sofisticado de este tipo. El aparato,
llamado Explorador Profundo Fretico Termal, fue concebido para explorar las lunas de
Jpiter en una misin que podra desarrollarse dentro de treinta aos.
El tambin llamado Depth X cuenta con cincuenta sensores de sonar para sentir la
temperatura, y un equipo de anlisis qumico que verifica cambios en el agua, en el
oxgeno y otros factores.
Mediante estos procesos el robot determina por s mismo cules muestras de material
debe recuperar, y cundo y cmo 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 Zacatn y esta ubicado a
las afueras de Tampico, Tamaulipas. El robot tuvo por misin descender a una
profundidad de 305 metros y recuperar materiales del fondo.

_________________________________________________________________________
144

Inteligencia Artificial

Con un aspecto semejante al de un automvil, Depth X tuvo un costo de ms de cinco


millones de dlares. Su caracterstica ms sobresaliente es su completa autonoma y
relativa capacidad para la toma de decisiones en circunstancias difciles.
La tica de la robtica
En 1981 la prensa internacional public una noticia que pareca cumplir con lo escrito en
las ms sombras fantasas de ciencia ficcin. Kenji Urada, empleado en una planta de la
empresa japonesa Kawasaki, se subi a una valla de seguridad para realizar algunas
tareas de mantenimiento a un robot industrial. Sin embargo, olvid apagarlo. El poderoso
brazo hidrulico del robot sigui trabajando y empuj con fuerza al operario hacia una
mquina trituradora. Urada era la primera persona que mora 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 report que desde entonces hasta ahora han
ocurrido por lo menos, 77 accidentes relacionados con robots en Gran Bretaa: obreros
que mueren aplastados, reciben golpes en la cabeza y hasta han sido quemados.
Las serias preocupaciones derivadas de situaciones as hicieron que en 2006 se realizar
en Gnova, Italia, una conferencia para establecer tcticas de seguridad que impidan a los
robots daar a la gente, en el marco de una nueva disciplina, la tica de la robtica. Los
especialistas se hacen varias preguntas: Es razonable tener en casa robots tan poderosos
que puedan aplastarnos? Es justificable que un avin robot empleado en las guerras
dispare sobre civiles inocentes por una mera falla del sistema? De quin es la culpa si
una aspiradora robtica succiona y daa el cuerpo de un nio? Las compaas de seguros
estudian la situacin para promover plizas especiales. El creciente avance de las
mquinas exige nuevas regulaciones legales para dirigir su accin y normar los vnculos
con los humanos.
Mientras el gobierno coreano prepara un cdigo de tica que incorpora las leyes de
Asimov pero no se limita a ellas, un estudio del gobierno britnico revela que en un futuro
no tan lejano los robots podran llegar a exigir los derechos humanos de los ciudadanos
comunes. Entre sus demandas se incluiran, por ejemplo, servicios mdicos 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 nios, jvenes y adultos acerca de la
responsabilidad de tener una mascota".
El Instituto Politcnico Nacional (IPN) detalla en un comunicado que "para que la mascota
alcance la edad mxima se requiere que el usuario controle adecuadamente los niveles de
sus necesidades bsicas".

_________________________________________________________________________
145

Inteligencia Artificial

Los creadores del ingenio, parecido al "Tamagochi" japons popularizado en los aos
noventa, disearon la mascota para que su dueo le d 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 informtico diseado por Hctor Daz, Miguel
Gonzlez y Emmanuel Mendoza, de la Escuela Superior de Cmputo del IPN, a quienes
supervis el catedrtico Rodolfo Romero Herrera. Daz seal que al animal virtual "se le
tiene que ensear el sitio en el que debe comer, dormir, hacer sus necesidades fisiolgicas
y protegerse de los cambios climticos".
El "Poligochi" vive en un patio donde se encuentran su casa y un arbolito, y debe hacer
frente a distintos cambios climticos que se pueden programar. El usuario puede hacer
cosas como silbar a su perro, sacarlo de paseo, regaarle, castigarle, darle de comer o
acariciarlo.
La mascota virtual fue desarrollada con base en tcnicas de computacin afectiva,
Inteligencia Artificial, redes neuronales y sistemas de programacin de algoritmos. Entre
las mayores complicaciones que tuvo crear el "Poligochi" destac la de desarrollar sus
afectos. El estado de nimo 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 ao y medio.
El programa mexicano, en el que se trabaja para ponerlo a disposicin del pblico por
Internet, se hizo sobre la base de investigaciones en computacin afectiva realizadas en el
Instituto Tecnolgico de Massachussets (MIT) ya que en Mxico este campo de
conocimiento est poco desarrollado [10].

_________________________________________________________________________
146

Inteligencia Artificial

Anexo C Prolog
Generalidades sobre Prolog
La programacin lgica surge hacia 1979 donde Kowalski establece el enunciado del
patrn de programacin lgica:
Algoritmo + lgica + control
La programacin lgica involucra:
El uso de hechos y reglas y la construccin de deducciones para procesar
consultas.
Formas Mnimas en Prolog:
Corresponden a las formas ms sencillas de informacin manipulada por Prolog:
1. Los tomos de informacin: una cadena de texto que empieza por letra minscula
o un valor numrico con signo opcional
2. Las variables: Son cadenas de texto que empiezan por una letra mayscula o por
el signo _ (underscore).
Las Relaciones:
Con las formas mnimas anteriormente descritas se pueden construir las relaciones, base
del conocimiento en Prolog.
Ejemplos de relaciones:
padre(pepe, maria).
/* en esta relacin se denota una existencia de parentesco entre pepe y maria, prolog en
este punto no conoce quien es el padre de quien, somos nosotros quienes le damos esa
interpretacin, prolog solamente se encarga de crear una relacin en su base del
conocimiento*/
Obsrvese la sintaxis de la relacin descrita:
Ntese que los nombres de las personas empiezan por letras minsculas indicando
que son tomos de informacin y variables.
El nombre de la relacin es tambin un tomo de informacin y no debe ser una
cantidad numrica.
Nmero de objetos relacionados: sin son cero irn entre parntesis y si son mas de
uno, irn separados por comas.
Los hechos terminan siempre en punto. (.)

_________________________________________________________________________
147

Inteligencia Artificial

Al tener por ejemplo dentro de nuestra base del conocimiento, los siguientes hechos:
sucesor(1,2).
sucesor(2,3).
sucesor(3,4).
sucesor(4,5).
sucesor(5,6).
sucesor(6,7).
Podemos realizar consultas como las siguientes:
sucesor(X,6).
sucesor(2,Y).
sucesor(X,Y).
Ntese como los tomos de informacin que se desean consultar han sido reemplazados
por variables (letra inicial en mayscula); en este punto Prolog busca dentro de su base
del conocimiento un hecho que haga emparejamiento con la informacin suministrada en
la consulta. Primero, busca una predicado (nombre de la relacin) llamado sucesor, luego
hace una comparacin entre la informacin que se tiene (6), para llenar la variable X con
la informacin almacenada en el hecho, as, prolog responde X=5. De la misma forma
ocurre con la segunda consulta; en la tercera no existe informacin para hacer
emparejamiento en la base del conocimiento, por lo tanto el responder con el primer
hecho que tenga ese predicado.
Responder:
X=1
Y = 2;
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, para la cual debemos oprimir punto y coma (;).
Es tambin posible construir en prolog consultas complejas con los operadores AND(,),
OR(;) y NOT(not) de la siguiente forma:
legusta(pepe,pesca).
legusta(maria,bailar).
legusta(ana,pesca).
legusta(pepe,musica).
legusta(maria,musica).
legusta(ana,bailar).
Se pueden realizar las siguientes preguntas sobre la base de informacin:
-Le gusta la msica a Pepe y a Maria?:
?-legusta(pepe,musica),legusta(maria,musica).
-Le gusta bailar a Pepe o a Maria le gusta la msica?:
?-legusta(pepe,musica);legusta(maria,musica).
-Le gusta bailar a Pepe y a Maria no le gusta la msica?:
?-legusta(pepe,musica),not(legusta(maria,musica)).

_________________________________________________________________________
148

Inteligencia Artificial

Para que estas consultas funcionen de forma adecuada es necesario no dejar espacios
entre los operadores.
Predicados, Hechos y Reglas:
En este caso la relacin padre(pepe, maria). se asume como un hecho, pues no est
involucrando variables en su definicin; al nombre de la relacin se le llama predicado.
Ms formalmente un predicado es un conjunto de hechos o reglas que tienen un mismo
nombre y la misma cantidad de objetos relacionados, si se trata de reglas, en nombre de
la conclusin es el mismo y el nmero de objetos relacionados es tambin el mismo.
Una regla es una sola conclusin seguida por el signo :- el cual hace la vez de SI
condicional, seguida por una o mas relaciones de condicin.
Por ejemplo:
sucesor(1,2).
sucesor(2,3).
sucesor(3,4).
sucesor(4,5).
sucesor(5,6).
sucesor(6,7).
suma(1,X,R):-sucesor(X,R).
suma(N,X,R):-sucesor(M,N),suma(M,X,R1),sucesor(R1,R).
Aqu podemos apreciar como suma es una regla que depende en gran medida de la
condicin sucesor. En la segunda regla de suma se observa que existe mas de una
condicin, por tanto estas van separadas por coma; podemos observar tambin que se
realiza una operacin recursiva. Esta misma sentencia traducida en un lenguaje de
programacin como Java quedara:
int suma(int N, int X, int R)
{
if ( N == 1 )
{
sucesor(X,R);
}
else
{
sucesor(M,N);
suma(M,X,R1);
sucesor(R1,R2);
}
}

_________________________________________________________________________
149

Inteligencia Artificial

Obsrvese que en la segunda lnea del bloque else se realiza un llamado recursivo al
mtodo suma, de forma tal, que se realiza la operacin disminuyendo el valor de N hasta
que este se hace 1, en el cual termina la recursividad y se origina la respuesta.
Listas
Una lista en prolog es una secuencia lineal de objetos, con la caracterstica de que toda la
manipulacin de la secuencia se realiza por el extremo izquierdo, debido a la forma como
se representa una lista generalizada.
Una lista vaca se representa de la siguiente manera: []
Una lista generalizada, con un nmero de objetos distinto de 0:
[X|Y] //en esta lista se est declarando por lo menos un objeto X y una secuencia de
objetos a la derecha de X, pudiendo ser incluso una lista vaca.
De igual manera, la lista [X,Y|Z] contiene por lo menos dos objetos: X y Y, seguidos de
una secuencia de objetos Z, la cual puede ser vaca.
La notacin se extiende de esta manera, para una lista con por lo menos tres objetos, su
representacin sera la siguiente: [X,Y,Z|W]
Ejemplo de manipulacin de listas: se quiere a una lista agregar otra lista al final, de esta
forma, si la primera lista es [a,b,c] y la segunda es [d,e,f], la lista resultante sera:
[a,b,c,d,e,f].
El programa que realiza esto en prolog sera:
agregar([],L,L).
agregar([A|R],L,[A|T]):-agregar(R,L,T).
En este programa nuevamente vemos la recursin en la segunda lnea: se va
disminuyendo el tamao de la primera lista hasta que este es cero, en cuyo caso finaliza la
recursin y se origina una respuesta. Observamos que los elementos en la regla son: lista
inicial, lista que se adiciona, lista final.
Prctica:
1. Descargue e instale SWI-Prolog
http://www.swi.psy.uva.nl/cgi-bin/nph-download/SWI-Prolog/w32pl5213.exe
2. Ejecute la aplicacin.
3. Cree un nuevo archivo usando la opcin File--New (use un nombre tal como
prueba.pl)

_________________________________________________________________________
150

Inteligencia Artificial

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

_________________________________________________________________________
151

Inteligencia Artificial

Anexo D Clusulas de Horn


Existe un tipo especial de clusulas que es importante en la Inteligencia Artificial y en
otros mbitos de las ciencias de la computacin. Una clusula de Horn es una clusula que
tiene, como mucho, un literal positivo.
Algunos ejemplos de clusulas de Horn son las siguientes:
P, P v Q, P v Q v R, P v R
Las clusulas de este tipo fueron investigadas por primera vez por el lgico Alfred Horn.
Existen tres tipos de clusulas de Horn:
Un tomo simple a menudo llamado <<hecho>>-.
Una implicacin a menudo llamada <<regla>>- cuyo antecedente consiste en
una conjuncin de literales positivos y cuyo consecuente es un solo literal positivo.
Un conjunto de literales negativos escritos en forma de implicacin, con un
antecedente compuesto por una conjuncin de literales positivos, y un
consecuente vaco-. Esta forma se obtiene, por ejemplo, cuando uno niega una fbf
que debe ser demostrada, compuesta por una conjuncin de literales positivos. A
dicha clusula se le denominara <<objetivo>>.
Sin embargo, en las clusulas de Horn no hay disyunciones de literales positivos.
Los sistemas para demostrar objetivos a partir de reglas y hechos con clusulas de Horn
proporcionan, por lo general, una ordenacin de la informacin 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 bsqueda de la demostracin, 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 as:
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

Posicin. Una estructura que contiene un vector de nueve componentes.


Tablero. Que representa al tablero, una lista de posiciones del tablero que podra ser el
siguiente movimiento, y un nmero que representa una estimacin 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 resultarn de cada posible movimiento. Decidir que posicin es la mejor,
realizar la jugada que corresponda a esa posicin, y asignar la clasificacin de mejor
movimiento a la posicin actual.
Para decidir cul 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 dndole el mejor puesto
en la clasificacin. 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 realizar
este movimiento. Cualquier puesto que tenga la jugada, asignarla al nodo que se est
considerando. El mejor nodo es el que resulte con un puesto ms alto.
Este algoritmo inspecciona varias secuencias de movimientos para encontrar aquella que
lleva a la victoria. Intenta maximizar la probabilidad de victoria, mediante la suposicin de
que el oponente intentar minimizar dicha probabilidad. Este algoritmo se denomina
minimax.

_________________________________________________________________________
153

Inteligencia Artificial

El programa necesita mucho ms tiempo que otras soluciones debido a que debe realizar
una bsqueda en un rbol que representa todas las posibles secuencias de jugada antes
de realizar un movimiento. Sin embargo es superior a los dems programas en algo
importante: podra ser ampliado para manipular juegos mas complicados que las tres en
raya, cualidad en que otras soluciones fracasan.
La anterior solucin es un ejemplo del uso de una tcnica de Inteligencia Artificial. Para
problemas muy pequeos, es menos eficiente que los mtodos ms directos. Sin embargo
puede usarse en aquellas situaciones en las que fallen los mtodos tradicionales [24].

_________________________________________________________________________
154

Inteligencia Artificial

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

_________________________________________________________________________
155

Inteligencia Artificial

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

_________________________________________________________________________
156

Inteligencia Artificial

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

_________________________________________________________________________
157

Inteligencia Artificial

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

_________________________________________________________________________
158

Inteligencia Artificial

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

_________________________________________________________________________
159