4 CAP1Fundamentos PDF

INTELIGENCIA ARTIFICIAL
1. Fundamentos
OBJETIVO:
C PRESENTAR LOS CONCEPTOS FUNDAMENTALES DE

LA INTELIGENCIA ARTIFICIAL, ASÍ COMO EL
A
ESTADO DE ARTE DE LAS ÁREAS DE LA MISMA.
P 1.1 Historia de la IA
1.2 Conceptos y técnicas
I 1.3 Desarrollos.
1.3.1 Procesamiento de lenguaje natural.
1.3.2 Reconocimiento de patrones.
T
1.3.3 Robótica.
1.3.4 Sistemas expertos.
1.3.5 Lógica difusa.
U 1. Fundamentos de la Inteligencia Artificial

(IA):
L
1.4 Modelos de agente inteligente.
O 1.5 Heurística.
1.6Arquitectura de un sistema experto difuso.

1.6.1 Base de conocimiento difusa.
1.6.2 Motor de inferencia difuso.
1.6.3 Módulo de justificación.
1.6.4 Módulo de actualización .
1 1.1 Diagrama temático del capítulo 1.
1
1. Fundamentos
1. Fundamentos de la Inteligencia Artificial.
En este capítulo se abordan los conceptos que describen el origen, los distintos enfoques y
el estado actual de los desarrollos de la inteligencia artificial. En los temas que se presentan
se consideran: Historia de la inteligencia artificial, conceptos y técnicas, desarrollos
actuales, modelos de agente inteligente, heurística y arquitectura de un sistema experto
difuso.
1.1 Historia de la Inteligencia Artificial.
¿Cómo surge la inteligencia artificial?
La inteligencia artificial se sustenta en diferentes paradigmas, tres de ellos surgen a partir

del año de 1943 con la publicación de los trabajos de:
 W.S. McCulloch y W. Pitts que presentan el concepto formal de neurona
artificial (“A logical Calculus of the Ideas Immanent in Nervous Activity”).
 K. Craik introduce los fundamentos del paradigma simbólico al describir
simbólicamente el conocimiento humano y manipular estas descripciones por
medio de reglas inferenciales (“The nature of Explanation”).
 A, Rosenblueth, N. Wiener y J. Bigelow introducen las bases del paradigma
para interpretar el comportamiento inteligente en términos de un conjunto de
mecanismos de realimentación.
Posteriormente la visión cibernética de la inteligencia artificial que analiza los fundamentos

de la inteligencia considerando mecanismos genéticos, moleculares, neuronales,
metabólicos y sociales, fue producto del trabajo de la escuela de McCulloch y de la
aportación de J. Von Neumann (Palma, Marín; 2008).
2
1. Fundamentos
En la década de los cincuentas, cuando se empiezan a escribir programas, se pensaba de

manera optimista que era sencillo modelar la inteligencia humana y que en unas cuantas
décadas se podrían generar máquinas inteligentes.
En 1950 Alan Turing escribió un artículo en el que se plantea la pregunta ¿Puede una
máquina pensar?, para contestar esta pregunta propuso una prueba llamada ahora la “prueba
de Turing” la cual establece lo siguiente:
“Imagínese Usted en un cuarto donde sólo hay una terminal de computadora. En un cuarto
similar no accesible visualmente para Usted, están un hombre, una mujer y una terminal
similar a la del cuarto donde está Usted. El objetivo es determinar cuál de las dos personas
es el hombre y cuál es la mujer, usando para la comunicación las terminales, pero una de
las personas dice la verdad y la otra trata de engañarlo a Usted. La segunda parte de la
prueba sustituye a una de las personas por una computadora, y se tiene que adivinar quién
es la persona y quién es la computadora, la computadora tratará de engañarlo a Usted,
haciéndole creer que es una persona”.
Turing sostenía que si la razón de éxitos en el caso humano-computadora superaba la razón
de éxitos en el caso hombre-mujer, entonces se podría decir que la computadora pensaba.
¿Cuándo se considera el término Inteligencia Artificial?
El término de Inteligencia Artificial se acuño en 1956 en una reunión en Dartmouth College

integrada entre otros por Marvin Minsky, John McCarty, Nathan Rochester y Claude
Shannon; la discusión se centro en la posibilidad de modelar las habilidades intelectuales
del hombre de tal forma que se pudiera construir una máquina para simularlas.
¿En qué año surge el lenguaje de programación Lisp?
En 1958 John McCarthy definió el lenguaje de alto nivel Lisp, que se convertiría en el
lenguaje de programación dominante en la inteligencia artificial. Lisp es el segundo
3
1. Fundamentos
lenguaje de programación más antiguo que se utiliza en la actualidad, ya que apareció un

año después de FORTRAN. Para solucionar el acceso a los escasos y costosos recursos de
cómputo, McCarthy y su equipo inventaron el tiempo compartido. En ese año McCarthy
publicó un artículo titulado Programs with Common Sense, en el que describía el generador
de consejos, un programa hipotético que podría considerarse como el primer sistema de
inteligencia artificial completo. (Russell, Norvig; 2006).
¿Inicialmente como se definió a la inteligencia artificial?
La inteligencia artificial inicialmente se definió como un campo de estudio en el que se

simula un razonamiento inteligente en términos de procesos computacionales; también se
refirió como un conjunto de representaciones y procedimientos que automáticamente
resuelven problemas que sólo pueden ser resueltos por humanos. Desde 1987 hasta el
presente la inteligencia artificial se asume como una ciencia, esta definición se justifica por
el contenido y la metodología de trabajo generados a través del tiempo. (Russell, Norvig;
2006).
¿Qué desarrollos de la inteligencia artificial se han destacado?
 En la década de los setenta se desarrollan aplicaciones de la inteligencia artificial

en términos de sistemas expertos, considerados como sistemas basados en
conocimiento. Al primer sistema DENDRAL , le siguen otros como MYCIN para el
diagnóstico de enfermedades de la sangre, o XCON enfocado en ámbitos
comerciales. En 1976 en el sistema TEIRESIAS se plantea el uso de metaniveles de
conocimiento para actualizar bases de conocimiento. Adicionalmente se avanza en
aspectos de ingeniería del conocimiento. En el aspecto de ciencia, la inteligencia
artificial progresa en la definición de teorías de la inteligencia computacional: En
1976, Newel y Simon formulan la “Hipótesis del Sistema de Símbolos Físicos; Marr
publica su enfoque personal, Hayes publica “The Näive-Physics Manifesto;
4
1. Fundamentos
Colmenauer define PROLOG y Kowalski incorpora la formulación clausal.

(Escolano, Cazorla, et al; 2003).
 En los ochenta resurge el modelo de la red neuronal tras la mejora del modelo
perceptrón, y la aparición de memorias asociativas y de otros modelos motiva la
reflexión sobre la adecuación del paradigma simbólico para la resolución de
determinados problemas. Las redes neuronales y la lógica difusa generan nuevas
expectativas y se espera que su desarrollo conjunto propicie una nueva generación
de sistemas inteligentes y arquitecturas de computación. Por otra parte en esta
década, se presentan los progresos en programación de juegos y se desarrollan
nuevas áreas como el estudio de la simulación del sentido común, además la
inteligencia artificial estrecha sus lazos con la teoría cognitiva y se ponen en marcha
los proyectos de computadora de quinta generación. (Escolano, Cazorla, et al;
2003).
 En la década de los noventa el paradigma conexionista, la lógica difusa y los
algoritmos genéticos siguen avanzando generando el desarrollo de los sistemas
híbridos, a los que se trata de adoptar de adaptatividad. Se aportan nuevas
metodologías de adquisición del conocimiento, como KADS. Continúa el desarrollo
de la programación declarativa tanto en el desarrollo de métodos automáticos de
prototipos, como en la propuesta de enfoques de interpretación del lenguaje natural;
con respecto a las arquitecturas cognitivas se concreta la revolución del
planteamiento reactivo en el desarrollo de agentes autónomos; en visión artificial se
observa un cambio de paradigma, desde el enfoque pasivo clásico al enfoque activo,
se conecta la tarea perceptual con la ejecución de acciones (binomio
percepción_acción) estudiándose sus implicaciones en el desarrollo de sistemas
robóticos. (Escolano, Cazorla, et al; 2003).
 Actualmente, se ha abandonado el objetivo de buscar una inteligencia artificial,

como meta primordial; en su lugar, se pretende resolver problemas más concretos y
que puedan ser fácilmente transferibles a otros campos: industria, agricultura,
medicina, economía, comunicación, etc., para que los sistemas vayan adquiriendo
inteligencia. (Escolano, Cazorla, et al; 2003).
5
1. Fundamentos
1.2 Conceptos y técnicas (Estado del arte).
¿Cómo se define la inteligencia del hombre?
La inteligencia humana es la HABILIDAD para:
 RAZONAR
EL CONOCIMIENTO
 ADQUIRIR
 APLICAR
 PERCIBIR LA REALIDAD
 MANIPULAR
Figura 1.2.1 Definición de inteligencia humana
La inteligencia humana es la CAPACIDAD para:
CAPACIDAD  ENTENDER Y COMUNICARSE MEDIANTE UN

para LENGUAJE.
 RESOLVER PROBLEMAS.
Figura 1.2.2 Definición de inteligencia humana
La inteligencia humana es:
 UNA AMALGAMA DE MUCHOS TALENTOS PARA LA

REPRESENTACIÓN DE LA INFORMACIÓN Y EL
PROCESAMIENTO DE ELLA.
6
1. Fundamentos
¿Qué es la inteligencia artificial?
 La inteligencia artificial es la ciencia que simula el razonamiento

inteligente a través de procesos computacionales.
¿Qué ciencias se relacionan con la inteligencia artificial?
 Como disciplina la inteligencia artificial representa un área de interés para

algunas ciencias, por ejemplo:
Lingüística
Inteligencia Psicología
Artificial Filosofía
Pedagogía
Ciencias computacionales
Figura 1.2.3 Relación de la inteligencia artificial
Una motivación principal de todas estas ciencias es la necesidad de estudiar la inteligencia

artificial con el fin de entender los principios que la hacen posible, tal como se exhiben en
el hombre.
Las ciencias duras buscan descubrir formulaciones explícitas que expliquen y representen
los fenómenos, la inteligencia artificial en cambio trata de encontrar una manera
“artificial”, para imitar los fenómenos. Los programas computacionales son manipulaciones
automatizadas de algoritmos y datos, en la inteligencia artificial el software automatiza el
uso de conocimientos y hechos.
7
1. Fundamentos
¿Cuáles son los campos de la inteligencia artificial?
Los campos de la inteligencia artificial se relacionan con las actividades intelectuales del
hombre, ya que esta ciencia trata del estudio y la simulación de estas actividades, por
ejemplo:
Actividades intelectuales del hombre Campos de la Inteligencia Artificial

(IA).
Razonamiento Sistemas expertos, bases de datos
inteligentes, juegos.
Percepción Lenguaje natural, visión artificial
Creación Programación automática
Manipulación Robótica
Aprendizaje Aprendizaje automático, redes
neuronales.
Figura 1.2.4 Relación de las actividades intelectuales del hombre y

los campos de la IA.
 Sistemas expertos: Simulación de los procesos intelectuales de los expertos

humanos.
 Bases de datos inteligentes: Estudia formas inteligentes para procesar y
recuperar información almacenada en grandes bases de datos.
 Juegos: Problemas cuya resolución no necesita de explicación y justificación.
 Lenguaje natural: Estudia el lenguaje natural como medio de comunicación
con las máquinas.
 Visión artificial: Estudia la identificación, inspección, localización y
verificación de objetos.
 Programación automática: Estudia formas automáticas para generar
programas que resuelvan problemas planteados con una serie de
especificaciones.
8
1. Fundamentos
 Robótica: Estudia las máquinas capaces de realizar procesos mecánicos

repetitivos y tareas manuales que el hombre ejecuta.
 Aprendizaje automático: Estudia el aprendizaje de nuevos conocimientos de
forma automática por programas computacionales y por lo tanto de las
máquinas.
 Redes Neuronales: Modelan las neuronas cerebrales y su comportamiento para
generar sistemas con capacidad de aprendizaje.
¿Qué objetivos tiene la inteligencia artificial?
Objetivos de la inteligencia artificial:
 Ingenieril: Resolver problemas reales actuando como un armamento de ideas

basadas en la representación y utilización del conocimiento (ingeniería del
conocimiento), y en el ensamble de sistemas.
 Científico: Analizar el comportamiento inteligente del hombre (percepción,

memoria, lenguaje, emoción, decisión, acción, etc.) para generar modelos formales
computables, en la búsqueda de teorías computables del conocimiento humano.
Estas teorías representan una herramienta conceptual y formal (neurociencia
computacional) para la neurofisiología y la ciencia cognitiva. (Palma, Marín;
2008).
 Utilidad computacional: Puede verse como la meta de hacer que las computadoras
den ayuda no solamente para efectuar el cómputo ordinario, sino también por hacer
computación que exhiba inteligencia.
9
1. Fundamentos
Inteligencia Artificial
Ciencia: Ingeniería:
Análisis de los procesos Aplicación de tareas y
cognitivos. métodos de solución.
Utilidad computacional
Figura I.2.5 Diferencia del enfoque de la Inteligencia artificial
¿Cuáles son algunas aplicaciones de la inteligencia artificial?
Aplicaciones de la inteligencia artificial:
 En los negocios, con la inteligencia artificial se puede localizar información

pertinente, programar labores, asignar recursos, detectar irregularidades en bases de
datos.
 En la ingeniería, con la inteligencia artificial se pueden desarrollar estrategias de

control, crear mejores diseños, explicar decisiones tomadas con anterioridad,
identificar riesgos futuros.
10
1. Fundamentos
 En la agricultura, los robots manejados por computadora pueden controlar plagas,

podar árboles y cosechar de manera selectiva cultivos mixtos.
 En las fábricas, los robots pueden realizar montajes peligrosos y encargarse de

labores de inspección y de mantenimiento.
 En la medicina, las computadoras pueden ayudar a los médicos a hacer

diagnósticos, en operaciones de microcirugía, supervisar la condición de los
pacientes y administrar tratamientos. Por ejemplo Heckerman (1991) describe un
caso en el que un destacado experto en la patología de los nodos linfáticos se mofó
del diagnóstico generado por un programa especialmente en un caso difícil. El
creador del programa le sugirió que le preguntará a la computadora cómo había
generado el diagnóstico. La máquina le indicó los factores más importantes en los
que había basado su decisión y explicó la ligera interacción entre algunos síntomas.
El experto aceptó el diagnóstico. (Russell, Norvig; 2006).
 En el trabajo doméstico, las computadoras pueden realizar actividades

relacionadas con la cocina y las compras, encargarse de tareas como limpiar el piso,
podar el césped, lavar la ropa y hacer labores de mantenimiento.
 En la escuela, las computadoras pueden funcionar como medios didácticos, por

ejemplo: capaces de exhibir órbitas planetarias e interpretar partituras musicales,
ayudando así a los estudiantes a entender la física y la música.
 En juegos, Deep Blue de IBM (1997), fue el primer sistema que derrotó a un
campeón mundial en una partida de ajedrez cuando superó a Garry Kasparov por un
resultado de 3.5 a 2.5 en una partida de exhibición. Kasparov dijo que había
percibido un “nuevo tipo de inteligencia” al otro lado del tablero. El valor de las
acciones de IBM se incrementaron en 18 billones de dólares. (Russell, Norvig;
2006).
11
1. Fundamentos
 En la planificación, el programa de la NASA agente remoto (2000) se convirtió en

el primer programa de planificación autónoma a bordo que controlaba la
planificación de las operaciones de una nave espacial. El agente remoto generaba
planes a partir de objetivos generales especificados desde tierra, y monitorizaba las
operaciones de la nave espacial según se ejecutaban los planes (detección,
diagnóstico y recuperación de problemas según ocurrían). (Russell, Norvig; 2006).
¿Actualmente, cuál es el propósito general de la inteligencia artificial?
El propósito general de la inteligencia artificial es desarrollar:
1. Modelos conceptuales. (Modelar).
2. Procedimientos de reescritura formal de esos modelos. (Formalizar).
3. Estrategias de programación. (Programar).
4. Implementación de máquinas soporte capaces de interactuar con el medio.
(Implementar).
(Palma, Marín; 2008).
¿Cuáles son los paradigmas actuales de la inteligencia artificial?
12
1. Fundamentos
De acuerdo a Palma y Marín (2008) se consideran cuatro paradigmas básicos:
1. Simbólico o representacional: El conocimiento se representa con descripciones

declarativas y explícitas en lenguaje natural, esta descripción se descompone en
términos de entidades, verbos, condicionales de control, etc., a su vez estos
componentes se clasifican y se usan de acuerdo a un modelo estructural. Razonar en
el paradigma simbólico es equivalente a especificar un conjunto de reglas de
manipulación de los conceptos de entrada para inferir el resultado del razonamiento.
2. Situado o reactivo: Se le conoce también como basado en conductas, se basa en el

hecho de que toda conducta es resultado de una percepción, de tal manera que éstas
están estructuralmente acopladas; por ejemplo un robot interactúa con su medio, con
conductas básicas como: moverse, estar quieto, girar a la derecha, evitar un
obstáculo, etc.
3. Conexionista: En este paradigma la representación del conocimiento se realiza en

una red neuronal artificial en la que se definen las entradas, las salidas y las
relaciones intermedias. La inferencia se resuelve por medio de un modelo de
parámetros, éstos se ajustan de acuerdo a un algoritmo de aprendizaje.
4. Híbrido: En la realidad la solución de los problemas no se ajusta a un enfoque en

particular, debido a la naturaleza hibrida de los mismos, de tal manera que la
combinación de paradigmas, dependen de las características del problema; por
ejemplo el diseño de redes neuronales borrosas.
13
1. Fundamentos
1.3 Desarrollos Actuales.
1.3.1 Procesamiento de Lenguaje Natural (PLN).
¿Qué es el lenguaje?
El lenguaje es un medio de comunicación que se clasifica en lenguaje natural y lenguaje

formal.
¿Qué caracteriza a la clasificación básica del lenguaje?
El lenguaje formal es el que se utiliza para describir los modelos matemáticos y los
lenguajes de programación; son lenguajes en los que se define primero la gramática y a
partir de ésta el lenguaje. Los lenguajes naturales se utilizan comúnmente en la
comunicación de los seres humanos, por ejemplo el español, el inglés, el alemán, etc., en
los lenguajes naturales se define primero el lenguaje y posteriormente la gramática, por lo
que es difícil constituir sus traductores correspondientes.
Los lenguajes formales y los lenguajes naturales asocian una semántica o significado a cada
cadena válida, sin embargo en los naturales se considera además la pragmática de una
cadena: el significado real de la cadena cuando es dicha en una situación determinada, con
lo que se incrementa la complejidad de traducción (Russell, Norvig; 2006).
¿Cómo se define a la gramática?
Una gramática es un conjunto finito de reglas que dictaminan un lenguaje. Formalmente

una gramática G se define:
14
1. Fundamentos
G(L) = <St, Sn, P, So>
“La gramática G que define el lenguaje L es una cuádrupla constituida por un

conjunto de símbolos terminales (St), un conjunto de símbolos no terminales (Sn),
un conjunto de producciónes (P) y un símbolo inicial (So)”.
Las gramáticas formales definen lenguajes formales; los lenguajes naturales se derivan de
gramáticas difíciles de representar por modelos formales o matemáticos.
¿Cuáles son las dificultades en el estudio del lenguaje natural?
La construcción de sistemas relacionados con el lenguaje natural debe considerar las

siguientes dificultades, entre otras (Escolano, Cazorla, et al; 2003)
 Ambigüedad de significado: Que ocurre cuando una palabra puede tener

varias interpretaciones de acuerdo al contexto. La ambigüedad puede
resolverse con el uso de un contexto involucrado en la comunicación.
 Ambigüedad de expresión: Un mismo concepto se puede expresar de
muchas formas:
María nació el 25 de mayo.
El cumpleaños de María es el 25 de mayo.
 Imprecisión: Existen muchos términos imprecisos, por ejemplo: mucho,
bastante, caro, poco, barato, regular, etc. La imprecisión se resuelve
relacionando las ideas con esquemas familiares ó situaciones similares.
 No completitud: El lenguaje evoluciona en la medida que cambian las
experiencias de una persona, una comunidad o una sociedad; por ello
continuamente se incorporan nuevas palabras, expresiones y significados,
esto dificulta disponer de un sistema de lenguaje natural completo.
 Descripciones incompletas: Es común en el lenguaje natural que no se
digan las cosas que se presuponen, por ejemplo: Ella no está aquí. La no
15
1. Fundamentos
completitud en algunos casos se resuelve completando la idea con base en

expectaciones.
 Inexactitud: Ocurre por errores de deletreo, palabras transpuestas,
construcciones gramaticales incorrectas, puntuación impropia, etc. La
inexactitud se soluciona infiriendo el significado deseado reconociendo
patrones familiares.
 Dependencia del idioma. El procesamiento del lenguaje natural se realizará
de forma distinta dependiendo del idioma utilizado.
¿Cuáles son las fases principales en las que se divide el procesamiento del
lenguaje natural?
Fase sintáctica: El objetivo de esta fase es identificar la estructura de la frase.

Fase semántica: En esta fase se interpretan las estructuras proporcionadas por la
fase anterior para darles un significado.
Fase pragmática: Resuelve e interpreta las frases, se constituye por la integración
del discurso y el analizador pragmático.
¿Cuáles son algunos programas comerciales o experimentales para el

entendimiento del lenguaje natural?
 INTELLECT (desarrollado por AI corp. en 1979). Es una interfase de

lenguaje natural y soporta el uso del inglés informal para la comunicación
con la computadora.
 PROVER B (1999). Es un programa informático que resuelve crucigramas,
utilizando restricciones en programas de relleno de palabras, se constituye
por una gran base de datos de crucigramas, y varias fuentes de información
como diccionarios y bases de datos en línea. (Russell, Norvig; 2006).
16
1. Fundamentos
1.3.2 Reconocimiento de patrones
¿Qué es el reconocimiento de patrones?
El reconocimiento de patrones o formas es una disciplina que involucra a un conjunto de

procesos orientados a la transformación de datos en entidades con significado. Estos datos
usualmente se generan por un sistema de sensores que adquieren la información del entorno
(Palma, Marín; 2008).
¿En dónde se aplica el reconocimiento de formas o patrones?
En los últimos años las máquinas de reconocimiento de patrones que han sido
desarrolladas, se han enfocado hacia aplicaciones en el reconocimiento de caracteres,
diagnóstico médico, percepción remota, identificación de huellas digitales, reconocimiento
de voz e inspección visual y automática.
¿Cuál es el objetivo del reconocimiento de patrones?
El problema de reconocimiento de patrones puede verse como el problema de identificar

cuando un cierto evento ó proceso, los cuales pueden ser objetos físicos ó abstractos
pertenecen a una cierta clase ó categoría; en donde cada clase o categoría tienen asociada
un conjunto de propiedades o características similares.
17
1. Fundamentos
Una forma o patrón es una descripción cuantitativa o estructural de entidades, y una clase
de formas es un conjunto de formas que poseen propiedades comunes. El objetivo del
reconocimiento de formas es la asignación de formas a sus respectivas clases de manera
automatizada. Así por ejemplo, el problema de reconocer las letras del alfabeto castellano
tiene un conjunto de 27 clases; si se quiere reconocer si un carácter es letra ó dígito, se
tienen dos clases. (Palma, Marín; 2008).
¿Cómo se efectúa el reconocimiento de patrones?
Una forma de efectuar el reconocimiento de patrones es mediante el uso de prototipos o

templadores, en la cual para cada clase se almacena un prototipo el que es comparado
contra el patrón de entrada cuya clasificación se desea conocer, como resultado de la
comparación se tiene una medida de similaridad de acuerdo a un criterio preestablecido.
Así el patrón será asociado a la clase que le dé el mejor valor de similaridad.
Se pueden considerar dos técnicas matemáticas utilizadas para resolver el problema de
reconocimiento de patrones:
El enfoque estadístico.
El enfoque sintáctico ó estructural.
¿En qué consiste el enfoque estadístico?
En el enfoque estadístico de cada patrón de entrada se extrae un conjunto de medidas de

algunas de sus características, llamadas rasgos. Comúnmente, la clasificación de un patrón
se realiza partiendo del espacio de rasgos y asignando el patrón a la clase cuya región
contiene el vector ó puntos de rasgos extraído del patrón. En la siguiente figura 1.3.2.1 se
muestra un diagrama de bloques de un sistema de reconocimiento de patrones con base en
un enfoque estadístico.
18
1. Fundamentos
Extractor -----x1
Patrón de de Riesgos. -----x2 Clasificador
entrada. Decisión
---- ...
----- xn
Figura 1.3.2.1. Diagrama de bloques de un sistema estadístico de reconocimiento.
Algunas aplicaciones mediante este enfoque incluyen el reconocimiento de caracteres,

clasificación de sembradíos, diagnóstico médico y clasificación de electrocardiogramas.
Los problemas a resolver son:

¿Qué medidas deben tomarse de los patrones de entrada?,
¿Cómo efectuar la clasificación del patrón basada en las mediciones de los rasgos
seleccionados?
¿En qué consiste el enfoque sintáctico?
Por otra parte en el enfoque sintáctico se tiene la necesidad de representar la información de

cada patrón de manera jerárquica y estructural, es decir, un patrón descrito en términos de
subpatrones más simples y cada uno de éstos subpatrones descritos en términos de otros
patrones aún más simples, etc.
En este enfoque se incluye la capacidad no sólo de asignar el patrón de entrada a una cierta
clase, sino también la capacidad para describir aspectos del patrón que lo hacen inteligible
para asignarlo a otra clase.
19
1. Fundamentos
Pueden considerarse algunos problemas en los que es conveniente aplicar el enfoque

sintáctico como son: el análisis de escenas, reconocimiento de huellas digitales,
reconocimiento de voz, etc.
En la figura 1.3.2.2 se muestra un diagrama de bloques, que se divide en dos partes: el

reconocimiento y el análisis.
Preprocesa Extracción
Patrón de miento. de primitivas Análisis
entrada. Sintáctico
RECONOCIMIENTO
Análisis Patrones Selección de Inferencia
primitivas gramatical
muestra
Figura 1.3.2.2. Diagrama de bloques de un sistema de reconocimiento sintáctico
En el enfoque sintáctico, cada patrón se expresa como una composición de subpatrones ó

patrones primitivos.
Este enfoque sugiere una analogía entre la estructura de los patrones y la sintaxis de un
lenguaje. El reconocimiento se hace analizando la estructura de un patrón de acuerdo a un
conjunto de reglas sintácticas; un patrón se representa por una oración en un lenguaje, el
cual está determinado por una gramática.
20
1. Fundamentos
1.3.3 Robótica
¿Qué es un robot?
Según el Robot Institute of América (RIA) ha adoptado la siguiente definición: “Un robot
es una máquina programable y multifuncional diseñada para mover material, partes,
herramientas, ó equipo especializado mediante movimientos variables y programados para
la ejecución de una variedad de tareas”. La palabra “robot” es una adaptación de una voz
eslovaca Robota que significa trabajador forzado.
Una definición de robot inteligente ajustada a la realidad actual podría ser criatura
mecánica que puede funcionar de manera autónoma. Esta definición elimina la mayoría de
robots que realizan tareas repetitivas: brazos mecánicos utilizados en la industria, vehículos
teleoperados, etc. Un robot autónomo tiene que ser capaz de interactuar con su entorno y de
adaptarse a los posibles cambios sin la necesidad de un operador humano. (Escolano,
Cazorla, et al; 2003).
¿Cuáles fueron los primeros desarrollos en robótica?
El primer robot fue creado en la década de los cincuenta por George C. Devel quien patentó
un manipulador reprogramable llamado Unimate (Universal Automation). En la década de
los sesenta Joseph Engleberger adquirió la patente de Unimate y le dio un enfoque de robot
industrial, creando la empresa Unimation. En 1958 en el Stanford Research Institute, se
desarrolló el robot Shakey, capaz de desplazarse por un entorno e interactuar con él.
(Escolano, Cazorla, et al; 2003).
21
1. Fundamentos
¿Cómo se clasifican los robots?
Una clasificación de los robots es la siguiente:
1. Robots de secuencia limitada: Representan el menor nivel de control, el cual se

reduce a la colocación de interruptores en los límites de los intervalos de
desplazamiento de cada uno de los eslabones.
2. Robots con control de punto a punto: Utilizan una unidad de control más sofisticada
en la cual se señalan un conjunto de posiciones en las rutas de movimientos de los
eslabones del robot, los cuales se registran en la memoria para que posteriormente y
durante la ejecución se establezcan acciones ó controles y registrar información de
tales posiciones y acciones en la memoria, es llamado la programación robot.
3. Robots con control de ruta cotidiana: En este caso el control se mantiene en forma
continua a lo largo de la trayectoria, esto se hace mediante el establecimiento de una
serie de puntos de control separados por espacios muy pequeños, y que en conjunto
describen la ruta deseada. Una forma muy común de hacer esto es el movimiento en
línea recta, se le señalan al robot dos puntos y él se mueve a lo largo de la recta que
une esos puntos, también pueden mediante varios puntos indicar trayectorias curvas.
4. Robots inteligentes: se caracterizan por tener la habilidad no solamente de ejecutar

un ciclo de movimientos programados sino de interactuar con su medio ambiente en
una forma que parece inteligente. Estos robots pueden alterar su ciclo programado
en respuesta a condiciones que ocurren en su área de trabajo y pueden tomar
22
1. Fundamentos
decisiones lógicas basadas en datos recibidos a través de un sensor quien recibe y

transmite información del medio, pueden tener la capacidad de comunicación
durante el ciclo de trabajo con humanos ó con sistemas basados en computadora.
Emplean para su programación lenguajes simbólicos, naturales ó de programación.
Para aplicaciones industriales, las capacidades del robot básico se pueden ver aumentadas
por medio de dispositivos adicionales, que operan como periféricos del robot y entre ellos
se incluyen los efectores terminales que se refieren a “la mano” ó a la herramienta que es
atada a la muñeca del robot, para efectuar ciertas tareas específicas, y a los dispositivos
sensores, los que pueden incluir tipos muy simples como pueden ser micro interruptores ó
tipos muy sofisticados como los sistemas de visión.
Ejemplifique áreas de aplicación de la robótica
En la última década el robot industrial ha sido el objetivo principal del desarrollo e

investigación en la robótica, y ha hecho posible la transición del robot conceptual (un
androide ó un hombre mecánico) a la realidad, y los robots son ahora usados en las fábricas
en todo el mundo. En una forma sucinta, el robot industrial ha sido llamado un brazo
mecánico, ó bien un manipulador.
Otra área de aplicación importante es en la medicina, muchos cirujanos utilizan hoy en día
asistentes robot en operaciones de microcirugía. HipNav (1996) es un sistema que utiliza
técnicas de visión por computadora para crear un modelo tridimensional de la anatomía
interna del paciente y después utilizar un control robotizado para guiar el implante de
prótesis de cadera. (Russell, Norvig; 2006).
23
1. Fundamentos
1.3.4 Sistemas expertos.
¿Qué es un sistema experto?
Un sistema experto puede ser descrito como un conjunto de programas de computadora que
usan el dominio del conocimiento y una serie de técnicas para resolver problemas en los
que se requeriría expertos humanos para su solución (Rolston; 1993).
¿Qué caracterizó a los primeros sistemas expertos?
A mediados de los setentas, como área de la inteligencia artificial, surgen los sistemas
expertos, inicialmente con fines experimentales. Este período fue dominado por la idea de
que unas cuantas leyes de razonamiento acopladas a algoritmos poderosos producirían un
experto. Una prueba de esto fue el General Purpose Problem en el que se intentó crear una
computadora inteligente que simulara el razonamiento humano (Sánchez, Beltrán; 1990).
Poco después de la introducción inicial de los sistemas expertos, en 1975 fue desarrollado
el primer sistema experto médico: MYCIN. Desde entonces los sistemas expertos salieron
de los laboratorios de investigación de inteligencia artificial y progresaron en el mundo
exterior (Sánchez J.P. y Beltrán: 1990). MYCIN fue desarrollado por el Dr. Edward H.
Shortliffe en la escuela de medicina de Stanford. El programa diagnostica enfermedades de
la sangre y asigna tratamiento de la misma forma en que lo haría un experto humano.
También en 1975 se desarrolló el sistema experto CADUCEUS en la Universidad de

Pittsburgh como una herramienta de diagnóstico para medicina interna.
24
1. Fundamentos
El desarrollo de EMERGE, un sistema experto médico basado en reglas para el análisis de

dolor de pecho, fue iniciado en 1979. EMERGE fue diseñado para superar parte de las
dificultades encontradas en sistemas expertos anteriores, como lo son la dependencia-
máquina, demora de consultas y dificultad de reemplazo en la base de conocimiento. Los
sistemas anteriores a EMERGE fueron escritos en LISP y se ejecutaban generalmente a
gran escala en grandes computadoras que poseían algunas instituciones médicas. Además,
las reglas de búsqueda, generalmente por encadenamiento hacia adelante o encadenamiento
hacia atrás, resultaban en consultas muy lentas.
Para contradecir las dificultades de dependencia-máquina, EMERGE fue escrito en Pascal

estándar que permitía ser utilizado en microcomputadoras que, en ese momento, se hicieron
muy populares. Para acelerar el proceso de consulta se diseñó un enfoque jerárquico que
regía la búsqueda ordenada. La base de conocimiento para EMERGE fue derivado de un
esquema lógico existente en medicina, conocido como mapas de criterio. (Kandel; 1991).
Otro ejemplo de la viabilidad comercial de los sistemas expertos es el PROSPECTOR, que

fue creado en 1978 por Richard Duba, Peter Hard y Rene Reboh. PROSPECTOR es un
experto en geología que predice la posibilidad de que ciertos depósitos de minerales se
encuentren en una región en particular.
Al iniciar los ochenta, la tecnología de los sistemas expertos se aplicó también al área
comercial y surgieron sistemas como: XCON, XSEL y CATS. Muchos programadores
creyeron que, hacia finales de los 80´s, habría un mercado amplio para los sistemas
expertos que pudieran utilizarse en la casa o en la oficina.
¿Cómo ha impactado el desarrollo de los sistemas expertos?
La siguiente lista muestra el impacto de los desarrollos en el área de los sistemas expertos
(Benchimal; 1990):
25
1. Fundamentos
1. Disponibilidad de muchas herramientas diseñadas para acelerar la construcción de

los sistemas expertos a un costo reducido.
2. Diseminación de sistemas expertos en miles de organizaciones.
3. Integración intensiva con otros sistemas de información
4. Incremento del uso de sistemas expertos en muchas tareas (proyectos espaciales y
militares).
5. Incremento del uso de la programación orientada a una representación del
conocimiento.
6. Desarrollo de sistemas complejos con múltiples fuentes de conocimiento, múltiples
líneas de razonamiento e información difusa
7. Uso de múltiples bases de conocimiento.
¿Qué restricciones presentan los sistemas expertos?
En cuanto a las restricciones de los sistemas expertos típicos se tienen las siguientes
(Rolston; 1993):
 Los conocimientos se obtienen de un número pequeño de especialistas.
 La aplicación está orientada a una determinada área limitada o a una pequeña
colección de áreas.
 El área de aplicación debe tener poca necesidad de razonamientos temporales. El
razonamiento temporal o espacial, es el proceso interno que se lleva a cabo en el
sistema experto para llegar a una solución, en el cual se genera a cada paso nuevo
conocimiento explicito de naturaleza temporal, una vez resuelto el problema el
conocimiento temporal es eliminado.
 La tarea no depende del empleo de un gran volumen de conocimientos generales o
de sentido común.
 El conocimiento que se requiere para ejecutar la tarea debe ser razonablemente
completo, correcto y estable.
26
1. Fundamentos
1.3.5 Lógica difusa (Fuzzy logic)
¿Cuándo surge la lógica difusa?
Este campo fue iniciado por Zadeh en su artículo de 1965; desde entonces, el desarrollo
teórico, así como la aplicación práctica de la teoría y lógica difusa, han progresado
rápidamente. En el campo de la medicina, debido a la necesidad de tratar con información
incierta, las técnicas difusas representan una herramienta para el manejo de la
incertidumbre.
¿Dónde se aplica la lógica difusa?
Las teorías difusas han sido desarrolladas para aplicarse en un amplio rango de problemas
sin necesidad de realizar cambios substanciales en la metodología. Se han aplicado en el
desarrollo de sistemas de control:
Un controlador experto difuso permanece sobre una línea de trenes en Japón (Reyes; 1994);
Whalen y Schott usaron sistemas de lógica difusa para la predicción de ventas. En la
actualidad existen varios sistemas expertos difusos, entre ellos: CASNET, SPERILL II,
FLOPS (Kandel; 1991).
¿Cuál es la principal aportación de la teoría de conjuntos difusos?
En la actualidad, los sistemas desarrollados por el hombre no generan un razonamiento

lógico. Esta incapacidad se debe básicamente a la diferencia fundamental que existe entre la
inteligencia humana y los alcances de los sistemas o máquinas. La teoría de los conjuntos
27
1. Fundamentos
difusos permite estructurar mejor lo que está separado por fronteras poco precisas, como el
pensamiento, el lenguaje y la percepción del hombre. (Kaufmann; 1982).
La teoría de conjuntos difusos es una agrupación de conceptos y técnicas en la que lo difuso

es aceptado como una realidad universal de la existencia humana. Esta teoría puede abrir
fronteras nuevas en diferentes disciplinas y servir de base para la creación de sistemas
superiores en inteligencia artificial.
¿Qué significa difuso?
La palabra difuso significa que un elemento es un miembro de un conjunto sólo de manera

incierta, mientras que la matemática clásica nos enseña que sólo hay dos situaciones
específicas para un elemento (falso o verdadero). El mérito de L. A. Zadeh es definir esta
pertenencia incierta a través del concepto de membresía:
“El método de L. A. Zadeh ha intentado salir del estancamiento introduciendo la noción de

membresía. Un elemento puede entonces pertenecer, más o menos a un conjunto, y de ahí
engendrar un concepto fundamental: el de conjunto difuso”. (Kauffman; 1982).
¿Es equivalente difuso a probabilístico?
Es importante señalar la diferencia entre difuso y probabilístico. La representación difusa

señala objetos con propiedades imprecisas y la representación probabilística denota
información basada en frecuencias relativas. (Bezdek; 1993).
La probabilidad es la frecuencia relativa de la ocurrencia de un evento, y el término difuso
se relaciona con el grado de pertenencia a ese evento. Por ejemplo: Si le ofrecen una botella
con un grado de pertenencia de un veneno fulminante de 0.1; y le ofrecen otra con una
probabilidad de 0.5 de presencia del veneno. ¿Cuál sería su elección?
28
1. Fundamentos
1.4 Modelos de Agente inteligente.
¿Qué es un agente inteligente?
El ser humano es un agente que se constituye por diferentes órganos, cada uno con una
función específica, que a su vez se definen como agentes que colaboran entre sí para lograr
objetivos comunes.
Con base en este modelo, en la inteligencia artificial los agentes son componentes
integrados para cooperar entre sí en la definición de un sistema; para que un agente se
considere inteligente, en primera instancia debe percibir su entorno, con base en esta
información tiene que elegir y planificar sus objetivos, determinar la acción
correspondiente para la consecución de sus objetivos; es importante también considerar la
interacción con otros agentes inteligentes.
¿Cuál es la diferencia entre agente y objeto?
También se puede definir un agente como una entidad que persigue un objetivo, el
concepto de agente es diferente al concepto de objeto, porque un objeto es una entidad
pasiva que ejecuta los métodos solicitados por el cliente, a diferencia del agente que tiene la
capacidad de decidir por sí mismo que tareas ejecutar, en función de los objetivos que
quiera lograr: “Los objetos lo hacen gratis, los agentes porque quieren”.
29
1. Fundamentos
¿En términos de sus relaciones cómo se puede definir un agente?
Los agentes se definen también como entidades sociales, colaborando entre sí (con base en
una organización y mecanismos de interacción establecidos) para llevar a cabo sus tareas,
constituyendo un sistema multiagente.
¿Cuál es el impacto en ingeniería de software del concepto de agente inteligente?
Al tratar con agentes se consideran conceptos como estado mental, creencias objetivos,
normas sociales, actos del habla, ontologías, entre otros; que proporcionan una mayor
riqueza expresiva para el modelado de los sistemas que estarán presentes en nuestro
entorno en el futuro próximo (Palma, Marín; 2008).
¿Cuál es el enfoque de aplicación de los agentes inteligentes?
Los servicios que proporcionan los agentes, se pueden combinar para generar nuevos
servicios, éstos agentes pueden estar distribuidos en diferentes máquinas dispersos
geográficamente a través de redes, a su vez los dispositivos sobre los que se pueden
ejecutar son muy heterogéneos, con distintas capacidades, desde teléfonos móviles hasta
potentes servidores (Palma, Marín; 2008).
¿Cuál es la arquitectura general de un agente inteligente?
Un agente es cualquier cosa capaz de percibir su medioambiente con la ayuda de sensores y

actuar en ese medio actuadores (elementos que reaccionan a un estímulo realizando una
30
1. Fundamentos
acción). Con base en Palma y Marín (2008) la arquitectura general de un agente es la

siguiente:
AGENTE
Sensor
Eventos
Control
Entorno
Actuador
Acciones
Figura 1.4.1 Arquitectura general de un agente.
Los sensores le permiten al agente obtener información sobre determinados eventos, con
base en su actuador el agente realiza las acciones correspondientes. El sistema de control es
un sistema de toma de decisiones, mientras el agente delibera, el entorno puede ser
modificado por otros agentes, lo que implica considerar incertidumbre en el sistema.
¿En función de agente inteligente cómo se puede definir a la

inteligencia artificial?
En términos de agente inteligente se define a la inteligencia artificial como el estudio de los

agentes que reciben percepciones del entorno y llevan a cabo las acciones, donde cada
agente implementa una función, la cual estructura las secuencias de las percepciones en
acciones, estas funciones se pueden representar en diferentes formas, tales como: sistemas
de producción, agentes reactivos, planificadores condicionales en tiempo real, redes
neuronales, sistemas teóricos para las decisiones, etc. (Russell, Norvig; 2006).
31
1. Fundamentos
1.5 Heurística
¿Qué es la heurística?
En algunas ciencias, la heurística es la manera de buscar la solución de un problema

mediante métodos no rigurosos, por ejemplo: “tanteo”, reglas empíricas (relativas a la
experiencia), etc. Los heurísticos son criterios que permiten decidir cual alternativa es la
mejor para alcanzar un determinado objetivo. En el contexto de los sistemas de búsqueda,
los heurísticos se utilizan para decidir cuál de los nodos candidatos a ser expandidos es más
prometedor, o bien en qué orden se deben aplicar las reglas a un nodo para generar
sucesores, o incluso para decidir si un nodo representa una situación sin salida aun teniendo
sucesores validos. En conclusión una heurística es una regla o método que guía la decisión
que se hace al elegir un nodo que explorar, aunque no siempre permite hacer la mejor
elección. (Palma, Marín; 2008).
¿Qué caracteriza la búsqueda heurística?
Los procesos de búsqueda heurísticos no revisan el árbol de búsqueda de manera uniforme,

ya que con base en la información heurística del problema, se examinan los nodos que se
encuentran en “la mejor ruta” hacia el objetivo. Dado que los heurísticos se basan en el uso
de conocimiento a veces impreciso o incierto, pueden fallar en la elección de la mejor
alternativa; un buen heurístico es aquel capaz de tomar una buena decisión, no
necesariamente la mejor, en un alto porcentaje de ocasiones. (Palma, Marín; 2008).
¿Qué elementos se consideran en la búsqueda heurística?
32
1. Fundamentos
De acuerdo a Nilsson (2004) la búsqueda heurística considera los siguientes puntos:
1. Considerar una función de evaluación heurística: ḟ, el objetivo de esta función es

ayudar a decidir cuál es el mejor nodo para expandir. ḟ, debe tomar valores
pequeños en los nodos más prometedores. Por tanto, es una función real definida
sobre las descripciones de los estados.
2. Se expande el nodo n para el que se obtenga el menor valor ḟ(n). De esta manera, la
selección de nodos a expandir no sigue ningún patrón definido.
3. El proceso se concluye cuando el nodo a expandir es un nodo objetivo.
Generalmente es posible encontrar una buena función de evaluación para “la búsqueda
primero el mejor”.
¿En qué problemas se aplica la búsqueda heurística?
Generalmente en las áreas de aplicación de la inteligencia artificial se presentan problemas

complejos que se denominan NP-Completos porque no se conoce un algoritmo de costo
polinomial, aunque el grado del polinomio sea elevado, que los resuelva. Por ejemplo: en
scheduling, el problema de encontrar la asignación de tareas a múltiples procesadores de
forma que se minimice el costo total de ejecución y, en visión artificial, el de encontrar el
emparejamiento del mínimo costo entre grafos de objeto durante el reconocimiento, son
problemas NP-Completos. En la inteligencia artificial, si se compara con la algorítmica más
tradicional, para solucionar este tipo de problemas complejos se considera el último
reducto para resolverlos en un tiempo aceptable y de forma aproximada. (Escolano,
Cazorla, et al; 2003).
33
1. Fundamentos
¿Qué ventaja tiene la búsqueda heurística con respecto a la búsqueda ciega?
La única forma de reducir la complejidad temporal y espacial de la búsqueda sin

información, exhaustiva o ciega, es emplear información sobre la estructura del espacio de
búsqueda, estrategia empleada en la resolución de problemas complejos, por medio de la
búsqueda heurística.
¿Qué tipos de búsqueda heurística se pueden aplicar en la resolución de

problemas?
Métodos exactos:
 Primero el mejor (Best First).
 Búsqueda en haz (Beam search).
 Algoritmo A.
 Algoritmo A*.
Métodos Aproximados:
 Escalada simple (simple hill climbing).
 Escalada profunda (steepest ascent hill climbing).
Búsqueda con contrincante:

 Búsqueda mini_max.
 Búsqueda alfa-beta.
34
1. Fundamentos
1.6 Arquitectura de un sistema experto difuso.
¿Qué es un sistema experto difuso?
En un esquema general, de acuerdo a Kandel (1991): Un sistema experto difuso se puede

definir como un sistema experto que incorpora la teoría de lógica difusa en el desarrollo de
la base de conocimientos y del motor de inferencia.
¿Cuáles son las áreas de aplicación de los sistemas expertos difusos?
El desarrollo de sistemas expertos difusos para esquemas de control, de reconocimiento de

patrones, de toma de decisión en el área de medicina, entre otros, han ido sustituyendo a los
sistemas convencionales, debido fundamentalmente a la facilidad de implementación y a
los resultados obtenidos; prueba del éxito de estos resultados es el controlador experto
difuso que permanece sobre una línea de trenes en Japón (Reyes; 1994).
Precisamente, Japón es el país que se ha interesado en la aplicación de los modelos difusos

desarrollando dispositivos difusos para lavadoras, televisores, aire acondicionado,
computadoras, antivirus y también para áreas más sofisticadas como: sistemas de
navegación, controladores de trenes subterráneos y transmisiones de automóviles. (Kandel;
1991).
35
1. Fundamentos
¿Cuál es la importancia de la función de membresía en un sistema difuso?
La función de membresía define la base de todo sistema difuso; esta función es capaz de
manejar incertidumbre en diversas áreas como lo son: el diseño de sistemas inteligentes, el
procesamiento de imágenes y visión por computadora, el reconocimiento de patrones, etc.
(Bezdek; 1993).
¿Generalmente cómo se modela la incertidumbre en un sistema experto?
En los sistemas expertos se utilizaban esquemas probabilísticos para manejar la

incertidumbre antes de que surgiera la lógica difusa. Es importante señalar que los sistemas
expertos difusos no se basan en valores probabilísticos sino en términos lingüísticos como
lo son: bueno, regular, malo, etc., términos que implican determinados valores difusos.
(Kandel; 1991).
¿Qué elementos constituyen un sistema experto difuso?
Un sistema experto difuso es un sistema experto como tal, en el que se definen de manera
particular los siguientes componentes:
 Base de conocimientos difusa,

 Motor de inferencia difuso,
 Módulo de justificación,
 Módulo de actualización.
36
1. Fundamentos
1.6.1 Base de conocimiento difusa
¿Qué caracteriza a la base de conocimiento difusa?
Se caracteriza porque puede manejarse con técnicas de resolución difusas, esto implica que
para cada variable determinada en el sistema se definen sus funciones de membresía
correspondientes. Por ejemplo en un sistema de diagnóstico, para cada síntoma de una
enfermedad (variables de entradas), se deben definir en la base de conocimientos sus
funciones de membresía, también para la variable de salida, en este caso la enfermedad, se
consideran las funciones de membresía en la base de conocimientos. Por ejemplo en la
figura 1.6.1.1. el Síntoma_1 tiene dos funciones de membresía etiquetadas como templada
y caliente respectivamente.
Síntoma_1.
(templada, caliente)
Enfermedad_x .
(moderada, alta)
Síntoma_2.
(normal, alta)
Figura 1.6.1.1. Sistema básico de diagnóstico
En la base de conocimiento difusa se deben incluir las reglas, éstas se definen en términos
de difusividad y determinan la forma en la que el mecanismo de inferencia deduce la
posible solución. Una manera de plantear las reglas es a través del uso de las matrices
Fuzzy Associative Memories (FAM) (Memorias asociativas difusas).
37
1. Fundamentos
1.6.2 Motor de inferencia difuso
¿Cómo se define el motor de inferencia difuso?
Se define por los procesos de:
 Difusificación de las variables de entrada.
 Evaluación de las reglas que constituyen el sistema.
 Desdifusificación de las variables difusas.
¿Qué es difusificar las variables de entrada?
Difusificar las variables de entrada es determinar los grados de membresía correspondientes

a sus valores de entrada, con base en las funciones de membresía para cada variable,
establecidas en la base de conocimientos difusa.
¿Qué implica la evaluación de las reglas difusas?
Evaluar las reglas difusas genera una salida difusa, para la evaluación de las mismas se
consideran diversas técnicas. Las técnicas de reglas conectan los valores de entrada con los
valores de salida, estas reglas se llevan a cabo con proposiciones condicionales; por
38
1. Fundamentos
ejemplo: Sí (estado) entonces (acción de control); si en el antecedente se realiza la

operación lógica and y para evaluar el consecuente se utiliza el operador or, se puede
aplicar la técnica min-max.
¿Qué se desdifusificar?
Desdifusificar es obtener la salida real del sistema con base en la salida difusa que se
obtiene como resultado de evaluar las reglas.
¿Cuál es la tarea del motor de inferencia difuso?
El objetivo del mecanismo de inferencia es manipular las variables de entrada con lógica
difusa y generar salidas al usuario. En un sistema de diagnóstico, la definición del
mecanismo de inferencia implica las tareas de difusificar los síntomas que presente el
paciente, evaluar las reglas que relacionan los síntomas con la enfermedad, y desdifusificar
la salida difusa para obtener la salida real del sistema.
Síntomas del paciente Diagnóstico

(entrada) Mecanismo de inferencia (salida)
Base de conocimiento difusa
Figura 1.6.2.1. Tarea del motor de inferencia difuso
39
1. Fundamentos
1.6.3 Módulo de justificación
¿Cuál es la tarea del módulo de justificación o

explicación?
Justificar cada una de las respuestas del sistema experto difuso, considerando la
información de la base de conocimiento difusa. Un sistema experto se caracteriza de
manera singular explicando cada una de sus respuestas, sin el módulo de justificación ó
explicación no se podría considerar experto.
Una de las características principales de un sistema experto es el explicar su proceso de

razonamiento ya que de esto depende su credibilidad. Un sistema experto debe ser capaz de
explicar qué está haciendo y justificar por qué lo hace (Swartout; 1991).
¿Cómo se caracterizan los métodos de explicación?
La mayoría de los métodos de explicación se caracterizan por anticipar las preguntas y

almacenar las respuestas como un texto. Después que el programa ha sido escrito, los textos
previamente elaborados se asocian con las partes del programa que implican justificación.
Generalmente, entre los problemas que se presentan en este caso, se encuentra la dificultad
en garantizar la consistencia entre lo que el programa hace y lo que el programa pretende
hacer. También se tiene el hecho de que el programador debe proporcionar todas las
respuestas, y para los sistemas grandes esto se convierte en una tarea imposible.
Finalmente, el sistema no presenta un modo conceptual de lo que se está diciendo, ya que
para la computadora una cadena de texto se ve como cualquier otra sin considerar el
contenido de esta cadena. (Swartout; 1991).
40
1. Fundamentos
1.6.4 Módulo de actualización.
¿Cuál es el objetivo del módulo de actualización?
Este módulo tiene como objetivo permitir la actualización de la base de conocimiento

difusa; esta actualización se puede realizar por medio del programador, los expertos o de
manera automática.
¿Cómo se puede realizar la actualización de la base de conocimientos?
La actualización de conocimientos puede tomar una de las tres siguientes formas básicas
(Rolston; 1993):
 La primera forma, consiste en actualizar la base de conocimientos por un

ingeniero de conocimientos quien interpreta la información ofrecida por un experto
en el área y actualiza la base de conocimientos, debido a que el sistema de
actualización se encuentra muy limitado.
 En la segunda forma, es el experto en el área el que ingresa directamente el

conocimiento; sin la mediación de un ingeniero de conocimientos. En este caso el
sistema de actualización es más elaborado.
 La tercera forma se refiere al aprendizaje automático, en el que el sistema genera

nuevos conocimientos en forma automática y se basa en generalizaciones deducidas
de experiencias anteriores. La habilidad para aprender es un componente importante
de la inteligencia y al ofrecer completamente esta potencialidad mejoraría las
capacidades de un sistema experto.
41
1. Fundamentos
RESUMEN
En la década de los cincuentas, cuando se empiezan a escribir programas, se pensaba que

era sencillo modelar la inteligencia humana y que en unas cuantas décadas se podrían
generar máquinas inteligentes, Alan Turing escribió un artículo en el que se plantea la
pregunta ¿Puede una máquina pensar?
La inteligencia artificial (IA) es la ciencia que simula el razonamiento inteligente a través

de procesos computacionales. Como disciplina la inteligencia artificial representa un área
de interés para algunas ciencias, por ejemplo: Lingüística, Psicología, Filosofía, Pedagogía,
Ciencias computacionales.
Los campos de la IA se relacionan con las actividades intelectuales del hombre, entre ellos
se consideran: Sistemas expertos, bases de datos inteligentes, juegos, lenguaje natural,
visión artificial, programación automática, robótica, aprendizaje automático, redes
neuronales.
Actualmente, se ha abandonado el objetivo de buscar una inteligencia artificial, como meta

primordial; en su lugar, se pretende resolver problemas más concretos y que puedan ser
fácilmente transferibles a otros campos: industria, agricultura, medicina, economía,
comunicación, etc., para que los sistemas vayan adquiriendo inteligencia. Generalmente,
se consideran cuatro paradigmas básicos de la IA: Simbólico o representacional, Situado o
reactivo, Conexionista, Híbrido.
En los desarrollos de la IA se pueden considerar entre otros: Procesamiento de lenguaje

natural, reconocimiento de patrones, robótica, sistemas expertos y lógica difusa.
42
1. Fundamentos
Los agentes inteligentes son componentes integrados para cooperar entre sí en la

definición de un sistema; para que un agente se considere inteligente, en primera instancia
debe percibir su entorno, con base en esta información tiene que elegir y planificar sus
objetivos, determinar la acción correspondiente para la consecusión de sus objetivos.
En términos de agente inteligente se define a la inteligencia artificial como el estudio de

los agentes que reciben percepciones del entorno y llevan a cabo las acciones, donde cada
agente implementa una función, la cual estructura las secuencias de las percepciones en
acciones, estas funciones se pueden representar en diferentes formas, tales como: sistemas
de producción, agentes reactivos, planificadores condicionales en tiempo real, redes
neuronales, sistemas teóricos para las decisiones, etc.
La heurística es la manera de buscar la solución de un problema mediante métodos no

rigurosos, como por tanteo, reglas empíricas (relativas a la experiencia), etc. Los procesos
de búsqueda heurísticos no revisan el árbol de búsqueda de manera uniforme, ya que con
base en la información heurística del problema, se examinan los nodos que se encuentran
en “la mejor ruta” hacia el objetivo. Dado que los heurísticos se basan en el uso de
conocimiento a veces impreciso o incierto, pueden fallar en la elección de la mejor
alternativa; un buen heurístico es aquel capaz de tomar una buena decisión, no
necesariamente la mejor, en un alto porcentaje de ocasiones.
Un sistema experto difuso, se puede definir como un sistema experto que incorpora la
teoría de lógica difusa en el desarrollo de la base de conocimientos y del motor de
inferencia. El desarrollo de sistemas expertos difusos para esquemas de control, de
reconocimiento de patrones, de toma de decisión en el área de medicina, entre otros, han
ido sustituyendo a los sistemas convencionales, debido fundamentalmente a la facilidad de
implementación y a los resultados obtenidos; prueba del éxito de estos resultados es el
controlador experto difuso que permanece sobre una línea de trenes en Japón.
43
1. Fundamentos
Actividades de aprendizaje
1. Con base en una investigación, presentar un ensayo sobre los diferentes enfoques de
la inteligencia artificial (IA).
2. Plantear una línea de tiempo de la historia de la IA.
3. Presentar los avances en la resolución de la prueba de turing.
4. Con base en una investigación, presentar un ensayo sobre los paradigmas actuales
de la IA y su impacto en la sociedad.
5. Presentar en equipo los desarrollos actuales de la IA, a nivel mundial, nacional y

local.
6. Presentar un ensayo del impacto de la IA en su entorno y a nivel personal.
7. Con base en una investigación, presentar un ensayo sobre el paradigma de agente

inteligente y su influencia en el área de ciencias computacionales.
8. Presentar un ensayo sobre la importancia de la heurística.
9. Presentar en equipo desarrollos actuales en diversas área de sistemas expertos

difusos.
10. Elaborar el mapa conceptual de los temas de la unidad y hacer una presentación del
mismo.
44
1. Fundamentos
BIBLIOGRAFÍA
 Benchimal, Guy; Levine, Pierre; Pomerol, Jean Charles (1990). Los sistemas
expertos en la empresa. Macrobit, México, D.F.
 Bezdek, Jim (1993). “Fuzzy Models -What are The, and why?”. IEEE trans.on Fuzzy
Systems, vol 1, No. 1, feb. 1993, pp1-5.
 Escolano Ruiz Francisco, Cazorla Quevedo Miguel Ángel, Alfonso Galipienso Ma.
Isabel, Colomina Pardo Otto, Lozano Ortega Miguel Ángel. (2003). Inteligencia
artificial. Modelos, Técnicas y Áreas de Aplicación. THOMSON. Madrid, España.
 Kandel, Abraham (1991). Fuzzy Expert Systems. CRC Press, Tampa, Florida.
 Kaufmann, A. (1982). Introducción a la Teoría de los Subconjuntos borrosos para el
uso de Ingenieros. cia. Editorial Continental S.A. de C.V., México, D.F.
 Nilsson Nils J. (2004). Inteligencia artificial. Una nueva síntesis. McGraw-Hill/
Interamericana de España. Madrid, España.
 Palma Méndez José T.; Marín Morales Roque. (2008). Inteligencia Artificial.
Técnicas, métodos y aplicaciones. McGraw-Hill/Interamericana de España. Madrid,
España.
 Reyes, García Carlos Alberto. (1994). Lógica difusa. Primer Congreso Internacional
de Investigación en Ciencias Computacionales. Sept. 1994. Instituto Tecnológico de
Toluca.
 Rolston David W. (1993).- Principios de Inteligencía Artificial y Sistemas Expertos.
Mc Graw Hill, México, D.F.
 Russell Stuart; Norvig Peter. (2006). Inteligencia Artificial. Un enfoque moderno.
Pearson Prentice Hall. Madrid, España.
 Sánchez J.P. y Beltrán. (1990).- Los Sistemas Expertos: Una metodología de
Programación. Macrobit Corporation, México., D.F.
 Swartout ,William R. (1991). “Explaining and justitying expert consulting programs”.
Laboratory for computer science. Massachusetts Institute of Technology.
45
1. Fundamentos
46
1. Fundamentos
47

4 CAP1Fundamentos PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

4 CAP1Fundamentos PDF

Cargado por

Copyright:

Formatos disponibles

INTELIGENCIA ARTIFICIAL

C PRESENTAR LOS CONCEPTOS FUNDAMENTALES DE

1.2 Conceptos y técnicas

U 1. Fundamentos de la Inteligencia Artificial

1.6Arquitectura de un sistema experto difuso.

1 1.1 Diagrama temático del capítulo 1.

1. Fundamentos de la Inteligencia Artificial.

1.1 Historia de la Inteligencia Artificial.

¿Cómo surge la inteligencia artificial?

La inteligencia artificial se sustenta en diferentes paradigmas, tres de ellos surgen a partir

Posteriormente la visión cibernética de la inteligencia artificial que analiza los fundamentos

En la década de los cincuentas, cuando se empiezan a escribir programas, se pensaba de

¿Cuándo se considera el término Inteligencia Artificial?

El término de Inteligencia Artificial se acuño en 1956 en una reunión en Dartmouth College

¿En qué año surge el lenguaje de programación Lisp?

lenguaje de programación más antiguo que se utiliza en la actualidad, ya que apareció un

¿Inicialmente como se definió a la inteligencia artificial?

La inteligencia artificial inicialmente se definió como un campo de estudio en el que se

¿Qué desarrollos de la inteligencia artificial se han destacado?

 En la década de los setenta se desarrollan aplicaciones de la inteligencia artificial

Colmenauer define PROLOG y Kowalski incorpora la formulación clausal.

 Actualmente, se ha abandonado el objetivo de buscar una inteligencia artificial,

1.2 Conceptos y técnicas (Estado del arte).

¿Cómo se define la inteligencia del hombre?

La inteligencia humana es la HABILIDAD para:

Figura 1.2.1 Definición de inteligencia humana

La inteligencia humana es la CAPACIDAD para:

CAPACIDAD  ENTENDER Y COMUNICARSE MEDIANTE UN

Figura 1.2.2 Definición de inteligencia humana

La inteligencia humana es:

 UNA AMALGAMA DE MUCHOS TALENTOS PARA LA

¿Qué es la inteligencia artificial?

 La inteligencia artificial es la ciencia que simula el razonamiento

¿Qué ciencias se relacionan con la inteligencia artificial?

 Como disciplina la inteligencia artificial representa un área de interés para

Figura 1.2.3 Relación de la inteligencia artificial

Una motivación principal de todas estas ciencias es la necesidad de estudiar la inteligencia

¿Cuáles son los campos de la inteligencia artificial?

Actividades intelectuales del hombre Campos de la Inteligencia Artificial

Figura 1.2.4 Relación de las actividades intelectuales del hombre y

 Sistemas expertos: Simulación de los procesos intelectuales de los expertos

 Robótica: Estudia las máquinas capaces de realizar procesos mecánicos

¿Qué objetivos tiene la inteligencia artificial?

Objetivos de la inteligencia artificial:

 Ingenieril: Resolver problemas reales actuando como un armamento de ideas

 Científico: Analizar el comportamiento inteligente del hombre (percepción,

Figura I.2.5 Diferencia del enfoque de la Inteligencia artificial

¿Cuáles son algunas aplicaciones de la inteligencia artificial?

Aplicaciones de la inteligencia artificial:

 En los negocios, con la inteligencia artificial se puede localizar información

 En la ingeniería, con la inteligencia artificial se pueden desarrollar estrategias de

 En la agricultura, los robots manejados por computadora pueden controlar plagas,

 En las fábricas, los robots pueden realizar montajes peligrosos y encargarse de

 En la medicina, las computadoras pueden ayudar a los médicos a hacer

 En el trabajo doméstico, las computadoras pueden realizar actividades

 En la escuela, las computadoras pueden funcionar como medios didácticos, por

 En la planificación, el programa de la NASA agente remoto (2000) se convirtió en

¿Actualmente, cuál es el propósito general de la inteligencia artificial?

El propósito general de la inteligencia artificial es desarrollar:

1. Modelos conceptuales. (Modelar).

2. Procedimientos de reescritura formal de esos modelos. (Formalizar).

3. Estrategias de programación. (Programar).

4. Implementación de máquinas soporte capaces de interactuar con el medio.