CONCEPTO

Marvin Minsky sugiere el carácter práctico de la inteligencia artificial mencionando:

"La inteligencia artificial es la ciencia de hacer que las máquinas hagan cosas que

requerirán inteligencia si fueran hechas por seres humanos".

Elaine Rich: "La inteligencia artificial es el estudio de cómo hacer que los ordenadores

hagan cosas que por el momento las personas realizan de una forma más perfecta".

Otras definiciones que pueden darnos una idea de lo se que llama IA.

Una de las áreas de las ciencias computacionales encargadas de la creación de

hardware y software con comportamientos inteligentes

El estudio de las computaciones que permitan percibir, razonar y actuar

Estudio como lograr que las máquinas realicen tareas que, por el momento, son

realizadas mejor por los seres humanos

CONCEPTO

Las redes neuronales son sistemas ideados como abstracciones de las

estructuras neurobiológicas (cerebros) encontradas en la naturaleza y tienen

la característica de ser sistemas desordenados capaces de guardar

información.

PROPIEDADES

Una función de propagación

Una función de activación

Una función de transferencia

VENTAJAS

Aprendizaje: aprenden mediante la etapa de aprendizaje

Auto organización: Crea su propia representación de la información

Tolerancia a fallos: Debido a que almacena la información de forma

redundante ésta puede seguir respondiendo de manera aceptable aún si se

daña parcialmente

Flexibilidad: Maneja cambios no importantes en la información de entrada

Tiempo real: La estructura es paralela, obteniendo respuestas en tiempo

real en eventos donde sea implementado en computadoras o dispositivos

electrónicos

TIPOLOGÍA DE LAS RNA

Perceptrón

Adaline

Perceptron multicapa

Memorias asociativas

Máquina de boltzmann

Máquina de cauchy

Propagación hacia atrásRedes de Elman

De Hopfield

De contra propagación

De base radial

De aprendizaje competitivo

Mapas autoorganizados

Crecimiento dinámico de células

TOPOLOGIA

Monocapa

Multicapa

CONCEPTO

Un agente inteligente, es una entidad capaz de percibir su entorno, procesar

tales percepciones y responder o actuar en su entorno de manera racional,

es decir, de manera correcta y tendiendo a maximizar un resultado esperado.

Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en

ese medio utilizando actuadores (elementos que reaccionan a un estímulo

realizando una acción).

EJEMPLOS

Un robot con comportamiento variable autoregulado

Computadoras especializadas

CLASIFICACION

Reactivos

Reactivos basados en modelo

Basados en objetivos

Basados en utilidad

Que aprenden

De consulta

CONCEPTO

Sistemas informáticos que simulan el proceso de aprendizaje, de

memorización, de razonamiento, de comunicación y de acción en

consecuencia de un experto humano en cualquier rama de la ciencia.

ESTRUCTURA BÁSICA DE UN SE

Base de conocimientos

Base de hechos

Motor de inferencia

Módulo de justificación

Interfaz de usuario

Tipos de SE

Basados en reglas previamente establecidas

Basados en casos o CBR

Basados en redes bayesianas

VENTAJAS

Permanencia

Replicación

Rapidez

Bajo costo

Entornos peligrosos

Fiabilidad

Consolidar varios conocimientos

Apoyo académico

LIMITACIONES

Sentido común

Lenguaje natural

Capacidad de aprendizaje

Perspectiva global

Capacidad sensorial

Flexibilidad

Conocimiento no estructurado

EJEMPLOS IMPORTANTES

Dentral, Xcon, Dipmeter Advisor, Mycin, Caduceus, R1, Clips, Jess, Prolog

TAREAS DE REALIZA UN SE

Monitorización

Diseño

Planificación

Control

Simulación

Instrucción

Recuperación de la información

SOFTWARE TIPO LICENCIA PLATAFORMA EN

QUE OPERA

PANTALLAZOS FUNCIONES

PARA IMPLEMENTACION DE REDES NEURONALES

JOONE GPL LGPL Multiplataforma Crea y ejecuta aplicaciones

de IA basadas en redes

neuronales

NEURAL

BOOT –

QUAKE II

OpenGL Multiplataforma Es un programa informático

que realiza funciones muy

diversas imitando el

comportamiento humano.

SNNS GNU LGPL Multiplataforma Escrito en torno a un núcleo

de simulación en que las

funciones de activación por

escrito de los usuarios, los

procedimientos de

aprendizaje y las funciones

de salida se pueden añadir

SOFTWARE TIPO LICENCIA PLATAFORMA EN

QUE POPERA

PANTALLAZOS FUNCIONES

PARA LA IMPLEMENTACION DE AGENTES INTELIGENTES Y SISTEMAS EXPERTOS

JADE GNU Multiplataforma Facilita el desarrollo de

sistemas multiagente bajo

el estándar FIPA

EXPERT SYSTEM

CREATOR

Comercial Multiplataforma Ayuda a construir

sistemas expertos de las

formas: Marcos de

decisión, árbol de

decisión y tabla de

decisión

EXSYS DE

MULTILOGIC

Permite resolver

problemas administrativos

que ayudan a mejorar la

productividad asesorando

en la toma de decisiones

Búsqueda

Una ruta

Ruta optima

Juegos

Profundidad primero

Amplitud primero

Ascenso de colina

Búsqueda en haz

Primero el mejor

Museo británico

Ramificación y cota

Programación dinámica

A*

Minimax

Poda Alfa-beta

Continuación heurística

Profundidad progresiva

A tientas

Heuristicos

Para llevar a cabo una búsqueda en profundidad,

Inserte en una pila el elemento raíz (nodo de partida)

Hasta que el elemento tope sea el nodo meta, o se

vacié la pila

Si nodo tope tiene hijos, insertar el hijo siguiente aun no

visitado, según ordenamiento.

Si no, entonces eliminar nodo tope.

Si el nodo meta se alcanza, mencione éxito, de lo

contrario, notifique el fracaso.

s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

1

2

3 4

56

7

Para llevar a cabo una búsqueda en amplitud,

Inserte en una cola el elemento raíz (nodo de partida)

Hasta que el elemento frontal sea el nodo meta, o se

vacié la cola

Si nodo frontal tiene hijos, insertar todos sus hijos al final

de la cola.

Eliminar nodo frontal.

Si el nodo meta se alcanza, mencione éxito, de lo

contrario, notifique el fracaso.

s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

1 2

3 4 5 6

7 8 9 10 11 12

13 14 15 16 17 18 19 20 21

La búsqueda se puede mejorar si existe una forma de

ordenar las posibilidades de modo que las más

prometedoras se exploren primero.

Mayor conocimiento, menor tiempo de búsqueda

Tres métodos muy conocidos:

Ascenso de colina (-> profundidad primero),

Búsqueda en Haz (-> anchura primero),

Primero el mejor

Mediciones de calidad convierten la búsqueda en profundidad

en ascenso de colina.

Se ordenan las posibilidades (estados hijo) usando una

medición heurística de la distancia que queda por recorrer.

Distancia en línea recta al estado objetivo.

Mejor medición, mejor el ascenso de colina

s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

8.910.4

10.4 6.9

3.06.7

En problemas orientados a ajuste de parámetros:

Problema de la falta de colina

Se encuentra un punto optimo, pero se trata de un

máximo local.

Problema de la meseta

La operación de mejoramiento local fracasa por completo.

Todas las pruebas de paso normal dejan intacta la medición

de calidad.

Problema del borde

Es como estar en el filo de una navaja, solamente puede

salirse del problema si se tiene un número muy grande de

direcciones para orientar los pasos.

Parecida a la búsqueda en amplitud en cuanto a que

avanza de nivel en nivel.

Sólo se mueve hacia abajo a través de los w mejores

nodos de cada nivel.

Extiende varias trayectorias parciales y elimina el

resto.

El número de nodos se mantiene manejable aún cuando

la ramificación sea alta y la búsqueda sea profunda.

s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

8.910.4

10.4 6.9

3.06.7

8.96.7

4.0 6.9

Callejónsin salida

Extiende la mejor trayectoria parcial en cada punto.

Considera todos los nodos abiertos hasta el momento.

Ascenso de colina inspecciona la que parece la mejor

trayectoria hasta el final; la búsqueda primero el mejor

analiza varias trayectorias a la vez, siempre siguiendo la

mejor trayectoria parcial conocida al momento.

Generalmente la búsqueda primero el mejor encuentra

trayectorias más cortas a los estados meta.

s

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

8.910.4

10.4 6.9

3.06.7

Primero en profundidad es bueno cuando se sabe – con

seguridad – que el árbol no es muy profundo.

Primero en anchura, cuando el factor de ramificación no

es muy grande.

Los métodos heurísticos son adecuados cuando existe

una medida natural de la distancia entre cada estado y el

estado meta.

Estos métodos consideran, a diferencia de los

anteriores, el peso de las ramas.

Su objetivo no es únicamente encontrar una ruta, sino

encontrar la mejor (típicamente la más corta).

Entre ellos se encuentran:

El procedimiento del museo británico

Ramificación y cota

El algoritmo A*

¿qué hacer para asegurar encontrar la ruta óptima?

Procedimiento de museo británico:

Primero encontrar todas las rutas al objetivo

Después seleccionar la mejor

Puede usarse búsqueda en anchura o en profundidad

como estrategia de exploración.

Terminar hasta recorrer el árbol completamente.

¿qué inconveniente le encuentran?

s

a

b

c e

d f

g

1

2

3 4

56

7

14

d

a ed

b fbe

b f d e a c g

c g f

g

11

9

8

10 12

13

15

16

17 18

19

20

21

22

23 24

25

26

No tiene problemas con árboles (muy) pequeños.

En la mayoría de los casos no es aplicable.

Por explosión exponencial

Si tenemos un árbol (mediano) con niveles d = 10, y un

factor de ramificación b = 10.

Los estados visitados son bd.

1010 = 10 billones de estados

Menos sacrificado para encontrar la ruta óptima.

Idea básica es expandir en cada ocasión la ruta parcial

con el menor costo hasta el momento.

Es decir, todos los nodos abiertos hasta el momento

entran en consideración.

Similar a método “primero el mejor”, pero al revés.

En lugar de seguir el trayecto que aparentemente tiene

la menor distancia hacia el objetivo, se sigue aquel que

hasta el momento es el más corto.

Formar una cola de trayectos parciales. Inicialmente sólotiene el elemento raíz.

Hasta que la cola se vacié o se alcance el nodo objetivo,determinar si el primer elemento alcanza el nodo objetivo.

Si alcanza el objetivo, salir.

Si no, entonces;Borrar el nodo de la cola

Agregar sus hijos a la cola

Ordenar los nodos por costo acumulado

Si el nodo objetivo fue encontrado mencionar éxito, de locontrario anunciar falla.

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

3 4

7 8 9 6

11 1011 12 10 13

13

1 2

4 5 6 3

87

9

15 14

¿cuál es la respuesta del método?

¿cómo podemos asegurar encontrar la ruta óptima?

¿cuándo debemos terminar el algoritmo?

Cuando todas las rutas parciales tengan igual o mayor

peso que la trayectoria encontrada

s

b

a g23

5

1s

b

a g23

3

1

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

3 4

7 8 9 6

11 1011 12 10 13

13

1 2

4 5 6 3

87

9

15 1414 16 15 15

1011 12

Usar una estimación de la distancia restante a la meta

puede mejorar considerablemente el método.

Si es buena estimación, entonces ella mas distancia

recorrida debe ser un buen cálculo de la longitud total de la

trayectoria:

e(long trayectoria) = d(ya recorrida) + e(dist. restante)

Si las conjeturas fueran correctas este método se

mantendría todo el tiempo en la ruta optima.

Mejor estimación, mejor la búsqueda

Las estimaciones no son perfectas; esto puede traer serios

problemas al método.

¿Qué sucederá con sobreestimaciones de la distancia

restante?

Desvío permanente de la trayectoria óptima

No existiría la certeza, hasta recorrer el árbol completo,

que la ruta encontrada es la optima.

El método funciona adecuadamente con subestimaciones

de la distancia restante.

a d

a eb d

c e b fbe

d f b f d e a c g

g c g f

g

s

13.4 12.9

19.4 12.9

13

13

1

2

3

4

17.7

Ramificación y cota puede mejorarse eliminando las

trayectorias redundantes.

Se relaciona con el principio de programación dinámica.

El mejor camino del punto de inicio a la meta, a través

de un lugar intermedio específico, es el mejor camino

hacia éste desde el lugar de inicio, seguido por el mejor

camino desde éste a la meta.

No hay necesidad de buscar por otras trayectorias

hacia o desde el punto intermedio.

a d

a eb d

c e b fbe

d f b f d e a c g

g c gf

g

s

3 4

7 8 9 6

11 1011 12 10 13

13

1 2

4 3

5

6

15 1414 16 15 15

7

Es una búsqueda de ramificación y cota con:

Estimación de distancia restante

Eliminación de trayectorias redundantes

Si la estimación de la distancia restante es un limite

inferior de la distancia real, entonces A* produce

soluciones optimas.

http://es.wikipedia.org/wiki/Red_neuronal_artificial

http://es.wikipedia.org/wiki/Agente_inteligente_%28int

eligencia_artificial%29

http://es.wikipedia.org/wiki/Inteligencia_artificial

http://elvex.ugr.es/decsai/iaio/slides/A3%20Search.pd

f

.