Tecnolgico Nacional de Mxico

Instituto Tecnolgico de Pachuca

El Hombre Alimenta el Ingenio en
Contacto con la Ciencia.

Inteligencia Artificial
Unidad 1: Introduccin a la Inteligencia
Artificial
Profesor:

Alumnos:

Carrera:
Ingeniera en Sistemas Computacionales
Septiembre del 2016

NDICE

1.1 INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL...............................................3

1.2 HISTORIA A LA INTELIGENCIA ARTIFICIAL.........................................................4
1.3 LAS HABILIDADES COGNOSCITIVAS SEGN LA PSICOLOGA. TEORAS DE LA
INTELIGENCIA (CONDUCTISMO, GARDNER, ETC.)...............................................12
1.3.1 TEORAS DE LA INTELIGENCIA CONDUCTISMO......................................17
1.4 EL PROCESO DE RAZONAMIENTO SEGN LA LGICA (AXIOMAS, TEOREMAS,
DEMOSTRACIN)............................................................................................... 20
1.5 EL MODELO DE ADQUISICIN DEL CONOCIMIENTO SEGN LA FILOSOFA.....22
1.6 MODELO COGNOSCITIVO............................................................................. 28
1.7 EL MODELO DEL AGENTE INTELIGENTE, SISTEMAS MULTI AGENTE Y
SISTEMAS UBICUOS........................................................................................... 30
1.8 EL PAPEL DE LA HEURISTICA........................................................................33
1.8.1 ALGORITMOS DE BSQUEDA DE ALTERNATIVAS.....................................37
1.8.2 ALGORITMO A*........................................................................................ 40
1.8.3 ALGORITMOS DE BSQUEDA LOCAL.......................................................42
FUENTES BIBLIOGRFICAS................................................................................ 47

1.1 INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL.

La Inteligencia Artificial comenz como el resultado de la investigacin en
psicologa cognitiva y lgica matemtica. Se ha enfocado sobre la explicacin del
trabajo mental y construccin de algoritmos de solucin a problemas de propsito
general. Punto de vista que favorece la abstraccin y la generalidad.
La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa
y filosofa, tan general y amplio como eso, es que rene varios campos (robtica,
sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de
mquinas que pueden "pensar".
La idea de construir una mquina que pueda ejecutar tareas percibidas como
requerimientos de inteligencia humana es un atractivo. Las tareas que han sido
estudiadas desde este punto de vista incluyen juegos, traduccin de idiomas,
comprensin de idiomas, diagnstico de fallas, robtica, suministro de asesora
experta en diversos temas.
Trabajos tericos fundamentales fueron el desarrollo de algoritmos matemticos
por Warren McCullock y Walter Pitts, en 1943, necesarios para posibilitar el trabajo
de clasificacin, o funcionamiento en sentido general, de una red neuronal. En
1949 Donald Hebb desarroll un algoritmo de aprendizaje para dichas redes
neuronales creando, en conjunto con los trabajos de McCullock y Pitts, la escuela
creacionista. Esta escuela se considera hoy como el origen de la Inteligencia
Artificial, sin embargo se trat poco por muchos aos, dando paso al razonamiento
simblico basado en reglas de produccin, lo que se conoce como sistemas
expertos.

CARACTERSTICAS DE LA INTELIGENCIA ARTIFICIAL.

Una caracterstica fundamental que distingue a los mtodos de Inteligencia
Artificial de los mtodos numricos es el uso de smbolos no matemticos, aunque
no es suficiente para distinguirlo completamente. Otros tipos de programas como
los compiladores y sistemas de bases de datos, tambin procesan smbolos y no
se considera que usen tcnicas de Inteligencia Artificial.
El comportamiento de los programas no es descrito explcitamente por el
algoritmo. La secuencia de pasos seguidos por el programa es influenciado por el
problema particular presente. El programa especifica cmo encontrar la secuencia
de pasos necesarios para resolver un problema dado (programa declarativo). En
contraste con los programas que no son de Inteligencia Artificial, que siguen un

algoritmo definido, que especifica, explcitamente, cmo encontrar las variables de

salida para cualquier variable dada de entrada (programa de procedimiento).
El razonamiento basado en el conocimiento, implica que estos programas
incorporan factores y relaciones del mundo real y del mbito del conocimiento en
que ellos operan. Al contrario de los programas para propsito especfico, como
los de contabilidad y clculos cientficos; los programas de Inteligencia Artificial
pueden distinguir entre el programa de razonamiento o motor de inferencia y base
de conocimientos dndole la capacidad de explicar discrepancias entre ellas.
Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de
Inteligencia Artificial los programas no pueden trabajar con este tipo de problemas.
Un ejemplo es la resolucin de conflictos en tareas orientadas a metas como en
planificacin, o el diagnstico de tareas en un sistema del mundo real: con poca
informacin, con una solucin cercana y no necesariamente exacta.
La Inteligencia Artificial incluye varios campos de desarrollo tales como: la
robtica, usada principalmente en el campo industrial; comprensin de lenguajes y
traduccin; visin en mquinas que distinguen formas y que se usan en lneas de
ensamblaje; reconocimiento de palabras y aprendizaje de mquinas; sistemas
computacionales expertos.

1.2 HISTORIA A LA INTELIGENCIA ARTIFICIAL.

Este tema es bastante extenso, por tal razn se explicara de acuerdo los aos de
mayor relevancia en la inteligencia artificial.

1. Gnesis de la inteligencia artificial (1943-1955)

Warren McCulloch y Walter Pitts (1943) han sido reconocidos como los autores del
primer trabajo de IA. 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 Russell 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 activada o desactivada; la
activacin se daba como respuesta a la estimulacin producida por una
cantidad suficiente de neuronas vecinas. El estado de una neurona se vea como
equivalente, de hecho, a una proposicin con unos estmulos adecuados.
Mostraron, por ejemplo, que cualquier funcin de cmputo podra calcularse
mediante alguna 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
4

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-24 para simular una red con
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 caracterizar como de IA, pero fue Alan Turing quien articul primero
una visin de la IA en su artculo Computing Machinery and Intelligence, en 1950.
Ah, introdujo la prueba de Turing, el aprendizaje automtico, los algoritmos
genricos y el aprendizaje por refuerzo.

2. Nacimiento de la inteligencia artificial (1956)

Princeton acogi a otras de las figuras seeras de la IA, John McCarthy.
Posteriormente a su graduacin, McCarthy se translad 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 en la teora de autmatas, las redes
neuronales y el 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, y
Ray Solomonoff y Oliver Selfridge del MIT. Dos investigadores del Carnegie
Tech13, 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-cuerpo14. Poco despus del trmino del taller, el programa ya era capaz
de demostrar gran parte de los teoremas del Captulo 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
5

importantes de este campo. Durante los siguientes 20 aos, el campo estuvo

dominado por estos personajes, as como por sus estudiantes y colegas del MIT,
CMU, 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 ms adecuado, pero
IA se ha mantenido. Revisando la propuesta del taller de Dartmouth (McCarthy
et al., 1955), se puede apreciar por qu fue necesario para la IA convertirse en un
campo separado.
Actualmente Universidad Carnegie Mellon (UCM).Newell 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 cdigo mquina a mano. Para
evitar errores, trabajaron en paralelo, diciendo en voz alta nmeros binarios,
conforme escriban cada instruccin para asegurarse de que ambos coincidan.
No todo el trabajo hecho en el campo de la IA 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 IA? O, por qu no es la IA una
rama de las matemticas? La primera respuesta es que la IA desde el primer
momento abarc la idea de duplicar facultades humanas como la creatividad, la
auto-mejora
y el uso del lenguaje. Ninguno de los otros campos tena en cuenta esos temas.
La segunda respuesta est relacionada con la metodologa. La IA 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 computador),
adems la IA es el nico campo que persigue la construccin de mquinas que
funcionen automticamente en medios complejos y cambiantes.

3. Entusiasmo inicial, grandes esperanzas (1952-1969).

Los primeros aos de la IA estuvieron llenos de xitos (aunque con limitaciones).
Lo primitivo de las computadoras y herramientas de programacin de aquella
poca. La comunidad cientfica prefiri creer que << una maquina nunca podra
hacer tareas>>. Naturalmente los investigadores de la IA responderan
demostrando la realizacin de una tarea tras otra. John McCarthy se refera a esta
poca como la era de << Mira mama, ahora sin manos!>>.
Al temprano xito de Newell y Simon sigui el sistema de resolucin general de
problemas (SGRP). A diferencia del Terico Lgico, desde un principio este
programa se dise para que imitara protocolos de resolucin de problemas de los
seres humanos. Es decir, el SRGP posiblemente fue el primer programa que
incorporo el enfoque de <<pensar como humano>>. El xito de SGRP y de los
programas que le siguieron, como los modelos de cognicin, llevaron a formular la
famosa hiptesis del sistema de smbolos fsicos: que afirma que <<un sistema de
6

smbolos fsicos tiene los medios suficientes y necesarios para generar una accin
inteligente>>lo que quiere decir que cualquier sistema (humano o maquina) que
exhibiese inteligencia debera operar manipulando estructuras de datos
compuestas por smbolos.
En IBM, Nathaniel Rochester y sus colegas desarrollaron algunos primeros
programas de la IA. Herbert Gelemter (1959) construyo el demostrador de
teoremas de geometra (DTG). A comienzos de 1952, Arthur Samuel escribi una
serie de programas para el juego de damas chinas que eventualmente
aprendieron a jugar hasta alcanzar el nivel equivalente a de un amateur (su
programa aprendi a jugar mejor que su creador), este fue presentado en
televisin en febrero de 1956 y causo gran impresin.
John McCarthy se traslad al MIT, donde realizo tres contribuciones cruciales en
un ao histrico: 1958.

Defini el lenguaje de alto nivel Lisp, que se convertira en el lenguaje de

programacin dominante en la IA, es el segundo lenguaje ms antiguo
usado en la actualidad, ya que apareci un ao despus de FORTAN.
Soluciono junto con otros miembros del MIT el problema del escaso acceso
y recursos costosos de cmputo, inventando el tiempo compartido.
Publico el articulo Programas con sentido comn, describa el Generador de
consejos, un programa hipottico el cual podra considerarse como el
primer sistema de la IA completo. Manejaba conocimiento general del
mundo.

1958 Marvin Minsky se traslad al MIT. Sin embargo, su colaboracin con

McCarthy no duro demasiado. McCarthy se centr en la representacin de y el
razonamiento formal, mientras que Minsky estaba ms interesado en lograr que
los programas funcionaran y eventualmente desarrollo un punto de vista antilgico.
En 1963 McCarthy creo el laboratorio de IA en Stanford, con ayuda de la lgica de
J.A. Robinson el Generador de Consejos sufri un considerable impulso.
Minsky, superviso el trabajo de estudiantes que eligieron problemas limitados cuya
solucin pareci requerir inteligencia. A estos dominios limitados se Les conoce
como Micromundos:

Programa SAINT James Slagle(1963), resolva problemas de integracin de

clculo en forma cerrada.
Programa ANALOGY de Tom Evans (1968), resolva problemas de analoga
geomtrica, aplicaba pruebas de medicin de inteligencia.
Programa STUDENT Daniel Bobrow (1967), resolva problemas de algebra
de todo tipo.

4. Una dosis de la realidad (1966-1973)

Desde el principio, los investigadores de IA hicieron pblicas, sin timidez,
predicciones sobre el xito que les esperaba.
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. Herber Simon (1957).
El exceso de confianza de Simon se debi a la prometedora actuacin de los
primeros sistemas de IA en problemas simples. En la mayor parte de los casos
result que estos primeros sistemas fallaron estrepitosamente cuando se utilizaron
en problemas ms 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 la materia objeto de estudio;
obtenan resultados gracias a sencillas manipulaciones sintcticas. 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.
El segundo problema fue que muchos de los problemas que se estaban intentando
resolver mediante la IA eran intratables. La mayora de los primeros programas de
IA 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 objetos, y por lo tanto
muy pocas acciones posibles y secuencias de soluciones muy cortas.
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.

5. Sistemas basados en el conocimiento (1969-1979)

Durante la primera dcada de la investigacin en la IA estaba centrado en el
desarrollo de mecanismos de bsqueda de propsito general, en los que se
entrelazaban elementos de razonamiento bsicos para encontrar as soluciones
completas. Posteriormente se migro a 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.
El programa DENDRAL (Buchanan et al., 1969) fue diseado en Stanford, donde
Ed Feigenbaum, Bruce Buchanan y Joshua Lederberg colaboraron en la solucin
del problema de inferir una estructura molecular a partir de la informacin
proporcionada por un espectrmetro de masas. El sistema tuvo cierto xito entre
qumicos y bilogos, ya que facilitaba enormemente la inferencia de estructuras
moleculares, dominio en el que DENDRAL estaba especializado. Inicialmente
escrito en Lisp, pronto se convirti en uno de los modelos a seguir por muchos de
los programadores de sistemas expertos de la poca. La trascendencia de
DENDRAL se debi a ser el primer sistema de conocimiento intenso que tuvo
xito: su base de conocimiento estaba formada por grandes cantidades de reglas
de propsito particular.
El siguiente gran esfuerzo se realiz en el rea del 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.
El crecimiento generalizado de aplicaciones para solucionar problemas del mundo
real provoc el respectivo aumento en la demanda de esquemas de
representacin del conocimiento que funcionaran. Se desarroll una considerable
cantidad de lenguajes de representacin y razonamiento diferentes. Algunos
basados en la lgica, por ejemplo el lenguaje Prolog.

6. La IA se convierte en una industria (desde 1980 hasta el presente)

El primer sistema experto comercial que tuvo xito, R1, inici su actividad en
Digital Equipment Corporation. El programa se utilizaba en la elaboracin de
pedidos de nuevos sistemas informticos. 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 500 ms, lo
9

que le generaba ahorro de diez millones de dlares anuales aproximadamente.

Casi todas las compaas importantes de Estados Unidos contaban con su propio
grupo de IA, en el que se utilizaban o investigaban sistemas expertos.
En 1981 los japoneses anunciaron el proyecto Quinta Generacin, un plan de
diez aos para construir computadores inteligentes en los que pudiese ejecutarse
Prolog. Estados Unidos constituy la MCC, consorcio encargado de mantener la
competitividad nacional en estas reas. En ambos casos, la IA formaba parte de
un gran proyecto que inclua el diseo de chips y la investigacin de la relacin
hombre mquina. Sin embargo, nunca alcanzaron sus objetivos.

7. Regreso de las redes neuronales (desde 1986 hasta el presente)

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. A mediados de la
dcada de los 80, cuando por lo menos cuatro grupos distintos reinventaron el
algoritmo de aprendizaje de retroalimentacin, mencionado por vez primera 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, suscit gran entusiasmo.

8. IA 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. 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.
La IA 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.
En los primeros aos de la IA 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 pasara a ser obsoleta.
Esto llev a la IA 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
10

separar de los modelos estocsticos, 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 trminos metodolgicos, se puede decir, con rotundidad, que la IA 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.
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.
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 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.
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 IA, como consecuencia del resurgimiento del inters despertado
y gracias especialmente al artculo 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 los sistemas de razonamiento probabilstico de las dcadas de los
60 y 70; y ahora domina la investigacin de la IA en el razonamiento incierto y los
sistemas expertos. Esta aproximacin facilita el aprendizaje a partir de la
experiencia, y combina lo mejor de la IA clsica y las redes neuronales. El trabajo
de Judea Pearl (1982a) y de Eric Horvitz y David Heckerman 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.

11

9. Emergencia de los sistemas inteligentes (desde 1995 hasta el presente)

Quizs animados por el progreso en la resolucin de subproblemas de IA, 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 agente 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. Uno de los medios ms importantes para los agentes
inteligentes es Internet. Los sistemas de IA 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 IA son la base de muchas herramientas
para Internet, como por ejemplo motores de bsqueda, sistemas de rec

1.3 LAS HABILIDADES COGNOSCITIVAS SEGN LA

PSICOLOGA. TEORAS DE LA INTELIGENCIA (CONDUCTISMO,
GARDNER, ETC.)
Habilidad: Capacidad de una persona para hacer algo correctamente y con
facilidad.
Cognoscitivo: Proceso por el cual una persona, a travs de la percepcin de sus
sentidos, capta informacin integrndola, interpretndola hasta construir
conocimiento.
Cognitivo: Es aquello que pertenece o est relacionado al conocimiento, toda la
informacin que se dispone gracias a un proceso de aprendizaje.

Qu son las habilidades cognitivas?

Son las facilitadoras del conocimiento, aquellas que operan directamente sobre la
informacin: recogiendo, analizando, comprendiendo, procesando y guardando
informacin en la memoria, para, posteriormente, poder recuperarla y utilizarla
dnde, cundo y cmo convenga. En general, son las siguientes:
1. Atencin: Exploracin, fragmentacin, seleccin y contradistractoras.
2. Comprensin: (tcnicas o habilidades de trabajo intelectual): Captacin de
ideas, subrayado, traduccin a lenguaje propio y resumen, grficos, redes,
esquemas y mapas conceptuales. A travs del manejo del lenguaje oral y escrito
(velocidad, exactitud, comprensin).
3. Elaboracin: Preguntas, metforas, analogas, organizadores, apuntes y
mnemotecnias.
12

4. Memorizacin / Recuperacin (tcnicas o habilidades de estudio):

Codificacin y generacin de respuestas. Como ejemplo clsico y bsico, el
mtodo 3R: Leer, recitar y revisar (read, recite, review).
La inteligencia no es una cantidad que se puede medir con un nmero como lo es
el Coeficiente Intelectual (I.Q.). La inteligencia es la capacidad de ordenar los
pensamientos y coordinarlos con las acciones. La inteligencia no es una sola, sino
que existen tipos distintos.
La Teora de las Inteligencias Mltiples de Gardner
La Teora de las Inteligencias Mltiples propone ocho tipos de inteligencia.
La Teora de las Inteligencias Mltiples fue ideada por el psiclogo estadounidense
Howard Gardner como contrapeso al paradigma de una inteligencia nica.
Gardner propuso que la vida humana requiere del desarrollo de varios tipos de
inteligencia. As pues, Gardner no entra en contradiccin con la definicin cientfica
de la inteligencia, como la capacidad de solucionar problemas o elaborar bienes
valiosos.
Las Inteligencias Mltiples
Howard Gardner y sus colaboradores de la prestigiosa Universidad de Harvard
advirtieron que la inteligencia acadmica (la obtencin de titulaciones y mritos
educativos; el expediente acadmico) no es un factor decisivo para conocer la
inteligencia de una persona.
Un buen ejemplo de esta idea se observa en personas que, a pesar de obtener
excelentes calificaciones acadmicas, presentan problemas importantes para
relacionarse con otras personas o para manejar otras facetas de su vida. Gardner
y sus colaboradores podran afirmar que Stephen Hawking no posee una mayor
inteligencia que Leo Messi, sino que cada uno de ellos ha desarrollado un tipo de
inteligencia diferente.
Inteligencias mltiples: 8 tipos de inteligencia
La investigacin de Howard Gardner ha logrado identificar y definir hasta ocho
tipos de inteligencia distintas. Vamos a conocer de manera ms detallada cada
una de las inteligencias propuestas por la Teora de las Inteligencias Mltiples de
Gardner a continuacin.
Inteligencia lingstica
La capacidad de dominar el lenguaje y poder comunicarnos con los dems es
transversal a todas las culturas. Desde pequeos aprendemos a usar el idioma
materno para podernos comunicar de manera eficaz.

13

La inteligencia lingstica no solo hace referencia a la habilidad para la

comunicacin oral, sino a otras formas de comunicarse como la escritura, la
gestualidad, etc.
Quienes mejor dominan esta capacidad de comunicar tienen una inteligencia
lingstica superior. Profesiones en las cuales destaca este tipo de inteligencia
podran ser polticos, escritores, poetas, periodistas
Cmo mejorar la inteligencia lingstica?
Si quieres conocer ms sobre la inteligencia verbal y cmo progresar en este
mbito, te invitamos a leer el siguiente artculo:
"Inteligencia lingstica: qu es y cmo se puede mejorar?"
Inteligencia lgico-matemtica
Durante dcadas, la inteligencia lgico-matemtica fue considerada la inteligencia
en bruto. Supona el axis principal del concepto de inteligencia, y se empleaba
como baremo para detectar cun inteligente era una persona.
Como su propio nombre indica, este tipo de inteligencia se vincula a la capacidad
para el razonamiento lgico y la resolucin de problemas matemticos. La rapidez
para solucionar este tipo de problemas es el indicador que determina cunta
inteligencia lgico-matemtica se tiene.
Los clebres test de cociente intelectual (IQ) se fundamentan en este tipo de
inteligencia y, en menor medida, en la inteligencia lingstica. Los cientficos,
economistas, acadmicos, ingenieros y matemticos suelen destacar en esta
clase de inteligencia.
Es posible mejorar la inteligencia lgico matemtica?
Por supuesto que s. Te explicamos todo lo que necesitas saber sobre este tipo de
inteligencia y las claves para mejorarla aqu:
Inteligencia lgico-matemtica: qu es y cmo la podemos mejorar?"
Inteligencia espacial
La habilidad para poder observar el mundo y los objetos desde diferentes
perspectivas est relacionada con este tipo de inteligencia, en la que destacan los
ajedrecistas y los profesionales de las artes visuales (pintores, diseadores,
escultores).
Las personas que destacan en este tipo de inteligencia suelen tener capacidades
que les permiten idear imgenes mentales, dibujar y detectar detalles, adems de
un sentido personal por la esttica. En esta inteligencia encontramos pintores,
fotgrafos, diseadores, publicistas, arquitectos, creativos
14

Cmo podemos incrementar nuestra inteligencia espacial?

Es una habilidad que se puede mejorar. Aqu tienes toda la informacin:
"Inteligencia espacial: qu es y cmo se puede mejorar?"
Inteligencia musical
La msica es un arte universal. Todas las culturas tienen algn tipo de msica,
ms o menos elaborada, lo cual lleva a Gardner y sus colaboradores a entender
que existe una inteligencia musical latente en todas las personas.
Algunas zonas del cerebro ejecutan funciones vinculadas con la interpretacin y
composicin de msica. Como cualquier otro tipo de inteligencia, puede
entrenarse y perfeccionarse.
No hace falta decir que los ms aventajados en esta clase de inteligencia son
aquellos capaces de tocar instrumentos, leer y componer piezas musicales con
facilidad.
Inteligencia corporal y cinestsica
Las habilidades corporales y motrices que se requieren para manejar herramientas
o para expresar ciertas emociones representan un aspecto esencial en el
desarrollo de todas las culturas de la historia.
La habilidad para usar herramientas es considerada inteligencia corporal
cinestsica. Por otra parte, hay un seguido de capacidades ms intuitivas como el
uso de la inteligencia corporal para expresar sentimientos mediante el cuerpo.
Son especialmente brillantes en este tipo de inteligencia bailarines, actores,
deportistas, y hasta cirujanos y creadores plsticos, pues todos ellos tienen que
emplear de manera racional sus habilidades fsicas.
Inteligencia intrapersonal
La inteligencia intrapersonal refiere a aquella inteligencia que nos faculta para
comprender y controlar el mbito interno de uno mismo.
Las personas que destacan en la inteligencia intrapersonal son capaces de
acceder a sus sentimientos y emociones y reflexionar sobre stos. Esta
inteligencia tambin les permite ahondar en su introspeccin y entender las
razones por las cuales uno es de la manera que es.
Cmo mejorar este tipo de inteligencia?
15

Existen varias maneras de conocerse mejor a uno mismo. Te las hemos resumido
en este artculo:
"Inteligencia intrapersonal: qu es y cmo se puede mejorar?
Inteligencia interpersonal
La inteligencia interpersonal nos faculta para poder advertir cosas de las otras
personas ms all de lo que nuestros sentidos logran captar. Se trata de una
inteligencia que permite interpretar las palabras o gestos, o los objetivos y metas
de cada discurso. Ms all del contnuum Introversin-Extraversin, la inteligencia
interpersonal evala la capacidad para empatizar con las dems personas.
Es una inteligencia muy valiosa para las personas que trabajan con grupos
numerosos. Su habilidad para detectar y entender las circunstancias y problemas
de los dems resulta ms sencillo si se posee (y se desarrolla) la inteligencia
interpersonal. Profesores, psiclogos, terapeutas, abogados y pedagogos son
perfiles que suelen puntuar muy alto en este tipo de inteligencia descrita en la
Teora de las Inteligencias.
Inteligencia naturalista
La inteligencia naturalista permite detectar, diferenciar y categorizar los aspectos
vinculados a la naturaleza, como por ejemplo las especies animales y vegetales o
fenmenos relacionados con el clima, la geografa o los fenmenos de la
naturaleza.
Esta clase de inteligencia fue aadida posteriormente al estudio original sobre las
Inteligencias Mltiples de Gardner, concretamente en el ao 1995. Gardner
consider necesario incluir esta categora por tratarse de una de las inteligencias
esenciales para la supervivencia del ser humano (o cualquier otra especie) y que
ha redundado en la evolucin.

16

1.3.1 TEORAS DE LA INTELIGENCIA CONDUCTISMO

El conductismo es una corriente de la psicologa que se basa en la observacin
del comportamiento o conducta del ser que se estudia y que explica el mismo
como un conjunto de relaciones entre estmulos y repuestas. El conductismo es
una de las teoras del aprendizaje que se ha mantenido durante ms aos y de
mayor tradicin. Aunque no encaja totalmente en los nuevos paradigmas
educativos por concebir el aprendizaje como algo mecnico, deshumano y
reduccionista, la realidad es que muchos programas actuales se basan en las
propuestas conductistas como la descomposicin de la informacin en unidades,
el diseo de actividades que requieren una respuesta y la planificacin del
refuerzo.
Principales expositores del conductismo:
El trabajo de Watson
El conductismo (behaviorism) es una corriente de la
psicologa inaugurada por John B. Watson (1878-1958)
que defiende el empleo de procedimientos
estrictamente experimentales para estudiar el
comportamiento observable (la conducta) y niega toda
posibilidad de utilizar los mtodos subjetivos como la
introspeccin. Su convencimiento de que las
referencias a los contenidos de la mente y a la
conciencia no podan someterse a ningn criterio
objetivo
y
suscitaban
una
problemtica
John B. Watson
seudocientfica le llev a la utilizacin de los nicos
datos objetivos existentes en el anlisis psicolgico,
es decir, aquellos que proporcionaba la conducta exterior. Watson adquiri gran
notoriedad gracias a la publicacin en la Psychological Review de su artculo
Psychology as a Behaviorist Views It (La psicologa segn la concibe un
conductista, 1913), en el que por primera vez se establecan de manera radical los
principios caractersticos del conductismo.
El manifiesto de Watson:
La psicologa, tal como el conductista la ve, es una rama puramente objetiva y
experimental de las ciencias naturales. Su objetivo terico es la prediccin y el
control de la conducta. La introspeccin no es parte esencial de sus mtodos ni
17

depende el valor cientfico de sus datos de la prontitud con la que se presten a

interpretacin en trminos de conciencia. El conductista, en sus esfuerzos por
lograr un esquema unitario de la respuesta del animal, no reconoce divisoria entre
el hombre y ste. La conducta del hombre, con todos sus refinamientos y
complejidad, es slo una parte del esquema total de investigacin del
conductista. (Watson, 1913, p. 158).

El inicio de la terapia conductista como disciplina cientfica aplicada a la

comprensin y tratamiento de los problemas psicolgicos se ubica a comienzos
del siglo XX. Como ya se ha mencionado, John B. Watson fue el primer
investigador que trabaj con lo que l mismo denomin "conductismo". En aquel
entonces, en la psicologa predominaba el estudio de los fenmenos psquicos
internos mediante la introspeccin, mtodo muy subjetivo. Watson no negaba la
existencia de los fenmenos psquicos internos, pero insista en que tales
experiencias no podan ser objeto de estudio cientfico porque no eran
observables. Podemos distinguir dos aspectos en el conductismo de Watson. En
primer lugar, el conductismo metafsico por el cual sostena que la mente no existe
y que toda actividad humana incluyendo pensamientos y emociones, se pueden
explicar a travs de movimientos musculares o secreciones glandulares. Por otra
parte, Watson negaba el papel de la herencia como determinante del
comportamiento ya que consideraba que la conducta se adquiere casi
exclusivamente mediante el aprendizaje.
Watson propuso un mtodo para el anlisis y modificacin de la conducta, ya que,
para l, el nico objeto de estudio vlido para la psicologa era la conducta
observable. Quiso hacer cientfico el estudio de la psicologa empleando slo
procedimientos objetivos como los de las ciencias naturales para el estudio de los
comportamientos humanos. De esta manera, sent las bases de lo que hoy
conocemos como "conductismo metodolgico", que se fue desarrollando con el
correr del tiempo.
El Trabajo de Skinner
El enfoque de este psiclogo, filsofo y novelista, conocido como conductismo
radical, es semejante al punto de vista de Watson, segn el cual la psicologa debe
ser el estudio del comportamiento observable de los individuos en interaccin con
el medio que les rodea. Skinner, sin embargo, difera de Watson en que los
fenmenos internos, como los sentimientos, deban excluirse del estudio. Sostena
que estos procesos internos deban estudiarse por los mtodos cientficos
habituales, haciendo hincapi en los experimentos controlados tanto con animales
como con seres humanos.

18
Burrhus Frederic Skinner

Sus investigaciones con animales, centradas

en el tipo de aprendizaje -conocido como
condicionamiento operante o instrumental, que
ocurre como consecuencia de un estmulo
provocado por la conducta del individuo,
probaron que los comportamientos ms
complejos como el lenguaje o la resolucin de
problemas, podan estudiarse cientficamente
partir de su relacin con las consecuencias
que tiene para el sujeto, ya sean positivas
(refuerzo positivo) o negativas (refuerzo
negativo).

El trabajo de Pavlov
Ivn Petrvich Pavlov. 1849-1936 Fisilogo y psiclogo
ruso. Curs estudios de teologa, que abandon para
ingresar en la Universidad de San Petersburgo y
estudiar medicina y qumica. Una vez doctorado, ampli
sus conocimientos en Alemania, donde se especializ
en fisiologa intestinal y en el sistema circulatorio. En
1890 sent plaza de profesor de fisiologa en la
Academia Mdica Imperial.
El condicionamiento clsico es un tipo de aprendizaje y
comportamiento que consiste en aparear un estmulo
natural con su respuesta natural y conectarlo con un
segundo estmulo para generar una respuesta que no
se da naturalmente, de otra manera el condicionamiento
Ivn Petrvich
clsico es el mecanismo ms simple por el cual los
Pavlov
organismos pueden aprender acerca de las relaciones
entre estmulos y cambiar su conducta en conformidad con las mismas. Permite a
los seres humanos y animales aprovecharse de la secuencia ordenada de eventos
de su ambiente y aprender qu estmulos tienden a ir con qu eventos.
Se enfoca en el aprendizaje de respuestas emocionales o psicolgicas
involuntarias, temor, incremento de ritmo cardiaco, salivacin, sudoracin, etc. En
ocasiones llamados respondientes porque son respuestas automticas o
estmulos. A travs del proceso del condicionamiento clsico es posible capacitar a
animales y a humanos para reaccionar de manera involuntaria a un estmulo que
antes no tena ningn efecto. El estmulo llega a producir o generar la respuesta
en forma automtica.
Influencia Del Conductismo

19

La influencia inicial del conductismo en la psicologa fue minimizar el estudio

introspectivo de los procesos mentales, las emociones y los sentimientos,
sustituyndolo por el estudio objetivo de los comportamientos de los individuos en
relacin con el medio, mediante mtodos experimentales.
El conductismo actual ha influido en la psicologa de tres maneras: ha
reemplazado la concepcin mecnica de la relacin estmulo-respuesta por otra
ms funcional que hace hincapi en el significado de las condiciones estimulares
para el individuo; ha introducido el empleo del mtodo experimental para el estudio
de los casos individuales, y ha demostrado que los conceptos y los principios
conductistas son tiles para ayudar a resolver problemas prcticos en diversas
reas de la psicologa aplicada. En seguida, mencionaremos algunos tipos de
conductismo y su principal expositor:

Conductismo clsico (Watson)

Neoconductismo (Hull)
Interconductismo (Kantor)
Conductismo cognitivo (Tolman)
Conductismo radical (Skinner, Jay Moore)
Conductismo teleolgico (Rachlin)
Conductismo molar (Baum, Rachlin)
Conductismo terico (Staddon)
Conductismo biolgico (Timberlake)

Conductismo lgico (Carnap, Neurath), conductismo filosfico (Russell,

Wittgenstein, Ryle).

1.4 EL PROCESO DE RAZONAMIENTO SEGN LA LGICA

(AXIOMAS, TEOREMAS, DEMOSTRACIN)
La lgica es aquella ciencia que va en bsqueda de las formas de los
razonamientos correctos, es decir, de las leyes del deducir correctamente. En este
sentido es legtimo afirmar que la lgica es la teora de la deduccin, en cuanto
estudia
las
reglas
de
las
inferencias
correctas.
La lgica hace explcitas estas leyes, las ordena en sistemas axiomticos y prueba
sus capacidades y lmites.
TEORA DEDUCTIVA
Designamos bajo este nombre toda teora que se fundamenta en dos principios:
Definiciones
y
demostraciones.
En su desarrollo debe cumplir bsicamente las siguientes condiciones:

20

Enunciar explcitamente los trminos primitivos con ayuda de los cuales se

propone definir los dems trminos de la teora.
Enunciar explcitamente las relaciones primitivas. Con la misma esencia
anterior, son relaciones que el hombre pone en la base de su conocimiento.
Enunciar explcitamente las proposiciones primitivas, con ayuda de las
cuales se propone demostrar otras proposiciones de la teora. Estas
proposiciones primeras se denominan Axiomas y relacionan entre s los
trminos primitivos y las relaciones primitivas.

Que las relaciones enunciadas entre los trminos sean nicamente relaciones
lgicas, permaneciendo independientes del sentido concreto o interpretacin que
pueda darse a los trminos.
AXIOMA O POSTULADO
Es una proposicin primitiva que se admite como cierta. En la construccin de una
teora axiomtica se ha de partir de un conjunto de axiomas, escogidos de tal
forma que dicho conjunto ha de ser: compatible, suficiente, independiente.

Compatibilidad: Dos axiomas no pueden formular en ellos, ni producir en

sus resultados derivados, relaciones contradictorias.
Suficiencia: Toda proposicin verdadera ha de ser deducible dentro del
sistema.
Independencia: Ningn axioma ha de poderse deducir de otros.

TEOREMA
Es una proposicin que ha de demostrarse cierta, mediante un razonamiento
lgico a partir de los axiomas o de otros teoremas previamente justificados.
Se afirma que un teorema es vlido si es deducido correctamente de las premisas
(proposiciones).
TEOREMAS INTERVINCULADOS
Siendo p y q dos proposiciones se obtienen los siguientes teoremas,
intercambiando la hiptesis con la conclusin y luego considerando las negaciones
de las proposiciones originales.
Teorema directo p q
Teorema recproco q p
Teorema inverso p q
Teorema contrarrecproco q p
21

Un teorema es una frmula bien formada, que no es un axioma, y que puede ser
el elemento final de alguna demostracin, es decir, un teorema es una frmula
bien formada para la cual existe una demostracin.

DEMOSTRACIN
El
proceso
demostrativo
consiste
bsicamente
en:
A partir de unas proposiciones dadas que llamaremos premisas, obtener otra
proposicin que llamaremos conclusin mediante la aplicacin de unas reglas
lgicas.
Para demostrar que una proposicin especfica es un teorema en una teora
deductiva
dada
procedemos
as:
1.- Se enuncian explcitamente los axiomas de la teora.
2.- Se fijan las reglas que validan el proceso demostrativo, estas reglas se
denominan reglas
de
validez y
se
reducen
a
las
siguientes:
Regla de validez 1: Todo axioma puede figurar en cualquier paso de una
demostracin.
Regla de validez 2: Si P=>Q figura en una demostracin y P tambin figura en la
misma demostracin, entonces se puede concluir Q en la demostracin. Esta regla
universal se conoce con el nombre de Modus Ponens.
Regla de validez 3: Si dos proposiciones son equivalentes se puede sustituir la
una por la otra en cualquier parte de una demostracin. Esta regla se conoce con
el nombre de sustitucin por equivalencia.
3.- Efectuar una demostracin de una proposicin especfica Q, consiste en
obtener la proposicin Q como la ltima en el proceso demostrativo por aplicacin
reiterada de las reglas de validez 1, 2 y 3.
Ejemplo:
Todas las mexicanas son bellas -------Premisa
Rebeca es mexicana luego:
Rebeca es bella -------------------------Conclusin

1.5 EL MODELO DE ADQUISICIN DEL CONOCIMIENTO SEGN

LA FILOSOFA
22

En el conocimiento se hallan frente a frente la conciencia y el objeto, el sujeto y el

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

TEORA DEL CONOCIMIENTO

Es el intento intelectual de explicar la forma en la que adquirimos el conocimiento
del mundo y los procedimientos por los que es generado ese conocimiento, de tal
forma que pueda ser valorado ya como verdadero o como falso.
Conocer
Unos de los grandes temas de la filosofa, es explicar en qu consiste el acto de
conocer, cual es la esencia del conocimiento, cual es la relacin cognoscitiva entre
el hombre y las cosas que lo rodean.
La definicin ms sencilla nos dice que conocer consiste en obtener una
informacin acerca de un objeto. Conocer es conseguir un dato o una noticia
sobre algo.

Elementos del conocimiento

En todo conocimiento podemos distinguir cuatro elementos:
El sujeto que conoce.
El objeto conocido.
La operacin misma de conocer.
El resultado obtenido que es la informacin recabada acerca del objeto.

Los tres niveles del conocimiento

El ser humano puede captar un objeto en tres diferentes niveles, sensible,
conceptual y holstico.

Conocimiento sensible:

Es aquel que se adquiere a travs de la captacin de un objeto por medio de los

sentidos, que en el caso de los seres humanos los ms desarrollados son el odo y
la vista, de este modo, somos capaces de almacenar en nuestra memoria las
imgenes de todos los objetos que observamos a diario, con sus caractersticas
particulares.
23

Conocimiento conceptual:

Se trata de aquel que se forma a partir de un conjunto de representaciones

definidas como invisibles, inmateriales, universales y esenciales. La diferencia
ms significativa entre el conocimiento sensible y el conceptual radica en que el
primero es un conocimiento particular de cada persona, en el que cada uno ve y
define los conceptos y los objetos con las caractersticas propias, mientras que el
conceptual hace referencia a la universalidad de los conceptos y objetos, aquellos
que todos comprendemos de la misma manera, sin aadirle caractersticas
propias.

Conocimiento holstico:

(Tambin llamado intuitivo, con el riesgo de muchas confusiones, dado que la

palabra intuicin se ha utilizado hasta para hablar de premoniciones y
corazonadas). En este nivel tampoco hay colores, dimensiones ni estructuras
universales como es el caso del conocimiento conceptual. Intuir un objeto significa
captarlo dentro de un amplio contexto, como elemento de una totalidad, sin
estructuras ni lmites definidos con claridad. La palabra holstico se refiere a esta
totalidad percibida en el momento de la intuicin (holos significa totalidad en
griego).
La principal diferencia entre el conocimiento holstico y conceptual reside en las
estructuras. El primero carece de estructuras, o por lo menos, tiende a prescindir
de ellas. El concepto, en cambio, es un conocimiento estructurado. Debido a esto,
lo percibido a nivel intuitivo no se puede definir, (definir es delimitar), se capta
como un elemento de una totalidad, se tiene una vivencia de una presencia, pero
sin poder expresarla adecuadamente.
Aqu est tambin la raz de la dificultad para dar ejemplos concretos de este
conocimiento. Intuir un valor, por ejemplo, es tener la vivencia o presencia de ese
valor y apreciarlo como tal, pero con una escasa probabilidad de poder expresarla
y comunicarla a los dems.

El origen del conocimiento

A continuacin se presentan diversas corrientes filosficas sobre como el ser
humano obtiene conocimientos.
Racionalismo
Se denomina racionalismo a la doctrina epistemolgica que sostiene que la causa
principal del conocimiento reside en el pensamiento, en la razn. Afirma que un
conocimiento solo es realmente tal, cuando posee necesidad lgica y validez
universal. El planteamiento ms antiguo del racionalismo aparece con Platn. El
24

Racionalismo como corriente filosfica apareci en Francia en el siglo XVII, y fue

formulada por Ren Descartes.
Los rasgos que mejor caracterizan al racionalismo moderno son los siguientes:
La tesis de que todos nuestros conocimientos acerca de la realidad proceden no
de los sentidos, sino de la razn, del entendimiento mismo.
El conocimiento puede ser construido deductivamente a partir de unos primeros
principios.
Los primeros principios del conocimiento no se pueden extraer de la experiencia
emprica, sino que se encuentran ya en el entendimiento: el innatismo de las
ideas.
Consideracin de la deduccin y ms an de la intuicin intelectual como los
mtodos ms adecuados para el ejercicio del pensamiento.
La consideracin de la matemtica como ciencia ideal.
La apreciacin optimista del poder de la razn, sta no tiene lmites y puede
alcanzar a todo lo real.
Empirismo
Para el empirismo la nica causa del conocimiento humano es la experiencia.
Segn el empirismo, la conciencia cognoscente no obtiene sus conceptos de la
razn, sino exclusivamente de la experiencia.
El empirismo, surge en Inglaterra en el siglo XVII y se extiende durante el siglo
XVIII sus mximos representantes son J. Locke (1632-1704), J. Berkeley (16851753) y D. Hume (1711-1776).
En un sentido bastante general, se denomina empirismo a toda teora que
considere que la experiencia es el origen del conocimiento, pero no su lmite. Esta
postura ha sido mantenida por numerosos filsofos, como por ejemplo, Aristteles
(384-322 a.C.), Epicuro (341-272 a.C.), los estoicos (S.IV a. C. S.II d.C.), Toms
de Aquino (1224-1274) y Ockham (1295-1350).
Caractersticas del Empirismo
Las caractersticas fundamentales del empirismo podran resumirse en las
siguientes:
1. Subjetivismo del conocimiento.
En este punto, empiristas y racionalistas coinciden al afirmar que, para conocer
el mundo se ha de partir del propio sujeto, no de la realidad en s. La mente no
puede conocer las cosas ms que a partir de las ideas que tiene sobre ellas.
2. La experiencia como nica fuente del conocimiento.
25

El origen del conocimiento es la experiencia, entendiendo por ella la

percepcin de los objetos sensibles externos (las cosas) y las operaciones
internas de la mente (emociones, sensaciones, etc.). As pues, para los
empiristas, el nico criterio de verdad es la experiencia sensible.
3. Negacin de las ideas innatas de los racionalistas.
Si todo conocimiento ha de provenir de la experiencia esto supone que habr
de ser adquirido. La mente no posee contenido alguno (ideas innatas), sino
que es como una tabla rasa, un receptculo vaco que debe llenarse a partir
de la experiencia y el aprendizaje.
4. El conocimiento humano es limitado: la experiencia es su lmite.
Esta postura es radicalmente opuesta a la de los racionalistas, para los que la
razn, utilizando un mtodo adecuado, no tiene lmites y podra llegar a
conocerlo todo. Los empiristas restringen la capacidad de la mente humana: la
experiencia es su lmite, y ms all de ella no es lcito ir si no queremos caer
en el error, atribuyndole a todo lo que no ha sido experimentado una
realidad y existencia objetiva.
5. El mtodo experimental y la ciencia emprica.
El inters por hallar un mtodo adecuado para dirigir el pensamiento fue uno
de los intereses principales tanto del racionalismo como del empirismo. La
diferencia entre ambos estriba en que, si para los racionalistas el modelo ideal
de mtodo era matemtico y deductivo, para los empiristas deba ser
experimental e inductivo, similar al que utiliz Newton en el campo de la fsica,
y que tan excelentes resultados haba dado.

El Modelo de Adquisicin del Conocimiento Segn la Filosofa.

La metodologa Common KADS, como cualquier otra ofrece una aproximacin
para resolver los problemas inherentes a la ingeniera del conocimiento
provenientes de la experiencia y apoyados por los fundamentos de la ingeniera
del software.
Como se ha mencionado anteriormente, la ingeniera del conocimiento debe hacer
frente a la recopilacin de datos, dar forma a la informacin y generar ms
conocimiento.
Todo ello dentro de un determinado mbito de aplicacin o lnea de negocio
empresarial, que debe plasmarse en una realidad.
Los modelos de la metodologa Common KADS para hacer frente a las realidades
expresadas anteriormente. En ella se muestran tres grupos de modelos porque
26

existen esencialmente

tres tipos de

preguntas que

deben

contestarse:

Por qu? Por qu es necesario recurrir a un sistema que involucre

conocimiento?
En la organizacin donde se va a implementar, va a mejorar el rendimiento de la
misma?, reportar beneficios econmicos o de otra ndole?, resolver mejor
que otros sistemas o las propias personas los problemas?, ser aceptado por la
organizacin donde se va a implementar?
La respuesta a estas preguntas pasa por estudiar tres aspectos clave. Cul es la
estructura de la organizacin donde se va a desarrollar el sistemas par ver donde
encaja. Qu tarea va a realizar el sistema y cmo se enmarcan dentro de las
tareas globales de la organizacin.
Quin o quienes estarn involucrados en la realizacin de estas tareas. Con este
planteamiento llegamos a respectivamente a los modelos de la organizacin, tarea
y agente bajo la perspectiva del contexto en la organizacin. Qu? Qu tipo de
conocimiento es el que se debe manejar?, cmo se va a estructurar ese
conocimiento? Adems, Ser necesario transmitir ese conocimiento?, quin va
a recibir y por tanto hacer uso de ese conocimiento? En definitiva, es necesario y
conveniente que haya una comunicacin relativa a ese conocimiento? Bajo esta
perspectiva surge un mecanismo conceptual que involucra la formalizacin y el
uso de conocimiento as como su transmisin y/o recepcin mediante una
comunicacin. De aqu derivan los modelos de conocimiento y comunicacin.
Cmo? Cmo debe llevarse a la prctica todo lo anterior para que el
conocimiento pueda implementarse en una computadora?, cmo debe ser la
arquitectura software y el mecanismo computacional? En este caso se est
hablando del equipo necesario que ha de desembocar en un mtodo de diseo.

27

1.6 MODELO COGNOSCITIVO

El modelo cognitivo se basa en el pensamiento, el poder explorar la capacidad de
las mentes humanas para modificar y controlar la forma en que los estmulos
afectan nuestra conducta.
Este tipo de modelo se aplica a la inteligencia artificial, de tal modo que uno podra
pensar que esta tecnologa pueda pensar como un humano. Aunque para poder
evaluar si un sistema piensa o no como una persona, se requieren mecanismos
para determinar cmo piensan los humanos, penetrando en las mentes humanas
como por ejemplo la introspeccin y experimentos psicolgicos. Una vez que se
cuente con una teora precisa sobre cmo trabaja la mente, se lo podr plasmar
en la computadora.
El campo de estudio del modelo cognitivo es increblemente enorme y extenso,
algunas de las ciencias inter y multi disciplinarias que ayudan al modelo cognitivo
son:

Ciencia cognitiva: Estudia cmo la mente/cerebro representa y transforma

la informacin que recibe. Es una ciencia interdisciplinaria en la que
convergen otras ciencias.
o Lingstica
o Inteligencia Artificial
o Neurociencia
o Antropologa cognitiva

La mente humana es una de las fronteras de la ciencia, el conocimiento que

tenemos de su funcionamiento est en constante crecimiento y evolucin.
Los sistemas con inteligencia artificial SBC (simblico cognitivistas) se tratan de
sistemas que resuelven problemas utilizando la lgica. Sistemas que actan de
forma racional y realizan la mejor accin en funcin de las percepciones
obtenidas, del conocimiento disponible y de la medida de comportamiento.
Dependen totalmente de la percepcin y la capacidad de accin sobre el entorno,
la capacidad de procesamiento y el tiempo de procesamiento son las variables
que entran en juego.
La inteligencia artificial es adaptativa, los seres humanos y animales exhibimos la
inteligencia en la medida en que nos adaptamos al medio, por ello, un sistema se
considerar inteligente si puede adaptarse a su medio. Se expresa
tecnolgicamente en las redes neuronales artificiales. Por ejemplo, una neurona
no tiene inteligencia, pero billones interactuando entre s pueden dar cabida a la
28

mente, la cual es emergente. Por ello, la inteligencia artificial, tambin busca

emular una mente emergente.
Una red neural es un conjunto de neuronas que en un momento dado constituye
una unidad integral (persiste como un todo en ausencia de alguna de sus partes
en la suma) a ciertos efectos. Cuanto mayores y ms complejas sean las redes
neuronales, mayor cantidad de informacin.
Por otra parte los avances tecnolgicos han demostrado tener la capacidad de
adaptarse y poder razonar a un cierto grado, se considera avances en el rea de
inteligencia artificial como, por ejemplo:

Robot Cozmo: Es un pequeo robot del tamao de la palma de la mano,

Cozmo puede reconocer y recordar tu cara y tu nombre, asemejndolo a un
perro mascota. Puede hablar, y puede transmitir lo que quiere decir de
varias formas. tiene emociones: puede estar feliz, triste, bravo, enojado,
contento, molesto, entre muchas ms. El cerebro del reloj procesa
interacciones para invocar estas emociones y los algoritmos parecen tener
buena respuesta.
Siri IOS: Es una aplicacin del sistema operativo mvil IOS que funciona
por medio de reconocimiento de voz. Gracias a esto, le puedes ordenar a
los dispositivos de Apple que realice ciertas funciones, utilizando un
lenguaje coloquial.
Vehculo Autnomo de Google: No tiene ni pedales, ni marchas, ni volante,
El automvil solo dispondra de un botn de encendido y una pantalla que
mostrar la ruta que seguir de principio a fin. Su velocidad mxima, segn
lo anunciado por la compaa, sera de unos 40 km/h y los sensores con los
que est equipado determinarn tanto la posicin del vehculo como la
cercana de otros autos y personas.
La supercomputadora Watson de IBM: es capaz de procesar correctamente
el lenguaje natural y responder a las preguntas que se le plantean, imitando
el razonamiento humano. Adems, aprende de su propia experiencia, por lo
que cada vez se vuelve ms inteligente. se hizo muy conocido por ganar en
la televisin estadounidense un famoso concurso de televisin de preguntas
y respuestas.

29

1.7 EL MODELO DEL AGENTE INTELIGENTE, SISTEMAS MULTI

AGENTE Y SISTEMAS UBICUOS.
Sistemas computacionales capaces de realizar acciones de manera autnoma en
algn entorno, con el propsito de alcanzar una serie de objetivos que tiene
delegados
Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales
percepciones y responder o actuar en su entorno de manera racional, es decir, de
manera correcta y tendiendo a maximizar un resultado esperado. Es capaz de
percibir su medioambiente con la ayuda de sensores y actuar en ese medio
utilizando actuadores (elementos que reaccionan a un estmulo realizando una
accin).
En este contexto la racionalidad es la caracterstica que posee una eleccin de ser
correcta, ms especficamente, de tender a maximizar un resultado esperado.
Este concepto de racionalidad es ms general y por ello ms adecuado que
inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los
agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes
racionales.
Un agente inteligente puede ser una entidad fsica o virtual. Si bien el trmino
agente racional se refiere a agentes artificiales en el campo de la Inteligencia
Artificial, tambin puede considerarse agentes racionales a los animales incluido el
hombre.

Los agentes inteligentes se describen esquemticamente como un sistema

funcional abstracto. Por esta razn, los agentes inteligentes son a veces llamado
Agentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones
30

del mundo real como sistemas informticos, los sistemas biolgicos, o de

organizaciones. Algunas definiciones de agentes inteligentes hacen nfasis en su
autonoma por lo que prefieren el trmino agente inteligente autnomo.
En Ciencias de la Computacin el trmino agente inteligente puede ser usado para
referirse a un agente de software que tiene algo de inteligencia,
independientemente de si no es un agente racional por definicin de Russell y
Norvig. Por ejemplo, programas autnomos utilizados para asistencia de un
operador o de minera de datos (a veces denominado robots) son tambin
llamados agentes inteligentes.

Sistemas multi agentes

El dominio del sistema multiagente o de inteligencia artificial distribuida es una
ciencia y una tcnica que trata con los sistemas de inteligencia artificial en red.
En cierto modo, un sistema multiagente es un sistema distribuido en el cual los
nodos o elementos son sistemas de inteligencia artificial, o bien un sistema
distribuido donde la conducta combinada de dichos elementos produce un
resultado en conjunto inteligente.
Existen como en todo el resto del dominio de la inteligencia artificial, dos enfoques
para construir sistemas multiagentes:
1.
El enfoque formal o clsico, que consiste en dotar los agentes de la mayor
inteligencia posible utilizando descripciones formales del problema que resolver y
de hacer reposar el funcionamiento del sistema en tales capacidades cognitivas.
Usualmente la inteligencia es definida utilizando un sistema formal (por ejemplo,
sistemas de inferencia lgica) para la descripcin, raciocinio, inferencia de nuevo
conocimiento y planificacin de acciones a realizar en el medio ambiente.
2.
El enfoque constructivista, que persigue la idea de brindarle inteligencia al
conjunto de todos los agentes, para que a travs de mecanismos ingeniosamente
elaborados de interaccin, el sistema mismo genere comportamiento inteligente
que no necesariamente estaba planeado desde un principio o definido dentro de
los agentes mismos (que pueden ser realmente simples). Este tipo de conducta es
habitualmente llamado comportamiento emergente.

31

Caractersticas
Los agentes en un sistema multiagente tienen varias caractersticas importantes:
Autonoma: los agentes son al menos parcialmente autnomos
Visin local: ningn agente tiene una visin global del sistema, o el sistema es
demasiado complejo para un agente para hacer un uso prctico de esos
conocimientos
Descentralizacin: no hay un agente de control designado (o el sistema se
reducira a un sistema monoltico)
Normalmente la investigacin de sistemas multiagente se refiere a agentes de
software. Sin embargo, los agentes en un sistema multiagente tambin podran ser
robots,6 seres humanos o equipos humanos.

Sistemas ubicuos
La computacin ubicua es la integracin de la informtica en el entorno de la
persona, de forma que los ordenadores no se perciban como objetos
diferenciados. Desde hace unos aos tambin se denomina inteligencia ambiental.
La computacin ubicua es un modelo de interaccin en el que el procesamiento de
informacin se integra fuertemente en las actividades y objetos cotidianos.
A pesar de que el trmino de computacin ubicua puede parecer demasiado
tcnico, el mismo se basa en un campo que tiene muchas implicaciones para el
proceso de enseanza-aprendizaje. La computacin ubicua y su proceso va
aplicado a la educacin, la cual intenta lograr que la tecnologa sea "invisible" para
el usuario. La meta est en desarrollar entornos transparentes para que de esa
manera todo usuario pueda beneficiarse sin darse cuenta que la est usando. Un
ejemplo se basa cuando se usa un telfono celular y se hace de la manera ms
natural en donde el esfuerzo que toma en su uso es muy mnimo.
Tipos de sistemas ubicuos
Entornos inteligentes

Domtica

Entornos asistenciales

Entornos industriales
32

Ocio

Educacin

Segn Weiser divide en Dos aspectos fundamentales a los componentes de los

entornos ubicuos.
1.

Localizacin

El elemento de cmputo sabe dnde est ubicado.

2.

Escala

Un tamao para cada tarea: tabs, pads, boards.

1.8 EL PAPEL DE LA HEURISTICA

Desde el inicio de la IA, el trmino heurstica oscil entre dos sentidos
fundamentales vinculados a la utilizacin de informacin del dominio de problemas
(con el fin de hacer una bsqueda ms eficiente) y a la imposibilidad de garantizar
encontrar la solucin de un problema
La capacidad heuristica es un rasgo caracteristico de los humanos, que puede
describirse como el arte y la ciencia del descubrimiento y de la invencin o de
resolver problemas mediante la creatividad y el pensamiento.
La base de la heurstica surge de la experiencia de resolver problemas y ver cmo
otros lo hacen. De lo anterior podemos deducir que un mtodo heurstico aplicado
correctamente puede devolver soluciones falsas, positivas o negativas. En las
ciencias de la computacin, el mtodo heurstico es usado en determinadas
circunstancias, cuando no existe una solucin ptima bajo las restricciones dadas.
En general la manera de actuar de los programas heursticos consiste en
encontrar algoritmos con buenos tiempos de ejecucin y buenas soluciones.
Muchos algoritmos en la inteligencia artificial son heursticos por naturaleza, o
usan reglas heursticas. Un ejemplo claro son los programas que detectan si un
correo electrnico es o no spam. Cualquiera de las reglas usadas de forma
independiente pueden llevar a errores de clasificacin, pero cuando se unen
mltiples reglas heursticas, la solucin es ms robusta y creble.

33

Tipos de algoritmos heursticos

En una primera clasificacin podemos decir que los algoritmos heursticos pueden
ser:

Simples: tienden a tener reglas de terminacin bien definidas y se detienen

en un ptimo local.
Complejos: pueden no tener reglas de terminacin estndar y buscan
soluciones mejores hasta alcanzar un punto de parada arbitrario.

Dentro de los algoritmos heursticos complejos podemos hacer una segunda

clasificacin, esta vez orientada a la funcionalidad de los mismos:
Aquellos algoritmos que fueron diseados para dar solucin a problemas de
bsqueda de ptimos o clasificacin
Aquellos algoritmos que tratan de deducir conocimiento a partir de un conjunto de
axiomas, conocidos como sistemas basados en el conocimiento.
Entre los algoritmos de bsqueda de ptimos se encuentran los siguientes
mtodos:
34

1.
2.
3.
4.

Bsqueda Tab
Temple Simulado
Algoritmos Genticos
Redes Neuronales

Los sistemas basados en el conocimiento definen un rea muy concreta dentro de

la inteligencia artificial, conocida como Ingeniera del conocimiento. Los sistemas
desarrollados en este campo siguen un patrn heurstico similar al razonamiento
humano.
1. Bsqueda Tab
La bsqueda tab es un procedimiento o estrategia dado a conocer en los trabajos
de Glover, y que est teniendo grandes xitos y mucha aceptacin en los ltimos
aos. Segn su creador, es un procedimiento que explora el espacio de
soluciones ms all del ptimo local, (Glover y Laguna). Se permiten cambios
hacia arriba o que empeoran la solucin, una vez que se llega a un ptimo local.
Simultneamente los ltimos movimientos se califican como tabs durante las
siguientes iteraciones para evitar que se vuelvan a soluciones anteriores y el
algoritmo cicle. El trmino tab hace referencia a un tipo de inhibicin a algo
debido a connotaciones culturales o histricas y que puede ser superada en
determinadas condiciones (Glover).
2. Temple Simulado
El uso del temple simulado en problemas de Optimizacin se ha extendido desde
mediados de los ochenta hasta ahora, a partir de los trabajos de Kirpatrick, Gelatt
& Vecchi. Los algoritmos Temple Simulado estn basados en una estrecha
analoga entre los procesos fsicos termodinmicos y los elementos de un
problema de optimizacin combinatoria. Aunque asintticamente estos algoritmos
se comportan como exactos, (un anlisis exhaustivo de esta afirmacin se puede
encontrar en el trabajo de Aarts & Korst), en la prctica se disean como
heursticos. El campo de aplicaciones se ha extendido durante estos aos. En
problemas de rutas destacan las aportaciones de Osman, para el VRP; y Aarts y
otros, para el problema del viajante de comercio.
3. Algoritmos Genticos
En los aos 70, de la mano de John Holland, 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 genticomolecular. 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.
35

4. Redes Neuronales
En inteligencia artificial las redes de neuronas artificiales (RNA) son un ejemplo de
aprendizaje y procesamiento automtico basado en el funcionamiento del sistema
nervioso animal. Se trata de simular el comportamiento observado en las redes
neuronales biolgicas a travs de modelos matemticos mediante mecanismos
artificiales (circuitos integrados, ordenadores). Con las RNA se pretende
conseguir que las mquinas den repuestas similares a las del cerebro humano,
caracterizadas por su generalizacin y robustez.

El objetivo principal de la heurstica es reconocer virus nuevos y desconocidos.

Como dice Andrew J. Lee, CTO de Eset Software:
"la Heurstica es un trmino muy amplio y no existe una definicin acordada entre
los fabricantes antivirus, pero bsicamente describe un rango de tcnicas
predictivas o proactivas para detectar nuevo software malicioso sin la necesidad
de liberar una actualizacin".
Cada fabricante antivirus aplica distintas tcnicas en la implementacin heurstica
de sus productos, que permiten detectar mayor o menor cantidad de virus
desconocidos.
Dada la gran rapidez con la que los nuevos gusanos de Internet se reproducen,
alcanzando niveles epidmicos en cuestin de horas, contar con una proteccin
heurstica eficiente a nivel corporativo es esencial.

1.8.1 ALGORITMOS DE BSQUEDA DE ALTERNATIVAS

36

Un algoritmo de bsqueda tratar de encontrar un camino ptimo entre dos nodos

como por ejemplo un camino que minimice el coste de desplazamiento, o el
nmero de pasos a realizar. La principal diferencia entre los algoritmos es la
informacin que guardan acerca del grafo. Algunos de ellos no guardan
informacin alguna, simplemente expanden la bsqueda desde el nodo inicial,
hasta que se llega al nodo final, otros guardan el coste de viajar desde el origen
hasta ese nodo, o incluso una estimacin de lo prometedor que es un nodo para
conducir el camino a su objetivo. La expansin de la bsqueda se realiza en forma
de rbol. Partiendo del nodo inicial, se extender la bsqueda a sus nodos
vecinos, de cada uno de estos nodos vecinos, a sus respectivos nodos vecinos, y
as hasta que uno de los nodos a los que se expande la bsqueda es el nodo
objetivo
El objetivo del recorrido es encontrar soluciones para algn problema. Esto se
consigue construyendo soluciones parciales a medida que progresa el recorrido;
estas soluciones parciales limitan las regiones en las que puede encontrar una
solucin completa. El recorrido tiene xito si, procediendo de esta forma, se puede
definir por completo una solucin. En este caso el algoritmo puede, o bien
detenerse (si lo nico que se necesita es una solucin del problema) o bien seguir
buscando soluciones alternativas (si deseamos examinarlas todas). Por otra parte,
el recorrido no tiene xito si en alguna etapa la solucin parcial construida hasta el
momento no se puede completar. En tal caso, el recorrido vuelve atrs
exactamente igual que en un recorrido en profundidad, eliminando sobre la
marcha los elementos que se hubieran aadido en cada fase. Cuando vuelve a un
nodo que tiene uno o ms vecinos sin explorar, prosigue el recorrido de una
solucin.
Ejemplo:
La mayora de los juegos tales como el ajedrez y las damas, ofrecen un nmero
finito de alternativas de juego y pueden ser descritos totalmente por un rbol,
existiendo un procedimiento algortmico para evaluar las alternativas que se
presentan a partir de las posiciones terminales (ya sea victoria para alguno de los
oponentes o un empate), que da como resultado la estrategia optima (aquella de
da la mejor recompensa) a seguir: el procedimiento minimax de la teora de juegos
consiste en considerar alternativamente las movidas propias y del adversario.
En la figura se supone un partida de ajedrez donde blancas debe mover a partir de
A contando con 5 alternativas: I a V, a las cuales quien juega negras puede
replicar con a o b, c o d, e o f, g, h o i y j, k o l respectivamente.

37

Supongamos que en la figura, B significa que blancas gana, E un empate y N

que gana negras. El anlisis de minimax consiste en lo siguiente: si blancas juega
I, de acuerdo con la movida de negras se dar que empate o pierda, si juega II
cualquiera que sea la respuesta de su contrincante se llegara a un empate; si
juega II, perder seguramente, y en caso de jugar IV y V corre el riesgo de que su
enemigo juegue g o k con lo habra perdido el juego. Blancas difcilmente
correr el riesgo de jugar IV, y por lo tanto seguramente jugara II, con lo que se
habr asegurado un empate.

SOLUCIONAR PROBLEMAS
Para poder solucionar un problema y llegar a la solucin ptima en el
razonamiento del algoritmo necesitamos de 3 pasos fundamentales.
Identificacin y definicin del problema
Identificacin del criterio de evaluacin
Generacin de alternativas
La solucin de muchos problemas en Inteligencia artificial es bsicamente
bsqueda y evaluacin

REPRESENTACIN DEL ESPACIO DE ESTADOS

Para llegar a una solucin en los algoritmos se tienen que definir los espacios de
estados (explcito / implcito), adems se especifica los estados iniciales y los
estados finales (metas). Tambin es importante recalcar las reglas que definen las
acciones disponibles para moverse de un estado a otro.

38

El proceso de solucin de problemas = encontrar una secuencia de operaciones

que transformen al estado inicial en uno final. Se requiere una estrategia de
bsqueda.
La estrategia de bsqueda define el criterio para seleccionar el siguiente nodo a
expandir. La estrategia se avala atendiendo a cuatro aspectos:

- Completitud: Garantiza la estrategia encontrar una solucin cuando esta

exista?

- Complejidad del tiempo: Cunto tiempo requiere encontrar una solucin?

- Complejidad del espacio: Cunta memoria se necesita para realizar la

bsqueda?

Optimalidad:
Encuentra
la
estrategia
la
mayor calidad cuando haya varias soluciones diferentes?

solucin

de

Algoritmo de bsqueda general

function General_Search(Problem, Strategy) return Solucion;

Inicializar el rbol de bsqueda usando el estado inicial o Fallar

Loop do

if no hay nodo que expandir then return Falla

Seleccionar un nodo hoja a expandir de acuerdo a la estrategia.

if el nodo contiene un estado objetivo

then return Solucion

else expandir el nodo y aadir los nodos resultantes al

espacio de bsqueda.

end loop.

end

Busqueda exhaustiva

En la bsqueda exhaustiva la idea es examinar el espacio de estado

completamente de una manera ordenada, usando todos los operadores y
generando todos los sucesores posibles para encontrar la solucin
deseada.
39

Bsqueda a ciegas

La bsqueda a ciegas es aquella donde no existe ninguna informacin para

decidir que nodo expandir, no se conoce la cantidad de pasos o el costo del
camino desde el estado actual hasta el objetivo. Tambin se denomina
bsqueda no informada. En el otro caso, cuando existe informacin para
decidir, la bsqueda se denomina informada o heurstica.
El conjunto de mtodos que utilizan la estrategia de bsqueda a ciegas se
consideran mtodos dbiles pues imponen restricciones mnimas a la
bsqueda y su alta generalidad implica cierta debilidad.

Bsqueda dirigida

En la bsqueda dirigida por datos los nodos contienen los hechos dados
como datos iniciales y los que se van infiriendo, mientras en la bsqueda
dirigida por objetivos los nodos contienen los objetivos y sub-objetivos.

La idea principal es realizar simultneamente dos bsquedas, una dirigida

por dato y otra por objetivo y parar cuando ambas se encuentren. Entonces
el camino desde el estado inicial se concatena con el inverso del camino
desde el estado objetivo para formar el camino solucin.

En conclusin, la bsqueda es el mecanismo de solucin de problemas universal

en la IA. En los problemas de la IA, la secuencia de pasos requeridos para dar
solucin a un problema no son conocidos a priori, ellos son determinados
mediante la exploracin de alternativas.

1.8.2 ALGORITMO A*
Algoritmo a* Algoritmo de Bsqueda A. Conocido tambin como A asterisco o A
estrella fue presentado por Peter E. Hart, Nils J. Nilsson y Bertram Raphael en el
ao 1968,se clasifica dentro de los algoritmos de bsqueda en grafos. Su funcin
es encontrar siempre y cuando se cumplan determinadas condiciones, el camino
de menor costo entre un nodo origen y uno objetivo, es la forma ms ampliamente
conocida de la bsqueda primero el mejor, siendo la bsqueda A* tanto completa
como ptima. Caractersticas Principales
Como todo algoritmo de bsqueda en anchura, A* es un algoritmo completo: en
caso de existir una solucin, siempre dar con ella.
40

Si para todo nodo n del grafo se cumple g(n) = 0, nos encontramos ante una
bsqueda voraz. Si para todo nodo n del grafo se cumple h(n) = 0, A* pasa a ser
una bsqueda de coste uniforme no informada.
Para garantizar la optimalidad del algoritmo, la funcin h(n) debe ser admisible, o
sea que no sobrestime el coste real de alcanzar el nodo objetivo.
De no cumplirse dicha condicin, el algoritmo pasa a denominarse simplemente A,
y a pesar de seguir siendo completo, no se asegura que el resultado obtenido sea
el camino de coste mnimo. Asimismo, si garantizamos que h(n) es consistente (o
montona), es decir, que para cualquier nodo n y cualquiera de sus sucesores, el
coste estimado de alcanzar el objetivo desde n no es mayor que el de alcanzar el
sucesor ms el coste de alcanzar el objetivo desde el sucesor.
La complejidad computacional est relacionada con la calidad de la heurstica
que se utilice en el problema. En el caso peor, con una heurstica de psima
calidad, la complejidad ser exponencial, mientras que en el caso mejor, con una
buena h'(n), el algoritmo se ejecutar en tiempo lineal.
El espacio requerido por A* para ser ejecutado es su mayor problema. Dado que
tiene que almacenar todos los posibles siguientes nodos de cada estado, la
cantidad de memoria que requerir ser exponencial con respecto al tamao
del problema. Para solucionar este problema, se han propuesto diversas
variaciones de este algoritmo, como pueden ser RTA*, IDA* o SMA*.
El rendimiento de los algoritmos de bsqueda heurstica depende de la calidad de
la funcin heurstica.
El algoritmo A* es un algoritmo de bsqueda que puede ser empleado para el
clculo de caminos mnimos en una red. Se va a tratar de un algoritmo heurstico,
ya que una de sus principales caractersticas es que har uso de una funcin de
evaluacin heurstica, mediante la cual etiquetar los diferentes nodos de la red y
que servir para determinar la probabilidad de dichos nodos de pertenecer al
camino ptimo. Aplicaciones del algoritmo A* De manera general este algoritmo
se utiliza para encontrar el camino ms corto entre dos puntos dados, pero dentro
de sus otras aplicaciones se utiliza en juegos para determinar el recorrido que un
objeto debe realizar; un ejemplo de ello es el videojuego pacman en el que se
aplicaba al comportamiento de los fantasmitas y en la resolucin de los problemas
de Sudoku de 8 variables. Tambin se puede utilizar para resolver el cubo Rubik
mostrndonos cmo hacerlo con la menor cantidad de movidas. Debemos tener
en cuenta que hay circunstancias en las que no es sencillo encontrar una buena
funcin heurstica pero tambin es vlido especificar que sea cero ya que la
misma debe ser estimada por defecto.

41

1.8.3 ALGORITMOS DE BSQUEDA LOCAL.

Se han descrito bsquedas que solo realizan una exploracin sistemtica, en este
tipo de bsquedas no tan complejas importaba llegar al objetivo ms que cmo
llegar, si bien es cierto, las bsquedas informadas son efectivas a la hora de
encontrar un resultado, nada asegura que este resultado sea el ms factible.
En vista de que existen problemas en los que se deben satisfacer restricciones y
llegar al mejor de todos los objetivos, surgen los algoritmos de bsqueda local y
problemas de optimizacin en los cuales el camino hacia la solucin del problema
es irrelevante y lo que importa es la solucin final.
Los algoritmos que se han desarrollado son:

Bsqueda de ascensin de colinas

Temple simulado
Por haz local
Genticos

Algoritmos de busqueda local

Los algoritmos de bsqueda local no se preocupan por los caminos sino que se
enfocan en su gran parte en el estado actual y se mueve de un estado vecino
hacia otro, este tipo de algoritmos tienen ventajas importantes como:
Son ahorrativos: Ya que usan poca memoria en donde no se guarda la secuencia
de estados.
Razonables: Ofrecen buenas soluciones a un problema cuando el espacio de los
estados es infinito.
ptimos: Encuentran el mejor estado posible en base a una funcin objetivo.
La forma en la que funcionan los algoritmos de bsqueda local es intentando
mejorar una solucin ya dada y encontrar la mejor de las soluciones posibles en el
42

menor tiempo, pero para ello se necesitan de operadores, estos pueden maximizar
o minimizar la solucin combinando tambin las restricciones del problema.
Maximizacin
Se maximiza un problema cuando su solucin corresponde directamente al
objetivo, es decir que para hacer ms ptima una respuesta se trata de maximizar
el objetivo.
Minimizacin
Se minimiza un problema cuando su solucin se basa en los costos, por lo cual es
necesario hacerlos lo ms mnimos posibles.
Caractersticas
Paisaje de estados: es donde se encuentra el conjunto de soluciones y sirve para
comprender mejor la bsqueda local, su posicin se basa en el estado y la
elevacin se basa en la funcin de coste del objetivo o de la heurstica.
Estado inicial: es en donde comienza la bsqueda de la solucin.
Operadores: La maximizacin o minimizacin, si la solucin corresponde al costo
entonces se intenta encontrar el mnimo global y si corresponde al objetivo se
intenta encontrar el mximo global.
Estados finales y soluciones: Es la resolucin del problema en s.
Heurstica
En computacin, dos objetivos fundamentales son encontrar algoritmos con
buenos tiempos de ejecucin y buenas soluciones, usualmente las ptimas.
Una heurstica es un algoritmo que abandona uno o ambos objetivos.
Normalmente encuentran buenas soluciones, aunque no hay pruebas de que la
solucin no pueda ser arbitrariamente errnea en algunos casos; o se ejecuta
razonablemente rpido, aunque no existe tampoco prueba de que siempre ser
as. Las heursticas generalmente son usadas cuando no existe una solucin
ptima bajo las restricciones dadas (tiempo, espacio, etc.), o cuando no existe del
todo.

43

Problemas de optimizacin
Para definir un problema de manera correcta primero es necesario tener en claro 4
aspectos indicados y explicados en el siguiente grfico.

Bsqueda de ascensin de colinas

Es un algoritmo basado en iteraciones que intenta dar una solucin arbitraria a un
problema para encontrar una mejor solucin modificando un elemento
incrementalmente (Ceccaroni, 2007).
Este tipo de bsquedas tienen este nombre ya que se asemeja a subir una colina
o montaa, es decir que se realiza un bsqueda cuesta arriba y termina cuando
alcanza el lugar ms alto de la montaa, es decir, la cima.
Este tipo de algoritmos tienen una condicin para avanzar la cual es que si el
cambio propone una solucin factible se realiza un cambio incremental a la nueva
solucin repitiendo esto varias veces como un ciclo.
Pese a que es un algoritmo simple y muy conocido en inteligencia artificial por ser
bueno para encontrar un ptimo local no garantiza encontrar la mejor solucin
entre el sin nmero de soluciones posibles.(Ceccaroni, 2007).

44

Tipos
Los tipos de algoritmos de bsqueda de ascensin de colinas son 3.

bsqueda de temple simulado

El algoritmo de temple simulado surge como una alternativa al algoritmo de
ascensin de colinas ya que este no es muy completo debido a que solo verifica
los caminos cuesta arriba y no pasa por estados bajos donde el costo es ms alto
y se estanca en mximos locales.
El temple simulado es una combinacin de la ascensin de colinas y la
aleatoriedad que establezca completitud, esta clase de algoritmos no escogen el
mejor movimiento si no que ms bien hacen un aleatorio y si este mejora la
situacin actual entonces es aceptado.
Bsqueda por haz local
A diferencia de las otras bsquedas en las cuales los estados expandidos y sus
nodos no son guardados en la memoria, la bsqueda por haz local guarda la pista
de K estados, y se generan sucesores aleatorios para cada uno de ellos, por lo
que se seleccionan cules son los mejores sucesores y en caso de ser el objetivo
el algoritmo se para (Prez, s.f).
La gran diferencia con el algoritmo de reinicios aleatorios es que la bsqueda por
haz local no es independiente, por ejemplo, un estado generado aleatoriamente
puede generar a su vez muchos estados considerados buenos, y otro estado
puede generar el mismo nmero de estados pero malos y solo uno bueno, esto
puede indicar claramente que el estado a elegir sera el primero.(Prez, s.f).
45

Bsqueda de haz estocstica

Debido a que podra haber pocos estados, la bsqueda de haz estocstica
propone escoger a los sucesores aleatoriamente como una funcin que haga ms
y ms grande su valor.
Algoritmos genticos
Es muy parecida a la bsqueda de haz estocstica con la diferencia de que esta
trata de una reproduccin sexual ms que asexual, es decir que hace una
combinacin de los estados de los nodos padre para generar un nuevo sucesor o
hijo (Ruiz, J. 2015).

46

FUENTES BIBLIOGRFICAS

(1983), A.-N.-H., & Ausubel, N. H. (1983). Psicologa Educativa: Un punto

de vista cognoscitivo. Mxico: 2 Ed.TRILLAS.

Alan Lazalde . (2016). Inteligencia Artificial: 10 sorprendentes avances de

20112016, de - Sitio web: http://goo.gl/2AAJ6v

cent. (2016). El robot Cozmo. 2016, de - Sitio web: http://goo.gl/wC6R2Y

RUSSELL, S. J.; NORVIG, P. INTELIGENCIA ARTIFICIAL. UN ENFOQUE

MODERNO Segunda Edicin. PEARSON EDUCACIN, S.A., Madrid,
2004.

http://inteligenciart1.blogspot.mx/2010/08/13-el-proceso-de-razonamientosegun-la.html
http://docencia.udea.edu.co/cen/logica/capitulo3.htm
Inteligencia artificila ISC: https://iaitj.wordpress.com/2013/06/27/tema-1-4/
Inteligencia
artificial:
http://inteligenciart1.blogspot.mx/2010/08/14-elmodelo-de-adquisicion-del.html
http://inteligenciart1.blogspot.mx/2010/08/17-el-papel-de-la-heuristica.html
http://aipo.es/libro/pdf/15-Evaluacion-Heuristica.pdf
https://g9tics.wordpress.com/2011/11/19/heuristica-e-inteligencia-artificial/

http://www.monografias.com/trabajos74/inteligencia-artificial/inteligenciaartificial2.shtml#ixzz4JyXPKNIb

Rafael Bello, Mtodos de Solucin de Problemas de la Inteligencia

Artificial, Universidad Central de Las Villas, 2007.

http://www.lania.mx/~emezura/util/files/tesis_FerminFinal.pdf

http://poiritem.wordpress.com/2010/01/14/6-5-2-busqueda-heuristicaalgoritmo-a/

http://es.scribd.com/doc/19950923/Busqueda-Heuristica

http://www.lawebdelprogramador.com/foros/Inteligencia_Artificial/492749busqueda_heuristica.html

47

http://www.iiia.csic.es/~pedro/busqueda1-introduccion.pdf

https://psicologiaymente.net/inteligencia/teoria-inteligencias-multiplesgardner
https://corrientespsicologicas.wikispaces.com/Conductismo
http://www.biografiasyvidas.com/biografia/w/watson_john.htm
http://icesiconductismo.blogspot.mx/

48