Benem érita Universidad Autónoma de Puebla

BenemBeneméérita Universidad rita Universidad

AutAutóónoma de Pueblanoma de Puebla

Facultad de Ciencias de la ComputaciFacultad de Ciencias de la Computacióónn

Inteligencia ArtificialInteligencia Artificial

Verano 2016

IntroducciIntroduccióónn

3

IntroducciIntroduccióónn� IA

− Hollywood

IAIA

� Humanoides

ASIMO

Kirobo

ArthurFCC-BUAP

Valkyrie

IAIA

� Dónde??

6

IAIA

� Definición

7

IAIA

� Prueba de Turing

� Alan Turing

I.A.

9

Prueba de TuringPrueba de Turing

AAúún vigente??n vigente??

10

Prueba de TuringPrueba de Turing

� CAPTCHA� Completely Automated Public Turing test to

tell Computers and Humans Apart

11

Prueba de TuringPrueba de Turing

� CAPTCHA + Preguntas iconográficas /Audio

12

IAIA

� Prueba de Turing

• Superar/competir en la prueba, se requiere:

• Procesamiento del lenguaje Natural• Representación del conocimiento• Razonamiento Automático• Aprendizaje automático

Prueba de Turing

14

IAIA

� Ciencia Cognitiva

• Lógica

• Matemática

• Teoría de juegos

• Neurociencia

• Ing. Computacional

• Teoría de control

• Lingüística

15

Historia de la IAHistoria de la IA

16

IAIA

� McCarthy (1927-2011)

“The goal of AI is to develop machines that behave

as though they were intelligent.”

17

HistoriaHistoria

IA, como ciencia Sistemas Inteligentes

18

IAIA

19

ConceptosConceptos

Complejidad Computacional Complejidad Computacional

� Dado un problema,� Tiempo

� Espacio

� Análisis de complejidad

� Problemas P, NP

21

AgenteAgente

22

AgenteAgente� Función del agente

23

AgenteAgente

� Racionalidad

• Func. Rendimiento, conocimiento a priori, acciones del agente, secuencias de percepciones

� Omnisciencia

• Siempre lleva a cabo una acción de manera correcta

� Aprendizaje

• Autonomía

24

Tipos de ambientesTipos de ambientes

Tipo Contra-tipo

Observable totalmenteObservable totalmente Observable ParcialmenteObservable Parcialmente

DeterministaDeterminista EstocEstocáásticostico

EpisEpisóódicodico SecuencialSecuencial

EstEstááticotico DinDináámicomico

DiscretoDiscreto ContinuoContinuo

25

Programa del AgentePrograma del Agente

Percepción Programa delAgente

Respuesta

BBúúsquedassquedas

27

ProblemasProblemas

28

ÁÁrbolesrboles

29

ÁÁrbolesrboles

.

.

.

.

.

.

.

.

.

.

.

.

30

BBúúsqueda sin informacisqueda sin informacióónn((Uninformed SearchUninformed Search))

31

UninformedUninformed SearchSearch

� Breadth-First Search (anchura)

BreadthBreadth--FirstFirst SearchSearch

Uniform cost search

� Variante de la Búsqueda en anchura

34

DepthDepth FirstFirst SearchSearch

35

DepthDepth FirstFirst SearchSearch

� Variantes:

• Profundidad limitada (profundidades infinitas)

36

DepthDepth FirstFirst SearchSearch

� Iterative Deeping

37

BBúúsquedas con informacisquedas con informacióónn(B(Búúsqueda Heursqueda Heuríística)stica)

38

BBúúsqueda heursqueda heuríísticastica

� Primero el mejor (Best-first search)

• Función de evaluación f(n)

• Función heurística h(n) -> Distancia

� Búsqueda ávida-> Heurística

39

BBúúsqueda heursqueda heuríísticastica� Primero el mejor (Best-first search)

40

BBúúsqueda heursqueda heuríísticastica� Primero el mejor (Best-first search)

H(n)=Distancia en línea recta

41

BBúúsqueda heursqueda heuríísticastica� Primero el mejor (Best-first search)

� Óptima??

� Completa??

AnalizandoAnalizando……..

43

BBúúsqueda A*squeda A*

� f(n) = g(n) + h(n)

� Evita estimar incorrectamente el costo real

44

BBúúsqueda A*squeda A*

� f(n) = g(n) + h(n)

� Puede llegar a ser espacialmente costosa

� Solución:

• IDA*

• BFR

45

BFRBFR

� Best First Recursive

� Menos memoria que Best First

• Similar a primero en profundidad -> recursivo

• Mantiene en memoria el mejor valor del camino del nodo antecesor

• Se da cuenta si vale la pena extender caminos peores

Funciones heurFunciones heuríísticassticas

47

Funciones HeurFunciones Heuríísticassticas

� Necesario definirlas para búsqueda heurística• Función que no sobre estime el número de pasos

� Ejemplo:• 8-Puzzle

• h1- número de piezas mal colocadas

• h2- suma de distancias a su posición objetivo (Manhattan)

88--puzzlepuzzle

49

Funciones HeurFunciones Heuríísticassticas� Comparación experimental, búsquedas: Informada-No informada

50

Funciones HeurFunciones Heuríísticassticas� Comparación experimental, factor b*

51

BBúúsqueda con adversariosqueda con adversario

52

JuegosJuegos� Se deben tomar decisiones óptimas

� Juego:• Estado inicial

• Función sucesor

• Test terminal

• Función de utilidad

� Árbol de juegos

53

MINIMAXMINIMAX

� Árbol de juegos de dos capas

54

MINIMAXMINIMAX

� Poda α-β

� Debido a la naturaleza de esta búsqueda, se pueden evitar ciertos caminos de acuerdo a los intereses de

• MAX -> α

• MIN -> β

Poda Poda αα--ββ� Criterio de paro de expansión:

� Debajo de nodos MIN cuyo β≤α (respecto a cualquier MAX padre)

� Debajo de nodos MAX cuyo α≥β (respecto a cualquier MIN padre)