Upload
cacg1974
View
168
Download
3
Tags:
Embed Size (px)
Citation preview
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
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.
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
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.
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.
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.