Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Inteligencia Artificial
Definiciones Varias
– Dominio: Se define como el contexto del problema que se busca resolver.
– Experto: Es una persona que puede resolver problemas de una forma correcta y rápida
empleando técnicas de razonamiento. Posee la capacidad de aprender adquiriendo
conocimientos y experiencia.
La Inteligencia Artificial
La Inteligencia es la capacidad de resolver problemas no comunes o complejos en un dominio
determinado de forma sistemática. Tener Inteligencia es poseer la capacidad de aprendizaje o capacidad
adaptativa.
La Inteligencia Artificial estudia el comportamiento inteligente del ser humano; y puede observarse
desde dos puntos de vista:
Científico: Trata el estudio del comportamiento inteligente, tiene como objetivo el definir una
teoría que explique el comportamiento inteligente
En síntesis, busca comprender y analizar la inteligencia humana para emularla.
Ingeniería: Se ocupa de los conceptos, la teoría, y la práctica de cómo construir máquinas
inteligentes; es decir, máquinas que resuelvan problemas coextensivos con los que, al
resolverlos los seres humanos, estos son tenidos por inteligentes.
Página 1 de 38
Resumen de Inteligencia Artificial
BC M
I
IES
SBC
Mundo Real
USUARIO
Página 2 de 38
Resumen de Inteligencia Artificial
TE
BD
M BC
O
U
U
A
R
S
MT
M
O
O
C
U
N
C
A
C
N
E
S
I
I
M
O
A
N
A
D
D
E
TC
J
Mundo Real SE
Página 3 de 38
Resumen de Inteligencia Artificial
Los Conocimientos
Pirámide de la Información
A continuación se presenta la clasificación de la Información y su ubicación jerárquica
Sabiduría
Juicios Éticos,
Experiencia
Conocimiento
Nivel Pragmático
Síntesis
Noticias
Nivel Semántico (Información)
Análisis
Datos
Nivel Sintáctico
Ingeniería en Conocimiento: ingeniería que ofrece principios, métodos, técnicas y herramientas, que
permiten aplicar el saber científico y de experiencia a la utilización de los conocimientos y de sus fuentes,
mediante invenciones o construcciones útiles para el hombre.
Ingeniería en Sistemas de Información: ingeniería que ofrece métodos y técnicas para desarrollar y
mantener sistemas de información
Sabiduría Ambos
Problemas tipos de
Problemas heurísticos y problemas
Conocimiento sistemáticos y declarativos
procedimentales
Ingeniería en
Noticias Ingeniería en
Sistemas de
(Información) Ingeniería de Conocimiento Información
Software
Datos
Los Conocimientos
El Conocimiento es poder percibir conclusiones a partir de determinada información. Es relativo a la
persona que lo percibe. Los seres humanos inteligentes no saben generalmente como realizan la mayoría
de sus actividades intelectuales
Página 4 de 38
Resumen de Inteligencia Artificial
Tipos de Conocimiento
Los conocimientos se clasifican según la Operatividad, la Privacidad y según la Definición del Problema:
Según la Operatividad:
o Descriptivos o Declarativos: Se refieren básicamente a qué son las cosas, y describen el
dominio de aplicación, habitualmente en términos de conceptos, objetos, atributos, valores y
relaciones entre las entidades anteriores, sin que importe cómo se usen esos
conocimientos.
Derivados: Son los que se aprenden y aprehenden bien a través de la experiencia,
o bien se compilan a partir de conocimientos más fundamentales. Los principios
básicos suelen estar implícitos.
Compilados: Son los transformados a partir de otros tipos de
conocimientos.
Heurísticos: Son los que establecen asociaciones entre descripciones de
estado y una solución.
Abstracciones: Son los que contienen, para una situación, todos los
detalles relevantes y suprime los irrelevantes.
Generalizaciones: Son aquellos que yendo de lo particular a lo general,
son el paso de la consideración de un concepto a la consideración de un
conjunto conteniendo ese concepto.
Modelizados: Son una descripción de los conocimientos fundamentales ya
refinados. Aparecen en los soportes de los conocimientos públicos y constituyen los
conocimientos de primeros principios.
Fórmulas Lógico-Matemáticas.
Leyes Naturales.
Modelos Causales y Temporales.
Modelos Físicos.
o Prescriptivos o Procedimentales: Conciernen fundamentalmente al cómo son las cosas.
Sirven para controlar el proceso de solución de un problema, centrándose en el uso de los
conocimientos y esquema de razonamiento usado para alcanzar una solución.
Secuencial e Iterativo: Representan las acciones que se ejecutan un número de
veces (Iteración), o acciones que se ejecutan en un cierto orden (Secuencia).
Metaconocimientos o Condiciones de Metanivel: Describen los conocimientos
usados para tomar decisiones acerca de cómo otros conocimientos pueden
emplearse en el proceso de razonamiento.
Verosimilitud: Cubren el uso de medidas de certidumbre en el proceso de
razonamiento.
Según la Privacidad:
o Públicos: Son aquellos que, por haber sido publicados, están ya en forma explícita, por
consiguiente, representables y utilizables inmediata o mediatamente en y por la
computadora.
o Privados: Son los conocimientos que los expertos tienen interiorizados y adquieren con el
ejercicio de su profesión, y lo usan implícitamente.
Según la Definición del Problema:
o Estructurantes: Generalmente vienen expresados de manera declarativa y
tradicionalmente se han identificado con los conocimientos públicos. Detectan los conceptos
relevantes estableciendo relaciones entre los conceptos y las estructuras conceptuales.
Definen los mecanismos que dan origen a la certeza.
o Heurísticos: Pueden expresarse en formas de reglas que típicamente son atajos que
conducen a la solución en grandes espacios de búsqueda en un tiempo limitado.
o Epistemológicos: Son los conocimientos naturales. Poseen la característica de que son
inciertos, por: incompletos, inconsistentes y/o imprecisos.
o Cognoscitivos o de Modelización Conceptual: Modelizan el dominio en el cual se
manejan los expertos.
Página 5 de 38
Resumen de Inteligencia Artificial
Fuentes de Conocimientos
Las principales fuentes de conocimientos que podemos encontrar son:
Libros y Manuales
Documentación Formal e Informal
Registros Internos
Presentaciones
Publicaciones Especializadas.
Investigaciones
Visitas a los Centros de Trabajo del Experto
Los Humanos.
La Experiencia
La experiencia es pasar por un mismo hecho varias veces. Permite generar conocimiento. Cada
persona interpreta los hechos de forma distinta, por lo cual cada uno aplicará y creará sus propias reglas.
Dificultades de la Experiencia
La transferencia de conocimiento de un experto a un sistema está condicionada y dificultada porque:
Los conocimientos del experto son caros.
Habitualmente, los conocimientos de los expertos no se encuentran explícitos.
Los conocimientos de los expertos se adquieren gradualmente.
Los conocimientos de los expertos suelen estar distribuidos.
Los conocimientos de los expertos son declarativos.
Un experto aplica efectiva y eficientemente lo que sabe.
Página 6 de 38
Resumen de Inteligencia Artificial
El Experto
Tareas del Experto
Las tareas que cumple un Experto son:
Clasificación.
o Clasificación Jerarquizada.
o Interpretación.
o Diagnosis. El diagnóstico es el proceso de encontrar fallas en un sistema e interpretarlos.
Puede necesitar la combinación de varios modelos.
o Depuración, Tratamiento o Reparación.
Predicción, Pronóstico y Prospección.
Diseño y Síntesis.
Planificación y Catalogación.
Monitorización.
Características de un Experto
Las características de un Experto son:
Pericia.
o Robustez: Es muy difícil de cuantificar, ya que los sistemas de este tipo se degradan
rápidamente cuando tienen que tratar con problemas distintos para los cuales fueron
creados.
Manipulación de Símbolos.
Capacidad general de resolver problemas en un dominio.
Complejidad y Dificultad.
Reformulación o Reutilización.
Capacidad para razonar sobre sí mismos.
Tareas.
– Ingeniería:
Conjunto de Métodos, que emplean técnicas y herramientas, para generar un artefacto o producto,
que usado en buena forma, o de manera correcta, permite resolver un problema.
Metodología de Sistemas
La Metodología de Sistemas surge a partir de los pasos básicos para resolver un problema en el ámbito
de los Sistemas de Información.
El Ingeniero de Sistemas resuelve problemas empleando una metodología y construyendo artefactos.
Página 7 de 38
Resumen de Inteligencia Artificial
Pasos Previos
Estudio de Viabilidad o Estudio de Factibilidad
El Estudio de Factibilidad permite determinar si se va a desarrollar el Sistema mediante la INCO o
mediante el sistema tradicional. Tiene en cuenta aquellas condiciones bajo las cuales conviene construir un
Sistema Experto o no. Las características que se analizan para realizar el Estudio de Factibilidad son:
1. (Plausibilidad): ¿Es posible? Se deberá analizar si existen Expertos, si son cooperativos, si la
tarea necesita viabilidad cognoscitiva, si la tarea es estructurada, si no se aplica el sentido común y
si es comprensible.
2. ¿Es adecuada?: Se deberá analizar la naturaleza, la complejidad y el tipo de tarea.
3. ¿Se Justifica?: Se deberá analizar si la tarea se desarrolla en un entorno hostil, si hay escasos
expertos, si no existen alternativas y si es útil y necesario.
4. ¿Cuál es la probabilidad de llegar al éxito?: Se deberá analizar si el Experto se va a resistir al
cambio, si hay fechas límites para que el Sistema se encuentre funcionando y si se tiene forma de
comprobar la solución.
Identificación del Problema
Una vez que se aprueba esta etapa previa se pasa a la primera etapa de la metodología de la INCO.
A esta etapa se la subdivide en las siguientes subetapas:
1. Plan de Requisitos: Se define el objetivo y las características de la aplicación.
2. Elección del Problema: Se definen los límites del problema.
3. Definición de Características del Problemas y Concepción de la Solución.
Metodología de la INCO
1. Adquisición de Conocimientos: Recolección de Información y conocimientos.
2. Conceptualización: Entender el dominio y la terminología
3. Formalización: Expresa mediante técnicas el conocimiento al problema
4. Implementación: Es la puesta en marcha del sistema
Página 8 de 38
Resumen de Inteligencia Artificial
Ciclo de EducciónEl ciclo de Educción es el siguiente, el cual deberá repetirse por cada sesión:
Preparación de la Sesión: Información a tratar; amplitud, profundidad; técnica adecuada;
preparación de las preguntas.
Sesión: Repaso del análisis de la última sesión; explicación al experto de los objetivos de la
nueva sesión; Educción; resumen y comentarios del Experto.
Transcripción.
Análisis de la Sesión: Lectura para obtención de una visión general; extracción de
conocimientos concretos; lectura para recuperar detalles olvidados; crítica parar mejoras por
parte del Ingeniero en Conocimientos.
Evaluación: ¿Se han conseguido los objetivos?; ¿es necesario volver sobre el mismo objetivo?;
Número y tipo de sesiones necesarias para cubrir el área.
Página 9 de 38
Resumen de Inteligencia Artificial
Página 10 de 38
Resumen de Inteligencia Artificial
o Emparrillado de Grupo.
o Método Delphi: Es una técnica de predicción cualitativa. El procedimiento consiste en un
proceso de retroalimentación de respuestas con el objetivo de obtener un resultado
representativo de la opinión del grupo.
2 . Conc e ptua li za ci ón .
Se describe desde una necesidad del usuario para luego transformarse en un producto Software que
opere en un dominio.
El objetivo de esta fase es el entendimiento del dominio del problema y de la terminología utilizada. Le
permite al Ingeniero en Conocimiento formar un marco inicial o mapa mental del Dominio de Aplicación.
Se busca hacer explícitos los Conceptos claves y las Relaciones más importantes, ya que en la
Adquisición de Conocimientos los obtenemos de manera desestructurada, para luego estructurarlos de
forma apropiada.
Dominio de Modelo
Aplicación Conceptual
Modelo
Formal
El Modelo Conceptual modeliza cómo el Software debería responder ante una necesidad. Define los
requerimientos del sistema (conocimientos descriptivos y no operativos) y además determina la validez del
sistema. Es independiente de la tecnología de implementación.
El Modelo Formal surge a partir del Modelo Conceptual y determina cómo el producto responde ante
una necesidad.
Subfases de la Conceptualización
Página 11 de 38
Resumen de Inteligencia Artificial
o Sistemas de Producción.
o Guiones.
4 . I mple me nta ci ón
Consiste en la implementación del sistema.
Especificación de Requisitos
Los requisitos se pueden clasificar según se muestra a continuación:
Respecto a las propiedades del sistema que especifican:
o Funcionales: Definen el comportamiento esperado del sistema. En el Software hace
referencia las capacidades funcionales que proveerá el producto.
o Estructurales o No Funcionales: Son los que definen las restricciones que deberá satisfacer
el producto. En el Software hace referencia a las características o propiedades que pueden
evaluarse.
Respecto a su importancia relativa:
o Esenciales: Especifican todas las propiedades del sistema objetivo, que deben ser
realizados por él mismo, para que sea aceptable. Nunca estarán completos.
o Deseables y/o Derivados: Son los que especifican las características del sistema que se
desprenden de las especificaciones esenciales.
o Implícitos: Son los que suponen un subproducto de la práctica perspicaz de la Ingeniería de
Software.
Respecto al carácter de cada Requisito:
o Cerrados: están bien definidos y son estables.
o Abiertos: Son dinámicos.
Tipos de Mantenimiento
Los Tipos de Mantenimiento que pueden realizarse sobre un determinado producto son:
Perfectivo: En el cual se corrige lo que anda bien con el fin de mejorarlo.
Correctivo: En el cual se corrigen los errores que posee el producto.
Metodología IDEAL
En la INCO se emplea la
Metodología IDEAL como
estándar. Posee tres dimensiones;
en donde en la etapa del espiral,
en el tercer eje, existe un cono que
representa los conocimientos
adquiridos. Al principio se
adquieren una gran cantidad de
conocimientos, pero poco precisos
y fiables; al final se adquieren una
menor cantidad de conocimientos,
pero estos son más específicos y
fiables. Las etapas se repiten
sucesivamente evaluando los
riesgos y una vez que se termina
el espiral, se sigue linealmente con
las etapas básicas.
Se debe tener en cuenta la etapa de Adquisición de Conocimientos, representada por el cono ya que es
muy importante y necesaria.
Página 12 de 38
Resumen de Inteligencia Artificial
Justificación: se justifica las razones por las cuales es posible realizar el sistema.
Éxito: se analiza que las posibilidades de éxito del sistema sean las esperadas.
Criterios de éxito: trata de identificar las necesidades reales de los usuarios finales
para determinar el grado de satisfacción que debe cumplir el sistema.
Página 13 de 38
Resumen de Inteligencia Artificial
2. Desarrollo de los Prototipos: Concierne al desarrollo de los distintos prototipos que permiten ir
definiendo y refinando, más rigurosamente, las especificaciones del sistema, de una forma gradual
hasta conseguir las especificaciones exactas de lo que se puede hacer y cómo realizarlos. Los
prototipos que se suelen desarrollar son los de: Demostración, Investigación, Campo y
Operación. Las etapas b a f se repiten para cada prototipo. Esta fase se divide en las siguientes
etapas:
d. Concepción de la Solución (Descomposición en Subproblemas y Determinación de
Analogías): Esta etapa tiene como objetivo producir un diseño general del sistema prototipo.
Engloba las actividades del desarrollo del DFD y el diseño arquitectónico.
e. Adquisición y Conceptualización de los Conocimientos: Si bien la adquisición de
conocimientos se realiza de forma constante, en ésta etapa es donde adquiere mayor
importancia. Aparte de adquirir conocimientos, es también necesario conceptualizarlos para
modelizar el comportamiento del experto. En esta etapa es dónde la adquisición de
conocimientos es mayor. La adquisición de conocimientos (en sus dos etapas: extracción
de conocimientos públicos y educción de conocimientos privados del experto) se alterna
con la Etapa de Conceptualización para modelizar el comportamiento del experto.
f. Formalización de los Conocimientos y Definición de la Arquitectura : Las actividades que
posee son: seleccionar los formalismos para representar en la máquina los conocimientos
conceptualizados, y realizar el diseño detallado del Sistema Experto.
g. Selección de la Herramienta e implementación : Seleccionar la herramienta de desarrollo
adecuada al problema para luego realizar implementación.
h. Validación y Evaluación del Prototipo : En esta etapa se valida el funcionamiento del
prototipo. Se suelen realizar Casos de Prueba y Ensayos en Paralelo con el Experto.
i. Definición de Nuevos Requisitos: Se corresponde con la definición de los requisitos,
especificaciones y diseño del siguiente prototipo.
3. Ejecución de la Construcción del Sistema Integrado: Permite integrar el Sistema Experto a otros
sistemas computacionales. Esta fase se divide en las siguientes etapas:
j. Requisitos y Diseño de la Integración: Consiste en el estudio y diseño de interfaces y
puentes con otros Sistemas Hardware y Software.
k. Implementación y Evaluación del Sistema Integrado: Su fin es desarrollar, usando técnicas
de Ingeniería en Software, los requisitos de la etapa anterior. Implementa la integración del
Sistema Experto con los otros Sistemas Hardware y Software.
l. Aceptación del Sistema por el Cliente: Es la prueba última de aceptación por los expertos y
usuarios finales, que debe satisfacer la expectativas de fiabilidad y eficiencia.
4. Actuación Para Conseguir el Mantenimiento Perfectivo: Trata del mantenimiento perfectivo del
sistema. Este mantenimiento viene reflejado en el ciclo de vida en la tercera dimensión de la espiral
cónica. Esta fase se divide en las siguientes etapas:
m. Definir el Mantenimiento del Sistema Global: Esta etapa emplea las técnicas de Ingeniería
en Software, definiendo el mantenimiento de la base de conocimientos del Sistema Experto.
n. Definir el Mantenimiento de las Bases de Conocimientos: Se encarga del mantenimiento de
la Base de Conocimientos.
Página 14 de 38
Resumen de Inteligencia Artificial
Lógica
La lógica se puede emplear para:
Representar el Conocimiento: Permite pasar del Lenguaje Natural al Lenguaje Lógico. Las
traducciones deben realizarse sin aplicar conclusiones, o sea, de forma textual y literal.
Razonar o Generar Nuevo Conocimiento: Para ello se pueden emplear:
o La Inducción: Permite pasar de un caso particular a la regla general.
o El Método Deductivo: Del caso general se obtiene un caso particular y se deduce una
conclusión particular; y del caso general se obtiene un caso general y se deduce una
conclusión particular. El Método Deductivo se clasifica en:
Deducción Natural.
Deducción Automática.
Deducción Axiomática.
o La Analogía.
Tautologías
Las Tautologías son expresiones que siempre son verdaderas. Las Tautologías son las siguientes:
p
p
q
q
p
p
q
q
p p
p p
p q p q
p q q p
Le
p q q p
p q
r p q
p q
r p q
p p p
p p p
Formas Normales
Son aquellas expresiones en las cuales las relaciones entre sus proposiciones sólo se encuentran
representadas por los operadores , y .
Existen dos Formas Normales, las cuales se enumeran a continuación:
Forma Normal Conjuntiva (FNC): Posee la forma
Página 15 de 38
Resumen de Inteligencia Artificial
El método de simplificación para llevar una expresión a alguna de las Formas Normales es el siguiente:
1) Sustituir: p q por: p q q p
2) Sustituir: p q por: p q
3) Sustituir: p q por: p q
4) Sustituir: p q por: p q
5) Sustituir: p por: p
6) Aplicar las Leyes Distributivas.
7) Sustituir: p p por: V
p p por: F
El Método Deductivo
Deducción Natural
Se parte de un conjunto de hipótesis que se consideran verdaderas y se llega a demostrar la tesis. Se
deben usar todas las hipótesis, a las cuales se les aplican reglas. Aplicando las reglas obtengo nuevas
hipótesis que también deberán ser verdaderas.
Las Hipótesis y la Tesis poseen la siguiente estructura:
Hipótesis 1 1) Hipótesis 1 HIP 1
Hipótesis 2 Y a medida que se van 2) Hipótesis 2 HIP 2
resolviendo las Hipótesis para
llegar a la Tesis se tendrá la
Hipótesis n
siguiente estructura:
n) Hipótesis n HIP n
Tesis n 1) Hipótesis n 1 Regla , i , j
Reglas de Deducción natural en lógica proposicional
Regla H T
A A [Sup]
II Introducción de la implicación
.. A -> B ..
Página 16 de 38
Resumen de Inteligencia Artificial
B
B
A ->B
EI Eliminación de la implicación o A -> B
B
MP Modus Ponens A
A
IC Introducción de la Conjunción A^B
B
Elijo A ó
EC Eliminación de la Conjunción A^B
Elijo B
ID Introducción de la Disyunción A AvB
Sup A Sup B
.. ..
ED Eliminación de la Disyunción AvB
C C
C
A
IN Introducción de la Negación .. ¬A
B ^ ¬B
EN Eliminación de la Negación ¬¬A A
Regla
Pa
I∀ Introducción de ∀ con ‘a’ genérico sin restricciones ∀ x Px
(sale de un ∀)
Pa
E∀ Eliminación de ∀ ∀ x Px
generico
Pa
I∃ Introducción de ∃ ∃ x Px
con ‘a’ restringido (sale de un ∃)
Pa
E∃ Eliminación de ∃ ∃ x Px
restringido
Tip: Si al hacer un ejercicio, una hipótesis tiene el cuantificador ∃, entonces la tesis deberá tener el
mismo cuantificador ya que la variable se encuentra restringida.
Página 17 de 38
Resumen de Inteligencia Artificial
Deducción Automática
Es un método que permite automatizar la deducción.
Posee las siguientes etapas:
1. Preparar las Fórmulas: Consiste en preparar las expresiones para su posterior demostración.
Primero se deben llevar las expresiones a Lógica Proposicional, a través de la Forma Prenex y la
Forma Skolem.
a. Forma Prenex: Una fórmula se encuentra en Forma Prenex cuando todos sus
cuantificadores se encuentran al comienzo de la misma. Para pasar una fórmula a Forma
Prenex se deberán seguir las siguientes reglas:
x Ax Bx x Ax Bx
Ax x Bx x Ax Bx
x Ax Bx x Ax Bx
Ax x Bx x Ax Bx
x Ax x Ax
x Ax x Ax
x Ax Bx x Ax Bx
x Ax Bx x Ax Bx
Ax x Bx x Ax Bx
Ax x Bx x Ax Bx
b. Forma Skolem: Una fórmula se encuentra en Forma Skolem una vez que se han eliminado
todos sus cuantificadores. Para ello se siguen las siguientes reglas:
i. : Si es el primer cuantificador de izquierda a derecha en una fórmula se deberá
reemplazar la variable por una constante y se eliminará el cuantificador. Si no es el
primer cuantificador de izquierda a derecha en una fórmula se deberá reemplazar la
variable por una función de las variables de todos los precedentes.
ii. : Directamente se elimina el cuantificador.
Si una expresión se encuentra en Forma Skolem, también se encuentra implícitamente en
Forma Prenex.
c. Forma Normal: Una vez que las expresiones se encuentran en Lógica Proposicional será
necesario llevarlas a Forma Normal, ya sea conjuntiva o disyuntiva a través de los pasos
vistos anteriormente.
Si una expresión se encuentra en Forma Normal, también se encuentra implícitamente en
Forma Skolem y en Forma Prenex.
2. Demostración: Para poder realizar la demostración, el método se basa en las siguientes dos
teorías:0
a. Teoría de la Completitud: F1 F2 Fn V Modelo F1 F2 Fn .
Una teoría es consistente si y solo si existe un modelo que lo sustente.
b. Teoría de la Consistencia: H ├─ T H T F y H H 1 H 2 H n .
Este teorema establece que un conjunto de hipótesis demuestran una tesis si y solo si al
agregar al conjunto de hipótesis la negación de la tesis, se llega a una inconsistencia.
A partir de éstas dos teorías, se trata de buscar un modelo para H T . Para poder realizar la
demostración se emplea el Método Herbrand, para ello se deberán obtener:
a. Universo de Herbrand: U H Constantes .
b. Átomos de Herbrand: AH A cada función de verdad aplicarle U H .
c. Sistema de Herbrand: S H Aplicar fórmula a todas las combinaciones del U H .
Finalmente a partir de SH, cada combinación es un valor de verdad, con lo que pueden pasar dos
cosas:
a. Si al menos una de las combinaciones de S H es verdadera, entonces existe un modelo y se
cumple que H T V . Por lo tanto no se puede demostrar la Tesis.
b. Si todas las combinaciones de SH son falsas, entonces no existe un modelo y se cumple
que H T F . Por lo tanto sí se puede demostrar la Tesis.
Página 18 de 38
Resumen de Inteligencia Artificial
Métodos de Búsqueda
Definiciones Varias
– Heurística:
Se la puede definir como “sentido común”. Es una función aplicada a cada nodo que indica una directriz
sobre qué tan bueno es estar en cada nodo.
Es un mecanismo de evaluación que guía la búsqueda en un sentido determinado.
Los Estados
Los Estados son representaciones que contienen el conjunto de toda la información que describe la
situación del sistema en un momento dado. Se pueden clasificar en:
Estado Inicial: Es el estado del cual se parte en la búsqueda de la solución al problema.
Estados Intermedios: Estados que no son el Estado Inicial ni un Estado Solución.
Estado/s Final/es: Son los estados solución o estados objetivo.
Sistema de Producción
Un Sistema de Producción es un Sistema Informático con una estructura especial que permite realizar
los procesos de búsqueda. El Sistema de Producción posee:
Las Reglas: Son las que producen las transiciones entre los distintos Estados.
La Base de Conocimientos: Contiene la información apropiada para la tarea en particular.
La Estrategia de Control: Especifica el orden en el que las reglas son procesadas y la forma
de resolver los conflictos que surjan cuando varias reglas puedan ser aplicadas a la vez. La
inteligencia se ve en la decisión tomada. La Estrategia de Control debe:
o Causar algún cambio: Debe poder producir cambios a corto plazo.
o Ser sistémica: Debe poder producir cambios a largo plazo.
El Aplicador de Reglas: Nunca contradice la Estrategia de Control, ya que es la parte crítica.
Página 19 de 38
Resumen de Inteligencia Artificial
Primero en Amplitud
A diferencia del Método Primero en Profundidad, recorre el árbol modificando (modifica) el Estado
Actual por Niveles, en vez por ramas.
Parte del Estado Inicial y aplica todas las reglas posibles, luego por cada nodo generado vuelve a
aplicar todas las reglas posibles, generando así los nodos por niveles.
En la práctica se implementa con una estructura de cola FIFO.
Ventajas
No queda “atrapado” en una rama cíclica o periódica.
Si existe una solución, la encuentra.
Si hay varias soluciones, encuentra la mejor de ellas.
Desventajas
Consume una mayor cantidad de recursos computacionales (memoria, tiempo de CPU, etc.).
Primero en Profundidad
El algoritmo barre el árbol (o grafo) una rama a la vez, buscando el Estado Final en cada subrama de
cada Estado del Espacio de Estados.
A Medida que el Algoritmo va cambiando el Estado Actual, analiza las reglas para el nuevo Estado y va
actualizando el Estado Actual “Moviéndose” en el árbol a través de las ramas.
En la práctica se implementa con una estructura de cola LIFO.
Ventajas
Consume una menor cantidad de recursos computacionales (memoria, tiempo de CPU, etc.).
Si existe una solución, la encuentra.
Se puede encontrar una solución sin haber buscado en gran parte del árbol.
Desventajas
Puede llegar a quedar “atrapado” en una rama cíclica o periódica, por lo que será necesario
establecer un valor de corte como umbral.
Devuelve la primera solución que encuentra. Si hay varias soluciones devuelve la primera de
ellas, que puede no ser la mejor de ellas.
Bidireccional
Combina los Métodos de Búsqueda Primero en Amplitud y Primero en Profundidad.
Se deberán conocer tanto el Estado Inicial como un Estado Final a fin de realizar dos búsquedas:
1. Búsqueda Top–Bottom: Partiendo desde el Estado Inicial se pretende hallar el Estado Final.
2. Búsqueda Bottom–Top: Partiendo desde el Estado Final se pretende hallar el Estado Inicial.
Si bien cada búsqueda puede usar cualquiera de los dos métodos, una de ellas deberá usar el Método
Primero en Amplitud. Cuando las búsquedas se crucen se podrá reconstruir el camino.
Página 20 de 38
Resumen de Inteligencia Artificial
Generación y Prueba
En éste Método se genera una posible solución y se la compara contra todas las demás. Emplea el
Método Primero en Profundidad, en donde se va explorando una rama a la vez. Generalmente se
implementa con una vuelta hacia atrás.
Ventajas
Es adecuado para problemas sencillos.
Si existe una solución, la encuentra.
Desventajas
Si el problema es complejo puede consumir mucho tiempo en encontrar la solución, ya que
recorre todo el Espacio de Estados.
Escalada
Es una variante del Método Generación y Prueba. Utiliza una Función Heurística a los propósitos de
obtener retroalimentación. Permite escalar por los nodos si el valor heurístico del nodo destino es mejor al
valor heurístico del nodo origen o actual.
Es un Método Local, o sea que tiene en cuenta únicamente las consecuencias inmediatas y no
contempla retrocesos en la búsqueda. El Método funciona correctamente siempre y cuando la Función
Heurística sea monótonamente decreciente (o creciente).
Posee dos variantes: Escalada Simple y Escalada de Máxima Pendiente.
– Escalada Simple
Dado un Estado Actual, se aplican uno a uno los Operadores sobre éste y se “escala” por el primer
sucesor cuya Función Heurística sea mejor que la del Estado Actual.
Ventajas
El Método es más rápido que el Método de Escalada de Máxima Pendiente.
Desventajas
Necesita más pasos para poder llegar a la solución.
Se ensaña con una rama y abandona el resto.
Posee mayor probabilidad de estancarse ante un mínimo (o máximo) local.
No garantiza encontrar la solución, pese a que esté a un nodo de distancia.
Si existe un sucesor mejor que por el que escala, pero que aún no se ha generado, éste se
pierde.
No se puede aplicar en problemas donde la solución es relativa.
El Primero Mejor
Combina las ventajas de los Métodos de Primero en Amplitud y Primero en Profundidad. Sigue un único
camino a la vez y lo cambia cuando otro camino parece más prometedor.
Resuelve el problema de los Métodos de Escalada. Es parecido al Método de Escalada de Máxima
Pendiente ya que por cada nodo se evalúan todas las reglas para determinar los nodos hijos. Igualmente
posee dos diferencias:
1. En Escalada, al elegir un nodo, todos los demás se abandonan.
2. En este Método se elige el mejor estado disponible, aún si el valor de su función es menor al actual.
A*
Es similar al anterior, salvo que la Función Heurística se reemplaza por la siguiente aproximación:
F ' g estado h ' estado
En donde:
g estado representa la suma de los costos de los nodos predecesores (el costo de llegar
hasta ese nodo).
h ' estado representa la estimación de lo que cuesta llegar a un nodo objetivo desde ese
nodo.
El Costo es relativo a la Transición y no al Estado. Puede ser:
Lineal: Es el mismo en cada nivel.
Exponencial: Crece al ir pasando a un nivel inferior.
Permite encontrar el camino de mínimo costo. En caso de existir una solución, el algoritmo la
encuentra. Por esto se dice que el Método A* es un Método Completo.
En la resolución de problemas se deberá emplear la tabla vista en el Método el Primero Mejor. Salvo
que en la Lista de Abiertos los nodos tendrán la forma Nodo g h ' , y se deberá reordenar por éste valor.
Página 22 de 38
Resumen de Inteligencia Artificial
Para graficar se emplean los denominados Grafos Y-O. En donde se dibujan arcos en las transiciones
entre estados para representar el Y.
Se comienza por el Estado Inicial generando todos los posibles sucesores y se evalúan los valores a fin
de determinar el mejor camino. Al ir visitando los nodos descendientes se van reevaluando los valores
heurísticos, con lo cual se deben propagar los cambios hacia arriba. Constantemente hay que comparar los
nuevos valores obtenidos con los valores anteriores para determinar si se debe seguir por un camino o
cambiarlo por otro con mejor valor. El proceso termina cuando se encuentra una solución o cuando todos
los caminos llevan a callejones sin salida.
Análisis de Protocolos
Es una técnica que permite observar y grabar a un Experto en la resolución de un problema para lograr
educir conocimientos del él, que luego sirvan en la construcción de un Sistema Basado en Conocimientos.
2. Transcripción
Se transcribe lo grabado segmentándolo en frases con el fin de poder analizarlo de una mejor forma.
La división en frase se realiza tratando de que cada una aporte algo por sí sola.
En la resolución de la transcripción, se deberá emplear la
Línea Transcripción siguiente tabla:
1
2 Se deberán indicar las pausas que tuvo el Experto
… … empleando corchetes, y dentro de ellos indicando la
n duración de las mismas.
3. Codificación
A esta etapa se la divide en las siguientes subetapas:
Página 23 de 38
Resumen de Inteligencia Artificial
Estado Inicial
Estados Intermedios
Estado Final
Página 24 de 38
Resumen de Inteligencia Artificial
4. Interpretación
En ésta etapa se definen las reglas de razonamiento del experto.
La cantidad de reglas debe ser la misma que la cantidad de operadores, que no pertenezcan a un
metacomentario.
Las Reglas son de la forma:
SI ( CONDICIONES )
ENTONCES ( ACCIONES )
Y en donde,
CONDICIONES: CONCEPTO.CARACTERÍSTICA = VALOR
Emparrillado
Esta es otra técnica para poder educir conocimientos de un Experto. Permite tomar en cuenta cómo piensa
el experto y qué juicios emplea. La Metodología que consta de 6 pasos es la siguiente:
3. Diseño de la Parrilla
Se deberá construir una matriz, denominada Parrilla, tal como se muestra a continuación:
E1 E2 E3 … En
C1 V11 V12 V13 … V1n
C2 V21 V22 V23 … V2n
C3 V31 V32 V33 … V3n
… … … … … …
Cm Vm1 Vm2 Vm3 … Vmn
Los tipos de Parrilla que se pueden construir son:
Página 25 de 38
Resumen de Inteligencia Artificial
Dicotómica: Es una matriz binaria. Las celdas adoptan los valores 0 (el elemento no posee esa
característica) o 1 (el elemento sí posee esa característica).
Clasificatoria: Las celdas adoptan valores entre 1 y n, donde n es el número total de
elementos. No puede haber valores repetidos.
Evaluativa: Las celdas adoptan valores entre 1 y x, como una escala numérica. El margen se
aplica a todas las características. Al ser una escala sí puede haber valores repetidos.
4. Formalización
Consta de las siguientes subetapas.
4.1. Clasificación de los Elementos
Se comparar elementos contra elementos. Para ello se deberá calcular una matriz de distancia; que al ser
simétrica, sólo se usará la diagonal superior.
La distancia entre dos elementos E i y E j se calcula haciendo el modulo de la diferencia de las columnas
de ambos elementos.
Luego de calcular las distancias, se deben ir agrupando los elementos de acuerdo a un criterio (minimo
valor generalmente).
El método vuelve a ciclar hasta que todos los elementos se hayan agrupado.
Una vez que se han agrupado los elementos se deberá construir el Árbol Jerárquico de Distancias de
Elementos, tal como se muestra a continuación:
k
…
3
2
1
Ei Ej Eh … En
Página 26 de 38
Resumen de Inteligencia Artificial
Paralela Recíproca
A B A B A B
X Y X Y X Y
Ortogonal Ambiguas
A B A B A B A B
X Y X Y X Y X Y
Algoritmos Genéticos
Un algoritmo genético simula la evolución de una población de individuos. El objetivo de un AG es buscar
una “buena” solución al problema (mas optima)
Página 27 de 38
Resumen de Inteligencia Artificial
(Conjunto de Genes)
SELECCIÓN
PS
CRUZAMIENTO
PD
MUTACIÓN
Pi+1
NO SI
PARO? POBLACIÓN
FINAL
1. Selección: Comparación y selección de los mejores individuos. Permite seleccionar los candidatos
a cruzar. Se realiza en todas las Iteraciones
Página 28 de 38
Resumen de Inteligencia Artificial
3. Mutación: Alteración esporádica y al azar de un gen del cromosoma de un individuo. Este operador
evita la pérdida de posibles soluciones. Por tal motivo la mutación permite acercarnos más a la
solución.
Página 29 de 38
Resumen de Inteligencia Artificial
Aquellos individuos que superen con su parte entera al promedio serán seleccionados
inmediatamente. Luego se sigue con el procedimiento normal del método de la Ruleta
calculando la probabilidad de cada individuo, armando el “paño” y generando los números al
azar para terminar de seleccionar la población.
d. Ranking: Para evitar la Convergencia prematura (los super-individuos dominan
rápidamente la población) se asigna un numero de copias esperadas a los individuos.
c. Binomial: Considera cada gen como posible punto de corte. Para generar los hijos sigue la
siguiente regla: por cada posición genera un número al azar, luego establece un umbral y
finalmente compara cada número obtenido al azar con el umbral para determinar a qué hijo
pertenece.
Página 30 de 38
Resumen de Inteligencia Artificial
Aplicaciones:
- Pueden resolver en forma rápida y eficiente problemas complejos con características como alta cardinalidad,
alta dimensionalidad de la Func de aptitud y Func de aptitud no lineales.
- Utilizan muy poca info especifica del problema,
- Son extensibles (fáciles de extender )
- Pueden ser usados para la primera búsqueda global y luego aplicar otro método de búsqueda local.
Redes Neuronales
Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro.
Página 31 de 38
Resumen de Inteligencia Artificial
Sinapsis
La Sinapsis es el contacto que existe entre las terminales axónicas de una neurona y las dendritas de la
neurona siguiente. Cabe aclarar que las Dendritas y los Axiones no se tocan físicamente entre sí.
La Sinapsis puede ser:
Exitadora: Cuando los neurotransmisores disminuyen el potencial de la membrana de la célula
posináptica y favorecen la generación de impulsos a mayor velocidad.
Inhibidora: Es cuando los neurotransmisores tienden a estabilizar el potencial de la membrana
y dificulta la emisión de impulsos.
Página 32 de 38
Resumen de Inteligencia Artificial
Yi wij
Yj
f(NET)
Wnj
Xi Xj
Yi
j
i Yj
Wij
Peso de la
conexión
entre i y j
En la Redes Neuronales Artificiales se sigue el mismo modelo que en las Redes Neuronales Naturales,
se construye una red de unidades (o neuronas) que no posee conocimiento almacenado.
Los pesos ponderan la conexión (sinapsis) entre la neurona i y la j.
Cada entrada posee un peso asociado wij . A su vez, a cada entrada se conectan las salidas de otras
neuronas, las cuales en un momento determinado tendrán un valor Yi . La sumatoria de cada uno de esos
pesos multiplicados por la entrada correspondiente es lo que se considera como Peso Neto:
NET wij Yi
n
i 1
El Peso Neto será la entrada para la Función de Activación, la cual dará como resultado el valor de
salida de dicha neurona.
Cada Neurona de una Red Neuronal Artificial entonces queda definida por:
Las entradas y sus pesos wij correspondientes.
La Función de Activación f NET .
Cómo se conectan las neuronas, los tipos de capas y los tipos de conexión que se presentan.
Las Redes Neuronales Artificiales poseen memoria implícita, es decir que no se haya centralizada, sino
distribuida en el conjunto de las Neuronas y sus pesos e interconexiones.
Página 33 de 38
Resumen de Inteligencia Artificial
Los tipos de conexión que pueden darse en una Red Neuronal Artificial son:
Sólo hacia delante.
Consigo misma.
Con neuronas del mismo nivel.
Tipos de Neuronas
En las Redes Neuronales Artificiales podemos encontrar los siguientes tipos de Neuronas:
Neuronas de Entradas: Son aquellas neuronas que reciben los estímulos del exterior.
Neuronas de Procesamiento: Son aquellas neuronas que se encargan de transformar la
información.
Neuronas de Salida: Son las neuronas que se encargan de dar la respuesta al entorno.
Aprendizaje adaptativo
Autoorganización
Tolerancia a fallos
Manejo de información incompleta e imprecisa
Operación en tiempo real
Fácil inserción en tecnología existente
Estado de Activación
El Estado de Activación es un valor numérico que posee una neurona en un instante de tiempo dado.
La actualización de los Valores de Estado de una Neurona puede ser:
Asincrónica: Las Neuronas evalúan su estado continuamente según les llega la información y
actualizan su Valor de Estado de forma independiente al resto de las Neuronas.
Sincrónica: Si bien la información también llega de forma continua a las Neuronas, los cambios
en los Valores de Estado se realizan simultáneamente en toda la Red Neuronal.
Página 34 de 38
Resumen de Inteligencia Artificial
La función de activación puede ser desfasada respecto del Eje Y, generando así un umbral de
activación o desvío.
Para ello, se introduce en la entrada neta NET como un peso negativo y se le asigna una entrada
unitaria, tal como se muestra a continuación:
i 1 i 1
En donde : w j e Y 1
El tipo de Función de Activación a usar en una Red Neuronal Artificial depende de:
El dominio del problema en cuestión.
La salida a mostrar.
El tipo de aprendizaje a implementar.
Mecanismos de Aprendizaje
El aprendizaje es incorporar conocimiento nuevo. Esto permite modificar el comportamiento de la Red
Neuronal para adaptarse a una situación que antes no podía.
Mediante el aprendizaje se establecen y se ajustan los distintos valores wij (pesos) que llevará cada
una de las entradas de de las neuronas.
Los mecanismos de aprendizaje que podemos encontrar son los que se enumeran a continuación:
Mecanismos de Aprendizaje Supervisado: Constantemente un ente externo controla que la
Red Neuronal aprenda de forma correcta. Este a su vez puede ser:
o On-Line: El Sistema se implementa en producción. Dentro de ésta categoría podemos
encontrar los siguientes mecanismos:
Adaptive Heuristic Critic: Emplea la heurística para aprender, aunque siempre de
forma supervisada.
o Off-Line: El Sistema toma muestras en tiempo de desarrollo (paro para poder entrenarlas).
En este tipo de aprendizaje, los pesos de las conexiones permanecen fijos después de que
termina la etapa de entrenamiento, por lo cual no presentan problemas de estabilidad en su
funcionamiento.
Dentro de ésta categoría podemos encontrar los siguientes mecanismos:
Perceptrón: El aprendizaje se realiza por corrección de errores. La Red Neuronal
puede ser multicapa o no. El umbral de desvío permanece constante, y lo que se
varía son los pesos de las entradas reales.
El algoritmo de aprendizaje es el siguiente:
1. Se calcula la salida real S R y se compara con la salida deseada S D .
n n
S R wi ei w0 e0 wi ei w0 1
i 1 i 1
Página 35 de 38
Resumen de Inteligencia Artificial
Página 36 de 38
Resumen de Inteligencia Artificial
Por Refuerzo
Supervisado Corrección de Error
Estocástico
Hebbiano
No Supervisado
Competitivo / Cooperativo
TIPS
Se usa:
Kohonen: Problemas de clasificación sin mucha información del dominio (lo importante es la clasificación)
Hoppfield: Problemas de reconocimiento de patrones
Back Propagation: Problemas para donde para una entrada X corresponde una salida Y. clasifican
Algoritmos Genéticos: Problemas de optimización.
Métodos de búsqueda: Problemas de Ordenamiento (donde importa la secuencia de las cosas y hay reglas
predeterminadas)
(Para todo)x (Ax Bx) /// Si hay un “para todo” generalmente tengo un “”
Emparrillado
Si las características se van agregando después, entonces no se hace el análisis de características de estas
últimas.
Si la matriz original no es cuadrada no importa, ya que los elementos y características se evalúan por
separado, conformando matrices cuadradas.
(E1;E4) y E2 y E3
Análisis de protocolos.
Los metacomentarios surgen según el objetivo, se trata algo como metacomentario cuando “lo tapas con el
dedo” y aun así sigue teniendo el mismo sentido la oración, párrafo o descripción que te da el experto.
Página 38 de 38