Repaso Uresti

TEMA I: Introducción (Para la historia recurrir a la presentación aunque no

creo que venga lmao)
La inteligencia artificial se puede definir como el estudio de las facultades
mentales usando modelos computacionales, a su vez es una rama de la de la
ciencia computacionales que busca automatizar el comportamiento inteligente.
Algunos ejemplos de sistemas inteligentes son:
- Sistemas que piensan como humanos (Cog).
- Sistemas que actúan como humanos (Turing’s Test).
- Sistemas que piensan racionalmente (Deep Blue).
- Sistemas que actúan racionalmente (Robots).
La inteligencia artificial puede dividirse en dos ramas:
1. Fuerte: Dándole al programa poder de procesamiento suficiente e
inteligencia, este puede pensar y ser consciente como lo sería un humano.
2. Débil: El comportamiento inteligente puede ser modelado para que así estos
agentes puedan resolver cierto tipo de problemas.
Dimensiones de la inteligencia artificial:
- Simbólica o sub-simbólica.
- Modelada manualmente o por aprendizaje automatizado.
- Plausible cognitivamente.
- Ideal o probabilística.
- Evaluada por corazonada o por medio de métricas.
- Clasificación, seriación o planeación.
- Sistema completo o ayudante del hombre.
- En línea o fuera de línea.
- Inteligente o solamente modelado de software.
- Basada en fundamentos teóricos o prueba y error.
Esta puede ser aplicada en rubros como el Deep learning, análisis predictivos,
traducciones, clasificaciones, identificación de imágenes, robots, entre otros.
TEMA II: Teoría de agentes inteligentes.
Un agente inteligente es un sistema computacional que se sitúa en cualquier
ambiente y es capaz de ejecutar una o varias acciones que afectan su ambiente con
la finalidad de cumplir ciertos objetivos.
Estos deben poseer características como: autonomía, sociabilidad, reactividad y
proactividad. También se esperaría que fueran: racionales, veraces y benevolentes.
Otra forma de ver estas características es que tuvieran: ambiente, autonomía y
flexibilidad la cual abarca la sociabilidad, reactividad y proactividad en conjunto.
La abstracción de los agentes también es un factor importante, los elementos que
lo conforman son:
- Ambiente.
- Sensores:
- Agente.
- Actuadores.
- Procesos inteligentes:
o Razonamiento lógico.
o Aprendizaje.

Los elementos que debe poseer un agente son:

- Percepciones.
- Acciones.
- Metas.
- Ambiente.
Los sistemas multiagente son aquellos que se componen de varios agentes que
interactúan entre sí. Estos se emplean para dar solución a problemas que
típicamente son imposibles o muy difíciles de resolver por un solo agente. Por otra
parte, las inteligencias artificiales distribuidas son una aplicación de los sistemas
multiagentes en donde estos últimos realizan varias acciones o buscan varias
metas.
Surgen en los años 70’s y lo que se busca es que es generar mecanismos que
permitan a los agentes interactuar igual que los humanos y entenderlos.
Las diferencias entre un agente y un objeto son:
- Agente: Pide una acción a otro agente, es flexible.
 - Objeto: Encapsula su estados, no su comportamiento; se comunica mediante
mensajes, llama métodos de otros objetos de manera gratuita, espera
órdenes.
Características de un ambiente:
- Accesible vs Inaccesible: Si los sensores del agente son capaces de captar
información del ambiente.
- Determinista vs No Determinista: El siguiente estado está completamente
determinado por el estado actual y la acción que realice el agente.
- Episódico vs No Episódico: Los episodios pueden tener acciones y
percepciones por parte del agente. Los siguientes episodios no son
dependientes del episodio anterior.
- Estático vs Dinámico: El ambiente es estático o no mientras que el agente
toma decisiones.
- Discreto vs Continúo: Se centra en el número de acciones que realiza el
agente son finitas o no.
La descripción PEAS:
- Performance: De qué es capaz tu agente.
- Environment: A qué ambiente se enfrenta o en qué ambiente se sitúa el
agente.
- Actuators: Qué actuadores posee el agente para interactuar con el
ambiente.
- Sensors: Qué sensores posee el agente para captar información del
ambiente.
La racionalidad y la arquitectura de los agentes se pueden resumir en la siguiente
comparación:
- Agente deliberativo (racional) – goal based, utility based, learn based:
o Son inteligentes, el conocimiento se representa como base de
conocimiento (patrones)
o El ambiente es simbólico.
o Agente intencional (Deseos o planeadores)
o Interactúa con otro grupo de agentes.
- Agente reactivo – réflex agents:
o Sin inteligencia, no tiene representación del conocimiento.
o Ambiente sub-simbólico (sólo sensores y actuadores).
o Agente de reflejo.
o Solamente cuenta con un mecanismo reactivo, es decir, espera a que
algo pase.
TEMA III: Búsqueda con agentes inteligentes.
Una búsqueda se puede tomar como un método para la resolución de un problema,
para esto asumimos que:
1. Conocemos el estado inicial y la meta.
2. Sólo existe un agente involucrado.
3. No existen influencias externas.
4. Se puede conocer la situación sin errores.
El espacio de estados o el espacio de búsqueda es una herramienta que nos
indica cuáles son los posibles caminos o estados para resolver un problema, los
establecemos para un estado meta para así encontrar solución al problema.
Descripción formal de un problema
Consta de cuatro principales puntos:
1. Definir el espacio de estados que contenga todas las posibles
configuraciones de los objetos involucrados.
2. Especificar uno o más estados iniciales.
3. Especificar una o más metas.
4. Proponer una serie de reglas que describan las acciones que se encuentran
disponibles.

Búsquedas no informadas
También llamadas búsquedas a ciegas, los métodos no cuentan con ninguna
información adicional, toda la información se encuentra en la definición del
problema. Los algoritmos pueden generar sucesores y distinguir un estado meta.
Las estrategias de búsqueda son diferenciadas por el orden que utilizan para
generar estados.
Brute Force Search
Métodos de búsqueda que evalúan todos los nodos del árbol de búsqueda, también
llamados métodos exhaustivos. Se puede decir que estos métodos son prueba y
error ya que generan posibles soluciones al problema, después prueban cada uno
de ellos y se detienen cuando encuentran una solución válida.
El método utilizado para la generación de soluciones debe ser elegido
cuidadosamente.
1. Breadth – First Search: Sigue cada camino hasta cierta profundidad antes
de que cambie a la siguiente profundidad.

2. Depth – First Search: Sigue cada camino hasta el nodo más profundo antes
de hacer backtrack y probar el siguiente camino.

3. Iterative Deepening Search: Combinación de las anteriores, realiza un DFS

repetidamente, pero se limita gradualmente la profundidad hasta que se
encuentre una meta.
4. Bidirectional Search: Se ejecutan dos búsquedas al mismo tiempo, una
inicia en el estado inicial y otra en el estado final, lo que se busca es que
ambas lleguen a un mismo punto.
Propiedades de los métodos de búsqueda:
1. Branching factor: Número máximo de sucesores de cualquier nodo.
2. Depth: Profundidad del nodo meta más profundo.
3. Maximum length: Distancia máxima de cualquier camino en el espacio de
estados.
4. Path: Secuencia de estados conectados creados por acciones.
5. Step Cost: Costo por realizar una acción en un estado para cambiar a otro.
 6. Path cost: Función que añade un valor numérico a cada camino.
7. Time complexity: Tiempo que el método se tardará para encontrar un estado
meta. (Usualmente el número de nodos generados en una búsqueda)
8. Space Complexity: Relacionado a la cantidad de memoria que un método
necesita para almacenar nodos.
9. Completeness: Un método es completo cuando garantiza el encontrar una
meta si es que existe.
10. Optimality: Es óptimo si garantiza llegar a la meta con la menor distancia en
el path.
11. Irrevocability: Fiabilidad que posee el método.
Heurísticas

Se utilizan para guiar la búsqueda informada solamente, son como ciertos consejos
que se le da a la búsqueda para saber por dónde es más recomendable ir. Para
evaluar su funcionalidad no debe exceder el costo para llegar a una meta y debe
comparar que tan bueno es la distancia desde el nodo actual hasta la meta.
Las heurísticas pueden ser de todo tipo mientras sean admisibles, queda decir que
hay heurísticas que funcionarán mejor comparadas a otras dependiendo del
problema que se esté tratando.
Búsquedas informadas
Estrategias de búsqueda que utilizan conocimiento relacionado al problema a tratar,
usa una función de evaluación f(n) para decidir si un nodo es mejor que otro nodo,
esta puede ser una función heurística, de costo o ambas.
1. Best – First Search: Emplea una heurística tal que su función de evaluación
sea: f(n) = h(n). Toda la fila es sorteada después de que nuevos caminos
hayan sido añadidos a ella, BFS sigue el mejor camino posible.
Algoritmos de camino óptimo
Un camino óptimo es aquel que tiene el menor costo o que involucra viajar la menor
distancia posible desde el inicio hasta la meta. Las técnicas anteriores pueden
encontrar un camino óptimo por accidente, pero ninguna garantiza encontrarlo.
Algunos de los algoritmos mejor conocidos que aplican una función de heurística o
de costo para encontrar un camino óptimo son:
1. A* o AStar: Su función de evaluación es la suma entre el costo real desde el
inicio y hasta el nodo, y la heurística desde la distancia del nodo hasta la
meta siendo: f(n) = g(n) + h(n). La heurística debe ser admisible y siempre
se considerará el costo total desde el inicio hasta la meta.
2. Uniform Cost Search: Usa únicamente el costo desde el inicio y hasta el
nodo, expande el nodo que tenga menor costo, DFS es similar a este tipo de
búsqueda se los costos son los mismos.
3. Greedy Best – First Search: Utiliza la heurística, que es la distancia desde
el nodo hasta la meta, expande el nodo más cercano a la meta.
TEMA IV: Búsqueda local
La función objetivo es suave, uno o más puntos iniciales son seleccionados de
manera aleatoria, en cada paso algunas variaciones son realizadas para los puntos
que tengan mayor probabilidad de encontrar una solución, el algoritmo continúa
hasta alzancar un criterio de finalización.
1. Hill Climbing: Checa la altura que sigue en las cuatro direcciones conocidas,
tan pronto como encuentres un punto que sea mayor al que te encuentras
cambia de posición a ese punto. Continúa hasta que los demás puntos estén
por debajo de tu posición actual.
a. Steepest Ascent Hill Climbing: Cambia de posición al siguiente
punto más elevado en vez de al primero que encuentre.
b. Stochastic Hill Climbing: Escoge una posición aleatoria de los
puntos que estén por encima de él.
c. First – Choice Hill Climbing: Genera sucesores de manera aleatoria
hasta que uno sea el mejor, buena estrategia cuando se tienen miles
de sucesores.
d. Random – Restart Hill Climbing: Serie de búsquedas de Hill
Climbing, todas empiezan en estados iniciales aleatorios.
2. Simulated Annealing: Algoritmo que se mueve a un nodo aleatorio para
explorarlo. La función de costo es tomada como la energía del proceso, se
debe reducir la temperatura del proceso poco a poco para evitar sesgos, esto
se puede hacer poniendo cierta cantidad de tiempo en un nodo antes de
explorar otro. Se compone de:
- Descripción de la posible configuración del sistema.
 - Generador de cambios aleatorios en la configuración, opciones presentadas
al sistema.
- Función objetivo a optimizar.
- Controle del parámetro de temperatura, debe tener una calendarización del
recocido:
o Define cómo disminuirá la temperatura.
o Número de cambios aleatorios por temperatura.
o Qué tan largo es el paso para disminuir la temperatura.
o Depende del problema.
Annealing Schedule
Depende del problema, requiere una serie de pruebas y errores, la constante k de
Boltzmann es reemplazada según se requiera pero debe introducirse una constante
que controle el enfriado. La más común es:

Donde alpha es un valor entre 0 y 1.

AND OR Search Trees (AO*)
Búsquedas en un ambiente determinístico generan solamente OR nodes, en un
ambiente no determinístico pueden generarse AND nodes. El nuevo estado
depende de la selección de acción del ambiente, la búsqueda debe considerar todos
los posibles escenarios. La solución es un plan de contingencia o una estrategia.
Búsquedas con observaciones parciales
El agente no puede sentir demasiada información para establecer un estado exacto,
las acciones en esta búsqueda pueden tener diversos escensarios. Representa el
estado como una creencia de dónde puede estar parado el agente.
Búsquedas sin observaciones
No se cuentan con sensores o no transmiten ninguna información, el agente debe
saber como es generado el espacio de estados por lo anterior el agente puede saber
su estado actual basándose en las acciones que ha realizado.
Búsquedas en línea y fuera de línea
- Fuera de línea: Soluciones generadas antes de entrar al ambiente, el plan
debe de ejecutarse a la perfección. Todos los métodos estudiados son fuera
de línea.
- En línea: Usado en ambiente dinámicos, semidinámicos y desconocidos, el
agente puede implementar acciones, observar el efecto del ambiente y
decidir la siguiente acción. Pueden tomar mucho tiempo planeando.