Resumen de Inteligencia Artificial

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.

Clasificación de los Sistemas

Los Sistemas se Clasifican según se muestra a continuación:
 Sistemas: Conjunto de partes interrelacionadas que interactúan entre si con el fin de satisfacer
un objetivo común.
o Sistemas de Información: Sistema que permite recolectar, almacenar, procesar y distribuir
datos.
 Sistemas Inteligentes: Son todos aquellos Sistemas que emplean determinadas
heurísticas para poder resolver problemas.
 Sistemas Basados en Conocimientos: Programa de Inteligencia Artificial,
cuyas prestaciones dependen más de la presencia explícita de un cuerpo
de conocimientos que de la posesión de ingeniosos procedimientos
computacionales. Pertenecen a los Sistemas Inteligentes. Son sistemas
que incluyen los Datos, las Noticias y los Conocimientos. Sus reglas se
encuentran separadas de los procedimientos. Su Base de Conocimientos
es pública y accesible. Es multidominio y reutilizable.
Tiene una base de conocimientos explícita que puedo identificar, y posee
un comportamiento inteligente. Es como una BD pero en vez de datos hay
hechos y reglas.
 Sistemas Expertos: Puede no tener una base de conocimiento explícita.
Son más particulares que los sistemas basados en conocimiento porque se
basan en una persona llamada “Experto”. El Sistema experto no reemplaza
al experto sino que lo asiste.

Construcción de Sistemas Basados en Conocimientos

Problemas en la Construcción de Sistemas Basados en Conocimientos
Los Problemas que se dan en la construcción de Sistemas Basados en Conocimientos son:
 La adquisición de los conocimientos.
 La representación de los conocimientos.
 La generación de inferencias.

Página 1 de 38
 Resumen de Inteligencia Artificial

Principios Para Construir Sistemas Basados en Conocimientos

Los principios arquitectónicos que se deben seguir para construir Sistemas Basados en Conocimientos
son los siguientes:
 Separación del mecanismo de inferencia de la Base de Conocimientos.
 Uniformidad en la representación.
 Conservar simple el motor de inferencias.

Sistemas Basados en Conocimientos (SBC)

Componentes de un Sistema Basado en Conocimiento
Los componentes de un Sistema Basado en Conocimientos son los siguientes:
1. Base de Conocimientos (BC): Posee las reglas que guían la resolución de problemas. Es pública
y accesible. Sus reglas son de la forma: SI [CONDICIÓN] [ACCIÓN].
2. Motor de Inferencia (MI): Es quien consulta la BC para obtener las reglas con el fin de satisfacer
una consulta del usuario. Se encarga de la realimentación.
3. Interfaz de Entrada/Salida (IES): Transforma las peticiones del usuario para que las entienda el
MI; y viceversa, transforma los resultados que le provee el MI para que los pueda interpretar el
usuario.

BC M
I

IES
SBC

Mundo Real
USUARIO

Sistemas Expertos (SE)

Componentes de un Sistema Experto
Los componentes de un Sistema Experto son los siguientes:
1. Base de Conocimientos (BC): Es la unión del conjunto de acciones y el conjunto de reglas.
Contiene el conocimiento público y privado que el sistema requiere para dar solución a los
problemas planteados por el usuario sobre un dominio específico. Sus reglas son de un dominio
específico y no pueden ser modificadas por el usuario final.
2. Base de Datos (BD): Está formada por los distintos datos sobre el problema particular que el
Sistema Experto está tratando de resolver. Su función es suministrar información al MI. Posee los
datos iniciales. Mientras la BC posee reglas, la BD posee datos.
3. Memoria de Trabajo (MT): Es una base de datos temporal en la cual el MI deposita la información
deducida a partir de la BC, la BD y la propia MT.
4. Motor de Inferencia (MI): Activa las reglas en función de la información contenida en la BD y en la
MT. La nueva información es puesta en la MT. También se encarga de proporcionar al TE las reglas
que se aplicaron ante una determinada consulta del usuario. El MI trabaja bajo uno de los dos
principios siguientes:
a. Principio de Universo Cerrado: Establece que toda la información se encuentra contenida
en el sistema, y en consecuencia lo que no se puede demostrar como verdadero se
demuestra como falso.
b. Principio de Universo Abierto: Establece que la información necesaria no está contenida en
el sistema, está fuera de él, y en consecuencia se comunica con el usuario. Un sistema con
un Universo Abierto puede comenzar a funcionar con a una BD vacía.

Página 2 de 38
 Resumen de Inteligencia Artificial

5. Trazador de Consultas (TC): Organiza y presenta en una forma sintáctica y semánticamente

aceptable para el usuario los requerimientos de información del sistema. Las respuestas
suministradas por el usuario serán asentadas en la MT. Formula las preguntas al usuario sobre los
datos necesarios para resolver el problema.
6. Trazador de Explicaciones (TE): Interpreta requerimientos del usuario sobre el porqué de
determinadas preguntas por parte del sistema trazando la ejecución de las mismas. Esa traza se
realiza utilizando información que le suministra el MI.
7. Manejador de Comunicaciones (MC): Posee dos funciones bien definidas:
a. Derivar la información inicial que suministra el usuario hacia la BD.
b. Interpretar los mensajes del usuario que pueden ser respuestas del usuario a una pregunta
del sistema; o una solicitud de una explicación a partir de una consulta del sistema.

Los sistemas expertos, deben expresar sus conclusiones al usuario.

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

Tipos de Sistemas Expertos

Los tipos de Sistemas Expertos que hay son:
 Consejo al Usuario.
 Instrucción.
 Control.
 Ayudante Inteligente.
 Asimilación de Información y Descubrimiento.

Página 3 de 38
 Resumen de Inteligencia Artificial

Ingeniería en Software vs INCO

La diferencia entre la Ingeniería en Software y la INCO es que la Ing. en Software se aplica a tipos de
problemas sistemáticos y procedimentales, y la INCO se caracteriza por ser heurísticos y declarativos.

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

Nota: El nivel Pragmático es el mayor nivel que puede manipular un SE.

En donde podemos encontrar los siguientes conceptos:

 Datos: Son los valores o métricas que pueden llegar a brindar información a algún individuo en
un contexto determinado.
 Noticias: Suele conocerse con el nombre de Información. Son aquellos Datos que poseen un
significado específico en un determinado contexto para un determinado individuo.
 Conocimiento: Es el conjunto de Noticias que posibilitan resolver problemas.
 Sabiduría: Permite aplicar los Conocimientos según un juicio de valor (moral, ético, correcto).

Relación entre la Pirámide de la Información y las Ingenierías

Ingeniería en software: Ingeniería que ofrece métodos y técnicas para desarrollar y mantener software.

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.

Experiencia Artificial Frente a Experiencia Natural

Ventajas y desventajas de usar tanto la Experiencia Artificial como la Experiencia Natural.
 Razones para preferir la Experiencia Artificial:
o Permanece.
o Es fácil de transferir o reproducir.
o Genera resultados reproducibles más consistentes y completos que aquellos de los
expertos humanos.
o Es fácil de documentar.
o Tiene un coste relativamente reducido.
o Se encuentra difundida.
o Puede ser utilizada por usuarios sin conocimiento del dominio
 Razones para preferir la Experiencia Natural:
o Los expertos humanos son creativos.
o Los expertos humanos son capaces de aprender y adaptarse a condiciones cambiantes
ajustando sus estrategias de acuerdo a las nuevas situaciones.
o Los expertos humanos pueden beneficiarse y usar directamente los órganos de los
sentidos.
o Los expertos humanos examinan todos los aspectos de un problema y ven de qué manera
están relacionados con la cuestión principal.
o Los expertos humanos, y en general los seres humanos, posee lo que se denomina sentido
común.

Por Qué Introducir Experiencia Artificial

Existen diversas razones para las cuales una entidad puede decidirse a construir un Sistema Basado
en Conocimientos o un Sistema Experto, entre ellas:
 Satisfacción del cliente.
 Utilización adecuada de los empleados.
 Uniformidad de la producción.
 Incremento de ingresos y reducción de gastos.

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.

Metodología de Construcción de Sistemas Basados en Conocimientos

Definiciones Varias
– Metodología:
Conjunto de etapas que se dan en un orden determinado, y que si se producen de manera exitosa
permite cumplir con determinados objetivos.

– 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.

INCO (Ingeniería en Conocimiento)

La INCO es una forma de aplicar IA
Es el conjunto de principios, métodos 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.
La INCO abarca tanto la creación de Sistemas Basados en Conocimientos como la creación de
Sistemas Expertos.
Permite automatizar cómo se resuelve un problema. Se basa en las decisiones tomadas por un
Experto; a partir de las cuales se genera un Sistema Inteligente.
Busca construir algo que resuelva un problema. Desde el punto de vista de la Ingeniería el problema se
resuelve creando un objeto, empleando una metodología y usando el ingenio.

Página 7 de 38
 Resumen de Inteligencia Artificial

El Ingeniero en Conocimiento emplea métodos, técnicas, herramientas y principios básicos para

construir un modelo de los procesos lógicos producto del análisis de la información.

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

1 . Adqui s ic i ón de Conoci mi e ntos

Es un proceso de recolección de información (independientemente de la fuente) necesaria para
construir el sistema experto. No es una etapa, sino un proceso que se va a dar a lo largo del ciclo de vida.
Uno de los objetivos fundamentales es adquirir toda la información posible para construir en las etapas
posteriores los modelos estáticos y dinámicos, de cuya unión surge la conducta del Experto en la solución
encontrada. Luego de ejecutar el ciclo de educción es necesario analizar los conocimientos obtenidos y
generar la documentación necesaria para pasar luego a la fase de Conceptualización.

Adquisición de Conocimientos tipos:

 Extracción de Conocimientos: Es la adquisición de los conocimientos públicos de sus
fuentes escritas (libros, documentos, manuales, etc.).
 Educción de Conocimientos: Es la adquisición de los conocimientos privados de los
Expertos. En toda sesión de educción de conocimientos se debe definir de antemano el
contenido de la sesión, definir de antemano cual es la técnica de educción a utilizar, y realizar
luego una revisión de los conocimientos educidos con el experto.

Proceso de Adquisición de Conocimientos

 Primeras Reuniones y Evaluación de Vialidad: (De Expertos, Directivos y Usuarios). Se
buscan conocimientos generales, terminologías del dominio. Se emplea una baja profundidad.
Se pueden usar las Entrevistas Abiertas
 Extracción de Conocimientos: Estudio de Documentación y Análisis Estructural de Textos.
 Educción de Conocimientos: Se obtienen los conocimientos privados de los expertos.
o Interrogatorio Inicial: Se tratará una visión de alto nivel del dominio, la comprensión de las
tareas del Experto, la comprensión del entorno de las tareas. Puede emplearse la técnica
de Observación de Tareas Habituales.
o Investigación Profunda: Se baja a mayor profundidad para obtener los conocimientos.
Cuando se trata de conocimientos estáticos del dominio, se emplean las técnicas de
Entrevista Estructurada, Incidentes Críticos, Clasificación de Conceptos, Emparrillado y

Página 8 de 38
 Resumen de Inteligencia Artificial

Cuestionarios. Cuando se tratan de buscar las estrategias de resolución del Experto se

emplea la técnica de Análisis de Protocolos. Cuando el objetivo sea validar los
conocimientos adquiridos se emplean las técnicas de Cuestionarios y Entrevistas
Estructuradas.

Ciclo de EducciónEl 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.

Técnicas de Adquisición de Conocimientos

Las Técnicas de Adquisición de Conocimientos se pueden clasificar según se muestra a continuación:
 Técnicas de Extracción de Conocimientos: Permiten obtener conocimientos públicos de
fuentes escritas.
o Estudio de Documentación: Se deberá analizar la documentación escrita existente que
permita al Ingeniero en Conocimiento comprender el dominio, conocer las tareas que realiza
el Experto, etc.
o Análisis Estructural de Textos: Consiste en la búsqueda, a través de la documentación, de
determinados términos que le permitan al Ingeniero en Conocimiento introducirse en el
dominio del problema. Posee la ventaja de permite adquirir gran cantidad de conocimientos.
Posee las desventajas de que se limita a los conocimientos publicados; posee problemas
con los gráficos; y no siempre aborda bien la semántica de los textos.
 Técnicas de Educción de Conocimientos: Permiten obtener los conocimientos privados de
los Expertos.
o Directos: El Experto reporta aquellos conocimientos que puede articular directamente.
Comprende las siguientes técnicas:
 Entrevistas: Es el método más común de educir conocimientos.
 Abiertas: Es una entrevista no estructurada, que no quiere decir que sea
improvisada. Se trata de conseguir que el Experto entienda bien la tarea lo
más rápidamente posible y al Sistema Experto en construcción. Sus
ventajas son que permite generar gran cantidad de conocimientos sobre la
terminología y sobre el dominio; y permite educir información imprevista.
 Estructuradas: Combina una Observación de Tareas Habituales con una
Entrevista Abierta. Una vez definido el tema y su profundidad, el Ingeniero
en Conocimientos planifica las preguntas de la sesión.
Son excelentes para coleccionar conocimientos básicos acerca de: enlaces, valores,
acciones, atributos e información conceptual; hechos, reglas, etc. Posee las
desventajas de que consume mucho tiempo; se basa en la memoria del experto.
 Cuestionarios: Consiste en realizar una Entrevista Estructurada al Experto de forma
indirecta, a través de cuestionarios. Posee las ventajas de acumular información
más eficientemente; el Experto lo completa cuando puede.
o Indirectos: El Ingeniero en Conocimientos debe inferir los conocimientos que el Experto
trata de transmitir debido a que el Experto no sabe cómo hace para resolver los problemas.
Comprende las siguientes técnicas:
 Observaciones de Tareas Habituales: El Ingeniero en Conocimientos no debe
interferir con las tareas del Experto, sino sólo observarlo y registrarlo. Permite
proporcionar una primera idea de los tipos de conocimientos y habilidades
implicadas en el dominio, así como también para captar conocimientos
procedimentales. Sus inconvenientes son que el Ingeniero en Conocimientos actúa
como un observador pasivo; en algunos dominios no se puede implementar por
razones de privacidad; hay tareas que no son muy informativas solo observándolas;
es consumidora de tiempo.

Página 9 de 38
 Resumen de Inteligencia Artificial

 Observación de Tareas a Través de un Novato: La variación consiste en

hacer que una persona novata realice las tareas del Experto, el cual lo
guiará en la resolución de los problemas sin estar presente físicamente.
 Incidentes Críticos: Se le pide al Experto que describa casos especialmente
interesantes o difíciles que se le hayan presentado y cómo los resolvió. Suele
emplearse cuando la educción llega a un punto muerto Presenta las ventajas de
que permite recolectar rápidamente información útil. Presenta las desventajas de
que el Experto puede olvidar detalles de la solución.
 Imposición de Restricciones: Se le pide a un Experto que resuelva un
problema normal, pero con ciertas restricciones. Permite determinar las
prioridades del Experto. Presenta como desventaja que los Expertos se
encuentran a disgusto con éste método.
 Clasificación de Conceptos: Se emplea para estructurar conceptos en dominios
muy amplios. Consiste en presentarle fichas a los Expertos con conceptos para que
éste los clasifique.
 Análisis de Protocolos: Es similar a la Observación de Tareas Habituales, salvo que
el Experto deberá decir constantemente lo que piensa. Se busca capturar y
después estudiar todo lo que dice el Experto en el momento en que trata un
problema. Es útil cuando los casos han sido seleccionados previamente. Posee las
ventajas de que provee gran cantidad de información; puede usarse de manera
complementaria a otras técnicas; permite extraer heurísticas del Experto; va más
allá de lo que el Experto puede contar explícitamente. Posee las desventajas de
que no puede ser usado para todo tipo de tareas; el coste en tiempo de su
utilización; la incompletitud del método; puede interferir en la forma de llegar a la
solución.
 Análisis Retrospectivo: Consiste en que el Experto resuelva un problema y
luego que indique los pasos que siguió para resolverlo.
 Emparrillado: Incluye un diálogo inicial con el Experto, una sesión de valoración y
un análisis de los resultados, es decir, de los grupos, de los conceptos y de las
dimensiones sobre las cuales fueron valorados los elementos. También puede
usarse como medio de clasificación. Posee las ventajas de que permite obtener
información acerca de cómo piensa el Experto y cuáles son sus prioridades y
factores importantes; permite que una misma cuestión sea vista más de una vez;
permite detectar patrones o asociaciones; es excelente en las primeras etapas de
adquisición de conocimientos. Posee las desventajas de que es intrusivo; si los
elementos, las características y/o las valoraciones no se eligen bien pueden
provocar resultados erróneos.
 Inducción: Dado un conjunto de ejemplos específicos se inducen reglas que
describen los ejemplos. Si las reglas son correctas serán lo suficientemente
generales como para cumplirse no sólo en los ejemplos particulares, sino en lo
general. Para usar la inducción se necesita de un Conjunto de Entrenamiento,
Atributos, Clases y el Algoritmo de Inducción. Se suelen emplear las técnicas AQ y
TDIDT. Posee la ventaja de que es que es muy buena para capturar conocimientos
tácitos y heurísticos una vez identificado los atributos. Las desventajas que posee
son que puede producir reglas incorrectas debido a malos ejemplos; si el dominio
es complejo serán necesarios muchos ejemplos para producir las reglas; los
ejemplos y atributos pueden ser difíciles de educir.
 Técnicas de Educción de Conocimientos a Partir de Grupos de Expertos: Permiten obtener
los conocimientos privados de un grupo de Expertos. Los conocimientos obtenidos son más
completos, más verosímiles, de mayor calidad y con una mayor diversidad.
o Tormenta de Ideas: Técnica en donde las ideas que llegan a la mente se analizan y
estudian en grupo. Permite desarrollar ideas y explorar su significado. Estimula el
pensamiento. Posee la desventaja de que sólo es válida en tanto que se circunscriba a
problemas de imaginación.
o Técnica Nominal de Grupo: Es una forma de estructurar reuniones de pequeños grupos que
permiten combinar efectivamente juicios individuales. Es útil en identificar problemas,
explorar soluciones y establecer prioridades.
o Entrevistas de Grupo: Son entrevistas realizadas a un grupo de personas. Favorece la
participación, la seguridad, la libertad y la estimulación de los Expertos. Puede usarse en
conjunción con la Entrevista Estructurada. Puede usarse para definir el alcance del
problema, identificar soluciones alternativas, etc.

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.

El Modelo Conceptual y el Modelo Formal

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

a. Análisis: Se identifican los Conocimientos: Es un razonamiento Regresivo.

i. Estratégicos,
ii. Tácticos,
iii. Operativos, y los
iv. Metaconocimientos.

b. Síntesis: Se construyen los modelos. Es un razonamiento hacia adelante.

i. El Modelo Dinámico contiene las tareas (acciones) y el control (estrategias de

control).
ii. El Modelo Estático contiene el Diccionario de Conceptos y las tablas de Concepto-
Atributo-Valor.
iii. El Mapa de Conocimientos toma información de los Modelos Estático y Dinámico.
3 . Forma li za ci ón .
La formalización se corresponde con el entorno de desarrollo y expresa mediante técnicas de
representación de conocimiento al problema, a la resolución y a su estructura.
Hay distintos tipos de formalismos:
 Formalismos Basados en Conceptos: Se encuentran divididos en las técnicas:
o Tabla Concepto-Atributo-Valor.
o Marcos.
 Formalismos Basados en Relaciones: Entre los cuales podemos encontrar:
o Cálculo de Predicados en Primer Orden.
o Las Redes Semánticas: Grafos.
o La teoría de la Dependencia Conceptual: Patrones de estructuras sintácticas para armar
relaciones de conceptos.
 Acciones: Los modelos tienden a representar las cosas que se van ejecutando:

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.

Las variables que intervienen en un proyecto son: Costo, Tiempo y Calidad.

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.

A diferencia de los Sistemas de Información, los Sistemas Basados en Conocimientos comienzan

siendo productos malos con errores para ir mejorando a través del tiempo.

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

Fases y Etapas de la Metodología IDEAL

La Metodología IDEAL posee las siguientes fases y etapas:
1- Identificación de la Tarea
2- Desarrollo de Prototipos
3- Ejecución de la Construcción del Sistema Integrado
4- Actuación para conseguir el Mantenimiento Perfectivo
5- Lograr una adecuada Transferencia Tecnológica
1. Identificación de la Tarea: Antes de iniciar el desarrollo de un S.E. se debe: definir los objetivos de
la aplicación y determinar si la tarea puede ser tratada con la tecnología de la INCO . En caso
afirmativo se definen las características del problema y se especifican los requisitos que enmarcan
la solución del mismo. Al completar la fase se logran definir las funcionalidades, el rendimiento y las
interfaces que se espera que tenga el sistema. Se define el objetivo y el alcance para el SBC.Esta
fase se divide en las siguientes etapas:
a. Plan de Requisitos y Adquisición de Conocimientos: Comprende la identificación de las
necesidades del cliente describiendo los objetivos del sistema. Es necesario que el
Ingeniero en Conocimientos comience con una breve Adquisición de Conocimientos.
Durante la etapa de Adquisición de conocimientos, en las primeras reuniones (directivos y
usuarios) es recomendable utilizar como técnica… La entrevista abierta
Parámetros esenciales a considerar:
 Fines específicos y generales del sistema.
 Funcionamiento y rendimiento deseado.
 Fiabilidad y confiabilidad.
 Limitaciones de coste/tiempo.
 Requisitos de fabricación.
 Tecnología disponible
 Competencia.
 Ampliaciones futuras.

Para confeccionar el “plan de requisitos” es necesario comenzar con la “adquisición

de conocimientos”, entrevistando a directivos, usuarios y expertos. Sin embargo, la
“adquisición profunda” se lleva a cabo en la fase II.

b. Evaluación y Selección de la Tarea: Se realiza un “estudio de viabilidad” evaluando la tarea

desde la perspectiva de la INCO, y cuantificando esta evaluación para determinar el grado
de dificultad de la tarea.
Se analizan los siguientes aspectos de la tarea:
 Plausibilidad: se analiza si es posible realizar el sistema.

 Adecuación: se analiza la naturaleza, la complejidad y el tipo de tarea para verificar

si el desarrollo del SE es adecuado.

 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.

Si todo esto sucede se procede a hacer el Sistema Experto.

c. Definición de las Características de la Tarea : Se establecen y definen las características

más relevantes del desarrollo de la aplicación:
 Definición formal de la aplicación: desde el punto de vista del sistema.

Se hace una especificación inicial de los requisitos:

o Funcionales: tipos de información (datos, noticias y conocimientos).

o Operativos: estáticos y dinámicos con respecto al tiempo
o De interfaz: de usuario, con otros productos y sistemas, etc.
o De soporte: plataforma de hardware y software necesaria.

 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

 Casos de prueba o juegos de ensayo: se utilizan para validar el grado y calidad de

experiencia del experto, así como también las prestaciones del S.E.

 Recursos para desarrollar el SE: especificación de recursos materiales y

humanos.

 Análisis de Costos / Beneficios y Evaluación de Riesgos: se analizan los tipos

de gastos, tipos de beneficio y clases de riesgos a tener en cuenta.

 Hitos y Calendario: plan de desarrollo del sistema.

En esta etapa, es dónde se realiza la especificación del sistema.

Con la definición de esta fase, el Ingeniero, los usuarios, los directivos y los expertos
logran perfilar satisfactoriamente el ámbito del problema. Para esto es necesario
definir coherentemente cuales son las funcionalidades, el rendimiento y las
interfaces necesarias, para luego analizar el entorno de la tarea y el riesgo del
desarrollo del S.E.

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

o. Adquisición de Nuevos Conocimientos y Actualización del Sistema: Se encarga de diseñar

nuevos protocolos para adquirir nuevos conocimientos, y de incorporar al Sistema los
nuevos conocimientos adquiridos.
5. Lograr Una Adecuada transferencia Tecnológica: Para la correcta implantación del sistema, es
necesario una correcta transferencia tecnológica de manejo desde la parte que lo desarrolló hacia
los usuarios finales. Esta fase se divide en las siguientes etapas:
p. Organizar la Transferencia Tecnológica: Se suelen usar entrenamientos en sesiones de
tutoría entre los diseñadores y los usuarios para explicar el manejo del sistema y el
entendimiento de la documentación.
q. Completar la Documentación del SBC Construido: Se debe crear el manual de usuario, el
cual deberá estar orientado al usuario final.

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.

Tipos de Lógica Deductiva

Lógica Proposicional
Es el modo más básico y elemental para poder representar conocimientos.
Elementos
Son los que permiten construir las proposiciones que representan los hechos de la realidad y sus
relaciones. Los elementos de la Lógica Proposicional son:
 Proposiciones: Representan hechos de la realidad. Se representan en minúscula (p, q, r, …).
 Operadores Lógicos: Relacionan hechos o Proposiciones. Son:
o Y:  .
o O:  .
o NO:  .
o Entonces:  .
o Sí y Sólo Sí:  .
Tablas de Verdad
Representan el resultado de relacionar dos proposiciones a través de un Operador Lógico.
 V F  V F  V F  V F  V F
V V F V V V V V F V V F  F V
F F F F V F F V V F F V

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

 Forma Normal Disyuntiva (FND): Posee la forma            

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

Lógica de Primer Orden

A diferencia de la Lógica Proposicional, la Lógica de Primer Orden agrega varios elementos para
descomponer la expresión.
Elementos
Son los que permiten construir las proposiciones que representan los hechos de la realidad y sus
relaciones. Los elementos de la Lógica de Primer Orden son:
 Variables: Representan hechos de la realidad. Se representan en minúscula (x, y, z, w, …).
 Constantes: Se representan en minúscula (a, b, c, d, …).
 Operadores Lógicos: Relacionan hechos o Variables. Son:
o Y:  .
o O:  .
o NO:  .
o Entonces:  .
o Sí y Sólo Sí:  .
 Cuantificadores: Permiten englobar y definir un alcance para los hechos individuales. Son:
o Para Todo:  .
o Existe:  .
 Funciones de Verdad: Indican funciones sobre las Variables  H  x  : x es ...  .

En las expresiones, generalmente los  implican la existencia de  o  ; mientras que los 

implican la existencia de  .

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

Tip: Si tengo NO implicaciones en la tesis -> NO puedo suponer en la hipótesis.

Deducción natural de Lógica de Primer Orden

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 Métodos de Búsqueda

Los Métodos de Búsqueda son métodos de resolución de problemas.
Al presentarse un problema éste debe descomponerse. El primer paso para resolverlo consiste en crear
una forma descriptiva formal y manipulable a partir de la descripción informal del problema.

El Espacio de Estados o Espacio del Problema

Es el dominio que contiene todos los posibles estados del sistema. Surge para representar la forma
descriptiva formal necesaria para resolver el problema. El Espacio de Estados puede ser:
 Finito: Si la cantidad de Estados que lo componen es finita y determinable.
 Infinito: Si la cantidad de Estados que lo componen no es finita o determinable.

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.

Las Reglas u Operadores

Es un mecanismo que se emplea para modificar o transformar un Estado del sistema . Se utilizan para
enlazar un Estado Actual con otro Estado Objetivo. Una Regla se compone por:
 Estado Actual: Es el Estado sobre el cual se aplican la Regla.
 Operando: Es el operador.
 Estado Resultado: Es el Estado resultante.

El proceso de solución de un problema es el proceso mediante el cual partiendo de un Estado Inicial y

mediante una Estructura de Control que selecciona y aplica Reglas que producen Transiciones entre
Estados pertenecientes al Espacio de Estados del problema, se llega a un Estado Solución.

Clasificación de los Problemas

Los problemas se pueden clasificar en:
 Ignorables: Son aquellos en los cuales un error en la búsqueda no altera el proceso.
 Recuperables: Son aquellos en los cuales existen movimientos que pueden compensar los
errores en la búsqueda.
 No Recuperables: Son aquellos en los que los errores no tienen vuelta atrás.

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

Clasificación de los Sistemas de Producción

Los Sistemas de Producción se pueden clasificar en los siguientes tipos:
 Monótono: Es aquel en el cual la aplicación de una regla no prevé la posterior aplicación de
otras reglas, que podrían haberse aplicado cuando se seleccionó la primera.
 No Monótono: Es aquel en que se aplican todas y cada una de las reglas que pueden ser
tomadas en un momento determinado.
 Parcialmente Conmutativo: Es aquel en el cual si se aplican una secuencia de reglas
transforma el estado X al estado Y, entonces por alguna permutación permitida de estas reglas
también transforma el estado X en estado Y.
 No Parcialmente Conmutativo: Aquel donde si se permutan cualquiera de las reglas no se
llega del estado X al estado Y. Son aptos para resolver Problemas No Recuperables.
 Conmutativo: Sistema que es a su vez monótono y Parcialmente Conmutativo. No contemplan
volver a estados pasados. Tienden a alcanzar muchos estados individuales duplicados.

Métodos de Búsqueda Sin Información del Dominio

Son los Métodos que operan sin un conocimiento que pueda guiar la búsqueda acerca del dominio del
problema, por lo que se deberá realizar una búsqueda exhaustiva en todo el Espacio de Estados.

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.

Métodos de Búsqueda Con Información del Dominio

Son aquellos Métodos que operan con un conocimiento que guía la búsqueda en un determinado
sentido. Generalmente el conocimiento se basa en una función heurística que permite probar primero los
caminos más prometedores, evitando una explosión combinatoria.
Permiten facilitar la búsqueda de el/los Estado/s Final/es. Se suelen usar para encontrar una solución
aceptablemente buena, no necesariamente la mejor dentro de todo el Espacio de Soluciones.

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.

– Escalada de Máxima Pendiente

Es una variante del Método de Escalada Simple. Pretende resolver el problema que se da al generar y
evaluar los sucesores de un nodo de a uno.
Dado un Estado Actual, generar todos los sucesores del Estado y luego los evalúa uno por uno,
“escalando” por el mejor de ellos incluyendo al Estado Actual.
Ventajas
 Posee menor probabilidad de estancarse ante un mínimo (o máximo) local.
 Si encuentra una solución, ésta es mejor que la posible solución encontrada por el Método de
Escalada Simple, en el caso de que difieran.
 Necesita menor cantidad de pasos para hallar la solución.
Desventajas
 Se ensaña con una rama y abandona el resto.
 El Método es más lento que el Método de Escalada Simple.
Página 21 de 38
 Resumen de Inteligencia Artificial

 No garantiza encontrar la solución, pese a que esté a un nodo de distancia.

 De todas formas puede no hallar la solución si se cae en un mínimo (o máximo) local.
 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.

El Método emplea dos listas:

 Lista de Abiertos: Nodos generados pero que no se han explorado los sucesores. Se
encuentra ordenada y priorizada por el valor heurístico de cada nodo.
 Lista de Cerrados: Nodos generados, de los cuales ya se han generado los nodos sucesores
correspondientes. Se encuentra ordenada históricamente.

En cada iteración se reordena la Lista de Abiertos, lo que posibilita la vuelta atrás.

Al generar un nodo se debe controlar que ya no se encuentre en la Lista de Cerrados. Si esto sucede
no se evaluará pero si se indicará ésta situación en el modelo, para no simplificar la realidad.
Como el algoritmo avanza siempre por el mejor camino, al hallar una solución asume que ésta es la
mejor y termina el proceso de búsqueda. El proceso también termina en el caso de que la Lista de Abiertos
quede vacía.
Es una simplificación del Método A*, dado que su Función Heurística sólo pondera la estimación del
costo desde un nodo al nodo solución, lo que queda por recorrer, y no el costo desde la raíz hasta ese nodo,
o sea el camino recorrido.

En la resolución de problemas se deberá emplear la siguiente tabla:

Iteración Ítem Valor
1 Nodo Actual (Estado Inicial)
¿Es Solución? SI / NO
Lista de Abiertos (Sucesores del Estado Inicial)
Lista de Cerrados (Estado Inicial)
… … …
N Nodo Actual (Primer Nodo de la Lista de Abiertos)
¿Es Solución? SI / NO
Lista de Abiertos Reordenar(Lista de Abiertos – Nodo Actual + Sucesores del Nodo Actual)
Lista de Cerrados (Lista de Cerrados + Nodo 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

Método de Reducción de Problemas

Se emplea en los casos en que los problemas pueden descomponerse en subproblemas. Dado un
problema se lo divide de manera recursiva en problemas menores hasta llegar a Problemas Primitivos
(problemas atómicos de resolución inmediata).
Problema Meta   Problema Primitivo
 Solución Problema Meta    Solución Problema Primitivo 
La resolución de todos los problemas primitivos implica que el problema principal ha sido resuelto.

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.

Las principales diferencias con el Método el Primero Mejor son:

 En el Primero Mejor la vuelta atrás no es necesaria, en cambio en el Método de Reducción de
Problemas si porque hay que reevaluar los nodos expandidos para determinar el mejor camino.
 En el Primero Mejor se buscaba el camino con menor costo, en cambio en el Método de
Reducción de Problemas los caminos individuales que van de un nodo a otro no deben ser
tomados independientemente de los caminos a través de otros nodos conectados a los nodos
originales mediante arcos Y.

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.

Etapas del Análisis de Protocolos

Esta técnica de Educción de Conocimientos posee las siguientes etapas.

1. Grabación del Protocolo

La cual se divide en las subetapas siguientes:
 Introducción: El Ingeniero en Conocimiento le explica al Experto lo que espera de él. Se le pide
que hable en voz alta diciendo que diga lo que piensa, lo que hace, pero no que explique sus
razonamientos. Si el Experto se quedase callado por un lapso mayor a los tres segundos,
deberá indicarse tal situación y pedirle que continúe.
 Puesta en Situación: Se busca brindarle confianza al Experto, por ejemplo mediante la
resolución de algún ejercicio introductorio.
 Registro del Protocolo: Es la grabación y la registración de lo que dice y hace el Experto.

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

 Identificación de Conceptos, Características, Valores, Relaciones y Operadores: Se los

suele denominar también como Elementos del Protocolo. Se debe analizar frase por frase de la
tabla anterior para poder determinar cada uno de estos Elementos.
o Conceptos: Representan una entidad, un conocimiento.
o Características: Las Características se relacionan con los Conceptos, ya que establecen las
cualidades que pueden tener éstos. Serían como los atributos.
o Valores: Se relacionan con las Características. Son los valores que puede adoptar una
determinada Característica. O sea que definen las particularidades de un Concepto
determinado que lo hacen distinguible de otros Conceptos de su misma especie.
o Relaciones: Son explícitas y pueden relacionar un Concepto con otro Concepto o un
Concepto con una Característica.
o Operadores: Son los medios que el Experto utiliza para pasar de un estado del problema a
otro estado más próximo a la solución.
Se deberá emplear la siguiente tabla:
Significado Texto
Concepto
Característica
Valor
Relación
Operador
… …
 Identificación de las Relaciones de Protocolo: Consiste en determinar las relaciones que
existen dentro del protocolo. Se deberá construir la siguiente tabla, denominada Tabla
Concepto-Característica-Valor, para ordenar y relacionar los Elementos del Protocolo
detectados en la tabla anterior:
Concepto Característica Valor
Concepto Característica Valor
Concepto (Característica) Valor
… … …
Entre paréntesis se deberán indicar aquellas relaciones implícitas entre un Concepto y un Valor.
El siguiente paso consiste en establecer las Relaciones de Protocolos, que son relaciones explícitas
entre Conceptos.
Para ello se emplea un grafo como se muestra a continuación:
RELACIÓN A
Concepto k Concepto i
RELACIÓN B
RELACIÓN C
Concepto j Concepto
m
 Identificación de la búsqueda: Consiste en determinar los estados por los cuales pasa el
Experto desde el estado inicial hasta llegar al estado solución.
En la resolución de los ejercicios se deberá seguir el siguiente esquema:

Estado Inicial

Operador 1 Características distintivas 1

Estados Intermedios

Operador n Características distintivas n

Estado Final

 Identificación de Metacomentarios, Sinónimos e Incertidumbres: En base a la primera tabla

se deberán detectar los Metacomentarios, los Sinónimos y las Incertidumbres.

Página 24 de 38
 Resumen de Inteligencia Artificial

o Metacomentarios: Frases o palabras que no aportan nada en el Protocolo, sin embargo

pueden representar razonamientos ocultos y pueden servir más adelante en otro Análisis de
Protocolo. Sus Elementos no deben ser tenidos en cuenta en el Análisis.
o Sinónimos: Palabras que representan la misma idea o concepto.
o Incertidumbres: Palabras o frases que implican dudas o deducciones inciertas. Influyen en
los operadores pero no forman parte de él. Representa un grado de certidumbre para un
operador que brinda el Experto.
En la resolución de los ejercicios se deberá seguir el siguiente esquema:
 Sinónimos: …
…
 Metacomentarios:
Línea Metacomentario Significado
n … …
… … …
 Incertidumbres: …
…

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:

1. Identificación de los Elementos

En ésta primera etapa se deben obtener los Elementos que conformarán la Parrilla. Éstos deben ser
homogéneos y representativos del dominio. Que sean homogéneos se refiere a que estén en el mismo
nivel. Que sean representativos indica que deberán abarcar todo el dominio.
Para obtener los Elementos se pueden usar entrevistas.

2. Identificación de las Características

Las Características son las cualidades que pueden ser atribuidas a los Elementos o conceptos del
pensamiento. Deben ser bipolares, o sea, un Elemento es una cosa o la otra. La cantidad de Características
no depende de la cantidad de elementos.
Dichas Características pueden ser obtenidas mediante entrevistas.
También se deberán determinar los polos de las Características, o sea cuál es el extremo que toma en
cuenta en primera instancia el Experto.

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

4.2. Clasificación de las Características

Es similar al proceso de Clasificación de los Elementos, salvo que se calculan dos valores de distancia:
 En la Diagonal Superior de la Parrilla se calcula la Distancia 1 (d1) de forma similar al cálculo de
las distancias entre elementos.
 En la Diagonal Inferior de la Parrilla se calcula la Distancia 2 (d2), la cual es el modulo de la
diferencia de una fila de la matriz original contra una fila de la matrix opuesta.
Como sólo hay que trabajar con la diagonal superior, se deberá construir una nueva Parrilla de distancias de
características tomando de la matriz anterior la distancia mínima entre los opuestos por la diagonal:
Al construir la nueva matriz se deberán agrupar las características siguiendo el mismo proceso que se ha
indicado en la Clasificación de los Elementos.
Una vez que se han agrupado todas las características se deberá construir el Árbol Jerárquico de
Características.
k
…
3
2
1
Ci Cj Ch … Cn

5. Interpretación o Análisis de los Resultados

En esta última etapa se deberán analizar los siguientes ítems con el fin de obtener una conclusión:
 En base a los Elementos:
o Cantidad de grupos que se han formado.
o Grupos que se han formado.
o Similitud entre los Elementos.
 En base a las Características:
o Cantidad de grupos que se han formado.
o Grupos que se han formado.
o Similitud entre las Características.

Página 26 de 38
 Resumen de Inteligencia Artificial

6. Red de relaciones entre Características

Se arma a partir del Texto

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)

Introducción a los Algoritmos Genéticos

Bases de los Algoritmos Genéticos
Los Algoritmos Genéticos se encuentran basados en la:
 Genética.
 Teoría de la Evolución: Fue propuesta por Darwin, y propone:
o Adaptación.
o Supervivencia del más fuerte (del más adaptado).
Los factores fundamentales que posee la Teoría de la Evolución son:
o Selección Natural: Sólo los más aptos sobreviven en el ecosistema.
o Cruzamiento: Es la concepción de nuevos individuos a partir de los ya existentes.
o Mutación: Cambios aleatorios en los cromosomas.

Comparación entre la Biología y los Algoritmos Genéticos

Podemos comparar la Biología con los Algoritmos Genéticos a través de la siguiente tabla:
Biología Algoritmos Genéticos
Ecosistema Problema
Posibles Soluciones
Organismos/Individuos
(Individuos o Cromosomas)
Población
Población
(De cada Ciclo)
Genes
Genes
(Valores binarios)
Genotipo Propiedad

Página 27 de 38
 Resumen de Inteligencia Artificial

(Conjunto de Genes)

Pasos Para Configurar un Algoritmo Genético

Ante un problema deberemos seguir los siguientes pasos a fin de configurar el Algoritmo Genético:
1. Definir el Cromosoma: Primero se deberán identificar las propiedades o características del
problema en cuestión. Y luego se deberán asignar las posiciones dentro del cromosoma a cada una
de las propiedades identificadas. El Cromosoma es el patrón de las características o propiedades
que deberá tener la solución.
La definición del Cromosoma quedaría como se muestra a continuación:
…
PROPIEDAD 1 PROPIEDAD n
2. Definir la Función de Aptitud: Es el segundo paso en la configuración de un Algoritmo Genético.
La Función de Aptitud ( f ) permite comparar y descartar alternativas en base al análisis de los
cromosomas. Esta función puede ser tanto una función matemática, una serie de condiciones como
una combinación de ambas.
Esta función depende del problema dado y del cromosoma
La Función de Aptitud emplea la heurística para determinar qué tan bueno es estar en determinado
estado.
La Función de Aptitud queda representada por la expresión f  Cromosoma   Valor Real .

Esquema de los Algoritmos Genéticos

A continuación se presenta el esquema que posee un Algoritmo Genético.
GENERAR
POBLACIÓN
INICIAL Pi+1 P0

SELECCIÓN

PS
CRUZAMIENTO

PD
MUTACIÓN

Pi+1

NO SI
PARO? POBLACIÓN
FINAL

Operadores o Funciones Básicos

Los operadores o funciones básicas que posee el Algoritmo Genético son:

1. Selección: Comparación y selección de los mejores individuos. Permite seleccionar los candidatos
a cruzar. Se realiza en todas las Iteraciones

2. Cruzamiento: Generación de nuevos individuos a partir de los individuos seleccionados.

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.

En cuanto a la convergencia, no converge más rápido si no ha mutado ningún individuo de la

población

Etapas del Algoritmo Genético

Las etapas que sigue el Algoritmo Genético para resolver un problema son:
1. Generar Población Inicial: Se genera un conjunto de cromosomas, no todo el espacio de
soluciones, denominado Población Inicial (P 0). La convergencia del Algoritmo Genético no depende
de P0.
Sin embargo sí deben configurarse dos parámetros:
o Cantidad de Individuos: Puede ser tanto fija como variable, aunque generalmente se
emplea una cantidad fija.
o Generación de Cromosomas: Puede ser tanto aleatoria como mediante un método genético,
generalmente se generan de manera aleatoria.
2. Selección: En esta segunda etapa se emplea la Función de Aptitud para comparar y seleccionar los
mejores cromosomas. No se generan nuevos individuos, sino que se busca obtener la Población
Seleccionada (PS) a partir de P0. A veces suele hacerse una depuración de individuos no válidos en
ésta etapa si no se realiza en una etapa anterior o un paso intermedio. Los métodos de selección
más comunes son:
a. Torneo: Hace competir a los individuos entre sí y los ganadores son elegidos para cruzarse.
Presenta el problema de que tiende a elegir los cromosomas con mejor Función de Aptitud,
con lo cual se puede perder algún cromosoma con alguna propiedad interesante y también
se pierde diversidad.
b. Ruleta: Emplea el azar para solucionar el problema del Método de Torneo.
El primer paso consiste en construir la siguiente tabla para determinar la probabilidad de
cada individuo:
Individuo f  x p x   f  x   f  x P x 
I1 k1 m1 s1
… … … …
In kn mn 1
  f  x 1 –

Luego se deberá construir el “paño” de probabilidades en base a la columna P  x  con las

probabilidades acumuladas de cada individuo.
Finalmente se deberán elegir números al azar entre 0 y 1, y comparándolos contra el “paño”
se determinará PS.
c. Control Sobre Número Esperado: Es similar al Método de la Ruleta, salvo la tabla que
permite calcular las probabilidades de cada individuo.
Se deberá emplear la siguiente tabla para determinar las probabilidades de cada individuo:
f  x  Promedio
Individuo f  x f  x  Promedio p x   P x 
 f  x  Promedio
I1 k1 d1 Mant  d 1  m1 s1
… … … … … …
In kn dn Mant  d n  mn 1
  f  x  f  x Promedio m i –
Promedio:  f  x n – – –

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.

3. Cruzamiento: En esta etapa se busca cruzar los individuos seleccionados en la Etapa de

Selección. Se generan nuevos individuos y se obtiene la Población Descendente (P D). En general
no se tiene en cuenta la Función de Aptitud. Las técnicas de cruzamiento pueden tener en cuenta
las propiedades del cromosoma o no (genotipo). Dichas técnicas son:
a. Simple: Se truncan los cromosomas en una determinada posición para armar subcadenas
que luego se van a combinar. No tiene en cuenta las propiedades del cromosoma.
Generalmente de dos padres se obtienen dos hijos.

b. Multipunto: Es similar a la Técnica de Cruzamiento Simple, salvo que se establecen

múltiples puntos de corte. Puede tener en cuenta las propiedades del cromosoma o no.

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

4. Mutación: Permite mantener la diversidad de la población disminuyendo el riesgo de convergencia

prematura. Es la etapa en la cual se altera algún gen del cromosoma para producir la mutación de
los individuos. No siempre se produce mutación, debido a que se trata de mantener controlada . Los
métodos de mutación que se pueden emplear son:
a. Simple: Primero se obtiene un valor al azar, el cual es comparado contra un umbral
denominado Probabilidad de Mutación, que puede ser generalmente de 0,1; 0,05 o 0,01. Si
el valor al azar supera el umbral, no se muta; si no los supera, se muta y para ello se
genera un nuevo número al azar (R POS.MUT) que va a definir qué gen del conjunto de todos
los cromosomas de los individuos se va a alterar.
b. Optativa por Convergencia: A medida que la media de la función de aptitud crece, la
probabilidad de mutación baja.
c. Adaptativa por Temperatura: Puede ser:
i. Ascendente: Al aumentar la cantidad de ciclos, aumenta la probabilidad de
mutación.
ii. Descendente: Al ir aumentando la cantidad de ciclos, disminuye la probabilidad de
mutación.
5. Criterio de Paro: Como criterio de paro se pueden tomar la cantidad de ciclos, el tiempo
transcurrido, que la Función de Aptitud supere un mínimo preestablecido ( f  x   Min ), que el
promedio de todas las Funciones de Aptitud de una generación sea mayor a un mínimo (
Prom f  x    Min ), etc. Lo más común es tomar la cantidad de ciclos o f  x   Min .
6. Población Final: Es el conjunto de individuos que podrían ser solución. Para obtener la solución se
deberá determinar el individuo que posea la mejor Función de Aptitud.

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.

Redes Neuronales Naturales

Estructura de las Redes Neuronales Naturales
A continuación se muestra la estructura de las Redes Neuronales Naturales.

Página 31 de 38
 Resumen de Inteligencia Artificial

Dendritas Núcleo Axión

Funcionamiento de las Redes Neuronales Naturales

Una célula neuronal, o neurona, recibe impulsos de entrada a través de las Dendritas, lo cual produce
una excitación en el núcleo de la neurona que se traslada hacia el Axión para ser transmitido a otra
neurona. El poder de éste modelo se encuentra en la red neuronal y no en algún conocimiento almacenado.

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.

Redes Neuronales Artificiales

Estructura de las Redes Neuronales Artificiales
A continuación se muestra la estructura de las Redes Neuronales Artificiales.

Página 32 de 38
 Resumen de Inteligencia Artificial

Yi wij
Yj
f(NET)

Wnj

n Entradas Unidad Salida

Funcionamiento de las Redes Neuronales Artificiales

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.

Tipos de Redes Neuronales Artificiales

Las Redes Neuronales Artificiales se clasifican en:
 Redes Monocapa: Son aquellas Redes Neuronales en las que existe una única capa de
neuronas que se encargan de las entradas, el procesamiento y la salida.
 Redes Multicapa: Son aquellas Redes Neuronales en las que existen varias capas que se
encargan de la funcionalidad del sistema. Las capas que se pueden encontrar son:
o Capa de Entrada (1 capa): Posee Neuronas de Entrada y se encarga de Interpretar las
entradas recibidas desde el exterior.
o Capas de Procesamiento (n capas): Se compone de Neuronas de Procesamiento. Pueden
haber varias capas de éste tipo de neuronas. Son capas ocultas.
o Capa de Salida (1 capa): Se compone de Neuronas de Salida. Esta capa se encarga de dar
salida a la información procesada.

Ventajas de las RNA

 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.

Función de Activación o Transferencia

La Función de Activación es la función que transforma el Estado de Activación en una señal de salida .
Es decir que transforma la entrada neta de la neurona en una señal de salida.

Los distintos tipos de Función de Activación que hay son:

 Escalón: Se usa para salidas binarias, es limitada pero fácil de implementar. Pueden adoptar
valores 0 o 1; -1 o 1.
 Lineal Mixta: Combina una función lineal con una función escalón a partir de un determinado
rango de valores que excede los límites preestablecidos de entrada.
 Monotónicas Asintóticas o Sismódicas: Son funciones continuas asintóticas.
 Campana de Gauss: La función sigue la curva de la campana de Gauss, y por ende es
continua.

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:

NET    wij  Yi       wij  Yi        Y  w1 j  w2 j    wnj       Y

n n

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.

Entrenamiento de las Redes Neuronales Artificiales

El entrenamiento es someter a la red a los casos de prueba. Para cada caso de prueba se deben
conocer las respuestas esperadas a fin de determinar si la red funciona de manera correcta o no.

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

En donde wi es el peso de la entrada ei y w0 es el peso del umbral de

desvío.
2. Si coinciden, o sea que S R  S D , el algoritmo finaliza. Si no coincide se calcula
la variación del peso de cada entrada como se muestra a continuación.
S i    ei   S D  S R 
En donde  es el Coeficiente de Aprendizaje.
3. Se actualizan los pesos de las entradas sumando algebraicamente la variación
calculada en el paso anterior y se vuelve al paso 1.
wi  wi  S i
 Back Propagation: Este algoritmo corrige el peso en base a lo que contribuyó. Dado
que no se conoce la salida deseada para las neuronas ocultas, se propaga el error
hacia atrás teniendo en cuenta el aporte del error de cada neurona.

Página 35 de 38
 Resumen de Inteligencia Artificial

Hetereoasociativa. Se puede usar siempre que se busque para un dato de entrada,

tal salida.

 Mecanismos de Aprendizaje No Supervisado: No existe un ente externo que controle el

aprendizaje de la red. Este a su vez puede ser:
o On-Line: El Sistema se implementa en producción.
o Off-Line: El Sistema toma muestras en tiempo de desarrollo. 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:
 Hebbiano:o Hopfield Al algoritmo se le brindan todos los posibles elementos que se
quieran reconocer,así ante una entrada se comparan los elementos conocidos para
determinar qué elemento se ingresó, aún si éste no es idéntico. Se usa para
completar una información que no fue enseñada en base a información aprendida
(ejemplo: identificar 1 canción de acuerdo a las primeras notas) Para ello emplea un
concepto de simbiosis entre celdas o elementos que le permite identificar elementos
que no presenten la misma forma que cuando fueron aprendidos por la red.

 Kohonnen: Método competitivo cooperativo clasificatorio, que de un vector o

matriz de neuronas de salida, solamente queda activada una, la ganadora.
Kohonnen clasifica en tantas clases como neuronas de salida tenga, aprende
solo. Al comienzo del entrenamiento la vecindad comprende una amplia región
del mapa. Luego con el transcurso de las iteraciones, el tamaño de la vecindad
se reduce, y finalmente sólo se modifican los pesos de la neurona ganadora
(para asemejarse más a la entrada). Así el proceso de aprendizaje comprende
dos fases fundamentales: una ordenación global, en la que se produce el
despliegue del mapa; y un ajuste fino, en el que las neuronas se especializan.

Cuadro Comparativo de las RNA

Cuadro Comparativo de Métodos de Aprendizaje

Supervisado No supervisado
On Line Off Line On Line y Off line

Página 36 de 38
 Resumen de Inteligencia Artificial

Por Refuerzo: El supervisor Corrección de Error: El supervisor

es un crítico. Te dice si está
bien o mal la Rta pero no
dice cual sería la deseada
 
Hebbiano: ajuste de pesos segun la
dice la salida deseada y se ajustan
multiplicacion de las salidas de las
los pesos entre la salida deseada y
neuronas conectadas
la obtenida
Competitivo / Cooperativo (se mide
Estocástico: Cambia los pesos en
familiaridad y se clasifican los datos)
forma aleatoria
Una sola neurona de salida se activa

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)

Lógica de primer orden:

A(x) = x es amapola y Bx = x es blanca

- Todas las amapolas son blancas…

(Para todo)x (Ax  Bx) /// Si hay un “para todo” generalmente tengo un “”

- Algunas amapolas son blancas

(existe)x (Ax y Bx) /// Si hay un “existe” generalmente tengo un “y”

- Algunas amapolas, por ser amapolas son blancas

(Existe)x (Ax  Bx)

Emparrillado

Si las características se van agregando después, entonces no se hace el análisis de características de estas
últimas.

Si la distancia es 0, entonces estos elementos o características son iguales

Si la matriz original no es cuadrada no importa, ya que los elementos y características se evalúan por
separado, conformando matrices cuadradas.

Esto son 2 grupos de elementos:

(E1; E3) y (E2; E4)

Página 37 de 38
 Resumen de Inteligencia Artificial

Esto son 3 grupos de elementos:

(E1;E4) y E2 y E3

Análisis de protocolos.

Si le encontraste más de una característica tiene que ser concepto.

Todos los conceptos que se definen tienen que estar relacionados.

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.

Las relaciones entre los conceptos son relaciones implícitas

De un concepto a otro hay una relación (observamos que posee).

De un estado a otro hay un operador (podemos concluir que estamos ante la presencia de).

Página 38 de 38