Temario PDF

TEMARÍO
Concepto de inteligencia
artificial
o IA, y en inglés Artificial Intelligence o AI, es una tecnología con capacidad de
hacer pensar por sí sola una máquina. La tecnología que emplea una maquina
artificial e inteligente está desarrollada por medio de una serie de algoritmos que
le proporcionan la capacidad de interpretación, decisión y resolución de
problemas de forma autónoma ante las señales que recibe.
Otra “Buena” definición:
Una buena definición de la misma sería la combinación de algoritmos, que
intentan simular algunas acciones de los humanos o mejor aún, ir más allá de la
inteligencia humana.
- Puede aportar soluciones, como en el caso de servicios de atención al cliente a
través del uso de chatbots
sistemas inteligentes
Se definen:
Como aquellos que presentan un comportamiento externo similar en
algún aspecto a la inteligencia humana o animal.
Se caracterizan:
Por su capacidad para representar, procesar y modificar de forma
explícita conocimiento sobre un problema, y para mejorar su
desempeño con la experiencia. Esto les permite resolver problemas
concretos determinando las acciones a tomar para alcanzar los objetivos
propuestos, a través de la interacción con el entorno y adaptándose a
las distintas situaciones.
ANTECEDENTES HISTORICOS-ORIGEN
(?)
La IA tiene sus raíces en la década de 1950, con figuras como Alan
Turing y John McCarthy. A lo largo de los años, ha experimentado
avances significativos, con hitos como el desarrollo de sistemas expertos
en la década de 1970 y el surgimiento de técnicas de aprendizaje
profundo en tiempos más recientes.
Enfoques
1. Sistemas que se comportan como humanos: Aquí la idea es desarrollar máquinas
capaces de realizar funciones para las cuales se requeriría un humano inteligente.
Dentro de este enfoque podemos encontrar la famosa Prueba de Turing. Para poder
superar esta prueba, la máquina debería poseer las siguientes capacidades:
Procesamiento de lenguaje natural, que le permita comunicarse
satisfactoriamente.
Representación del conocimiento, para almacenar lo que se conoce o se siente.
Razonamiento automático, para utilizar la información almacenada para responder
a preguntas y extraer nuevas conclusiones.
Aprendizaje automático, para adaptarse a nuevas circunstancias y para detectar y
extrapolar patrones.
Visión computacional, para percibir objetos.
Robótica, para manipular y mover objetos.
Enfoques
2. Sistemas que piensan como humanos: Aquí la idea es hacer que las
máquinas piensen como humanos en el sentido más literal; es decir,
que tengan capacidades cognitivas de toma de decisiones, resolución
de problemas, aprendizaje, etc. Dentro de este enfoque podemos
encontrar al campo interdisciplinario de la ciencia cognitiva, en el cual
convergen modelos computacionales de IA y técnicas experimentales
de psicología intentando elaborar teorías precisas y verificables sobre
el funcionamiento de la mente humana.
Enfoques
3-Sistemas que piensan racionalmente: Aquí la idea es descubrir los
cálculos que hacen posible percibir, razonar y actuar; es decir,
encontrar las leyes que rigen el pensamiento racional. Dentro de
este enfoque podemos encontrar a la Lógica, que intenta expresar
las leyes que gobiernan la manera de operar de la mente.
4 Enfoques
4. Sistemas que se comportan racionalmente: Aquí la idea es diseñar
agentes inteligentes. Dentro de este enfoque un agente racional es
aquel que actúa con la intención de alcanzar el mejor resultado o,
cuando hay incertidumbre, el mejor resultado esperado. Un
elemento importante a tener en cuenta es que tarde o temprano uno
se dará cuenta de que obtener una racionalidad perfecta (hacer
siempre lo correcto) no es del todo posible en entornos complejos. La
demanda computacional que esto implica es demasiado grande, por lo
que debemos conformarnos con una racionalidad limitada.
4 Enfoques
Como lo que se busca en este enfoque es realizar inferencias correctas, se
necesitan las mismas habilidades que para la Prueba de Turing, es decir,
es necesario contar con la capacidad para representar el conocimiento y
razonar basándonos en él, porque ello permitirá alcanzar decisiones
correctas en una amplia gama de situaciones. Es necesario ser capaz de
generar sentencias comprensibles en lenguaje natural, ya que el
enunciado de tales oraciones permite a los agentes desenvolverse en una
sociedad compleja. El aprendizaje no se lleva a cabo por erudición
exclusivamente, sino que profundizar en el conocimiento de cómo
funciona el mundo facilita la concepción de estrategias mejores para
manejarse en él.
AREAS DE APLICACIÓN DE LA
Medicina
INTELIGENCIA ARTIFICIAL
Apoyándose en las herramientas que proporciona la Inteligencia Artificial, los
doctores podrían realizar diagnósticos más certeros y oportunos, lo que llevaría a
mejores tratamientos y más vidas salvadas.
Autos autónomos
Utilizando Inteligencia Artificial podríamos crear autos autónomos que aprendan de
los datos y experiencias de millones de otros autos, mejorando el tráfico y
haciendo mucho más segura la conducción.
Bancos
Utilizando técnicas de Machine Learning los bancos pueden detectar fraudes antes
de que ocurran por medio de analizar los patrones de comportamiento de gastos e
identificando rápidamente actividades sospechosas.
AREAS DE APLICACIÓN DE LA
INTELIGENCIA ARTIFICIAL
Agricultura
En Agricultura se podría optimizar el rendimiento de los cultivos por medio
de la utilización de las técnicas de Inteligencia Artificial para analizar los
datos del suelo y del clima en tiempo real, logrando producir más alimentos
incluso con climas perjudiciales.
Educación
En la Educación se podrían utilizar las técnicas de la Inteligencia Artificial para
diseñar programas de estudios personalizados basados en datos que
mejoren el rendimiento y el ritmo de aprendizaje de los alumnos.
Un agente inteligente es un sistema capaz de acciones autónomas y flexibles en
algunos entornos.
Flexible significa (Wooldridge y Jennings, 1995):
reactivo
proactivo Agentes inteligentes(Diapo)
social
La reactividad es la capacidad de un agente para percibir su entorno, y para responder
de manera oportuna a los cambios que se producen en el mismo, con el fin de cumplir
sus objetivos de diseño.
La proactividad es la capacidad de un agente para tomar la iniciativa con el fin de
satisfacer sus objetivos de diseño.
La sociabilidad es la capacidad de un agente para interactuar con otros agentes con el
fin de satisfacer sus objetivos de diseño.
Interactuar significa cooperar, coordinar, negociar.
Diapositivas de agentes
agentes y su entorno
Un agente es cualquier cosa capaz de percibir su mediambiente con la
ayuda de sensores y actuar en ese sentido utilizando actuadores.
Un agente humano tiene ojos,

oídos y otros órganos
sensoriales además de
manos, piernas, boca y otras
partes del cuerpo para actuar.
Un agente robot recibe pulsaciones del teclado, archivos de información y
paquetes vía red a modo de entradas sensoriales y actúa sobre el medio
con mensajes en el monitor, escribiendo ficheros y enviando paquetes
por la red.
El término percepción se utiliza para indicar que el agente puede recibir
entradas en cualquier instante.
La secuencia de percepciones de un agente refleja el historial completo
de lo que el agente ha recibido.
Un agente tomará una decisión en un momento dado dependiendo de la
secuencia completa de percepciones hasta ese instante.
En términos matemáticos se puede decir que el comportamiento del
agente viene dado por la función del agente que proyecta una percepción
dada en una acción.
La función que describe el comportamiento de un agente se puede
presentar en forma de tabla.
Dado un agente, se puede, en principio, construir esta tabla teniendo en
cuenta todas las secuencias de percepción y determinando qué acción
lleva a cabo el agente en respuesta.
La tabla es una caracterización externa del agente.
Inicialmente la función del agente para un agente artificial se
implementará mediante el programa del agente.
La función del agente es una descripción matemática abstracta.
El programa del agente es una implementación completa, que se ejecuta
sobre la arquitectura del agente.
racionalidad
Un agente racional es aquel que hace lo correcto; en términos
conceptuales, cada elemento de la tabla que define la función del agente
se tendría que rellenar correctamente.
Obviamente, hacer lo correcto es mejor que hacer algo incorrecto.
Se puede decir que lo correcto es aquello que permite al agente obtener
un resultado mejor.
Por tanto, se necesita una forma de medir el éxito.
Medidas de rendimiento racionalidad
Las medidas de rendimiento incluyen los criterios que determinan el
éxito en el comportamiento del agente.
Cuando se sitúa en agente en un medio, éste genera una secuencia de
acciones de acuerdo con las percepciones que recibe.
Esta secuencia de acciones hace que su hábitat pase por una secuencia
de estados. Si la secuencia es la deseada, entonces el agente habrá
actuado correctamente.
No hay una única medida adecuada para todos los agentes.
Es importante utilizar medidas de rendimiento objetivas, que
normalmente determinará el diseñador encargado de la construcción del
agente.
racionalidad
La racionalidad en un momento determinado depende de cuatro factores:
La medida de rendimiento que define el criterio de éxito.
El conocimiento acumulado del medio en el que habita el agente.
Las acciones que el agente puede llevar a cabo.
La secuencia de percepciones del agente hasta estemomento.
Definición de agente racional: En cada posible secuencia de percepciones,
un agente racional deberá emprender aquella acción que maximice su
medida de rendimiento, basándose en las evidencia aportadas por la
secuencia de percepciones y en el conocimiento que el agente mantiene
almacenado.
Es necesario tener cuidado al distinguir entre racionalidad y omnisciencia.
racionalidad
Un agente omnisciente conoce el resultado de su acción y actúa de
acuerdo con él; sin embargo, en realidad la omnisciencia no es posible.
La definición propuesta implica que el agente racional no sólo recopile
información, sino que aprenda lo máximo posible de lo que está
percibiendo.
La configuración inicial del agente puede reflejar un conocimiento
preliminar del entorno, pero a medida que el agente adquiere experiencia
éste puede modificarse y aumentar.
Hay casos excepcionales en los que se conoce totalmente el entorno a
priori. en estos casos, el agente no necesita percibir y aprender;
simplemente actúa de forma correcta.
racionalidad
Se dice que un agente carece de autonomía cuando se apoya más en el
conocimiento inicial que le proporciona su diseñador que en sus propias
percepciones.
Un agente racional debe ser autónomo, debe saber aprender a
determinar cómo tiene que compensar el conocimiento incompleto o
parcial inicial.
En la práctica, pocas veces se necesita autonomía completa desde el
comienzo: cuando el agente haya tenido poca o ninguna experiencia,
tendrá que actuar de forma aleatoria a menos que el diseñador le haya
proporcionado ayuda.
racionalidad
De la misma forma que la evolución proporciona a los animales sólo los
reactivos necesarios para que puedan sobrevivir lo suficiente para
aprender por ellos mismos, sería razonable proporcionar a los agente que
disponen de inteligencia artificial un conocimiento inicial, así como de la
capacidad de aprendizaje.
Después de las suficientes experiencias interaccionando con el entorno,
el comportamiento del agente racional será efectivamente independiente
del conocimiento que poseía inicialmente.
De ahí, que la incorporación del aprendizaje facilite el diseño de agentes
racionales individuales que tendrán éxito en una gran cantidad de medios.
entorno
Especificación del entorno de trabajo
EnLas medidas de rendimiento, el entorno, los actuadores y
sensores del agente forman lo que se llama el entorno de
trabajo.
Para lo cual se utiliza el acrónimo REAS (Rendimiento. Entorno.
Actuadores. Sensores).
En el diseño de una gente, el primer paso debe ser siempre
especificar el entorno de trabajo de la forma más completa
posible.
entorno
Elementos REAS básicos para diferentes clases de agentes:
entorno
Totalmente observable vs parcialmente observables
Si los sensores del agente le proporcionan acceso al estado completo del
medio en cada momento, entonces se dice que el entorno de trabajo es
totalmente observable.
Un entorno de trabajo es, efectivamente, totalmente observable si los sensores
detectan todos los aspectos que son relevantes en la toma de decisiones; la
relevancia, en cada momento, depende de las medidas de rendimiento.
Entornos totalmente observables son convenientes ya que el agente no
necesita mantener ningún estado interno para saber qué sucede en el inundo.
Un entorno puede ser parcialmente observable debido al ruido y a la existencia
de sensores poco exactos o porque los sensores no reciben información de
parte del sistema.
entorno
Determinista vs estocástico
Si el siguiente estado del medio está totalmente determinado por el estado
actual y la acción ejecutada por el agente, entonces se dicen que el entorno es
determinista; de otra forma es estocástico.
En principio, un agente no se tiene que preocupar de la incertidumbre en un
medio totalmente observable y determinista. Sin embargo, si el medio es
parcialmente observable entonces puede parecer estocástico.
Esto es particularmente cierto si se trata de un medio complejo, haciendo difícil el
mantener constancia de todos las aspectos observados. Así, a menudo es mejor
pensar en entornos deterministas o estocásticos desde el punto de vista del
agente.
Si el medio es determinista, excepto para las acciones de otros agentes, decimos,
que el medio es estratégico.
entorno
Episódico vs secuencial
En un entorno de trabajo episódico, la experiencia del agente se divide en
episodios atómicos. Cada episodio consiste en la percepción del agente y
la realización de una única acción posterior.
Es muy importante tener en cuenta que el siguiente episodio no depende
de las acciones que se realizaron en episodios previos.
En los medios episódicos la elección de la acción en cada episodio
depende sólo del episodio en sí mismo. Muchas tareas de clasificación
son episódicas.
entorno
Por ejemplo, un agente que tenga que seleccionar partes defectuosas en
una cadena de montaje basa sus decisiones en la parte que está
evaluando en cada momento, sin tener en cuenta decisiones previas; más
aún, a la decisión presente no le afecta el que la próxima fase sea
defectuosa.
En entornos secuenciales, la decisión presente puede afectar a decisiones
futuras. El juego del ajedrez es secuencial: las acciones que se realizan a
corto plazo pueden tener consecuencias a largo plazo.
Los medios episódicos son más simples que los secuenciales porque la
gente no necesita pensar con tiempo.
Estático vs dinámico
Si el entorno puede cambiar cuando el agente está deliberando. entonces se
dice que el entorno es dinámico para el agente; de otra forma se dice que es
estático.
Los medios estáticos son fáciles de tratar ya que el agente no necesita estar
pendiente del mundo mientras está tomando una decisión sobre una acción, ni
necesita preocuparse sobre el paso del tiempo.
Los medios dinámicos, por el contrario, están preguntando continuamente al
agente qué quiere hacer; si no se ha decidido aún, entonces se entiende que ha
tomado la decisión de no hacer nada.
Si el entorno no cambia con el paso del tiempo, pero el rendimiento del agente
cambia, entonces se dice que el medio es semidinámico. El ajedrez, cuando se
juega con un reloj, es semideterminista. Los crucigramas son estáticos.
Discreto vs continuo entorno
La distinción entre discreto y continuo se puede aplicar al estado del medio, a
la forma en la que se maneja el tiempo y a las percepciones y acciones del
agente.
Por ejemplo, un medio con estados discretos corno el del Juego del ajedrez
tiene un número finito de estados distintos. El ajedrez tiene un conjunto
discreto de percepciones y acciones.
Un taxista conduciendo define un estado continuo y un problema de tiempo
continuo: la velocidad y la ubicación del taxi y de los otros vehículos pasan por
un rango de valores continuos de forma suave a lo largo del tiempo. La
conducción del taxista es también continua (ángulo de dirección. etc.).
Las imágenes captadas por cámaras digitales son discretas, en sentido estricto,
pero se tratan típicamente como representaciones continuas de localizaciones
e intensidades variables.
entorno
Agente individual vs multiagente
La distinción entre el entorno de un agente individual y el de un sistema
multiagente puede parecer suficientemente simple. Por ejemplo, un agente
resolviendo un crucigrama por sí mismo está claramente en un entorno de
agente individual, mientras que un agente que juega al ajedrez está en un
entorno con dos agentes.
Los problemas en el diseño de agentes que aparecen en los entornos
multiagente son a menudo bastante diferentes de los que aparecen en
entornos con un único agente; por ejemplo, la comunicación a menudo
emerge como un comportamiento racional en entornos multiagente; en
algunos entornos competitivos parcialmente observables el comportamiento
estocástico es racional ya que evita las dificultades de la predicción.
entorno
Propiedades de algunos entornos familiares:
estructura de los agentes
El trabajo de la IA es diseñar el programa del agente que implemente la función del
agente que proyecta las percepciones en las acciones.
Se asume que este programa se ejecutará en algún tipo de computador con sensores
físicos y actuadores, lo cual se conoce como arquitectura:
Agente = arquitectura + programa
El programa que se elija tiene que ser apropiado para la arquitectura.
Si el programa tiene que recomendar acciones como Caminar, la arquitectura tiene
que tener piernas.
La arquitectura puede ser un PC común, o puede ser un coche robotizado con varios
computadores, cámaras, y otros sensores a bordo.
En general, la arquitectura hace que las percepciones de los sensores estén
disponibles para el programa, ejecuta los programas, y se encarga de que los
actuadores pongan en marcha las acciones generadas.
Programas de los agentes
Los programas de los agentes que se analizan tienen la siguiente
estructura: reciben las percepciones actuales como entradas de los
sensores y devuelven una acción a los actuadores.
Hay que tener en cuenta la diferencia entre los programas de los agentes,
que toman la percepción actual como entrada, y la función del agente,
que recibe la percepción histórica completa.
Los programas de los agentes reciben sólo la percepción actual como
entrada porque no hay nada más disponible en el entorno; si las acciones
del agente dependen de la secuencia completa de percepciones, el
agente tendría que recordar las percepciones.
Tabla de un agente
Intuitivamente se puede apreciar por qué la propuesta de dirección-
mediante-tabla para la construcción de agentes está condenada al fracaso.
El tamaño exageradamente grande de estas tablas significa que:
(a) no hay agente físico en este universo que tenga el espacio suficiente
como para almacenar la tabla,
(b) el diseñador no tendrá tiempo para crear la tabla,
(c) ningún agente podría aprender todas las entradas de la tabla a partir de su
experiencia, y
(d) incluso si el entorno es lo suficientemente simple para generar una tabla
de un tamaño razonable, el diseñador no tiene quien le asesore en la forma
en la que rellenar la tabla.
A pesar de todo ello, el agente dirigido mediante tabla, hace lo que nosotros
queremos: implementa la función deseada para el agente.
El desafío clave de la IA es encontrar la forma de escribir programas, que en la
medida de lo posible, reproduzcan un comportamiento racional a partir de una
pequeña cantidad de código en vez de a partir de una tabla con un gran número de
entradas.
Existen bastantes ejemplos que muestran qué se puede hacer con éxito en otras
áreas: por ejemplo, las grandes tablas de las raíces cuadradas utilizadas por
ingenieros y estudiantes antes de 1970 se han remplazado por un programa de
cinco líneas que implementa el método de Newton en las calculadoras electrónicas.
La pregunta es, en el caso del comportamiento inteligente general, ¿puede la IA
hacer lo que Newton hizo con las raíces cuadradas?
Los cuatro tipos básicos de programas para agentes que encarnan
los principios que subyacen en casi todos los sistemas inteligentes:
Agentes reactivos simples
Agentes reactivos basados en modelos
Agentes basados en objetivos
Agentes basados en utilidad
El tipo de agente más sencillo es el agente reactivo simple.
Estos agentes seleccionan las acciones sobre la base de las percepciones
actuales, ignorando el resto de las percepciones históricas.
Los agentes reactivos simples tienen la admirable propiedad de ser
simples, pero poseen una inteligencia muy limitada.
Estos agentes funcionaran solo si se puede tomar la decisión correcta
sobre la base de la percepción actual, la cual es posible sólo si el entorno
es totalmente observable.
Incluso el que haya una pequeña parte que no se pueda observar puede
causar serios problemas.
Los bucles infinitos son a menudo inevitables para los agentes reactivos
simples que operan en algunos entornos parcialmente observables.
Salir de los bucles infinitos es posible si los agentes pueden seleccionar sus
acciones aleatoriamente. Por tanto, un agente reactivo simple con
capacidad apara elegir acciones de manera aleatoria puede mejorar los
resultado que proporciona un agente reactivo simple determinista.
En entornos de agentes individuales, el comportamiento aleatorio no es
normalmente racional. Es un truco útil que ayuda a los agentes reactivos
simples en algunas situaciones, pero en la mayoría de los casos se
obtendrán mejores resultados con agentes deterministas más sofisticados.
La forma más efectiva que tienen los agentes de manejar la visibilidad parcial
es almacenar información de las partes del mundo que no pueden ver. O lo que
es lo mismo, el agente debe mantener algún tipo de estado interno que
dependa de la historia percibida y que de ese modo refleje por lo menos alguno
de los aspectos no observables del estado actual.
La actualización de la información de esta interno según pasa el tiempo
requiere codificar dos tipos de conocimiento en el programa del agente.
Primero, se necesita alguna información acerca de cómo evoluciona el mundo
independientemente del agente.
Segundo, se necesita más información sobre cómo afectan al mundo las
acciones del agente.
Este conocimiento acerca de <<cómo funciona el mundo>>, tanto si está
implementado con un circuito booleano simple o con teorías científicas
completas, se denomina modelo del mundo. Un agente que utilice este
modelo es una agente basado en modelos.
El conocimiento sobre el estado actual del mundo no es siempre suficiente
para decidir qué hacer. Por ejemplo, en un cruce de carreteras, el taxista
puede girar a la izquierda, girar a la derecha o seguir hacia delante. La
decisión correcta depende de dónde quiere ir el taxi.
En otras palabras, además de la descripción del estado actual, el agente
necesita algún tipo de información sobre su meta que describa las
situaciones que son deseables.
El programa del agente se puede combinar con información sobre los
resultados de las acciones posibles (la misma información que se utilizó para
actualizar el estado interno en el caso del agente reflexivo) para elegir las
acciones que permitan alcanzar el objetivo.
En algunas ocasiones, la selección de acciones basadas en objetivos es
directa, cuando alcanzar los objetivos es el resultado inmediato de una
acción individual.
En otras ocasiones puede ser más complicado, cuando el agente tiene
que considerar secuencias complejas para encontrar el camino que le
permita alcanzar el objetivo.
Búsqueda y planificación son los subcampos de la IA centrados en
encontrar secuencias de acciones que permitan a los agentes alcanzar
sus metas.
Aunque el agente basado en objetivos pueda parecer menos
eficiente, es más flexible ya que el conocimiento que soporta su
decisión está representado explícitamente y puede modificarse.
El agente puede actualizar su conocimiento sobre cómo se comporta
una variable; lo cual implicará que todas las formas de actuar
relevantes se alteren automáticamente para adaptarse a las nuevas
circunstancias.
Para el agente reactivo, por otro lado, se tendrán que rescribir
muchas reglas de condición-acción.
Las metas por sí solas no son realmente suficientes para generar
comportamientos de gran calidad en la mayoría de los entornos.
Las metas sólo proporcionan una cruda distinción binaria entre los estados
de <<felicidad>> y <<tristeza>>, mientras que una medida de eficiencia más
general debería permitir una comparación entre estados del mundo
diferentes de acuerdo al nivel exacto de felicidad que el agente alcance
cuando se llegue a un estado u otro.
Como término <<felicidad>> no suena muy científico, la terminología
tradicional utilizada en estos casos para indicar que se prefiere un estado
del mundo a otro es que un estado tiene más utilidad que otro para el
agente.
Una función de utilidad proyecta un estado (o una secuencia de estados) en
un número real, que representa un nivel de felicidad.
La definición completa de una función de utilidad permite tomar decisiones
racionales en dos tipos de casos en los que las metas son inadecuadas.
Primero, cuando hay objetivos conflictivos, y sólo se puedan alcanzar
algunos de ellos (por ejemplo, velocidad y seguridad), la función de utilidad
determina el equilibrio adecuado.
Segundo, cuando haya varios objetivos por los que se pueda guiar el agente,
y ninguno de ellos se pueda alcanzar con certeza, la utilidad proporciona un
mecanismo para ponderar la probabilidad de éxito en función de la
importancia de los objetivos.
Agentes que aprenden
Un agente que aprende se puede dividir en cuatro componentes
conceptuales.
La distinción más importante entre el elemento de aprendizaje y el
elemento de actuación es que el primero está responsabilizado de hacer
mejoras y el segundo se responsabiliza de la selección de acciones externas.
El elemento de actuación es lo que anteriormente se había considerado
como agente completo: recibe estímulos y determina las acciones a realizar.
El elemento de aprendizaje se realimenta con las críticas sobre la actuación
del agente y determina cómo se debe modificar el elemento de actuación
para proporcionar mejores resultados en el futuro.
El diseño del elemento de aprendizaje depende mucho del diseño del
elemento de actuación.
Cuando se intenta diseñar un agente que tenga capacidad de aprender, la
primera cuestión a solucionar no es ¿cómo se puede enseñar a aprender?,
sino ¿qué tipo de elemento de actuación necesita el agente para llevar a
cabo su objetivo, cuando haya aprendido cómo hacerlo?
Dado un diseño para un agente, se pueden construir los mecanismos de
aprendizaje necesarios para mejorar cada una de las partes del agente.
La crítica indica al elemento de aprendizaje qué tal lo está haciendo el agente
con respecto a un nivel de actuación fijo.
La crítica es necesaria porque las percepciones por si mismas no prevén una
indicación del éxito del agente.
Por ejemplo, un programa de ajedrez puede recibir una percepción indicando
que ha dado jaque mate a su oponente, pero necesita tener un nivel de
actuación que le indique que ello es bueno; la percepción por sí misma no lo
indica.
Es por tanto muy importante fijar el nivel de actuación.
Conceptualmente, se debe tratar con él como si estuviese fuera del agente, ya
que éste no debe modificarlo para satisfacer su propio interés.
El último componente del agente con capacidad de aprendizaje es el
generador de problemas, que es responsable de sugerir acciones que lo
guiarían hacia experiencias nuevas e informativas.
Lo interesante es que si el elemento de actuación sigue su camino, puede
continuar llevando a cabo las acciones que sean mejores, dado su
conocimiento. Pero si el agente dispuesto a explorar un poco, y llevar a cabo
algunas acciones que no sean totalmente óptimas a corto plazo, puede
descubrir acciones mejores a largo plazo. el trabajo del generador de
problemas es sugerir estas acciones exploratorias.
Esto es lo que los científicos hacen cuando llevan a cabo experimentos.
Galileo no pensaba que tirar piedras desde lo alto de una torre en Pisa
tenía un valor por sí mismo.
Ël no trataba de romper piedras ni de cambiar la forma de pensar de
transeúntes que pensaban por el lugar.
Su intención era adaptar su propia mente, para identificar una teoría que
definiese mejor el movimiento de los objetos.
En resumen, los agentes tienen una gran variedad de componentes, y estos
componentes se pueden representar de muchas formas en los programas
de agentes, por lo que, parece haber una gran variedad de método de
aprendizaje.
Existe, sin embargo, una visión unificada sobre un tema fundamental: El
aprendizaje en el campo de los agentes inteligentes puede definirse como el
proceso de modificación de cada componente del agente, lo cual permite a
cada componente comportarse más en consonancia con la información que
se recibe, lo que por tanto permite mejorar el nivel medio de actuación del
agente.
resumen
Un agente es algo que percibe y actúa en un medio. La función del
agente para un agente especifica la acción que debe realizar un agente
como respuesta a cualquier secuencia percibida.
La medida de rendimiento avalúa el comportamiento del agente en un
medio. Un agente racional actúa con la intención de maximizar el valor
esperado de la medida de rendimiento, dada la secuencia de
percepciones que ha observado hasta el momento.
Las especificaciones del entorno de trabajo incluyen la medida de
rendimiento, el medio externo, los actuadores y los sensores. El primer
paso en el diseño de un agente debe ser siempre la especificación, tan
completa como sea posible, del entorno de trabajo.
resumen
El entorno de trabajo varía según distintos parámetros. Puede ser total o
parcialmente visibles, deterministas o estocásticos, episódicos o
secuenciales, estáticos o dinámicos, discretos o continuos, y formados por
un único agente o por varios agentes.
El programa del agente implementa la función del agente. Existe una gran
variedad de diseños de programas de agentes, y reflejan el tipo de
información que se hace explicita y se utiliza en el proceso de decisión. los
diseños varían en eficiencia, solidez y flexibilidad. El diseño apropiado del
programa del agente depende en gran medida de la naturaleza del medio.
resumen
Los agentes reactivos simples responden directamente a las
percepciones, mientras que los agentes reactivos basados en modelos
mantienen un estado interno que les permite seguir el rastro de
aspectos del mundo que no son evidentes según las percepciones
actuales. Los agentes basados en objetivos actúan con la intención de
alcanzar sus metas. y los agentes basados en utilidad intentan
maximizar su <<felicidad>> deseada.
Todos los agentes pueden mejorar su eficacia con la ayuda de
mecanismos de aprendizaje.
fin de las diapo
Agentes con Memoria Limitada:
Basados en Modelo, Objetivos y
Utilidad
Cuando hablamos de agentes con memoria limitada, nos referimos a
sistemas inteligentes que no pueden recordar toda la información
pasada de manera ilimitada. En lugar de ello, deben gestionar y
seleccionar la información relevante para cumplir sus objetivos y ser
eficientes. Dentro de esta categoría, hay tres subtipos principales:
basados en modelo, basados en objetivos y basados en utilidad.Todos
los agentes pueden mejorar su eficacia con la ayuda de mecanismos de
aprendizaje.
Basados en Modelo:
Estos agentes mantienen internamente un modelo del mundo que les
rodea. Este modelo les ayuda a comprender su entorno y prever cómo
cambiará en respuesta a sus acciones.
La información almacenada se utiliza para anticipar el impacto de las
decisiones y optimizar el comportamiento del agente hacia el logro de
sus objetivos.
Basados en Objetivos:
Estos agentes centran su atención en los objetivos que buscan alcanzar.
La memoria limitada se utiliza para retener información relevante
relacionada con la consecución de estos objetivos.
La toma de decisiones se basa en cómo las acciones afectarán
directamente a los objetivos prioritarios del agente.
Basados en Utilidad:
Estos agentes asignan valores de utilidad a diferentes estados o
resultados posibles. La memoria limitada se utiliza para recordar la
utilidad asociada a las acciones previas y los resultados alcanzados.
La toma de decisiones se realiza maximizando la utilidad esperada,
considerando las limitaciones de memoria para no almacenar
información innecesaria.
aprenden
El aprendizaje en el contexto de la inteligencia artificial se refiere a la capacidad de
un sistema o agente para mejorar su rendimiento en una tarea específica a medida
que se expone a más datos o experiencias. Hay diferentes tipos de aprendizaje:
1. Aprendizaje Supervisado:
En este tipo de aprendizaje, el sistema se entrena utilizando un conjunto de
datos etiquetado, donde la respuesta correcta ya está proporcionada.
Aprende a hacer predicciones o clasificaciones basadas en ejemplos
previamente etiquetados.
2. Aprendizaje No Supervisado:
En el aprendizaje no supervisado, el sistema se enfrenta a datos sin etiquetar
y busca patrones o estructuras por sí mismo.
Aprende a organizar, agrupar o reducir la dimensionalidad de los datos.
3. Aprendizaje Reforzado:
Implica que el sistema aprenda a través de la interacción con su
entorno. Recibe retroalimentación en forma de recompensas o
castigos según sus acciones.
Aprende a tomar decisiones que maximicen las recompensas a lo
largo del tiempo.
4. Aprendizaje por Transferencia:
Consiste en aplicar conocimientos aprendidos en una tarea a otra
tarea relacionada pero diferente.
Aprende a utilizar la experiencia adquirida en una tarea para
mejorar el rendimiento en una tarea relacionada.
aprenden
4- Aprendizaje Incremental o Continuo:
Se refiere a la capacidad de un sistema para adaptarse y mejorar su
rendimiento a medida que se le proporciona continuamente nueva
información.
Aprende de manera continua a medida que interactúa con su entorno.
5- Aprendizaje Profundo (Deep Learning):
En el contexto de las redes neuronales profundas, el aprendizaje profundo
implica aprender representaciones jerárquicas y complejas de datos.
Aprende automáticamente a extraer características relevantes y a mejorar la
capacidad del modelo para realizar tareas específicas.
Razonamiento
El razonamiento juega un gran papel en el proceso de la Inteligencia artificial. Así, el
razonamiento se puede definir como el proceso lógico de sacar conclusiones, hacer
predicciones o construir enfoques hacia un pensamiento particular con la ayuda del
conocimiento existente. En inteligencia artificial, el razonamiento es muy importante
porque para comprender el cerebro humano, cómo piensa el cerebro, cómo saca
conclusiones sobre cosas particulares para todo este tipo de trabajos, necesitamos
la ayuda del razonamiento.
Razonamiento
El razonamiento lógico se refiere al proceso de llegar a conclusiones o inferencias
utilizando las reglas de la lógica. La lógica es la disciplina filosófica que estudia los
principios del razonamiento válido y la inferencia correcta.
Razonamiento
Razonamiento probabilístico
El razonamiento probabilístico se encarga de lidiar con la incertidumbre inherente de
todo proceso de aprendizaje. El problema para crear una Inteligencia Artificial
entonces se convierte en encontrar la forma de trabajar con información ruidosa,
incompleta e incluso muchas veces contradictoria. Estos algoritmos están
sumamente ligados a la estadística bayesiana; y la principal herramienta en la que se
apoyan es en el teorema de Bayes.
Razonamiento
1. Razonamiento monotónico: es el tipo de razonamiento que sigue un enfoque
diferente hacia el proceso de pensamiento, utiliza hechos, información y
conocimiento para llegar a una conclusión sobre el problema, pero el punto
principal es que su conclusión permanece fijada permanentemente una vez que
se decide porque incluso si agrega nueva información o hechos a la existente, la
conclusión sigue siendo la misma, no cambia. El razonamiento monotónico se
utiliza principalmente en los sistemas de razonamiento convencionales y en los
sistemas basados en la lógica. Algunos ejemplos de monótono son:
El desierto del Sahara del mundo es uno de los desiertos más
espectaculares.
Uno de los ríos más largos del mundo es el río Nilo.
Razonamiento
El razonamiento lógico no monótono es una forma de razonamiento en la que las
conclusiones no son necesariamente definitivas y pueden revisarse o modificarse a
medida que se adquiere nueva información. A diferencia del razonamiento lógico
clásico, donde las conclusiones son finales y no cambian, el razonamiento no
monótono permite ajustes en función de la introducción de nuevos datos o
conocimientos.
Regla de Inferencia:
Definición: Una regla de inferencia es una regla o principio lógico que describe
cómo se puede llegar a una conclusión a partir de ciertas premisas o hechos
dados.
Ejemplo: En lógica proposicional, el Modus Ponens es una regla de inferencia
que establece que si tenemos una afirmación condicional "Si A, entonces B" y
sabemos que A es verdadero, entonces podemos inferir que B es verdadero.
Uso: Las reglas de inferencia son esenciales en el razonamiento lógico y son
utilizadas para derivar nuevas afirmaciones o conclusiones basadas en
información previa.
Regla de Producción:
Definición: Una regla de producción es una declaración condicional en la forma
"Si ciertas condiciones se cumplen, entonces realiza una acción o produce un
resultado específico".
Ejemplo: En sistemas basados en reglas de producción, una regla podría ser "Si
la temperatura es superior a 30 grados y la humedad es alta, entonces enciende
el ventilador". Aquí, las condiciones son la temperatura y la humedad, y la acción
es encender el ventilador.
Uso: Las reglas de producción son comúnmente utilizadas en sistemas de
inteligencia artificial, sistemas expertos y lógica difusa para modelar el
razonamiento y la toma de decisiones. Estas reglas capturan conocimientos
expertos en forma de "si-entonces", permitiendo que el sistema tome decisiones
basadas en la información disponible.
Heurística
La capacidad heurística es un rasgo típico de los humanos. Consiste en la capacidad
de realizar innovaciones positivas para conseguir los fines que se pretenden.
También podemos definirla como la solución de problemas en los cuales, las
soluciones se descubren por la evaluación del progreso logrado en la búsqueda del
resultado final.
La base de la heurística surge de la experiencia de resolver problemas y ver cómo
otros lo hacen. De lo anterior podemos deducir que un método heurístico aplicado
correctamente puede devolver soluciones falsas, positivas o negativas.
Heurística
En las ciencias de la computación, el método heurístico es usado en determinadas
circunstancias, cuando no existe una solución óptima bajo las restricciones dadas. En
general la manera de actuar de los programas heurísticos consiste en encontrar
algoritmos con buenos tiempos de ejecución y buenas soluciones.
Dadas las características de la heurística, ésta es muy usada en juegos informáticos

que se adelantan a lo que va a hacer el usuario basándose en la experiencia y los
pasos que ha seguido en otras ocasiones.
estrategias de busqueda
Las estrategias de búsqueda son enfoques planificados y organizados para
explorar un espacio de posibilidades con el objetivo de encontrar una
solución o información específica. Estas estrategias son utilizadas en una
variedad de contextos, desde la búsqueda de información textual hasta la
resolución de problemas en campos como la inteligencia artificial, la
optimización y la investigación operativa.
concepto de conocimiento
El conocimiento se refiere a la comprensión, información, habilidades y
experiencias adquiridas a través del aprendizaje, la observación, la práctica y
la interacción con el entorno. Es un estado mental que implica la asimilación
y la internalización de datos, hechos, conceptos y relaciones, que se
almacenan y pueden ser recuperados cuando es necesario.
concepto de aprendizaje
El aprendizaje es un cambio relativamente duradero en el comportamiento,
el conocimiento, las habilidades, las actitudes o los valores de un individuo
como resultado de la experiencia, la instrucción, la práctica o la interacción
con el entorno. Este proceso implica la adaptación y la modificación de la
estructura cognitiva del individuo, permitiéndole adquirir, retener y aplicar
nueva información.
concepto de estados
deterministicos
Definición: Un espacio de estados determinístico es aquel en el que, dado un
estado particular y una acción específica, siempre se alcanza el mismo estado
siguiente. En otras palabras, el sistema evoluciona de manera predecible y única
en función de las acciones realizadas en un estado dado.
Ejemplo: Un juego de ajedrez con reglas estrictas sería un ejemplo de un espacio
de estados determinístico. Dada una configuración específica del tablero y una
jugada específica, siempre se llegará a la misma configuración siguiente.
Características clave: Predicibilidad, unicidad de resultados en función de
acciones específicas.
concepto de estados no
deterministicos
Definición: Un espacio de estados no determinístico es aquel en el que, dado un
estado y una acción, múltiples resultados son posibles. En este caso, la transición
de un estado a otro puede depender de factores no controlables o aleatorios.
Ejemplo: En un juego de backgammon, donde el lanzamiento de dados influye
en el movimiento de las fichas, se tiene un espacio de estados no determinístico.
Dada una configuración del tablero y una jugada, los resultados pueden variar
dependiendo de los resultados de los dados.
Características clave: Posibilidad de múltiples resultados para una acción dada,
introducción de elementos aleatorios o no controlables.
describir modelos de
representacion del conocimiento
Los modelos de representación del conocimiento son estructuras que se utilizan
para organizar y expresar información de manera que pueda ser utilizada por
sistemas inteligentes, como sistemas expertos, agentes de inteligencia artificial,
y otros. Estos modelos permiten capturar el conocimiento de manera formal,
facilitando la manipulación y el procesamiento de la información.
redes semanticas
Descripción: Una red semántica es un modelo de representación del
conocimiento que organiza la información en nodos interconectados, donde los
nodos representan conceptos y las conexiones representan relaciones entre
esos conceptos. Cada nodo y conexión lleva asociada una etiqueta semántica
para expresar el significado de la relación.
Uso: Las redes semánticas son utilizadas para representar relaciones jerárquicas
y asociativas entre conceptos en un dominio específico. Pueden ser empleadas
en tareas de procesamiento del lenguaje natural, búsqueda semántica y
modelado conceptual.
redes semanticas
Ejemplo: En una red semántica que representa el mundo animal, podríamos
tener nodos para "Mamíferos", "Aves", "Reptiles", y conexiones que indican
relaciones como "es un tipo de" o "tiene como característica".
Características clave:
Estructura de Nodo-Conexión: Representa la información mediante nodos
que representan conceptos y conexiones que representan relaciones entre
esos conceptos.
Jerarquía y Asociación: Puede capturar jerarquías y relaciones asociativas
entre conceptos.
Flexibilidad: Puede ser ampliamente aplicada en diversos dominios y es
flexible para representar diferentes tipos de relaciones.
marcos (Frames)
Descripción: Un marco (frame) es un modelo de representación del
conocimiento que organiza la información en estructuras de datos compuestas
llamadas "marcos". Cada marco contiene atributos que describen las
características y propiedades de un concepto, así como métodos o acciones
asociadas.
Uso: Los marcos son utilizados para representar conocimiento sobre objetos o
situaciones, y pueden contener información sobre cómo interactuar con esos
objetos o cómo se comportan en situaciones específicas.
marcos (Frames)
Ejemplo: En un marco que representa el concepto de "Coche", podríamos tener
atributos como "Color", "Modelo", "Número de Puertas", y métodos como
"Arrancar" o "Detener".
Estructura de Atributos y Métodos: Organiza la información en atributos que
describen características y métodos que describen acciones.
Contextual: Puede incluir información contextual sobre cómo interactuar o
utilizar objetos o situaciones.
Aplicación en Sistemas Expertos: Ampliamente utilizado en sistemas
expertos para modelar conocimiento sobre dominios específicos.
Un script
Descripción: es un modelo de representación del conocimiento que organiza
información en secuencias de eventos o acciones, indicando el orden en el que se
espera que ocurran.
Uso: Los scripts son particularmente útiles para representar conocimiento sobre
procedimientos rutinarios o situaciones típicas en un dominio específico. Pueden
capturar el conocimiento sobre cómo llevar a cabo una serie de acciones en un
contexto particular.
Ejemplo: En el contexto de un restaurante, un script podría describir el proceso de
atención al cliente, desde la llegada hasta la elección del menú, la toma de pedidos,
el servicio de la comida y la factura final.
Un script
Secuencialidad: Los scripts describen eventos o acciones en un orden
secuencial.
Estructura de Acciones: Especifican las acciones que deben llevarse a cabo en
cada fase del proceso.
Contextual: Están diseñados para situaciones específicas y suelen depender del
contexto en el que se aplican.

Temario PDF

Cargado por

Información del documento

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

Temario PDF

Cargado por

Copyright:

Formatos disponibles

TEMARÍO

Un agente humano tiene ojos,

Dadas las características de la heurística, ésta es muy usada en juegos informáticos

También podría gustarte