Modelos de Inteligencia Artificial

Dr. Hugo A. Banda Gamboa
CORDICYT
Octubre, 2015

INTRODUCCIÓN
 Históricamente, el ser humano se utilizó
a sí mismo como el modelo de facto en
sus variados intentos de desarrollar
máquinas inteligentes. De hecho, la era
de la inteligencia artificial se inició bajo
el supuesto que la inteligencia humana
podía ser descrita con suficiente
precisión como para ser simulada en una
máquina [1].
[1] McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude. A Proposal for the
Dartmouth Summer Research Project on Artificial Intelligence. 1955
© Dr. Hugo A. Banda Gamboa - 2015 2

CONTENIDO
I. Computación Simbólica
 Simulación Cognitiva
 Sistemas Basados en Lógica
 Sistemas Basados en Conocimiento
II. Computación Sub Simbólica
III. La Nueva Inteligencia Artificial
IV. Agentes Inteligentes
V. Conclusión

COMPUTACIÓN SIMBÓLICA

Computación Simbólica
 La inteligencia artificial clásica, comprende un
conjunto de modelos de sistemas inteligentes,
caracterizados por:
 La representación formal del problema a
resolver, como una red semántica; y,
 Su capacidad de procesamiento simbólico,
basada en algoritmos de búsqueda de
soluciones.
 De aquí se deriva el nombre de computación
simbólica para la implementación tecnológica
de las aplicaciones basadas en los modelos
clásicos de inteligencia artificial.

Objetos Simbólicos
 La computación simbólica comprende la
solución algorítmica de problemas
representados por objetos simbólicos.
 Se consideran objetos simbólicos, a las
representaciones computacionales de
componentes del conocimiento,
apoyados por modelos matemáticos y la
lógica computacional.

Definición y Formulación de
Problemas
En la computación simbólica un
problema puede definirse como la
búsqueda de una situación objetivo
en un entorno determinado, con su
correspondiente conjunto de medios
que permitirían alcanzarla a partir de
una situación dada.
Para la formulación de un problema
se requieren acciones de observación,
descripción, explicación y predicción.

Representación Formal
 La ejecución del proceso que conlleva a obtener
una representación formal de un problema en
computación simbólica, requiere de:
 Identificación de fuentes para adquisición del
conocimiento necesario (Documentos, experiencias,
procesos, expertos humanos, etc.)
 Adquisición y clasificación del conocimiento (Para
simplificar el proceso de búsqueda de las soluciones
y para resolver el problema).
 Representación simbólica del conocimiento
(Proceso de extraer, transformar, traducir y
transferir la experticia para resolver problemas
desde una fuente de conocimiento hacia una forma
procesable por un programa de computadora).

Elementos de una Representación
 En general, una representación se puede definir
como un conjunto de convenciones sobre la forma
de describir alguna cosa. Una representación tiene
4 elementos importantes:
 Léxico.- Símbolos permitidos en el vocabulario.
 Estructura.- Restricciones para el ordenamiento de
los símbolos.
 Operadores.- Procedimientos para crear, modificar y
utilizar descripciones.
 Semántica.- Forma de asociar el significado con las
descripciones.

Redes Semánticas
 Una de las representaciones más utilizadas para
problemas de inteligencia artificial son las redes
semánticas. Una red semántica es una notación
gráfica para representar conocimiento en
patrones caracterizados por:
 Nodos, enlaces y etiquetas (Léxico)
 Nodos conectados por enlaces etiquetados
(Estructura)
 Constructores, lectores, escritores y destructores
(Operadores)
 Significado de nodos y enlaces (Semántica)

Tipos de Redes Semánticas
 Los principales tipos de redes
semánticas [2], son:
 Redes de Definición
 Redes Asertivas
 Redes de Implicación
 Redes Ejecutables
 Redes de Aprendizaje
 Redes Híbridas
[2] John F. Sowa. Semantic Networks. http://www.jfsowa.com/pubs/semnet.htm

Representación de Problemas
 La representación de un problema como una red
semántica, en computación simbólica, permite
definir formalmente a un problema y resolverlo
utilizando un conjunto de operadores y un proceso
de búsqueda. La representación puede ser:
 Explícita.- Descripción completa, transparente y
concisa de una red semántica. Agrupa todos los
objetos y sus relaciones, poniendo de manifiesto las
restricciones inherentes del problema.
 Implícita.- Descripción de una red semántica
compuesta por un estado inicial y un mecanismo
para generar estados sucesores.

Principio de Representación
Una vez que un problema es
descrito por una buena
representación, el problema está
casi resuelto.

Definición Formal de Problemas
 En esencia, la definición formal de problemas en
computación simbólica, implica:
 Escoger una red semántica apropiada para modelar el
tipo de problema identificado.
 Identificar y seleccionar los posibles estados iniciales.
 Especificar un conjunto de acciones para alcanzar o
generar nuevos estados (operadores).
 Identificar la meta o metas deseadas (estados
objetivos).
 Establecer una función de costo de ruta desde el estado
inicial al estado objetivo.
 Definir criterios de aceptabilidad de las metas
alcanzadas (validación de meta) o de las trayectorias
encontradas (validación de trayectoria), como
soluciones.
 Seleccionar y aplicar de la mejor técnica de solución.
 Evaluar los resultados obtenidos.

Simulación Cognitiva

Computación Heurística
 Herbert Simon y Allen Newell estudiaron las
habilidades de los humanos para resolver
problemas y trataron de formalizarlas
simbólicamente.
 Los resultados de estos estudios conformaron
la base para el desarrollo de las ciencias
cognitivas, investigación de operaciones, las
ciencias administrativas y de sistemas
inteligentes basados en la simulación
cognitiva humana (Computación Heurística)
[3].
[3] Newell, A., y Simon, H. A.: Human problem solving. Prentice-Hall, Englewood Cliffs, NJ., 1972.

Modelo de Newell y Simon
 El modelo del procesador cognitivo de Newell y Simon
considera la mente como un sistema de
procesamiento de la información.

Modelo de Procesador Cognitivo
 La analogía con la estructura de un computador es
evidente. Basándose en datos experimentales, el
modelo incluye la hipótesis de que el procesador
cognitivo selecciona preceptos y reacciona ante
ellos en ciclos reconocimiento y acción de unos 70
milisegundos.
 Las transferencias entre la M.C.P (memoria a
corto plazo) y la M.L.P (memoria a largo plazo)
tardarían unos siete segundos. Estos números no
son caprichosos. Están apoyados, como el número
mágico 7±2, en diversos experimentos [4].
[4] Miller, G A. The Magical Number Seven, Plus or Minus Two Some Limits on Our Capacity for
Processing Information. Psychological Review © by the American Psychological Association.
Vol. 101, No. 2, 1956, pp. 343-352

Sistemas Basados en Lógica

La Lógica Computacional
 Juega un papel importante en muchas
áreas de la informática, incluida la
verificación de hardware y software,
lenguajes de programación, bases de
datos e Inteligencia Artificial.
 Los métodos de la lógica de predicados y
de la lógica modal son los que más se
utilizan hoy en día en ciencias de la
computación, inteligencia artificial e
ingeniería del software.

La Lógica en Inteligencia Artificial
 En el caso de la Inteligencia Artificial, la
lógica es el fundamento de todos los
métodos de representación del
conocimiento y del razonamiento,
especialmente en sistemas expertos,
razonamiento con incertidumbre
(encadenamiento de reglas, lógica difusa,
etc.), procesado del lenguaje natural,
razonamiento espacial y temporal, visión
artificial, robótica, lógica epistémica, etc.

El Modelo de John McCarthy
 John McCarthy trató de representar la esencia
del razonamiento abstracto y de la resolución
de problemas, independientemente de si los
humanos usamos o no estos algoritmos.
 Sus investigaciones se enfocaron en el uso de
lógica formal para resolver la representación
simbólica del conocimiento, el planeamiento y
el aprendizaje.
 Esto dio lugar al desarrollo del lenguaje
PROLOG y a la programación lógica.

Proceso Lógico – Cognoscitivo de
Interpretación de la Realidad

Sistemas Basados en
Conocimiento

Los Sistemas Basados en
Conocimiento
Son aplicaciones relacionadas con la
captura, codificación y utilización
del conocimiento de expertos
humanos.
Los sistemas basados en
conocimiento requieren de una
interfaz, base de conocimientos y un
motor de inferencia.

Representación del Conocimiento
 Para representar el conocimiento,
utilizan comúnmente reglas si-entonces,
pero también es posible usar otras
representaciones del conocimiento como
por ejemplo las redes semánticas.
 Cuando las fuentes de conocimiento son
muy complejas, el uso de métodos de
aprendizaje automático puede ayudar a
capturar y codificar el conocimiento
necesario.

Procesos Computacionales
 El Sistema que trata de alcanzar inteligencia a
través de procesos que:
 Adquieren, representan, almacenan y recuperan
conocimiento representado simbólicamente en un
formato computacional;
 Procesan el conocimiento simbólico, con la ayuda de
un motor de inferencia; y,
 Ejecutan acciones basadas en el proceso del
conocimiento simbólico almacenado en su base de
conocimientos.
 Los principales representantes de este grupo son
los denominados sistemas expertos.

MODELOS DE
COMPUTACIÓN
SUBSIMBÓLICA

La Computación Sub-Simbólica
 En la computación sub-simbólica se trata
de simular los elementos de más bajo
nivel dentro de los procesos cognitivos, a
fin de evidenciar el comportamiento
inteligente.
 Estos sistemas trabajan bajo conceptos
fuertemente relacionados como la
autonomía, el aprendizaje y la
adaptación.

Sistemas Sub-Simbólicos de IA
 El enfoque sub-simbólico de la Inteligencia
Artificial se caracteriza por crear sistemas con
capacidad de aprendizaje. Estos sistemas
incluyen procesos de desarrollo o aprendizaje
iterativo, basado en datos experimentales. Los
más conocidos en este grupo, son:
 Los sistemas inteligentes computacionales:
 Computación neuronal
 Computación evolutiva
 Sistemas difusos
 Los sistemas basados en comportamiento:
 Agentes de software
 Robótica
 Vida Artificial

LA NUEVA INTELIGENCIA
ARTIFICIAL

Introducción
 En la última década del Siglo XX comenzaron a
aparecer nuevas propuestas para la comprensión y la
ingeniería de sistemas inteligentes. Nuevos campos
de conocimiento cuestionan la validez de los modelos
y métodos de la inteligencia artificial clásica que
tratan de aproximar las características operativas y el
desempeño de la inteligencia biológica:
 Ciencia cognitiva embebida,
 Ingeniería neuromórfica,
 Vida artificial,
 Robótica basada en comportamiento,
 Robótica evolutiva, e
 Inteligencia de enjambre.

Sistemas Bio-Inspirados en la
Escala Temporal
 Los sistemas van desde los sistemas
evolutivos que se desarrollan y
evolucionan durante todo su ciclo de
vida, hasta sistemas que interactúan en
tiempo real con su entorno y con otros
individuos:
 Sistemas evolutivos
 Sistemas que se desarrollan (Modelos
Biológicos)
 Sistemas basados en comportamiento

Sistemas Bio-Inspirados en la
Escala Espacial
Los sistemas van desde células,
neuronas, organismos
multicelulares, hasta sociedades de
individuos
 Sistemas celulares
 Sistemas neuronales
 Sistemas inmunológicos
 Sistemas colectivos

AGENTES INTELIGENTES

Principio de Racionalidad
Razonamiento lógico-
analítico aplicado a través de
una acción comunicativa,
para alcanzar alguna meta
deseada, logrando acuerdos
con otros elementos del
entorno para evitar
conflictos.

Agentes Racionales o Inteligentes
Son sistemas que perciben su
entorno, razonan y toman acciones
de tal forma que maximizan sus
oportunidades de éxito.
Este paradigma permite que los
investigadores estudien problemas
complejos y busquen soluciones que
son al mismo tiempo útiles y
verificables.

Tecnología de Agentes Inteligentes
 La tecnología de los agentes inteligentes
conforma la base de una nueva generación
de sistemas computacionales.
 Las aplicaciones incluyen sistemas
desarrollados para búsqueda de
información masivamente distribuida en
Internet, sistemas de información móviles,
sistemas de workflow inteligentes, e
infraestructura de información de apoyo a
las operaciones y decisiones corporativas.

Aproximaciones a los Agentes
Inteligentes
 Se puede utilizar cualquier aproximación que
funcione, esto es, pueden ser soluciones
simbólicas, sub simbólicas, híbridas y otras
nuevas que faciliten la solución del problema.
 Parte fundamental en la nueva inteligencia
artificial es el desarrollo de agentes
inteligentes, integrando lo mejor de las
teorías, modelos y tecnología clásicas y
nuevas, e incluyendo la lógica difusa en los
motores de inferencia y razonamiento.

Conclusión
Sólo hay una guerra que
puede permitirse el ser
humano: la guerra contra su
extinción
- Isaac Asimov

Modelos de Inteligencia Artificial

Más contenido relacionado

La actualidad más candente (20)

Destacado (6)

Similar a Modelos de Inteligencia Artificial (20)

Más de Hugo Banda (20)

Último (20)

Modelos de Inteligencia Artificial