Clase1 PDF

Diplomado:
Inteligencia artificial para la

resolución de problemas de
negocio
Otros Modelos en IA
J. Aguilar
Profesor: Jose Aguilar
Sitio de Trabajo: GIDITIC, DIS-Escuela de

Ingeniería, Universidad EAFIT
Contacto: jlaguilarc@eafit.edu.co,
Consultas: por email cuadrar cita

Introducción al Curso
Las tecnologías de informática y comunicaciones han venido siendo usadas
de una manera masiva en diferentes ámbitos del acontecer social. Una
parte de su uso es para la realización de tareas que requieren, por su
complejidad, mucha inteligencia.
En ese sentido, una rama de las ciencias computacionales se ha dedicado a

estudiar cómo reproducir ese comportamiento inteligente, tanto
individual como colectivo, a nivel computacional.
La aplicación de los modelos de inteligencia computacional que se han

venido desarrollando ha sido muy amplia.
En este curso daremos una breve introducción, pero completa, de los

diferentes aspectos vinculados a la inteligencia artificial, sus
capacidades de razonar (usando lógica difusa) y de resolver problemas
de optimización (usando meta-heurísticas)
OBJETIVO DEL CURSO
En especifico
• Adquirir las bases teóricas y competencias
tecnológicas sobre los siguientes conceptos en el
área de la Inteligencia Artificial:
– Agentes
– Razonamiento (Lógica Difusa)
– Optimización (Algoritmos Genéticos)
– Procesos de decisión de Markov (Aprendizaje Reforzado)
– Inteligencia Colectiva
J. Aguilar 4
Cuestionario
Veamos cual es su conocimiento en el área
https://forms.gle/DLi9ByQ9iERecTnE7
5
Dinámicas del Curso
Producto
Orienta Tecnológico
encamina
Plasma
conocimiento
Paradigma
Define Coadyuva
Pedagógico Apropiarse
aspectos
Posibilita de los mismo
Adquirir
Temas del curso

Dinámicas del Curso
Sinergia Capacitacion
De conocimiento
Genera destreza
Da la habilidad
Técnica,
cognitiva
habilidades
práctica
Sinergia del Desarrollo

Del Producto
Sinergias
• Sinergia Capacitación de Conocimientos (SCC)
– Conocimiento de base del curso

– Constituido por los diferentes aspectos que
configuran el ámbito de conocimiento
– ¿Cómo se trabaja?:
• Todo el material en línea,
• Internet como fuente de conocimiento
• Espacios de discusión y debate
J. Aguilar
Conocimiento de base
• Agentes inteligentes.
• Razonamiento:
• Lógica difusa
• Mapas Cognitivos
• Problemas de Búsqueda (Optimización)

• Computación Evolutiva (Algoritmos genéticos)
• Procesos de decisión de Markov

• Aprendizaje reforzado
• Inteligencia Colectiva
• Sistemas Emergentes
• Colonias de Hormigas 9
J. Aguilar
BIBLIOGRAFIA
S. Russell, P. Norvig, Artificial Intelligence: A Modern Approach”
Prentice Hall, New York, USA, 1995.
N. Nilsson, "Artificial Intelligence: a new synthesis", Morgan Haufmann
Publishers, 1998.
G. Weiss, "Multi- agent System: a modern approach to distributed
artificial intelligence", MIT Press, 1999.
S. Fernández; J. González, y J. Mira, Problemas Resueltos De
Inteligencia Artificial: Búsqueda y Representación. Addison-Wesley.
España, 1998.
J. Mira, A. Delgado, J. Boticario, y J. Díez, Aspectos Básicos de la
Inteligencia Artificial. Sanz y Torres. Madrid, 1995.
E. Rich, y K. Knight, Inteligencia Artificial. McGraw Hill, Madrid 1994.
G. Pajares, M.Santos, “Inteligencia Artificial e Ingeniería del
Conocimiento”, Alfaomega, México, 2006
http://aima.cs.berkeley.edu/. con casi 900 enlaces a páginas
relacionadas con el campo de la Inteligencia Artificial
10
Bibliografía
Computación Inteligente
Sistemas Emergentes
Sistemas Multia-agentes
http://www.ing.ula.ve/~aguilar/publicaciones/libros.html
11
Sinergias
• Sinergia Desarrollo de Productos (SDP):
 Definición y caracterización de un producto (obra) sobre el cual
se ira plasmando el conocimiento adquirido
 Construcción progresiva (desarrollo ágil)
 El producto (obra) al final debe contener todo el contenido
adquirido en el curso inmerso en él
 ¿Cómo se trabaja?:
• Metodología Ágil para la gestión y construcción del proyecto
• 1-2 personas por proyecto
• Se debe dar cuenta del recorrido del desarrollo del producto durante las
sesiones de clase (entregan informe de avance)
Recorrido Sinergia Desarrollo de Productos
• Se seguirá metodología yPBL y Metodología para
Desarrollar Sistemas Inteligentes
• yPBL:
– Ramas de: diseño (funcional y técnico) y desarrollo
– Iterativo (ágil)
– Fases de análisis, diseño, implementación y pruebas
• Se usarán otras Metodologías del área de Sistemas
Inteligentes
– Especificación del Sistema Inteligente
– Escogencias de las Técnicas de Computación Inteligente a usar
• Cada día se avanzará en diseño y desarrollo mostrando:
• Reutilización de componentes,
• Herramientas de desarrollo, etc.
• Prototipos ,informes de Avances, informes de iteraciones
Metodologías para
desarrollar proyectos
de IA, AdD, …
Por que Metodologías especifícas para
problemas especifícos
MISA, EMERGO, …
MECONESIS(Methodology For The Conception Of

Serious Threats For Children With Auditory
Disability)
Metodologías para desarrollar proyectos
de IA, AdD, … en un curso
CRIPS, SEMMA, MIDANO,...

MAS-CommonKADS, Gaia, MASINA, ...
Metodologías de Ingeniería Pedagógica: MeSI, ...

Aprendizaje Basado en Proyectos
yPBL
Jose Aguilar Castro

yPBL
• Metodología de aprendizaje inspirada en
Ingeniería de software
• Permite construir aplicaciones reales de
software mientras se aprende.
• Cada Iteración:
– Cubre un tópico del curso aplicado al producto
tecnológico
– Se redefinen roles en los grupos, recursos usados,
cronogramas
– Interactuamos todos para alcanzar los objetivos
de aprendizaje
Desarrollo
del curso
yPBL Iteraciones
I1 I2 I3
Rama Funcional Rama Técnica
Agente
Razonamiento
Software Aspectos
• Requerimientos
Software Plataforma
• Análisis
• Diseño Modelos
Rama Desarrollo
• Implementación Codigo
• Pruebas tests
• Liberación Disposición
MASINA
Jose Aguilar Castro

Ingeniería del Software
Orientada a Agentes
• Los agentes representan un nuevo nivel de abstracción que puede ser
utilizado por los desarrolladores de software para entender, modelar y
desarrollar de un modo más natural una clase importante de sistemas
distribuidos.
• Las técnicas de desarrollo software habituales no son adecuadas para

esta tarea, ya que no son capaces de capturar los aspectos únicos de los
SMA:
– Comportamiento flexible, autónomo, de resolución de problemas
– Riqueza en sus interacciones
– Complejidad de la estructura organizacional
J Aguilar
Bases de la Inteligencia Artificial
Resolución de Problemas usando Agentes
Capacidad de representar conocimiento y de razonar de un agente Concepto de Base: Agentes
Metodologías de desarrollo de SMA
Conceptos básicos en Sistemas MultiAgentes
Como todo desarrollo de La metodología debe permitir ir

software se requieren unos actualizando los agentes en
función de la caracterización
estándares de desarrollo.
que sea necesaria en el SMA.
La construcción de SMA integra

Tener en cuenta las necesidades de tecnologías de distintas áreas de
especificación de los SMA
conocimiento
• Complejidad de la estructura organizacional • Técnicas de ingeniería del software :
• Planificación de tareas estructurar el proceso de desarrollo
• Riqueza en sus interacciones: Intercambio de
información con lenguajes de comunicación • Técnicas de inteligencia artificial : dotar a los
orientados a agentes programas de capacidad para tratar
• Movilidad del código situaciones imprevistas y tomar decisiones
• Motivación de los componentes del sistema • Programación concurrente y distribuida :
• Comportamiento flexible, autónomo, de resolución tratar la coordinación de tareas ejecutadas en
de problemas
diferentes
Bases de la Inteligencia Artificial
Resolución de Problemas usando Agentes
Capacidad de representar conocimiento y de razonar de un agente Concepto de Base: Agentes
Metodologías de desarrollo de SMA
Conceptos básicos en Sistemas MultiAgentes
• Object-Oriented Software Engineering (AOSE)

• Kendall
• MaSE
• ODAC
• Agent-Oriented Software Engineering (AOSE)

• Gaia
• Agent UML
• Prometheus
• MASINA
• Ingeniería del Conocimiento Orientada a Agentes

• MASCommonKADS
• DESIRE
• Cassiopeia
• Métodos formales orientados a agentes

• Métodos formales en AOSE
• Especificación en Z
MASINA
Metodología que permite especificar Sistemas Multi-
agentes, la cual es una extensión de MAS-CommonKADS.
Fases
Conceptualización
• Casos de uso (descripción de acciones necesarias para producir un
resultado útil)
• Actores (roles desempeñados por alguna persona, una pieza de
software, u otro sistema)
Análisis y Diseño
• Modelos para describir los agentes del sistema, sus tareas, su
organización y los medios de comunicación.
• Diseño técnico del sistema (modelo de implementación).
Codificación y prueba
Integración
Operación y mantenimiento
MASINA
Fase de Conceptualización
26
30
MASINA
• El producto de esta fase es un documento de
conceptualización:
– La descripción de los componentes (potenciales agentes) del
sistema,
– La especificación de los servicios y de las actividades para
prestar los servicios ofrecidos por cada componente del sistema
– La descripción general de las relaciones entre los componentes
del sistema.
• Para eso se usan: casos de uso y diagramas de actividades
27
31
MASINA
Casos de Agente Generador de Comportamiento (AGCs)
uso
Capturar datos
Usuario Agente Generador de Inteligencia (AGI)
Agente Generador de Comunicación (AGCom)
J. Aguilar
Agente Generador de Código (AGC)
MASINA
Fase de Análisis:
Modelos de MASINA
J. Aguilar
MASINA
Fase de
Análisis
MASINA
Fase de Análisis
• El producto de esta fase es un documento de
análisis contentivo de:
– Modelo de agentes,
– Modelo de tareas,
– Tabla relación Agentes-Tareas
– Modelo de inteligencia
– Modelo de Coordinación/conversación
– Diagrama de Interacción
– Modelo de comunicación.
31
35
MASINA
Modelo de Agente
32
36
MASINA
Métodos
Nombre
usa
Descripción
Tarea Técnica/Tipo
Nombre
Modelo de Objetivo
Descripción
Precondición realizada en
Entorno
Normas
Estructura de
Tareas control
Tiempo-ejecución
Frecuencia Entrada/salida
Restricciones
Sistemas
Tipo de
descomposición
requiere Ingrediente
Nombre
Capacidades Contenido
Habilidades
Lenguaje RC
Leng. de Com.
33
37
MASINA
Modelo de Inteligencia individual de MASINA
Modelo de
Agente
Mecanismo de
Aprendizaje
Modelo de
Coordinación
Mecanismo de Conocimiento
Experiencia
Razonamiento Estratégico
Problema
Conocimiento Conocimiento de específico-
de Dominio Tareas Ambiente
Ontología
Nombre.
Representación.
Vocabulario.
Percepción Descripción.
Modelo de
Estado inicial. Tareas
Representación de la
percepción
Modelo de Inteligencia
Mecanismo de
Aprendizaje
Mecanismo de
Razonamiento
Experiencias Ontología
individuales Individual
Conocimiento de Conocimiento de Conocimiento

Dominio Tareas Estratégico
Modelo de
Problema
Tareas
Mecanismo de Aprendizaje
Nombre Nombre del mecanismo de aprendizaje
Tipo Supervisado, no supervisado, reforzamiento
Técnica de representación Redes neuronales, Arboles de decisión, reglas,
clasificación, redes bayesianas, minería de datos,
etc.
Fuente de aprendizaje Origen de la información que se usa para
aprender. la misma normalmente se divide en
una parte para entrenar y otra para probar
Mecanismo de actualización hebbiano, corrección de error, etc.
Mecanismo de Razonamiento
Fuente de información Origen de la información utilizada para el proceso
de razonamiento.
Fuente de alimentación Tareas que requieren el proceso de razonamiento.
Técnica de inferencia Lógica difusa, reglas, lógica de predicados, etc.
Lenguaje de representación de conocimiento OWL, RDF, etc.
Relación tarea-inferencia Relación que existe entre la tarea que activo el
(Resultado esperado) proceso de razonamiento y el resultado obtenido.
Estrategias de razonamiento Deductivo, inductivo, abductivo
36
40
Experiencias (ontología histórica)
Descripción La experiencia en si del agente
Caracterización
Conceptos, relaciones, propiedades, etc
Fuente Basada en casos, empírico, imitación, sus
actividades, etc.
Valores por omisión (para cada concepto) Valor inicial
Valores max y min Valores máximos y mínimos que puede tomar la
variable, rangos o bandas.
Momento (tiempo) Manera como cambia en el tiempo.
Conocimiento de Dominio (ontología de

dominio)
Descripción El conocimiento en si de un ámbito dado
Caracterización Conceptos, relaciones, propiedades, etc.
Fuente Taxonomía de un.área de conocimiento
37
41
Ontología de contextualización o situacional: está compuesto por dos tipos de
conocimiento
Conocimiento estratégico
Valor del conocimiento Pasos a seguir para resolver un problema,
característica especificas de un ambiente, etc.
Agente o ambiente que lo produce Agente que produce el conocimiento.
Proceso que lo genero (cuando sea el caso) Proceso que genero el conocimiento.
Grado de confiabilidad Nivel de certitud del conocimiento adquirido
Conocimiento de tareas
Nombre de la tarea Nombre de la tarea a realizar.
Agente que la realiza Agente que origina la tarea a realizar.
Marco Ontológico del individuo

Nombre Nombre de la ontología
Descripción Descripción de “lo que conoce el agente”
J. Aguilar
Ontologías que la integran Listado de conocimiento (ontologías)38
que lo
componen
MASINA
Modelo de Inteligencia Colectiva de MASINA
Problema específico
(Ambiente)
Resuelv
e
Mecanismos de Aprendizaje Usa
Colectivo
Describe
Estrategia de aprendizaje.
Representación (tipo de Usa Actualiza
lenguaje). Conocimiento Colectivo Ontología Colectiva
Fuente de aprendizaje.
Mecanismo de Valor del conocimiento. Nombre.
actualización Agente que lo produce. Representación.
Proceso que lo genera. Agentes que lo
Usa Grado de confiabilidad. conocen.
Vocabulario.
Mecanismos de Descripción.
Razonamiento Colectivo
Fuente de información. Decisión

Fuente de activación. tomada Decide que
Tipo de coordinación. método usar
Estrategia de
razonamiento.
Solicitud Modelo de Modelo de

Modelo de
Tarea Inteligencia
Coordinación
Individual
Modelo de Inteligencia Colectiva
Problema
Mecanismo de
Aprendizaje Conocimiento Conocimiento de
Colectivo normativo/social dominio
Mecanismo de Conocimiento Conocimiento

Razonamiento situacional histórico
Colectivo
Ontología Colectiva
Modelo
Tareas Individual
Colectiva
Mecanismo de Aprendizaje Colectivo
Nombre Nombre del mecanismo de aprendizaje
Tipo Supervisado, no supervisado, reforzamiento
Técnica de representación Redes neuronales, Arboles de decisión, reglas,
clasificación, redes bayesianas, minería de datos,
etc.
Fuente de aprendizaje Origen de la información que se usa para
aprender. la misma normalmente se divide en
una parte para entrenar y otra para probar
Mecanismo de actualización hebbiano, corrección de error, etc.
Mecanismo de Razonamiento Colectivo

Fuente de información Origen de la información utilizada para el proceso
de razonamiento.
Fuente de alimentación Tareas que requieren el proceso de razonamiento.
Técnica de inferencia Lógica difusa, reglas, lógica de predicados, etc.
Lenguaje de representación de conocimiento OWL, RDF, etc.
Relación tarea-inferencia Relación que existe entre la tarea que activo el
(Resultado esperado) proceso de razonamiento y el resultado obtenido.
Estrategias de razonamiento Deductivo, inductivo, abductivo
41
45
Colectiva
Ontología situacional colectiva
Descripción Conocimiento colectivo
Caracterización Conceptos, relaciones, propiedades, etc
Fuente Quien la genera, quien la actualiza, en el SMA
Grado de confiabilidad Nivel de certitud del conocimiento adquirido
Marco Ontológico colectivo

Nombre Nombre de la ontología
Objetivos colectivos para lo que se usa Qué tareas colectivas lo usan para alcanzar
objetivos grupales
Descripción Descripción de “lo que conoce el agente”
Ontologias que la integran Listado de ontologías situacionales que lo
componen
Agentes que la conocen Miembros del SMA que usan esa ontología en sus
tareas colectivas
42
46
Problema de Coordinación
Emergente
puede ser
Planificación
puede ser
Metalenguaje
usa Predefinido
(centrales y
se basa distribuidos)
tiene
Comunicación requiere
Ontología Directa
Esquema de Coordinación
usa
Comunicación requiere
Estímulos Indirecta tiene
se basa Estrategia
de Resolución
de Conflictos
J Aguilar
Modelo de Coordinación
44
48
Modelo de Coordinación y
Comunicación
Acto de Habla
Conversación Objetivo
Tipo
Nombre Agentes Participantes
Tipo Comunicación
Objetivo Emisor
Agentes Receptor
Conversación
Iniciador
Servicio
Servicio Datos Intercambiados
Actos de Habla Descripción
Descripción Precondición
Precondición Condición de Terminación
Condición de Terminación Performativa
Medio de Comunicación
45
49
Diagrama Interacción: Protocolo de interacción FIPA
Metascheduler Protocol
Broker Coordinator Searcher Manager
1 request-1 1
1 request-2 n 1 request-3 m
X m=1
inform-2 1 cfp-1
X
1 inform-1 m>=2
inform-3
X
X
inform-4
cfp-2
inform-5
propose-1
inform-6 propose-2
reject-prpposal-1
X
accept-prpposal-1
accept-proposal-2
X inform-7
cfp-3
reject-prpposal-2 X
inform-8
inform-9
request-4
inform-10
request-5
46 J. Aguilar
MASINA
Fase de diseño
47
51
MASINA
Fase de diseño
• El producto de esta fase es un documento que
especifica:
– El universo de clases del sistema.
– Para cada una de las clases descritas en el
universo de clases su especificación formal.
– Para cada uno de los métodos que componen las
clases su especificación formal.
48
52
MASINA
Modelo de Diseño Instalación
1..n
Consecuencia
Función
1..n
1
1..n Prueba
1..n 1
1
Falla
Acción
1
1..n
1
Modo de 1..n Falla Falla

Causa
Falla Incipiente Funcional
1..n 1
1
1..n
Síntoma
MASINA
Diagrama de clases del Agente de Negocio
J Aguilar
MASINA
Fase de
Codificación
Y pruebas
J. Aguilar
MASINA
• El producto principal de esta fase consiste en

un sistema de ingeniería orientado a agentes
• Entornos de desarorllo
• EDIMAS
• VMAS modeller
MIDANO
Jose Aguilar Castro

MIDANO
“Metodología para el desarrollo de aplicaciones de minería de

datos basada en el análisis organizacional”
Extendida para ser usado en el análisis de

datos
54
MIDANO
¿Conocimiento del dominio de la

aplicación y objetivos del proceso
de descubrimiento de
conocimiento ?
¿Qué hacer cuando no se conoce la organización, el

problema, o los procesos a estudiar?

datos basada en el análisis organizacional” 55
MIDANO
¿Cómo seleccionar las variables

adecuadas para aplicar AdD ?
¿Cómo realizar el procesamiento de datos?

datos basada en el análisis organizacional”
MIDANO-AdD
MIDANO consta de tres fases.
• Desarrollo
del ciclo
autonómico
Fase 1: Conocimiento de la Organización
Esta fase tiene como finalidad

realizar un proceso de ingeniería
de conocimiento, orientado a
organizaciones/empresas, de las
cuales no se conoce o se tiene
poca información del (de los)
problema(s), o los procesos a
estudiar.
Caracterizar
objetivos
estratégicos
Caracterizar
ciclos
autonómicos
Etapa 1: Conocimiento de la Organización
• Conocer la organización/empresa, sus

1. Objetivo
objetivos, procesos, objetos y actores
2. Protocolo de la Fase:
• Descripción de los elementos de la institución/empresa y sus

características. Objetivos, Procesos , Objetos y Actores.
• Descripción de las relaciones entre estos elementos.
• Organización de estos elementos.

Etapa 1: Conocimiento de la
Organización
Preguntas y ejemplos para determinar los elementos de la
institución/empresa
Elemento Preguntas Ejemplos

Objetivos ¿Cuál es la razón de ser de la Conocer, determinar, establecer, la
institución? finalidad de la institución/empresa.
¿Cuales son las actividades que Procesos de producción o
permiten alcanzar los objetivos administrativos.
Procesos
de la institución?
¿Qué cosas o entidades se Pueden ser físicos o abstractos,

Objetos manipulan en los procesos de la departamentos, documentos,
institución? herramientas, plantas.
Actores ¿Quiénes ejecutan los procesos? Personas, sistemas, máquinas, etc.
60
Etapa 2: Caracterización detallada de los
procesos de la organización
• Conocer los procesos sobre los cuales se puede
1. Objetivo
enfocar el proyecto de AdD.
• Familiarización con los procesos sobre los cuales se puede realizar la

ingeniería de conocimiento
• Identificación de la fuente de conocimiento
• Familiarización con los ambientes computacionales donde se encuentran

los datos a ser utilizados en cada proceso.
Etapa 2: Caracterización detallada de los
procesos de la organización
1. Familiarización con los procesos sobre los cuales se puede realizar la extracción de
conocimiento
 ¿Qué productos generan esos procesos?
 ¿Qué beneficios proporcionan esos procesos a la organización?
 ¿Qué problemas tienen actualmente?
 ¿Importancia de esos procesos para la organización, o impacto sobre otros procesos?
 ¿Qué impacto generaría la mejora de esos procesos o el estudio de los mismos?
2. Identificar la fuente del conocimiento
 ¿Cuáles son los actores o personas que intervienen en los procesos?
 ¿Quién o quiénes son las personas expertas en los procesos?
 ¿Existen documentos que permitan conocer esos procesos?
 ¿Existen sistemas computacionales que intervengan o interactúen en el proceso?
3. Familiarización con los ambientes computacionales donde se encuentran los datos a ser
utilizados en cada proceso explicado
 ¿Dónde se encuentra los datos almacenados del proceso en cuestión?
 ¿Cómo se almacenan los datos del proceso?
 ¿Qué variables son observadas del proceso?
 ¿Cuáles son las variables más importancia de esos datos para la organización?
Etapa 3: Análisis de factibilidad y selección de
los procesos
• Analizar los procesos con la información
1. Objetivo proporcionada/recogida, con la finalidad de conocer la
factibilidad de la aplicación de la AdD sobre cada uno de ellos
• Revisión de los procesos propuestos por los expertos
• Disponibilidad del experto o grupo de expertos
• Análisis de las fuentes de información sobre los procesos

Etapa 3: Selección de los Procesos
Peso Criterios Proceso 1 Proceso 2
Importancia para la organización
Interacciones entre procesos
Procesos dependientes
Criterios vinculados
Importancia de la calidad del producto a la importancia del proceso
Seguridad Industrial para la organización
Proposito de la tarea de AdD
Replicabilidad de la herramienta a
desarrollar
Cantidad de Expertos
Fuentes de información Criterios vinculados
Confidencialidad de la información a la factibilidad de hacer una
¿Qué información se recoge del proceso Tarea de Análitica de Datos
para ser almacenada?
Con que frecuencia se recoge la
información almacenada
¿Qué herramientas se cuentan, para
recolectar y manipular la información?
Total sin ponderación
Total ponderado Ejemplo de Tabla para
64
selección de procesos
Etapa 4: Análisis para caracterizar los objetivos
estratégicos a alcanzar
• Caracterizar las posibles objetivos estratégicos a alcanzar, con las

1. Objetivo
tareas de AdD, en los procesos seleccionados
• Descripción de los escenarios actuales de los procesos seleccionadas en la
institución/empresa.
• Especificación de los objetivos estratégicos a alcanzar en esos procesos, y
posibles escenarios futuros detrás de ellos.
• Especificación de los indicadores (modelos de conocimiento, medidas
estadísticas, etc.) para el análisis e interpretación de los objetivos estratégicos
• Especificación de los requerimientos para los posibles escenarios futuros
(donde se puedan aplicar tarea(s) de AdD)
• Elaboración de los casos de uso para los requerimientos funcionales
Etapa 4: Análisis para caracterizar los
objetivos estratégicos a alcanzar
Para los procesos seleccionados
Descripción del escenario actual

Resultados que se obtienen Actor(es) asociado(s) Variables Asociadas Actividades que se realizan
Para los procesos seleccionados:
todos sus posibles escenarios futuros
Escenarios futuros deben Métricas estadísticas,
estar orientados a lograrlos modelos de conocimiento,
Descripción del escenario futuro …
Objetivos Actor(es) Variables Asociadas Actividades de AdD Funcionalidades Resultados que se

Estratégicos a asociado(s) que se realizarían nuevas desean obtener
alcanzar (indicadores de
logro)
Descripción del escenario futuro: < xxx >
El conjunto de escenarios futuros define una

planificación estratégica tecnológica organizacional67
Priorización de los escenarios futuros
Criterios Escenario 1 Escenario 2 Escenario 3
Importancia del resultado que se espera del escenario para la

empresa/institución Vinculados a los
objetivos estratégicos
Utilidad del escenario para la empresa/institución y su importancia
Cantidad de expertos asociados al escenario
Seguridad Industrial (si aplica)
Fuentes de información requeridas por el escenario
Confidencialidad de la información
¿Con que frecuencia se recogen los datos almacenados asociados

a la información de interés?
Vinculados a los
datos
¿Con qué herramientas se cuenta para recolectar y manipular los
datos?
Replicabilidad de la herramienta a desarrollar en otros

escenarios
68
Etapa 5: Caracterización de los ciclos
autonómicos de AdD para cada Objetivo
Estratégico
• Especificación de los Ciclos Autonómicos (CA) para cada

1. Objetivo
escenario futuro (objetivo estratégico) priorizado
• Determinación de las tareas de AdD que deben caracterizar a c/ciclo por sus
roles
Tareas de monitoreo
Tareas de análisis
Tareas de toma de decisión
• Especificación de las relaciones entre ellas
• Especificación general de las fuentes de datos requeridas por cada tarea
Especificación del Ciclo Autonómico
Objetivo: Definir un objetivo válido de supremo interés para el proceso a estudiar.
Procedimiento General
Paso 1 Tareas de Monitoreo: Se identifican, capturan, pre-procesan, las variables del

proceso bajo estudio, para poder tener una observación clara del proceso bajo
estudio
Paso 2: Tareas de análisis: Se interpretan las situaciones que va aconteciendo en el

proceso que se está estudiando, para comprenderlo, diagnosticarlo, analizarlo, entre
otras cosas.
Paso 3 : Toma de decisiones: Se definen acciones a tomar sobre el proceso, con el

fin de alcanzar el objetivo definido para el ciclo.
Etapa 5: Caracterización de los ciclos autonómicos de
AdD para cada Objetivo Estratégico
Por cada ciclo autonómico
Objetivo estratégico a alcanzar: < … >
Nombre Fuentes generales Indicadores Efectos esperados
de datos generados sobre el objetivo
requeridas estratégico
Tareas de AdD de
Observación
Tareas de AdD de Relaciones entre las tareas
Análisis
del CA de AdD
Tareas de AdD de
Toma de decisión Tarea Tarea Tarea
AdD1 AdD2 AdD13
Tarea
Métricas estadísticas, modelos de AdD1
conocimiento, … que produce Tarea
AdD2
Usado en el futuro como métrica de 71
Tarea
calidad del CA AdD3
Etapa 6: Especificación de las tareas de AdD
• Caracterizar general de las tareas de AdD a realizar en los CA

1. Objetivo
especificados en la fase anterior (objetivos, requerimientos, etc.).
• Selección y descripción de los actores y componentes necesarios para hacer
cada tarea de AdD.
• Especificación de los requerimientos de c/tarea de AdD: tecnológicos, de datos,
organizacionales, etc.
• Especificación de las fuentes de datos requeridas por cada tarea
Tabla para describir tareas de AdD
Nombre de la tarea <nombre de la tarea>
Descripción <La finalidad de esta tarea>
Fuente de datos <BD, historicos>
Tipo de tarea de analítica <Asociacion, Agrupamiento, Clasificacion, Predicción, reglas de
de datos asociación, etc.>
Técnicas de analítica de <Define las posibles tecnicas a usar, por ejemplo: regresión,
datos redes neuronales artificiales, algoritmo K-NN, etc.>
Tipo de Modelo de <modelo descriptivo, modelo prescriptivo, modelo de
Conocimiento optimizacion, modelo predictivo, etc.>
Tareas relacionadas de <Con que otras tareas de AdD se relaciona>
analítica de datos
Tipo de tarea del ciclo <Pueden ser para observar, analizar/interpretar, o actuar sobre
autonómico (rol) el proceso> 73
Tabla para especificación detallada de las tareas de AdD

Macro-Algoritmo Especificar Tipo de Tarea de Minería
<paso a paso del código> < Debe indicarse de manera concreta
la tarea a realizar>
… Por ejemplo, calcular una medida de

centralidad de minería de grafo,
realizar un agrupamiento de tales
datos según tales criterios de
similitud, etc.)
…
Esta tabla es particularmente importante para las tareas de AdDS

Fase 2: Preparación de Datos
• En esta fase se plantea

realizar la preparación de los
datos desarrollando dos Definición
del
etapas. Modelo de
• Los productos más datos
resaltantes de esta fase son
las vistas minables
(conceptual y operativa) y el
modelo de datos
multidimensional.
Fase 2: Preparación de Datos
Para aplicar AdD sobre un problema en específico, es
necesario contar con un historial de datos asociado al
problema en estudio.
Para realizar tareas de AdD es necesario tener los datos integrados en una sola
vista, la cual comúnmente se conoce como Vista Minable. Existen dos tipos de vista
minable:
– Vista Minable Conceptual (VMC): describe en detalle cada una de las
variables a tomar en cuenta para c/tarea de AdD, en cada CA (proveniente
de la primera fase de MIDANO).
– Vista Minable Operativa (VMO): Es el resultado de cargar los datos del
historial y de realizar la etapa de tratamiento de datos, basado en la
información de la VMC. La VMO se traduce a lo que se conoce como Vista
Minable en la literatura, para realizar tareas de MD.
Con esas vistas se construye el modelo de
datos multidimensional de c/CA
Etapa 1: Definición del modelo de datos
a. Objetivos
 Ubicar y comprender los datos asociados a cada tarea de
AdD
 Construir una VMC que tenga las variables de interés para el
caso de estudio
 Construir una VMO inicial
 Definir la(s) variable(s) objetivo(s) asociadas a los objetivos
estratégicos o a responder con las tareas de AdD
 Definir el modelo de datos multidimensional de cada CA
b. Protocolo de la etapa
 Comprender la fuente de datos de entrada
 Generar la VMC y la VMO inicial
 Integración de los datos de entrada
 Generar las tablas del modelo de datos multidimensional de
cada CA
VMC
Variable Descripción Procedencia Observaciones
modelo de datos multidimensional (tipo estrella)

Nombre Nombre de la tabla de hecho
Claves a las tablas de dimensiones Todas las claves a las tablas de dimensiones
Variables Objetivos Variables que describen o se asocian al conocimiento extraído

(predicciones, etc.)
Otras variables Variables requeridas por la tarea de AdD, por ejemplo, derivadas
de operaciones de procesamiento de las dimensiones o de OLAP
Nombre Nombre de la tabla de dimensión

Claves de la Clave de la dimensión
dimensión
Atributos de la Atributos que describen el tema asociado a esa

dimensión dimensión 78
c. Productos principales
 Documento que describe las características de los

repositorios donde se encuentran los datos
 Documento que describe la VMC, la cual es presentada en
una tabla descriptiva.
 Vista minable operativa (modelo)
 Archivo donde esta almacenada la VMO
 Documento que describe las características de la(s)
variable(s) objetivo(s )
 Modelo de datos multidimensional de cada CA
 Modelo de datos multidimensional (Constelación) del Data
Warehouse
Etapa 2: Caracterización de los datos
del dominio de la aplicación
a. Objetivos
 Identificación de las variables en la VMC con las operaciones
de:
 (E)xtracción, (T)ransformación y Carga (L), para el caso
de datos organizacionales
 (C)olección, (C)uración y (A)nálisis para el caso de datos
externos
 Instanciación/Alimentación de las tablas (Cargar los datos)
 Integración de los datos de entrada en el DW
 Tablas ETL y CCA
80
Etapa 2: Caracterización de los datos
del dominio de la aplicación
Variable Extracción Transformación Carga
Nombre de la De que fuente Especificación del proceso A que Tabla ETL
variable de datos de pre-procesamiento de los dimensión del
organizacional datos (estudios de modelo de
se extraerá dependencia, limpieza, datos irá
cambio de formatos, etc.)
Variable Colección Curación Análisis

Nombre de la Identificación Preparación de las Determinación de
Tabla CCA variable de fuentes operaciones para su criterios sobre la
externas para obtención calidad del dato
su obtención (limpieza, calculo, (verificar si mide
etc.) fenómeno deseado) y
a que dimensión irá
Etapa 3: Tratamiento de datos (ciencias de los datos)
a. Objetivos
Esta etapa se centra en generar datos de calidad, es decir, sin
anomalías, sin inconsistencias de formato, sin capturas
erróneas, sin campos vacíos; aplicando métodos de limpieza,
transformación y reducción sobre la vista minable operativa.
 Limpieza
 Transformación
 Reducción
 Cálculos …
 VMO depurada
 DW implementada funcionalmente
 Documento descriptivo de los tratamientos realizados
usando tablas descriptivas con información pertinente.
82
Fase 3: Desarrollo de las tareas de AdD
Especificación
tecnológica del CA
de Tareas de AdD
Desarrollo del ciclo a

autonómico de AdD
83
Etapa 1: Especificación detallada de los
requerimientos de la herramienta computacional
a. Objetivos
captar los requerimientos no funcionales.
• Requisitos de interfaz de usuario,
• Interfaces de software,
• Requerimientos de desempeño,
• Adicionalmente se pueden mencionar: de portabilidad, costos,
rendimiento, accesibilidad, entre otros.
 Informe de requerimiento no funcionales
Etapa 2: Especificación tecnológica del ciclo
autonómico de Tareas de AdD
a. Objetivos
Caracterización la implementación tecnológica del ciclo
autonómico de tareas de AdD.
• Escoger las técnicas de AdD para las tareas en el CA.
• Selección del Software para realizar c/tarea de AdD
• Definir cuáles son los datos de entrenamiento y de prueba
contenidos en el DW a usar
• Definir las interfaces entre las tareas del CA
• Definir una estrategia para la validación de las técnicas
seleccionada (cruzada, etc.).
 Documento con la especificación tecnológica del ciclo
Etapa 2: Especificación tecnológica del
ciclo autonómico de Tareas de AdD
Tabla para especificación técnica de las tareas de AdD
Macro-Algoritmo Especificar Tipo de Tarea de Minería Herramienta
<paso a paso del código> < Debe indicarse de manera concreta <Instrumento tecnológico a
la tarea a realizar> usar a utilizar para dicho
calculo >
… Por ejemplo, calcular una medida de Por ejemplo, Netgraph o
centralidad de minería de grafo, Netlogo para minería de
realizar un agrupamiento de tales grafo, o k-means para
datos según tales criterios de agrupamiento (indicando
similitud, etc.) valor de k)
…
Esta tabla es particularmente importante para las tareas de AdDS

Etapa 3: Desarrollo del ciclo autonómico de AdD
a. Objetivos
Realizar la herramienta de toma de decisiones usando el ciclo
autonómico de tareas de AdD.
• Construcción del modelo de conocimiento generado por cada tarea de
AdD
• Repetir el procedimiento de ser necesario, hasta que el modelo cumpla
los errores de entrenamiento establecidos
• Integrar las tareas de AdD en el CA
87
En esta etapa, se puede usar cualquier
 Prototipo del CA metodología de desarrollo de tareas de MD,
para desarrollar las tareas de AdD.
Desarrollo de las tareas de AdD
SEMMA
• Orientado a la parte técnica
• Carece de un análisis del problema.
Se puede usar cualquier metodología de
desarrollo de MD
para esta fase de desarrollo de tareas de
AdD,
CATALYST
CRISP-DM • Estructura en “boxes”
• Primer Modelo: Analiza el
• Proceso continuo y progresivo problema.
del proceso de creación
• Segundo Modelo: Solución en
• Más utilizado por empresas
el aspecto técnico.
que trabajan con DM
88
Fase 3: Desarrollo de herramientas de MD
• Objetivos y criterios de
CRISP-DM • Análisis inicial de datos
éxito del negocio y de la • Recolección
MD • Descripción
Cubiertas en detalle por
• Plan del Proyecto. MIDANO • Identificación de
problemas
• Verificación de calidad
2- Comprensión
1- Comprensión de los Datos
del Negocio
• Plan para el • Selección de

desarrollo 3- Preparación datos
• Informe final de los Datos • Preparar,
• 6- Desarrollo limpiar y/o
Presentación Datos
final construir datos
• Revisión general • Generar nuevos
4- Modelado registros
del proyecto
• Integrar o
formatear datos
5- Evaluación
• Selección de técnica de
• Evaluar el modelo
modelado
• Decisión sobre el
• Obtener el modelo.
modelo.
Flujo de trabajo de análisis de datos:
· Fase de preparación
· Fase de análisis
· Fase de reflexión
· Fase de difusión.
# 1: Etapa de preparación
Antes de analizar sus datos, debe adquirir los datos y reformatearlos de
una manera que sea adecuada para el cálculo. Se pueden adquirir datos
desde:
• Archivos de datos de repositorios en línea como los sitios web públicos.
• Archivos de datos transmitidos bajo demanda a través de APIs. Por ejemplo,
el flujo de datos de twiters.
• Aparatos físicos como un equipo de laboratorio científico que se ha conectado
a las computadoras.
• Datos de software informático, como archivos de registro del servidor web.
• Ingresando manualmente los datos en archivos de hoja de cálculo.
# 2: Fase de análisis
En el núcleo de cualquier actividad de analítica de datos está el análisis. Esto
implica escribir programas de computadora o scripts que analizan los datos para
obtener información útil de ellos. Puede utilizar lenguajes de programación como
Python, Perl, R.
# 3: Fase de reflexión
Con frecuencia alternará entre las etapas de análisis y reflexión, a medida que
trabaja en sus datos para obtener la información necesaria. Si bien la fase de
análisis es un proceso puramente de programación, la fase de reflexión requiere
pensamiento crítico y comunicación con sus clientes sobre los resultados
obtenidos.
# 4: Fase de difusión.
La difusión es la fase final del flujo de trabajo de analítica de datos. Puede
presentar sus resultados utilizando informes escritos, como notas internas,
presentaciones de PowerPoint o documentos informativos empresariales,
dashboard.
Etapa 4: Validación/Interpretación
a. Objetivos
Validar la herramienta de toma de decisiones.
• Validar el modelo de conocimiento generado por cada tarea de AdD
usando los datos de prueba, y siguiendo la estrategia de validación
establecida (aplicarla y observar el rendimiento).
• Realizar las correcciones necesarias
• Repetir el procedimiento de ser necesario, hasta que el modelo cumpla
los errores de prueba establecidos 92
• Validar el comportamiento del CA, usando los criterios definidos en la
etapa 1.5
• Validar el comportamiento del CA, en el sistema de toma de decisión
organizacional
Tipos de validación
• Validación interna
– Es en la que se aprende, clasifica y valida con los
datos de un mismo conjunto
• Validación externa
– Se aprende un modelo con un conjunto de datos,
y se valida con unos datos que no han sido
empleados en el aprendizaje
Hold-out
• Separar los datos disponibles en dos subconjuntos de datos:

training set (para aprender un modelo) y test set (el resto de
los datos)
• Se calcula la accuracy sobre el test set para estimar el error
del modelo obtenido con el training set
K-fold-Cross-Validation
• Se particiona aleatoriamente en k subconjuntos el conjunto de datos

disponible.
• Para cada uno de los subconjuntos obtenidos, se utilizará de test set
para evaluar el modelo obtenido con el resto de subconjuntos
• Se realiza la media de las evaluaciones realizadas para obtener el
resultado final
Metodología para Desarrollar
Sistemas Inteligentes
(MeSI)
Jose Aguilar Castro
96
MeSI ANALISIS DEL PROBLEMA
REDISENO
ANALISIS DE PROPIEDADES
SELECCIÓN ESQUEMA INTELIGENTE
IMPLEMENTACION
REFINAMIENTO
VALIDACION
MANTENIMIENTO 97
• ANALISIS DEL PROBLEMA
– IDENTIFICAR LAS DIFERENTES TAREAS DEL PROBLEMA
– IDENTIFICAR PROPIEDADES DEL PROBLEMA Y DE LAS TAREAS
• ANALISIS DE PROPIEDADES
– QUE TECNICAS INTELIGENTES MEJOR SE ADAPTAN
• SELECCIÓN DE TECNICA
– SON NECESARIOS DIFERENTES TI?
– EXISTE UNA TECNICA QUE CUBRA TODO?
– SE SOLAPAN TAREAS?
– ...
• IMPLEMENTACION
– PARADIGMA DE PROGRAMACION (POO)
– AMBIENTES Y HERRAMIENTAS
• VALIDACION
– PRUEBAS
– VERIFICACION DE FUNCIONAMIENTO
• MANTENIMIENTO
– COMPONENTES ADAPTATIVOS
– AMBIENTES CAMBIANTES
Técnicas Inteligentes
• CADA TECNICA INTELIGENTE
• TIENE UNA PROPIEDAD COMPUTACIONAL
• ES MAS SUSCEPTIBLE PARA CIERTOS PROBLEMAS
• TIENE CIERTAS LIMITACIONES
• PROBLEMAS DE ALGUNAS TECNICAS INTELIGENTES

• TIEMPO DE RESPUESTA
• ADAPTATIVIDAD (TOLERANCIA A RUIDO)
• EXPLICACION
• ADQUISICION DE CONOCIMIENTO (APRENDER)
• ESCALABILIDAD
• REPRESENTATIVIDAD
Metodología para Desarrollar Sistemas
Inteligentes: SISTEMAS HIBRIDOS INTELIGENTES
• RAZONES PARA HACER SHI
• AUMENTAR CAPACIDADES DE LAS TECNICAS
• MULTIPLICIDAD DE TAREAS
• MULTIFUNCIONALIDAD
• ELEMENTOS A CONSIDERAR EN LA INTEGRACION

• ADQUISICION DE CONOCIMIENTO
• ROBUSTES
• NIVEL DE RAZONAMIENTO
• EXPLICACION
J. AGUILAR 102
SISTEMAS HIBRIDOS INTELIGENTES
• ADQUISICION DE CONOCIMIENTO
• ELITESCO
• INTERPRETATIVO
• REPRESENTATIVO
• NIVEL DE RAZONAMIENTO
• TAREAS DE INFERENCIA=>COGNITIVAS
• RECONOCIMIENTO=>ASOCIACIONES MENTALES
• EXPLICACION
• ACEPTACION DE LA INFORMACION
• ENTENDIMIENTO DEL PROCESO DE
RAZONAMIENTO
TECNICA ADQUIS. ROBUST. RAZON. EXPLIC.
CONOCIM
SISTEMAS BAJO BAJO ALTO ALTO
EXPERTOS
LOGICA BAJO ALTO ALTO ALTO
DIFUSA
RED ALTO ALTO MEDIO BAJO
NEURONAL
COMPUTAC. ALTO MEDIO MEDIO MEDIO
EVOLUTIVA
SISTEMA MEDIO ALTO ALTO ALTO
CLASIFIC.
• CLASIFICACION DE LOS SIH (SEGÚN FUNCIONALIDAD,
ARQUITECTURA Y REQUER. COMUNIC)
• REEMPLAZO DE FUNCIONES
• INTERCOMUNICACION
• REEMPLAZO DE FUNCIONES
• AUMENTAR EFICIENCIA
• AUMENTAR VELOCIDAD
• INTERCOMUNICACION
• INDEPENDENCIA MODULAR
• INTERCAMBIO DE INFORMACION
• MECANISMO DE CONTROL
OTRA CLASIFICACION DE SIH

• FUSION
• TRANSFORMACION
• COMBINACION
• ASOCIACION
Ejemplo de Combinaciones
Metodológicas
Jose Aguilar Castro
107
yPBL, MASINA y MIDANO para el
desarrollo de las Obras
• Metodología de base: yPBL
• AdD
• Fase análisis de la Rama Funcional de yPBL se basa en las fases de
conceptualización y de análisis de MASINA y fase 1 de MIDANO
• Fase de diseño de yPBL se basa en MASINA y fases 1-2 de MIDANO
• Fase de desarrollo de yPBL se basa en fase 3 de MIDANO y
eventualmente MeSI
• AmI (Industria 4.0 y Smart Cities)

• Fase análisis de la Rama Funcional de yPBL se basa en las fases de
conceptualización y de análisis de MASINA y fase 1 de MIDANO
• Fase de diseño y desarrollo de yPBL se basa en MASINA y
eventualmente MeSI
AdD
Requerimientos Funcionales Requerimientos Técnicos
I1/ Definir Pb AD Herram. Analitica de

y Diseñar Proceso datos=> CookBook
del proyecto Herramientas Big Data
I2/ Diseñar ciclo autonómico => cookbooK
Herram. Int. de Negocios
AdD
=> cookbooK
I3/ Modelar Datos Herram. Mineria=> CookBook
I4/ Implementar Tareas usando Herram Analtica Grafos=> Cookbook
Minería de Cualquier Cosa . …=> …
R1
R2
R3
R4
AmI basado en SMA Requerimientos Técnicos
T1.1 JADE=>
CookBook
Requerimientos Funcionales
T1-2. Librerias=> cookbooK
Req1. Características T2-1 FIPA => cookbook
Agentes T3-1. ontologías =>Protege
cookbook
Req2. Interacción y T3-2 EDIMAS => … cookbook
Coordinación. T4-1. …=> … cookbook
Comunicación R1
Req3. Confianza y R2
Reputación
R3
Req4. Aprendizaje y
Emergencia R4
Contexto de la IA
¿Qué es Inteligencia …?
Mas del 98% de nuestro genoma es idéntico

al chimpancé, pese a que nuestra línea
evolutiva se separo hace unos 6 millones
de años
El cerebro humano es 3 veces mas grande, con una red

neuronal mas densa e interconectada, lo que permiten
los procesos de aprendizaje y memoria
112
112
IA
Inteligencia: capacidad de adquirir y usar

conocimiento
¿Cómo el cerebro percibe, entiende, predice y manipula?
 Razonar, Aprender, Comunicarse y Actuar
– La Inteligencia Artificial trata de conseguir que los
computadores simulen en cierta manera la inteligencia
humana.
Abarca la ciencia e ingeniería dedicada a diseñar y
programar computadores que ejecutan tareas que
requieren inteligencia si la hicieran los seres humanos
113
113
COMPUTACIÓN INTELIGENTE
METODOLOGÍA COMPUTISTA QUE TIENE LA

HABILIDAD DE APRENDER PARA TRATAR
NUEVAS SITUACIONES.
FRECUENTEMENTE ESTA BASADA EN LA

EMULACIÓN DE UNO O MAS ASPECTOS DE
LOS SISTEMAS BIOLÓGICOS O SOCIALES
J. AGUILAR 114
COMPUTACIÓN INTELIGENTE
Estimulos Salida
Entrada Comportamiento
Sensor o Captor
Inteligente
Datos
Razonar,
Modelo del Mundo
Predecir,
(datos información y
Optimizar, etc.
conocimiento)
Reaccion
Algoritmos reconoc., Computación

Clasificación, Modelos de Inteligente
Predicción, etc. Conocimiento
¿POR QUÉ COMPUTACIÓN
INTELIGENTE?
• CONVERGENCIA DE VARIAS TECNICAS EN EL CONCEPTO

DE AGENTES, ALGUNAS DE ELLAS:
– REDES NEURONALES
– COMPUTACION EVOLUTIVA
– LOGICA DIFUSA
J. AGUILAR 116
IA
Aspectos y Características de la
Inteligencia Artificial
Envuelve entender cómo el conocimiento es
adquirido, representado y almacenado; cómo el
comportamiento inteligente es generado y
aprendido; cómo motivos, emociones, y prioridades
son desarrolladas y usadas; cómo señales
sensoriales son transformadas en símbolos; cómo
los símbolos son manipulados para actuar
lógicamente, razonar, planear; y cómo los
mecanismo de inteligencia producen fenómenos de
ilusión, creencia, esperanza, temor y sueños
J Aguilar 117
¿Qué es Inteligencia Artificial?
Árbol que crea el computador para

Árboles de toma de jugar ajedrez
Decisiones
Árbol neuronal de varios
jugadores de ajedrez
Árbol de una RNA
Tomado de https://goo.gl/5MYY7F /
118 118
Objetivos de la Inteligencia Artificial
• Emular el razonamiento humano para la resolución de

problemas,
• Reconocer patrones que abarcan la comprensión y la
síntesis del habla, de imágenes y la visión artificial.
• Representar conocimiento, conceptualizándolo y
modelándolo,
• Procesar el lenguaje natural, que abarca generarlo y/o
analizarlo.
• Emular el comportamiento de sistemas biológicos:
cerebro, proceso evolutivo, etc. con especial interés en
los procesos de control y coordinación autonómica.
• Estudiar la inteligencia colectiva: Colonias de
Hormigas, Colonias de Abejas, …
119
119
Retos
razonen racionalmente
Hacer aprendan y descubran
programas
que jueguen
se comuniquen naturalmente con los humanos
120
120
Áreas
Inteligencia Artificial
Teoría de agentes
Sistemas multiagentes (Inteligencia Artificial Distribuidas)
Técnicas Inteligentes clásicas (computación inteligente)

Redes neuronales artificiales
Lógica difusa
Computación Evolutiva
Técnicas Inteligentes distribuidas

Algoritmos inspirados en colonias de insectos: PSO, ACO, etc.
Algoritmos inspirados en fenómenos físicos: Flujo de Agua, de gas, TS, etc.
Algoritmos inspirados en sistemas biológicos: Sistema Inmune Artificial, etc.
Técnicas inteligentes avanzadas autónomas:

Sistemas emergentes y auto-organizados (Inteligencia colectica)
Computación autonómica
Computación Sentica
121
121
Universo de la IA
Razonamiento: Visión Artificial:

Resolución de problemas mediante inferencia: Comprender y analizar imágenes y videos
deductiva, abductiva o inductiva
Planificación:
Generar secuencias de acciones para alcanzar
Aprendizaje Automático: un objetivo
técnicas que que permitan que las
computadoras aprendan a partir de los datos, Búsqueda:
es, por lo tanto, un proceso de inducción del
Resolución de problemas mediante el
conocimiento.
recorrido de un espacio de posibles
soluciones.
Procesamiento del lenguaje natural:
procesar información expresada en lenguaje Procesamiento del Habla:
humano, Procesar y analizar las señales acústica
que se generan al hablar.
Redes Neuronales Artificiales:
emulan el comportamiento del cerebro humano
(muchos modelos matemáticos existen).
Inteligencia Colectica:
Emular el comportamiento de
122 Colonias de Hormigas, Colonias de Abejas, …
122/64
Áreas
Inteligencia Artificial Sistemas Emergentes
Inteligencia Artificial Distribuida
Computación Inteligente
Computación Emergente
SACI ACO
RNA CE LD
123
123
Aplicaciones
Es inimaginable
En todas las áreas

puede ser usada
En esta década prácticamente

Reconocimiento Todo el software tendrá algo de IA
Predicción
Optimización
Planificación
Ejercicio 1
• Imaginar las posibilidades. escenarios que podrían beneficiarse de
tener un agente.
• Identificar el proceso. El siguiente paso sería identificar la
configuración gemela digital piloto que tenga el mayor valor posible y
tenga la mejor oportunidad de tener éxito.
• Midano:
– Etapa 1: Conocimiento de la Organización
– Etapa 2: Caracterización detallada de los procesos de la organización
– Etapa 3: Selección de los Procesos
Etapa 1: Conocimiento
de la Organización
Elemento Preguntas Ejemplos
Objetivos ¿Cuál es la razón de ser de la Conocer, determinar, establecer, la finalidad
institución? de la institución/empresa.
¿Cuales son las actividades que Procesos de producción o administrativos.
permiten alcanzar los objetivos de la
Procesos
institución?
¿Qué cosas o entidades se manipulan en Pueden ser físicos o abstractos,

Objetos los procesos de la institución? departamentos, documentos, herramientas,
plantas.
Actores ¿Quiénes ejecutan los procesos? Personas, sistemas, máquinas, etc.
125
Ejercicio 1
Etapa 2: Caracterización detallada de

los procesos de la organización
1. Familiarización con los procesos sobre los cuales se puede realizar la extracción de conocimiento
 ¿Qué productos generan esos procesos?
 ¿Qué beneficios proporcionan esos procesos a la organización?
 ¿Qué problemas tienen actualmente?
 ¿Importancia de esos procesos para la organización, o impacto sobre otros procesos?
 ¿Qué impacto generaría la mejora de esos procesos o el estudio de los mismos?
2. Identificar la fuente del conocimiento

 ¿Cuáles son los actores o personas que intervienen en los procesos?
 ¿Quién o quiénes son las personas expertas en los procesos?
 ¿Existen documentos que permitan conocer esos procesos?
 ¿Existen sistemas computacionales que intervengan o interactúen en el proceso?
3. Familiarización con los ambientes computacionales donde se encuentran los datos a ser utilizados en cada proceso explicado
 ¿Dónde se encuentra los datos almacenados del proceso en cuestión?
 ¿Cómo se almacenan los datos del proceso?
 ¿Qué variables son observadas del proceso?
 ¿Cuáles son las variables más importancia de esos datos para la organización?
126
Ejercicio 1
Etapa 3: Selección de los Procesos

Ejemplo de Tabla para
Peso Criterios Proceso 1 Proceso 2
Importancia para la organización
selección de procesos
Interacciones entre procesos
Criterios vinculados
Procesos dependientes
a la importancia del proceso
Importancia de la calidad del
producto para la organización
Seguridad Industrial
Proposito de la tarea de AdD
Replicabilidad de la herramienta a
desarrollar Criterios vinculados
Cantidad de Expertos
a la factibilidad de hacer una
Fuentes de información
Tarea de Análitica de Datos
Confidencialidad de la información
¿Qué información se recoge del
proceso para ser almacenada?
Con que frecuencia se recoge la
información almacenada
¿Qué herramientas se cuentan, para
recolectar y manipular la
información?
Total sin ponderación
Total ponderado
127
Agentes
Concepto de Base: Agentes
Es un sistema (quizas computacional) que está

situado en un entorno, que es capaz de realizar
acciones autónomas flexibles en ese entorno para
alcanzar sus objetivos
Caracterizado por:
–SU ESTRUCTURA (ARQUITECTURA)
–SUS ACCIONES (COMPORTAMIENTO)
Arquitectura+programa
129
129
Definición de la real academia de la lengua

española (www.rae.es):
Persona o cosa que produce un efecto y que
obra con poder de otra.
Tres elementos fundamentales;

1. Produce un efecto,
2. Obra (ejecuta alguna acción)
3. Lo hace en función de otro.
J Aguilar
Procedimiento de base:
1. Percibo (Actualiza Memoria)
2. Decido (Escoge Acción )
3. Actúo (Actualiza Memoria)
Descripción práctica de un agente:

Sus Tareas.
Sus Conocimientos.
Su Comunicación
131
131
resolver un problema
planificar sus actividades /tareas
Go, 2011
el conocimiento
Mecanismos para/de razonamiento
aprendizaje
percepción
comunicarse
AAl, 2012
132
132
Propiedades de un agente
Movilidad
Flexibilidad
Autonomía
Sociabilidad
Proactividad
Reactividad Racionalidad
Adaptabilidad Persistencia Razonabilidad
J Aguilar 133
Arquitectura de un Agente
Inteligencia
Competencias, aprendizaje,
Razonamiento, planificación
Actuadores/Sensores
Aspecto Social Comunicación Ambiente
Rol del agente, cooperación Protocolos, lenguajes, ontologías
Individualidad
Objetivos, creencias, modelos
Compromisos
J Aguilar 134
Agentes vs. Objetos
• Un Agente puede ser autónomo
• Un Agente es capaz de generar
comportamientos flexibles (reactivos,
proactivos)
• Un Agente puede convivir en una
comunidad de ellos de forma racional
(social)
• Desde el punto de vista de implantación,
cada agente es un elemento activo (al
menos un hilo de ejecución).
J. Aguilar 135
Tipos de Agentes
Muchas clasificaciones
Según tres propiedades:

Autonomía, Aprendizaje y Cooperación
J. Aguilar 136
Tipos de Agente
Dimensiones
Autonomía,
Relación entre
Movilidad Pro actividad Aprendizaje y Tipo de Aplicación
percepción y Acciones
Cooperación
Agente de
Agentes Agentes Agentes Agentes
Interfaz o
Móviles Proactivos Interfaz Reflejo Simple
Usuario
Agentes Agentes Agentes Agentes Bien Agente de

Estáticos Reactivos Inteligentes Informados Búsqueda
Agentes
Agentes Agente de
Basados en
Colaborativos Monitoreo
Metas
Agentes Agentes
Agente de
Colaborativos Basados en
con Aprendizaje Filtrado
Utilidad
J. Aguilar
Tipos de Arquitectura de un Agente

(según toma de decisión)
Arquitecturas Reactivas
Modelo estimulo-respuesta, Agente que actúa
por reflejos. Entorno subsimbólico
(capacidades sensoriales y motrices).
•Acción: S->A S: Edos. del ambiente

A: posibles acciones
Arquitecturas Reactivas con

Percepción
•ver: S->P P: Percepciones
•Acción: P->A
Arquitecturas Reactivas con

Estado
Deciden la acción a realizar teniendo en
cuenta su historia de
interacciones con el entorno
•ver: S->P
•Acción: E->A E: Estados Internos
•próximo: ExP->E
Tipos de Arquitectura de un Agente

Arquitecturas Deliberativas
Contiene un modelo del mundo simbólico y
explícitamente representado.
Se introduce una función deliberativa entre la
percepción y la ejecución para elegir la acción
correcta
Basados en deducción lógica

•ver: S->P
•Acción: D->A D: BD de sentencias lógicas
•próximo: DxP->D
Arquitecturas Híbridas
Combinan lo mejor de las
arquitecturas deliberativas y reactivas.
Puede estructurar en capas
Tipos de Agentes (según relación entre percepción y acciones)

Agente Reflexivo
1. Interpreta (percepción)
2. Determina regla (si < -- > entonces <-->)
3. Actúa (según regla)
Agente sensores
Cómo es el mundo
ahora ambiente
Seleccionan las acciones sobe la base de las percepciones
actuales,
Por ejemplo:
Si el vehículo de delante frena y sus luces de freno se
encienden
Entonces el agente taxista deberá advertirlo y frenar también
Qué acciones
Reglas Condición - Acción
Debería hacer ahora
Se almacena de la forma:
Si vehículo delante frena entonces empezar a frenar
actuadores
J. Aguilar Los humanos tenemos muchas de estas asociaciones:
Reflejos innatos
Respuestas aprendidas
Tipos de Agentes (según relación entre percepción y acciones)

Agente Reflexivo con Estado Interno
1. Actualiza estado (estado, percepción)
2. Determina regla (estado, reglas)
3. Actúa (según regla)
Requiere de modelos del mundo!!
sensores
Estado
Cómo es el mundo
Como evoluciona el mundo
ahora
ambiente
Cuales son mis acciones

y sus efectos en el mundio
La percepción actual se interpreta a partir del estado anterior

utilizando información sobre:
• Cómo evoluciona el mundo independientemente del agente
Reglas Condición - Acción Qué acciones • Cómo influyen en el mundo las acciones del agente
Debería hacer
Por ejemplo:
Si el vehículo de delante es un modelo antiguo no se podrá
Agente actuadores determinar si ha frenado a partir de una única imagen.
J. Aguilar
Agente con Objetivos

1. Actualiza Memoria (estado, según lo que percibió)
2. Determina acción (estado, qué yo quisiera cumplir (objetivos):
búsqueda y/o planificación)
3. Actúa (Acción inmediata, o la que corresponda según la secuencia
obtenida por el proceso de búsqueda y/o plan.)
4. Actualiza estado (estado, acción)
sensores Un agente basado en objetivos utiliza una
Estado descripción de las metas a alcanzar
Cómo es el mundo
que le sirve para escoger entre distintas
Cómo evoluciona el mundo ahora acciones posibles.
ambiente
Cuáles son mis acciones Que pasa si
y sus efectos en el mundo
Por ejemplo:
Hago acción A
El destino del pasajero
La búsqueda y a planificación son dos

Qué acciones subáreas de la Inteligencia Artificial
Objetivos
Debería hacer dedicadas a la resolución de problemas
utilizando objetivos
Agente actuadores
J. Aguilar juegos es una subárea de la Inteligencia Artificial que
utiliza funciones de utilidad en la resolución de
problemas
Agente con Función de Utilidad

1. Actualiza Memoria (estado, según lo que percibió)
2. Determina acciones (estado, qué yo quisiera cumplir (objetivos))
3. Selecciona acción (acciones, función de utilidad)
4. Actúa (según acción seleccionada)
5. Actualiza estado (estado, acción)
sensores Los objetivos únicamente no bastan para

Estado asegurar un comportamiento ideal.
Cómo evoluciona el mundo Cómo es el mundo
ambiente
ahora Por ejemplo:
Cuales son mis acciones y Qué pasa si Diferentes secuencias de acciones
s sus efectos en el mundo Hago acción A pueden llevar al destino que el pasajero
desea, pero algunas son más rápidas,
Que tan feliz
Utilidad
Seré en ese edo. seguras o baratas que otras.
Qué acciones Un agente basado en la utilidad usa un

Debería hacer
criterio para estimar el grado de
Agente satisfacción de un estado para el
J. Aguilaractuadores agente que le sirve para escoger entre
distintas acciones validas
Agente que Aprende

Estándar de Actuación
Critica sensores
retroalimentación
ambiente
cambios
Elemento de Componente
Aprendizaje de Actuación
Qué aprender conocimiento

propuestas
Generador de
alernativas
Agente actuadores
J. Aguilar 144
Sistemas MultiAgentes
Técnicas de resolución de problemas que mezclan tanto la IA

como los Sistemas Distribuidos.
Es un sistema informático formado por un grupo de agentes que

interactúan entre sí utilizando protocolos y lenguajes de
comunicación de alto nivel, para resolver problemas que pueden
estar más allá de las capacidades o del conocimiento de cada uno.
• Los agentes son frecuentemente heterogéneos y deben tener cierto grado

de autonomía, capacidades de razonamiento, planificación, etc.
• Los agentes deben ser capaces de interactuar, negociar, cooperar y hasta
competir con otros para llevar a cabo sus tareas, las cuales pueden ser
individuales o grupales.
Entornos multiagente
• Varios agentes interactuando en el mismo entorno

• Las acciones de un agentes influencian las acciones del resto
• Autonomía: un agente NO puede controlar las acciones de los otros
• Racionalidad: un agente SÍ puede predecir las acciones de los otros
147
222
SMA
• Son sistemas compuestos por múltiples componentes
autónomos que poseen las siguientes características:
• Cada agente tiene ciertas capacidades.
• Necesitan de formas de coordinarse
• Los datos no están centralizados
• La computación es asíncrona.
• No hay un sistema global que los controla
• Pueden incorporarse dinámicamente nuevos tipos de
entidades en el sistema
Temas en los Sistemas
Multiagentes
1. Metodologías de desarrollo de SMA
2. Interacción y sus tipos: Cooperación, Coordinación, Negociación
3. Comunicación
4. Problema de Confianza y Reputación
5. Aprendizaje en los SMA (aprendizaje colectivo)
6. Plataformas de Despliegue
7. Arquitecturas de Referencia en los SMA.
8. Sistemas Emergentes Auto-organizados

150
• Autonomía de diseño:
Plataforma – Protocolo de interacción – Lenguaje
• Arquitectura interna:
– Infraestructura de comunicación: Memoria compartida
(blackboard), Conexión basada en mensajes (punto a punto,
multicast o broadcast), sincronización o no
– Servicio de directorio: páginas blancas, páginas amarillas
– Protocolos: FIPA, KQML, CORBA, etc.
– Servicios de mediación: Basado en ontologías,
Transacciones
– Servicios de seguridad: autenticación, anonimato
– Soporte de operaciones: Almacenamiento, Redundancia,
Restauración, Contabilidad, Timestamp
Interacciones
Una situación de interacción se produce cuando dos o más
agentes, por medio de una serie de acciones recíprocas
confluyen en una relación dinámica. Estas acciones, las
influencias que unos ejercen sobre los otros, las
obligaciones y compromisos que establecen, hacen de los
agentes entidades sociales.
Situaciones de
Medios objetivos
Interacción
disponibles
Recursos
Disponibles 152
INTERACCIONES
OBJETIVOS RECURSOS CAPACIDADES TIPO CATEGORIA
COMPATIBLES SUFICIENTES SUFICIENTES INDEPEND. INDIFERENTE
(PERS. CAMINA ACERA)
COMPATIBLES SUFICIENTES INSUFICIENTES COLABOR. SIMPLE COOPERACION
(ASIGNACION DE TAREAS)
COMPATIBLES INSUFICIENTES SUFICIENTES ENTRABAR COOPERACION

(CIRCULAC. CARROS, USO
PROCESADOR, TRAF. AER)
COMPATIBLES INSUFICIENTES INSUFICIENTES COLABOR. COORD. COOPERACION

(FABRICACION
INDUSTRIAL)
INCOMPATIBLES SUFICIENTES SUFICIENTES COMPET. INDIV. ANTAGONISMO

PURA (MARATON)
INCOMPATIBLES SUFICIENTES INSUFICIENTES COMPET. COLECT. ANTAGONISMO

PURA (CARRERA DE RELEVO)
INCOMPATIBLES INSUFICIENTES SUFICIENTES CONFLICTO INDIV. ANTAGONISMO

RECUR. (DEFENSA TERRITORIO,
JEFE MANADA)
INCOMPATIBLES INSUFICIENTES INSUFICIENTES CONFLICT. COLECT ANTAGONISMO

RECUR. (GUERRAS, COMPET.
INDUSTRIAL)
224
Tipos más comunes de interacción

• Coordinación: propiedad de interacción entre un conjunto de agentes
que realizan alguna actividad colectiva:
– Coordinación global: el sistema determina y planifica globalmente,
existiendo un agente que verifica todos los conflictos.
– Coordinación individual: cada agente tiene completa autonomía
para decidir qué hacer y resolver los conflictos que detecte
localmente.
• Cooperación: una clase de coordinación que consiste en que varios

agentes no antagonistas (acciones de uno no perjudiquen al otro)
interactúen entre sí con el objetivo de conseguir un fin común.
• Negociación: consiste en poner de acuerdo a los agentes de un sistema,

cuando cada uno defiende sus propios intereses, llevándolos a una
situación que los beneficie a todos (comercio electrónico, subastas, ...)
COOPERACION
proceso por el que ciertos agentes participantes generan
deberes mutuamente dependientes para actividades
conjuntas (planes).
Las situaciones de cooperación aparecen cuando los agentes

tienen que resolver problemas o tareas interdependientes
• Se recibe un problema en cierto nivel de abstracción.

• El agente resuelve localmente aquello que es posible.
• Recurre a otros agentes del mismo nivel para el resto de las
tareas.
• Recurre a otros niveles de abstracción para el resto de las tareas.
COOPERACION
ALGUNOS METODOS DE COOPERACION
• COMPARTIR TAREAS Y RECURSOS
• TIPO PIZARRA
• VOTACIÓN.
• EMERGENTES: ESPECIALIZACION
227
REPARTICION DE TAREAS
Repartir tareas, recursos e información implica:
– Quién debe hacer qué con qué medios

En función de los objetivos y competencias de los
agentes y restricciones del ambiente
Descomposición de Tareas
J Aguilar
2 Petición
Seleccionar un agente Aceptar la petición
para realizar una tarea
3
5 Resultados Resultados
1
4
Detectar la necesidad
Realización de la
de compartir una tarea
tarea
Fuente Receptor
228
• ROLES
CLIENTES O DEMANDADORES
PROVEEDORES O SERVIDORES
MEDIADORES
• FORMAS DE ASIGNACION
PREDEFINIDA
CENTRALIZADA - JERARQUICO=> IMPUESTA
- IGUALITARIO => MEDIADOR
DISTRIBUIDA - RED DE CONTACTOS: directa o delegar
EMERGENTE
Asignación de Recursos
Centralizada clásica.
Centralizada con mediador.
Por redes de amistades.
Emergente
J Aguilar
ASIGNACION EMERGENTE
• ASIGNACION REACTIVA
• SENALES
• ARRANQUE DIFERENCIAL DE UN COMPORTAMIENTO

EN FUNCION DE LA SENAL QUE RECIBE UN AGENTE
• COMPETENCIA INTRA-AGENTE:
– Intensidad de la señal
– Tendencia a cumplir cierta tarea (ya comí?, etc.)
– Distancia a la fuente y capacidad de percibir
• RELACION AGENTE VS. FUENTE DE LA SENAL
UMBRAL DE RESPUESTA
COORDINACION DE ACCIONES
CONJUNTO DE ACTIVIDADES SUPLEMENTARIAS QUE
SE DEBEN REALIZAR EN UN SMA
Tareas no directamente productivas que mejoran la eficiencia

total del sistema. Los agentes se coordinan para gestionar las
dependencias existentes entre sus actividades
• ARTICULACION DE ACTIVIDADES HECHAS POR

CADA AGENTE
• MEJORAR ACCION DEL GRUPO:
• AUMENTO DE RENDIMIENTOS
• DISMINUCION DE CONFLICTOS
COORDINACION DE ACCIONES
Dos enfoques para su solución:
• Centralización
– Un agente coordinador especial es el responsable de
detectar las interdependencias entre las actividades de los
agentes locales.
• Descentralización
– Los agentes interactúan entre sí. Poseen el conocimiento
para descubrir inconsistencias entre sus acciones previstas y
adaptar mutuamente sus decisiones locales.
FORMAS DE COORDINACION DE ACCIONES

• SINCRONIZACION:
– DE MOVIMIENTOS
– DE ACCESO A RECURSOS => SECCIONES CRITICAS
• POR PLANIFICACION
– PLANIFICACION CENTRALIZADA VS. DISTRIBUIDA
– PLAN CENTRAL VS. DISTRIBUIDO
• REACTIVA
– ACCIONES SITUADAS (CAMPOS DE POTENCIAS , RECURSO=>SINCRONIZACION)
– MARCANDO EL AMBIENTE
– DE MANADA/O JAURIA (AGREGAR, DISPERSAR, EVITAR, VIGILAR)
• POR REGLAMENTACION
Planificación
Planificación centralizado para
planes distribuidos
Coordinación centralizada para

planes parciales
Planificación distribuida de un
plan centralizado
Planificación distribuida para

planes distribuidos
Jerarquización de planes.
Planificación reactiva,
Negociación
• Objetivo:
determinar (las condiciones de)
un acuerdo entre, al menos,
dos agentes
• Ejemplos de negociación
– Red de Contratos
• Adjudicar productos y tareas
a través de un “mercado”
• n participantes, transacción
entre 2
– Regateo
• Llegar a un acuerdo entre
todos los participantes
– Argumentación
• Resolver (supuestos)
conflictos a través del debate
243
Subastas
• Las subastas suelen establecer un contrato entre
dos agentes (el subastador y el que gana la
subasta).
• Mecanismo estructurado para forjar acuerdos

– Protocolo: semi-distribuido, con diferentes roles
• 1 subastador
• N subasteros
– Estrategias:
• “pujas” de los subasteros
• Precio inicial, precio de reserva, etc.
Subasta
Protocolos comunes:
Subasta inglesa
Subasta holandesa
Subasta sellada:
.
Subasta de Vickrey
…
J Aguilar
Subasta inglesa
• Inicio:
– el subastador ofrece un producto a un precio inicial
(usualmente por debajo de un precio mínimo privado)
• Apuestas:
– los subasteros van ofertando precios (ninguna, una, o varias
veces)
– cada oferta tiene que superar todas las anteriores
– el ciclo de apuestas termina cuando no hay más ofertas
• Adjudicación:
– si la última oferta alcanza el precio mínimo (privado) del
subastador, el producto es adjudicado al subastero de la oferta
más alta
– de lo contrario no se vende el producto (el subastador tiene la
última palabra!!!)
Subasta inglesa entre agentes: FIPA

• En la subasta de agentes, los
participantes no están físicamente
presentes en una sala de subasta
• reject-proposal: pueden llegar
pujas ilegales, p.ej. por retardos
en la red
• cfp: anunciar cada nueva ronda
de pujas con el precio actual
• inform: informar a todos los
participantes sobre el resultado
de la subasta
• request: requerir que el ganador
realice la transacción
170
Comunicación
Es la intención de intercambiar información a
través de la producción y percepción de
signos en un sistema compartido de signos
convencionales
• Comunicación entre agentes

– Percepción: Recibir mensajes
– Acción: Enviar mensajes
248
Comunicación de Agentes
• ¿Por qué es importante?
Coordinación, cooperación y negociación entre agentes
• Entendimiento mutuo:
– Traducción entre lenguajes de representación
– Compartir el contenido semántico
• Debe haber un cierto acuerdo en:

– Transporte: cómo envían y reciben mensajes los
agentes
– Lenguaje usado: que palabras uso en los mensajes
– Política de dialogo: cómo estructuran sus
conversaciones los agentes
– Arquitectura: cómo conectar sistemas
– Comprensión mutua: qué significan los mensajes
Comunicación de Agentes
MODELO BASICO DE COMUNICACION

- EMISOR
- RECEPTOR
- CODIGO
- LENGUAJE
- CANAL (MEDIO)
- CONTEXTO
J Aguilar
ACTOS DE HABLA
DEFINEN EL CONJUNTO DE ACCIONES

INTENCIONALES EFECTUADAS EN EL
TRANSCURSO DE UNA COMUNICACIÓN
PRAGMATISMO DEL DISCURSO
251
ACTOS DE HABLA
• ASPECTOS
- LOCUCION (LOCUTION)
- PERFOMATIVA (ILLOCUTION)
- EFECTO (PERLOCUTION)
• TIPOS - INFORMATIVAS
- DIRECTRICES O COMANDOS
- PROMESAS U OFERTAS
- PREGUNTAS Y RESPUESTAS
- RECONOCIMIENTO
- COMPARTIR
TIPOS DE ACTOS DE HABLA

TIPO EJEMPLO CATEGORIA
DEMANDA DEMANDA-HACER ORDENAR
INTERROGACION PREGUNTAR INTERROGACION
AFIRMACION AFIRMAR ASEGURAR
OFERTA DE SERVICIO OFRECER-SERVICIO PROMETER
INDICAR HABILIDADES SABER-HACER EXPRESIVO
PROPOSICION HIPOTESIS PROPONER-IDEA EXPRESIVO
J Aguilar
CONVERSACIONES
• Patrón para el intercambio de mensajes entre dos o más
agentes que acuerdan comunicarse entre si
• Protocolos de conversación: los agentes no realizan un simple

intercambio de mensajes aislados, sino que mantienen
conversaciones (Se espera cierto tipo de respuesta del
interlocutor)
• Ventajas asociadas a los protocolos de conversación

– Proporcionan un marco para el intercambio de mensajes
(interpretación).
– Posibilitan mejor ajuste a modelos intuitivos de interacción entre
agentes.
– La estructura conversacional es separable del resto del
comportamiento del agente (favorece la reutilización)
CONVERSACIONES
J Aguilar
ACL: Agent Communication Language

• Lenguaje para intercambio de mensajes entre
agentes.
• Componentes de base
– Vocabulario
– Lenguaje “interno”: KIF
– Lenguaje “externo”: KQML
• Un mensaje en ACL es una expresión KQML, en la

que los argumentos son términos o sentencias
KIF, formadas por palabras del vocabulario del
ACL
ACL: Agent Communication Language

• El mensaje ACL posee los campos:
– sender: agente que envía el mensaje.
– receivers: lista de receptores.
– performative: tipo de mensaje. Indica la intención que el
emisor intenta lograr enviando el mensaje.
– content: contenido principal del mensaje.
– language: lenguaje usado en el contenido. P.ej. la sintaxis
utilizada para expresar el contenido.
– ontology: ontología usada en el contenido. P.ej. el
vocabulario de símbolos usados en el contenido y su
significado.
– conversation-id, reply-with, in-replay-to, reply-by: para el
control de conversaciones concurrentes..
KQML
• KQML es un lenguaje y protocolo basado en
mensajes para comunicación entre agentes.
• Los mensajes KQML no sólo comunican frases en
algún lenguaje sino que mas bien comunican una
actitud sobre el contenido
• Las primitivas del lenguaje reciben el nombre de
“performatives”
• Así, cada mensaje posee
– Performativa
– Parámetros
KQML
• Tres capas
– Contenido (KIF)
– Mensaje (Performativas)
– Comunicación
• Performativas
– De discurso: para intercambio de información y
conocimiento (ask, tell)
– De intervención y conversación: para intervenir en
una conversación (sorry, next, ready)
– De red: no son estrictamente actos de habla, pero
permiten a los agentes encontrar otros agentes
(recruit, register)
• Mensajes en KQML
( Perfomativa
: content (<Contenido a transm.>)
: receiver <destino>
: language <lenguaje del contenido>
: ontology <ontologia usada>
)
• Ejemplo
( ask-one
:content (PRICE IBM ?price)
:receiver -stock-server
:language LPROLOG
:ontology NYSE-TICKS
)
KQML (Realizativas o perfomativas)

• Se usan para los actos comunicativos (Actos de Habla)
Actos Comunicativos Operaciones

para preguntas básicas evaluate, ask-if, ask-in, ask-one, ask-all
de preguntas con varias resp. stream-in, stream-all
de respuesta reply, sorry
de información genérica tell, achieve, cancel, untell ...
para control de flujo standby, ready, next, rest, discard ...
que define capacidades advertise, suscriber, monitor, export ...
de gestión register, forward, broadcast, router ...
Ontologías para la comunicación

entre agentes
• Uso habitual de las ontologías
para lograr la compartición y la comunicación del
conocimiento:
• Necesidad de acordar terminología.

– Lenguaje de representación de conocimiento común
– Lenguaje de comunicación común (lenguaje de
comunicación entre agentes)
• La semántica es muy importante:

– Los agentes se comunican para entenderse
– necesitan ontología común o reglas de traducción
Comunicación entre agentes

Resumen
Conversacion
Lenguaje de Contenido
ACL
Transporte del Mensaje
Infraestructura de red
FIPA
FIPA (Foundation for Intelligent Physical

Abstracts)
• FIPA es una organización de la IEEE Computer Society que
promueve la tecnología basada en agentes y la interoperabilidad
de sus estándares con otras tecnologías.
• La FIPA ha desarrollado una serie de especificaciones, las cuales

son una colección de estándares :
– Marcos arquitectónicos para SMAs,
– Protocolos de comunicación,
– Lenguajes de contenido,
– Mecanismos de gestión e implantación de SMAs,
– Estándares de calidad de servicio, entre otras.
Agentes: FIPA
• Las especificaciones están divididas en 5 grupos:
– Aplicaciones:
• FIPA Nomadic Application Support Specificacion
• FIPA Quality of Service Specificacion
• FIPA Personal Travel Assistance Specification
• FIPA Audio-Visual Entertainment and Broadcasting Specification
• FIPA Network Management and provisioning Specification
• FIPA Personal Assistant Specification
• FIPA Message Buffering Service Specification
– Arquitectura Abstracta
• FIPA Abstract Architecture Specification
• FIPA Domains and Policies Specification
Agentes: FIPA
• Lenguajes de comunicación
– Protocolos de interacción
• FIPA Request Interaction Protocol Specification
• FIPA Query Interaction Protocol Specification
• …
• FIPA Brokering Interaction Protocol Specification
• FIPA Recruiting Interaction Protocol Specification
• FIPA English Auction Interaction Protocol Specification
• FIPA Dutch Auction Interaction Protocol Specification
– Actos comunicativos
• FIPA Communicative Act Library Specification
– Lenguajes de contenido
• FIPA SL Content Language Specification
• FIPA CCL Content Language Specification
• FIPA KIF Content Language Specification
• FIPA RDF Content Language Specification
Agentes: FIPA
• Gestión de agentes
– FIPA Agent Management Specification
– FIPA Agent Discovery Service Specification
– FIPA JXTA Discovery Middleware Specification
• Transporte de mensajes
– Representaciones de ACL
• FIPA ACL Message Representation in Bit-EfficientSpecification
• FIPA ACL Message Representation in String Specification
• FIPA ACL Message Representation in XML Specification
– Representaciones de envoltorios
• FIPA Agent Message Transport Envelope Representation in XML Specification
• FIPA Agent Message Transport Envelope Representation in Bit Efficient Specification
– Protocolos de transporte
• FIPA Agent Message Transport Protocol for IIOP Specification
• FIPA Agent Message Transport Protocol for HTTP Specification
Agentes: FIPA
Estándar de plataforma
de servicios
Canal Comunicación
Agentes
Plataforma Agente
Sistema Gestión Directorio Canal Comunicación
Agentes Facilitador Agente
Plataforma Transporte Mensaje Interna y de Agentes
Agente
J Aguilar
Middleware para SMA
Algunos basados en FIPA son:
• JADE https://jade.tilab.com/
• JIAC
• JACK
• Zeus
• Fipa-OS
• MGS
J Aguilar
JADE
• JADE (Java Agent DEvelopment Framework) es un
software para desarrollar aplicaciones basadas en
agentes que sigue las especificaciones de FIPA,
• El objetivo de JADE es simplificar el desarrollo de
agentes, garantizando seguir los estándares establecidos
por la FIPA:
– Plataforma para la gestión de los agentes y
– Un IDE (Integrated Development Environment) para el
desarrollo de agentes.
– Paquete basado en Java para desarrollar agentes.
– Varias extensiones para ejecutarse en dispositivos con
aplicaciones especificas (PDA, teléfonos inteligentes, etc.).
JADE
JADE tiene un contenedor principal que tiene dos agentes
especiales:
• DF (Directory Facilitator):
• AMS (Agent Management System): register() takedown(), y
• deregister() del AMS.
JADE define la Clase Agent, la cual es una superclase que permite a

los usuarios crear agentes
Esta clase suministra métodos que permiten ejecutar las tareas
básicas de los agentes como:
• Pasar mensajes utilizando objetos ACLMessage
• Dar soporte al ciclo de vida de un agente.
• Planificar y ejecutar m´ múltiples actividades al mismo tiempo.
JADE
• El “comportamiento” de un agente define las acciones a realizar
bajo un determinado evento y hereda de la clase agentes los
métodos: addBehaviour, removeBehaviour.
• Los diferentes comportamientos que el agente adopta se definen
a partir de la clase abstracta Behaviour, para lo cual usa el
método action(), done(), reset(),
• JADE incluye prototipos de comportamientos listos para
utilizarse, tales como los protocolos de interacción FIPA, despertar
bajo una cierta condición, etc.
• los agentes se implementan como un hilo por agente.

• Además de la solución multi-hilo, ofrecidos directamente por
Java, JADE también admite la programación de comportamientos
cooperativos
JADE
JADE
• El agente dummy es una herramienta para la inspección de los
intercambios de mensajes entre los agentes. Este agente facilita la
prueba y validación de la interfaz de los agentes antes de su
integración en un SMA.
• El agente sniffer, a través de su IGU, permite el seguimiento de

los mensajes intercambiados en una plataforma de agentes JADE.
Cuando el usuario decide rastrear un agente o un grupo de
agentes, cada mensaje dirigido a, o procedente de, el agente o
grupo de agentes, se sigue y se muestra en la ventana del sniffer,
utilizando una notación similar a los diagramas de secuencia de
UML.
J Aguilar
Ejemplos
Ambientes Inteligentes Educativos:

Salones Inteligentes
J Aguilar
Ambientes o Entornos inteligentes
Ambientes físicos en los que las tecnologías de

información y comunicación y los sistemas de sensores
se integran en los objetos físicos, en la infraestructura,
y en el entorno.
Espacios físicos en los que la información y otras

tecnologías de la computación ubicua se tejen y se
utilizan para lograr objetivos específicos para el
usuario, el medio ambiente, o ambos
Propiedades básicas
• Ubicuidad para tener la información y los servicios

en el sitio donde lo requiera el usuario,
• Transparencia para pasar desapercibidos en el

medio físico
• Inteligencia para adaptarse a las preferencias de

cada individuo.
La Inteligencia permite componer automáticamente servicios

complejos a partir de servicios básicos que los dispositivos
desplegados en el entorno poseen, para alcanzar un
determinado objetivo
Aula inteligente
Espacio donde la tecnología

ubicua ayuda al proceso de
enseñanza-aprendizaje de una
manera transparente .
SaCI
• Caracterización de un aula inteligente teniendo en cuenta
diferentes aspectos vinculados a la educación virtual y presencial,
utilizando el paradigma de los sistemas multiagentes.
• Definición de los diferentes componentes de un aula inteligente

con sus propiedades.
• Definición de dos frameworks de agentes que describen los

diferentes tipos de componentes en un aula inteligente.
• Definición de un Middleware Reflexivo Autonómico de SaCI
• Definición de las comunidades de agentes que compone a SaCI
241
Especificación de SaCI
Componentes de un aula inteligente
objetos
Inteligentes Otros
objetos
VLE, Sistemas
Recomendadores,
Sistemas Conscientes
del Contexto, etc.
Reconocimiento
Facial, Modelos de
Aprendizaje , Grupos
de estudiantes, etc.
Otros
objetos
Conexión a
Dispositivos
Middleware de SaCI
AmI Logical Management Layer (ILL) AmI Physical
Management Layer (IPL)
SPA CA TA CEA
Context Awareness
CMA DA
Meta
MAP
MAS Management Layer (MMAL) Services Management Layer (SML)
Security
AMA CCA DMA RMA ApMA SMA WSA
Physical Layer (PL)

Base
E
Sensors Effectors Intelligent Objects Other Objects
244
Hardware & Software

Hardware Software
Student board Virtual Learning Environment (VLE)
Smart board Repository of learning objects
Smart camera Recommender system of
Interact desk educational resources
Social Robot Academic System
Augment Reality System
J Aguilar
Agentes de SaCI
 Agentes del nivel Físico
Interaction with
Intelligent
Device Tasks Components other components
Capabilities
of SaCI
Smart Display learning contents Touch support, Display Adapt educational LVE
board high-resolution contents to context Student Board
Allow students - processor, wifi, Smart cameras
educational contents Bluetooth Interactive desk
interaction
Social Recognize emotional Vision System; Adapt to the context Smartboard
Robot states in the environment Recognition System of surrounding it LVE
Face, Gesture and
Motivate and arouse Speech; Music Player;
interest in activities to Object Tracking;
learn Obstacle Detection;
etc.
…. … … …. ….
Agentes de SaCI
 Agentes del nivel lógico
Software Tasks Components Intelligent Interaction with
Capabilities other components
of SaCI
Virtual Manage educational Courses Adapting to the Smartboard
Learning contents user profile
Environment Educational Smart cameras
(VLE) Store information about resources Learning the
the user's profile user's learning Interactive desks
Interactive tools style and adapt
Enable tutors and students instruction to
to exchange messages it.
with other participants,
teamwork, download
educational resources,
consult the teacher, etc.
… … … … …
Algunas conversaciones en SaCI
 Proceso de tutoría en línea
 Set-up de Variables de entorno
 Estimular proceso de aprendizaje
 Guía del profesor del proceso de aprendizaje
 Procesos de retroalimentación
248
Ejemplo conversations in SaCI: tutoría en línea

Comunidades que compone a SaCI

 Comunidad de Agentes Gestores de Condiciones
Ambientales del AmI
 Comunidad de Agentes Gestores de Recursos de
Aprendizaje
 Comunidad de Agentes Gestores del Proceso de
Aprendizaje
 Comunidad de Agentes para servicios en la Nube
 Comunidad de Agentes que representan Humanos en
el AmI
 Comunidad de Agentes Robóticos del AmI
 Comunidad de Objetos Inteligentes Estáticos en el
AML
 Comunidad de Agentes Gestores de Condiciones

Ambientales del AmI
Agentes gestores de las condiciones

Ambientales de AmI: monitoreo, control,
etc. de temperatura, iluminación, ruido, etc.
en SaCI
Comunidad de Agentes Gestores de
Condiciones Ambientales del AmI
Implementación: Arduino -Agente temperatura
El ventilador
se activa a
partir de los
27 °C
Arduino -Agente Iluminación

Agente temperatura desde JADE


 Comunidad de Agentes Gestores de Recursos de
Aprendizaje
Sistemas Recomendado
Objetos de aprendizaje
Agente basado en
un API a Merlot
o Serendipity
Agentes Gestores de los

Contenido digital en SaCI, en
función de los estudiantes
(viéndolos como Recursos de
Aprendizaje ):
Cursos en línea, Objetos de
aprendizaje, libros, etc.

 Comunidad de Agentes Gestores del Proceso de
Aprendizaje
Gestiona el software de gestión de
Estudiante/docente
entornos educativos en SaCI,:
• Sistemas gestores de contenidos
• Ambientes virtuales de aprendizaje
• Sistemas Académicos
Pizarra
VLE inteligente
Comunidad de agentes
gestores de recursos de
aprendizaje
256
Ejercicio 2
• Crear: incluye equipar el proceso físico con innumerables

sensores que miden las entradas críticas del proceso físico y sus
alrededores. Las mediciones realizadas por los sensores pueden
clasificarse en general en dos categorías:
• MASINA:
– Modelo de agentes,
– Modelo de tareas,
– Tabla relación Agentes-Tareas
Modelo de agentes
219
Ejercicio 2
Modelo de tareas Métodos

Nombre
usa
Descripción
Tarea Técnica/Tipo
Nombre
Objetivo
Descripción Entorno
Precondición realizada en Normas
Estructura de Restricciones
control
Tiempo-ejecución Sistemas
Frecuencia Entrada/salid
Tipo de a
descomposición
requiere Ingrediente
Nombre
Capacidades Contenido
Habilidades
Lenguaje RC
Leng. de Com.
220
Automatización Industrial
J Aguilar
SADIA
• Modelar la arquitectura de automatización como
SMA
• 3 niveles de abstracción
– Objetos de Negocio
– Actividades de Automatización
– Funciones
• Cada nivel de abstracción conforma un SMA
222
•Representa unidades de producción

como agentes
SADIA
•En este nivel la arquitectura es
metamorfica
•El sistema de agentes capaces de

realizar todas las actividades
relaciondas con automatización Objetos de Negocio
industrial.
•Sigue el modelo funcional del descrito
en el estándar del AIA 95.00.01,:
•Agentes de control
•Agentes de la supervisión
•Planeamiento y gerencia de los
factores de producción
•Cada agente del primer nivel tiene Actividades de Automatización
una arquitectura del SMA según este
nivel
•En este nivel los agentes desarrollan

funciones específicas sobre el proceso
productivo. Cada agente del nivel anterior se Funciones
modela usando un SMA en este nivel.
Cualquier marco de referencia de SMA se
podría utilizar en este nivel, nosotros usamos
el SCDIA Cada agente del 2do. nivel tiene J. Aguilar
una arquitectura del SMA según este nivel
SADIA
Primer Nivel de Abstracción
•Modela cada unidad de producción de la UP como un agente
Agente Pozo
SMA
Primer Nivel
Agente Estación de Flujo Agente MLAG
Agente Planta Compresora Agente Patio de Tanques

SADIA
Segundo Nivel de Abstracción
•Modela las actividades vinculadas con la automatización industrial
Agente de Planificación Agente de

de Producción Manejo de Factores
de Producción
Agente de Control
SMA
de Procesos
Segundo Nivel
Agente de
Ingeniería de
Mantenimiento
Agente de
Manejo de Situaciones
Anormales
SADIA
Tercer Nivel de Abstracción
•Modela las funciones vinculadas con cada actividad del segundo nivel
Agente del Segundo Nivel de Abstracción
Agente
Coordinador
Agente Agente
Controlador Especializado
Agente Agente
de Observación de Actuación
Instrumentos SCADA
Infraestructura Operadores
Mantenimiento
PROCESO
Ing. Optimización
S.H.A. J Aplicaciones
SCDIA
J. Aguilar 228
SCDIA
Sistemas de Control Distribuido Inteligentes Basados en
Agentes
• Características:
– Sistema descentralizado más que centralizado,
– Emergente más que planificado,
– Autónomo más que controlado,
– Concurrente más que secuencial.
• Habilidades
–  Aprendizaje
–  Búsqueda
–  Inferencia y predicción.
–  Representación de fuentes de conocimiento
–  Evolutivas.
SCDIA
• Cinco agentes de control
– Agente de observación/medición
– Agente de Actuación
– Agente Controlador
– Agente Coordinador
– Agente Especializado
• Sistema de Gestión de Servicios
– Agente Administrador de Agentes
– Agente Gestor de Recursos
– Agente Gestor de Aplicaciones
– Agente de Base de Datos
– Agente de Control de Comunicaciones
Agente Manejo de Situaciones

Anormales
Agente
Coordinador
Agente Agente
Analizador Caracterizador
Agente
Controlador
Agente de Agente de
Medición Actuación
233
Automatización
Industrial
Algunas Conversaciones
Anormales
• Detectar Fallas
• Manejar la Falla
• Diagnosticar la Falla
• Reconocer la Falla
J.J Aguilar
Aguilar

Anormales
Ag. Observador Ag. Controlador Ag. Coordinador Ag. Actuación
Estado del Proceso:
Solicitud de Prueba:
Resultados:
Identificación Situación Anormal:
Localización de Situación Anormal:
Orden de Ejecución:
Agente Manejo de Situaciones Anormales

Agente Actuador y Observador
Los agentes Analizador, Caracterizador,

Controlador, y Coordinador son
centralizados o distribuidos según lo
requiera el sistema
Los agentes Observación y actuador están 234

localizado en cada sitio
Herramientas para el
desarrollo (IDE) para
agentes
Herramientas para el desarrollo (IDE)

para agentes
• un IDE es un sistema informático compuesto por un conjunto de
herramientas de programación.
• Un IDE puede dedicarse, en exclusiva, a un solo lenguaje de

programación o bien puede utilizarse para varios.
• Por lo general, un IDE es un entorno de programación que ha sido

empaquetado como un programa de aplicación; es decir, consiste
en un editor de código, un compilador, un depurador y un
constructor de IGU.
288
EDISMA
Entorno de Desarrollo
Integrado para la
construcción de SMA.
EDISMA pretende facilitar la

creación de agentes
modelados
a través de MASINA.
Pero además, EDISMA

despliega los agentes sobre
MGS
Servicios EDISMA
• Crear un SMA. En el contexto de la IGU, se asocia un SMA con un
proyecto de software.
• Crear un agente.
• Crear un modelo de tarea a un agente.
• Crear un modelo de conversación entre agentes.
• Crear un modelo de comunicación entre agentes.
• Abrir un SMA elaborado creado previamente.
• Crear los archivos que permiten la implantación de los agentes en
el MGS.
• Editar los archivos creados por EDISMA.
Creación de un SMA con EDISMA.
• Crear un SMA. En el contexto de la IGU, se asocia un SMA con un proyecto

• de software. As´ı, en la IGU cada vez que se hace referencia a un
• proyecto se está hablando de un SMA; crear un SMA significa crear un
• nuevo proyecto.
• Crear un agente.
• Crear un modelo de tarea a un agente.
• Crear un modelo de conversación entre agentes.
• Crear un modelo de comunicación entre agentes.
• Abrir un SMA elaborado creado previamente (Abrir un proyecto existente).
• Modificar posición, tamaño y color de los elementos gráficos que
representan
• a los agentes.
• Crear los archivos que permiten la implantaci ón de los agentes en el
• MGS.
• Editar los archivos creados por EDISMA.
EDISMA
EDISMA
Modelo de agentes
Modelo de tareas
EDISMA
Modelo de
conversación
EDISMA
Sistemas Multiagente:
Temas de investigación
• Heterogeneidad:
• Agent communication languages (ACLs)
• Semántica: ontologies, service directories, matchmaking
• Coordinación:
– Alcanzar consenso resolviendo conflictos de intertés:
• Coalition formation, Negotiation, Trust, …
– Regular agreement mechanisms :
• Virtual Organisations, Norms, Incentive Engineering, …
– Hacer que la información esté disponible:
• MA Planning, MA Optimisation, POMDPs, …
• AOSE: SOC, OOP, Grid, AOP
– Plataformas,middleware, herramientas
– Metodologías AOP
• Interacción Humano-Computadora
– Avatares, agentes emocionales, …
244

Clase1 PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Clase1 PDF

Cargado por

Copyright:

Formatos disponibles

Diplomado:

Inteligencia artificial para la

Sitio de Trabajo: GIDITIC, DIS-Escuela de

Consultas: por email cuadrar cita

En ese sentido, una rama de las ciencias computacionales se ha dedicado a

La aplicación de los modelos de inteligencia computacional que se han

En este curso daremos una breve introducción, pero completa, de los

Veamos cual es su conocimiento en el área

Temas del curso

Sinergia del Desarrollo

– Conocimiento de base del curso

• Problemas de Búsqueda (Optimización)

• Procesos de decisión de Markov

MECONESIS(Methodology For The Conception Of

CRIPS, SEMMA, MIDANO,...

Metodologías de Ingeniería Pedagógica: MeSI, ...

Jose Aguilar Castro

Jose Aguilar Castro

• Las técnicas de desarrollo software habituales no son adecuadas para

Como todo desarrollo de La metodología debe permitir ir

La construcción de SMA integra

• Object-Oriented Software Engineering (AOSE)

• Agent-Oriented Software Engineering (AOSE)

• Ingeniería del Conocimiento Orientada a Agentes

• Métodos formales orientados a agentes

Casos de Agente Generador de Comportamiento (AGCs)

Agente Generador de Comunicación (AGCom)

Conocimiento de Conocimiento de Conocimiento

Conocimiento de Dominio (ontología de

Marco Ontológico del individuo

Fuente de información. Decisión

Solicitud Modelo de Modelo de

Mecanismo de Conocimiento Conocimiento

Mecanismo de Razonamiento Colectivo

Marco Ontológico colectivo

Broker Coordinator Searcher Manager

Modo de 1..n Falla Falla

• El producto principal de esta fase consiste en

Jose Aguilar Castro

“Metodología para el desarrollo de aplicaciones de minería de

Extendida para ser usado en el análisis de

¿Conocimiento del dominio de la

¿Qué hacer cuando no se conoce la organización, el

“Metodología para el desarrollo de aplicaciones de minería de

¿Cómo seleccionar las variables

¿Cómo realizar el procesamiento de datos?

“Metodología para el desarrollo de aplicaciones de minería de

Esta fase tiene como finalidad

• Conocer la organización/empresa, sus

• Descripción de los elementos de la institución/empresa y sus

• Descripción de las relaciones entre estos elementos.

• Organización de estos elementos.

Elemento Preguntas Ejemplos

¿Qué cosas o entidades se Pueden ser físicos o abstractos,

• Familiarización con los procesos sobre los cuales se puede realizar la

• Identificación de la fuente de conocimiento

• Familiarización con los ambientes computacionales donde se encuentran

• Revisión de los procesos propuestos por los expertos

• Disponibilidad del experto o grupo de expertos

• Análisis de las fuentes de información sobre los procesos

• Caracterizar las posibles objetivos estratégicos a alcanzar, con las

Para los procesos seleccionados

Descripción del escenario actual