Inteligencia Artificial

Introduccin a la Inteligencia Artificial
Luis Alonso Romero Catedrtico de Ciencia de la Computacin e Inteligencia Artificial Universidad de Salamanca lalonso@usal.es
Objetivos
z z z z z Intentar delimitar el concepto de Inteligencia Artificial Hacer una breve resea histrica Describir los problemas computacionales que plantea Panormica de los logros y los fracasos. Breve introduccin a la Computacin blanda (soft) :
y Las redes neuronales artificiales. y La Lgica Borrosa y Los Algoritmos Genticos.
z Algunas notas biogrficas.
11:01
L.A.R,CETSI, Mayo 2005
Algunas citas previas

z El termino inteligencia comprende varios aspectos:
y Adquisicin, representacin y almacenamiento del conocimiento. y Generacin y aprendizaje del comportamiento. y Desarrollo y uso de las motivaciones, emociones y prioridades y Transformacin de las seales sensoriales en smbolos . y Manipulacin de smbolos para x Efectuar deducciones, razonar sobre el pasado y planear el futuro. y Produccin de los fenmenos de ilusin, creencias, esperanzas, temores, sueos, cario, amor, ...
z La comprensin de estas funciones a nivel fundamental sera un logro cientfico comparable a la fsica nuclear, la relatividad o la gentica molecular. (James Albus, 1995, Nasa) z Inteligencia: capacidad de un sujeto para dirigir su comportamiento usando la informacin captada, aprendida, elaborada y producida por l mismo. (J.A. Marina, La Inteligencia Fracasada, 2004).
11:01
Ms citas
z Penrose (La mente del emperador, 1989):
y A la mayora de las personas les gusta tener y usar mquinas que les permiten hacer tareas de forma ms fcil o ms rpida: hacer agujeros en la pared, desplazarse por una carretera, etc. y Tambin les gusta usar mquinas que les permiten hacer cosas que, de otra forma, no podran hacer: volar. y Sin embargo, la idea de una mquina que pueda pensar por nosotros es un salto demasiado grande, que suscita un montn de cuestiones de tipo tico y filosfico.
z La Inteligencia Artificial tiene como objetivo el llegar a construir esas mquinas, y mejorar el conocimiento de la inteligencia. z Esas mquinas deberan ser capaces de imitar, o superar, las capacidades mentales de los humanos: razonamiento, comprensin, imaginacin, reconocimiento, creatividad, emociones, ...
11:01
I.A : definiciones
z Se suelen usar dos caractersticas para definir la I.A:
Humanos lograr que las computadoras piensen, mquinas con mente (Haugeland 85)
Racionales
Congnitivo
Sistemas que Piensan como
El estudio de las facultades mentales mediante el uso de modelos computacionales ( Charniak, McDermot 85)
Conductista
Sistemas que Actan como
cmo lograr que las computadoras realicen tareas que, por el momento, los humanos hace mejor ( Rich, Knight 91)
La parte de la ciencia de la computacin que se ocupa de la automatizacin de la conducta inteligente (Luger, Stubblefield 93)
11:01
Escuelas en I.A.
z A lo largo de la historia se han adoptado los cuatro enfoques mencionados, con ciertas rivalidades entre los diferentes grupos implicados.
As, existe la escuela cognitiva cuyo inters radica en descubrir los procesos del razonamiento para intentar reproducirlos en la mquina. La escuela logicista tiene su principal objetivo en el desarrollo de la lgica formal y los correspondientes mecanismos de inferencia. La escuela pragmtica intenta desarrollar sistemas informticos que se comporten de forma inteligente sin intentar emular los procesos de razonamiento humano.
En la prctica, todos los enfoques son vlidos y su utilidad depender del objetivo del estudio: desarrollar un sistema informtico que se comporte inteligentemente (sistema experto, por ejemplo) , implicar seguramente la necesidad de profundizar en los mecanismos del razonamiento.
11:01
Fundamentos de la I.A.
z Filosofa z Matemticas , especialmente:
y la lgica matemtica (Frege, Russell, Zadeh), y la teora de la computabilidad y complejidad (Godel, Church, Turing, etc), y la teora de la decisin (Von Neumann), etc
z Sicologa z Ingeniera informtica z Lingstica computacional (Skinner, Chomsky)
11:01
Algunos objetivos de la I.A.

z Razonamiento:
v Dados {conocimiento, hechos}, deducir consecuencias. Por ejemplo, dado un cierto conocimiento sobre enfermedades, y una relacin de sntomas (hec hos) efectuar un diagnstico.
z Planificacin:
v Dados {conocimiento, situacin actual, objetivo deseado}, deducir la secuencia de acciones para alcanzar el objetivo. (razonamiento dirigido por objetivos).
z Aprendizaje:
v Dados {conocimiento, hechos}, deducir de nuevos hechos posibles modificaciones sobre el conocimiento.
z En aplicaciones concretas (reconocimiento de habla, visin artificial, robtica) pueden coexistir varios de los objetivos anteriores.
11:01
Historia de la I.A (1)

z Gnesis de la Inteligencia Artificial (1943-52)
y Se considera que el primer trabajo de I.A. se debe a McCulloch y Pitts (1943) sobre un modelo de red neuronal artificial. y El primer hito importante fue el taller de I.A. organizado en Darmouth en el verano de 1956, con la asistencia de McCarthy , Minsky , Shannon, Rochester, Newell, Simon entre otros. All se sentaron las bases de la nueva disciplina y se desarroll un programa de razonamiento (Logic Theorist, de Newell y Simon) que era capaz de demostrar gran parte de los teoremas de lgica matemtica. y Durante los siguientes 20 aos, el campo de la I.A estuvo dominado por los asistentes al taller de Darmouth y Turing (1950) estableci el primer test para decidir si una mquina es inteligente
xhttp://www.abelard.org/turpap/turpap.htm
11:01

z Periodo clsico : (1952-69)
y En esta primera etapa hubo algunos avances espectaculares: x El Generalized Problem Solver (Newell, Simon) x Geometry Theorem Demonstrator (Gelertner 59) x Juego de Damas (Samuel 56) que aprenda a jugar x LISP (McCarthy , 58) x En el MIT (Minsky ) y en Stanford (McCarthy ) se desarrollaron una serie de programas de razonamiento , robtica, etc x Se desarrollaron algunos prototipos de redes neuronales artificiales: el adaline (Widrow -Hoff, 62) y el perceptrn (Rosenblatt 62), que resolvan problemas sencillos de reconocimiento de patrones.
xAparecen los primeros trabajos sobre Lgica Borrosa (Zadeh 65)
11:01
10
Bsqueda en espacio de estados

z Gran parte de los problemas del periodo clsico (juegos, demostracin de teoremas) se plantean como bsqueda en espacio de estados:
y Un estado inicial del problema (p.e., estado inicial de un puzzle) y Una prueba de terminacin para detectar los estados finales, o soluciones, del problema (p.e. El puzzle est correcto). y Un conjunto de operaciones que pueden aplicarse para cambiar el estado actual del problema (movimientos posibles del puzzle).
z Puede pensarse en trminos de un rbol, en que los nodos son los estados y las operaciones son los arcos.
y Por ejemplo, pensemos en el Scrabble. Tenemos las letras A,L y S. En cada nivel del rbol aadimos una letra,en orden alfabtico, y permutamos su posicin. Tendramos as un rbol :
11:01
11
Un rbol de bsqueda
ALS AL ASL SAL A AS ASL Slo hay dos nodos que cumplen la prueba de terminacin: SAL y LAS En este caso, el espacio de bsqueda tiene dos propiedades simplificadoras: - Es finito. - No contiene nodos repetidos
ALS LAS
11:01
12
Mtodos de bsqueda
z Existen una serie de mtodos para bsqueda en espacio de estados:
y Bsqueda en anchura. y Bsqueda en profundidad, y ...
z No obstante, en todos ellos se produce el fenmeno de la Explosin combinatoria : en cada nivel, el nmero de nodos crece exponencialmente de forma que el problema se hace intratable. z Para intentar resolver esto, se aplican tcnicas de bsqueda heurstica : reglas que ayuden a disminuir el nmero de nodos a tratar y que, aunque no garanticen la solucin ptima, permiten encontrar una solucin casi siempre.
11:01
13
Conclusiones de la etapa clsica

z Al final del periodo clsico quedaba claro que:
y Casi todos los problemas se podan, en principio, reducir a problemas de bsqueda en los trminos planteados (estado inicial, etc.) y La bsqueda tena que ser guiada por alguna representacin del conocimiento en el dominio del problema.
z En algunos (pocos) casos particulares, se poda restringir la aplicacin del conocimiento a una funcin de evaluacin. z Sin embargo, en la mayora de las situaciones, estaba claro que haca falta algo ms:
y Una estrategia global de resolucin de problemas. y Una codificacin explcita del conocimiento sobre los objetos, propiedades y acciones asociadas con el dominio.
11:01
14

z Perodo romntico: choque con la realidad (1966-74)
y Los xitos y el entusiasmo iniciales condujeron a afirmaciones demasiado optimistas (.. Las mquinas podrn abordar en un futuro previsible problemas cuya magnitud ser similar a la de los problemas que la mente humana puede resolver.. Simon, 58) . y No obstante, los prototipos que funcionaban en problemas de juguete, fallaban de forma estrepitosa al enfrentarlos a problemas algo ms reales. As ocurri con los proyectos de traduccin automtica , que fueron cancelados. y La complejidad de los algoritmos empleados era de tipo exponencial, lo que converta a los problemas en NP-completos, cuya teora se desarroll aos ms tarde. y El informe Lightill (73) puso en claro el problema de la explosin combinatoria, y contribuy a cancelar todas las subvenciones britnicas a los trabajos sobre I.A. y Algo parecido ocurri con el informe de Minsky y Papert (69) sobre Redes Neuronales Artificiales. y No obstante, en este perodo se desarrollaron alguno de los conceptos cruciales, especialmente en el campo de la representacin del conocimiento.
11:01
15
El conocimiento y la mquina
z Newell y Simon generaron el sistema de representacin del conocimiento conocido como reglas de produccin, que ha sido la piedra angular del desarrollo de los sistemas expertos del periodo siguiente:
y Si <antecedente> entonces <consecuente>
z Tambin se sentaron las bases del anlisis de protocolos, o tcnicas de extraccin del conocimiento (ingeniera del conocimiento). z Se desarrollaron mtodos alternativos de representacin:
y Redes asociativas, o semnticas, en las que los nodos eran conceptos y los arcos relaciones. y Aplicacin de la lgica formal para codificar hechos y aplicar inferencias de forma automtica, ...
11:01
16

z Sistemas basados en conocimiento (1969-79)
y Los mtodos excesivamente generales de la etapa anterior, se depuraron desarrollando sistemas con conocimientos muy especficos de un tema determinad o. De esta forma, aparecieron los sistemas expertos , cuyo primer exponente fue DENDRAL (Buchanan, 69) que infera una estructura molecular a partir de la informacin de un espectrmetro de masas. A este le sigui MYCIN (Feigenbaum, Buchanan, Shortclife (72)) para diagnstico de enfermedades infecciosas, PROSPECTOR (Duda, 79) para diagnstico de datos sismolgicos, etc y Aparecen tambin los primeros programas de procesamiento de lenguaje natural. LUNAR (Woods, 73) permiti a los gelogos hacer preguntas en ingls sobre las rocas traidas por las misiones Apollo. y Apareci una demanda creciente de sistemas de representacin del conocimiento, y herramientas para ello: Prolog, Planner, marcos, redes semnticas, etc
11:01
17

z Explotacin comercial (1980-89)
y Empiezan a aparecer los primeros sistemas expertos comerciales. El primero fue el R1 de DEC (McDermott 82) y sigui una larga lista de sistemas expertos para casi tod os los campos: diagnstico, planificacin, asesora, etc y El proyecto de la Quinta Generacin de Japn (81) produjo un aumento espectacular de inversiones en I.A. en USA y Europa. y Se crearon empresas de I.A : Lisp Machine, Intellicorp, Inference, Symbolics, etc con productos de software, hardware especfico ( lisp machines) y sobre todo sistemas de visin artificial. En 1988 el volumen de ventas super los 20.000 millones de dlares. y En el 86 se produjo un resurgir de las Redes Neuronales al desarrollarse el algoritmo de retropropagacin que superaba las limitaciones mencionadas por Minsky. y Se produce la explosin de la Lgica Borrosa con origen en algunas aplicaciones en Japn, como el metro de Sundai.
11:01
18

z Etapa actual (1990-presente)
y Se ha entrado en una fase de sedimentacin de conocimientos, de formalizacin y de autocrtica. y En algunos campos, como el procesamiento de habla y lenguaje natural, se estn produciendo avances considerables. y Aparecen nuevos formalismos ( razonamiento probabilstico, etc) que estn posibilitando la resolucin de problemas hasta ahora inabordables. y En general, se est en una etapa de consolidacin, de autocrtica y de mayor sosiego que producir resultados ms consistentes en un futuro prximo. y El enorme avance que se est produciendo en los aspectos tecnolgicos (ley de Moore ), est haciendo posible el tratamiento de problemas que hace una dcada eran inabordables.
xVisin artificial: tratamiento de imgenes. xProcesamiento de seales. y La aparicin de la WWW ha hecho que la informacin se est expandiendo a una velocidad vertiginosa y la I.A. Tendr algo que aportar en la solucin a los problemas recuperacin, anlisis, clasificacin, indexacin, ... y Se sigue cuestionando la definicin misma de inteligencia. Se habla de mente, consciencia,
11:01
19
Algunos logros y fracasos

z MYCIN (72): Es un sistema experto para diagnstico de enfermedades infecciosas z DEEP THOUGHT (90) : Jugador de ajedrez z CHATKB (92): Es un sistema de ayuda al diseo de circuitos VLSI y ha tenido una
gran aceptacin entre los fabricantes. que marc un hito en la I.A. A pesar de que es uno de los mejores sistemas expertos desarrollados, no ha recibido ninguna aceptacin entre la comunidad mdica.
z MARVEL (92) : sistema experto en tiempo real que monitoriza los datos
transmitidos desde algunas naves espaciales (Voyager), alertando a los analistas sobre posibles problemas. interfaz a una base de datos de reserva de billetes .
z PEGASSUS (94) : sistema de comprensin de lenguaje natural que acta de z Mquinas Lisp: uno de las grandes trampas de la construccin de hardware, en la
que cayeron fabricantes como Texas, Xerox, Apple, etc
11:01
20
Sistemas Inteligentes
z Los desarrollos producidos en la Inteligencia Artificial en todos estos aos pueden dividirse, grosso modo, en tres categoras:
y Sistemas basados en conocimiento: xSistemas expertos, sistemas basados en reglas y sistemas basados en marcos y objetos. y Sistemas de Inteligencia computacional: xRedes neuronales, algoritmos genticos. y Sistemas hbridos: xSistemas basados en lgica borrosa.
z Las dos ltimas categoras constituyen lo que se ha dado en llamar computacin soft.
11:01
21
Sistemas Basados en Conocimiento
11:01
22
Sistemas expertos
z De los sistemas basados en conocimiento, los que ms desarrollo han tenido son los sistemas expertos.
y El conocimiento se expresar en forma de reglas, de objetos, de marcos semnticos, etc. y El motor de inferencias puede usarse para: xDeduccin: dados una serie de hechos deducir una consecuencia. xAbduccin: dada una consecuencia, deducir los hechos de los que se puede derivar (diagnosis, ...) xInduccin: inferir reglas de una serie de hechos. y Deduccin: causa + regla efecto y Abduccin: efecto + regla causa y Induccin: causa + efecto regla
11:01
23
Razonamiento basado en casos (CBR)

z El fundamento es buscar un problema parecido ya resuelto y adaptar su solucin al problema actual. Si funciona, el nuevo problema se aade a la base de casos.
11:01
24
Razonamiento con incertidumbre

z Los seres humanos nos movemos bastante bien en entornos no demasiado definidos : informacin incompleta, presencia de ruidos, dudas sobre algunos hechos, reglas no muy bien definidas, ... z Los sistemas expertos no manejan muy bien estas situaciones. z Hay dos grandes enfoques a la incertidumbre:
y Probabilstico: extensiones de la teora de la probabilidad, probabilidad condicional, etc. xRedes Bayesianas, sistemas de creencias, Dempter-Schafer.. y Posibilstico: sistemas posibilidad/necesidad, lgica borrosa
11:01
25
Software de sistemas inteligentes
11:01
26
Algunas pginas web:
11:01
27
Clips: herramienta para construir sistemas expertos.
11:01
28
11:01
29
Computadores vs. cerebros

Caracterstica
a.- Procesador
Cerebro
Simple Baja velocidad (m s ) Muchos Integrada en el procesador Distribuida Direccionable por contenido Distribuida Altamente Paralela Auto-aprendizaje Muy robusto Muy bueno en problemas de percepcin No restringido. Poco definido
Computador
Complejo A l t a v e l o c i d a d ( s) Unos pocos (1 o ms) Separada del procesador Localizada Normalmente no direccionable por contenido Centralizada Secuencial/muy poco paralela Programa almacenado Muy vulnerable Muy bueno en problemas de manipulacin numrica/simblica Bien restringido Bien definido
b.- Memoria
c.-Computacin
d.- Tolerancia a fallos e.- Habilidades f.- Entorno de operacin
11:01
30
Redes neuronales Artificiales

z Los esfuerzos para desarrollar programas inteligentes basados en arquitecturas Von Neumann no han obtenido resultados significativos. z Las RNA son sistemas de computacin masivamente paralelos (al menos conceptualmente), que constan de un nmero elevado de procesadores muy simples (neuronas) interconectados. z Las RNA intentan usar algunos de los principios de organizacin que se cree estn presentes en los cerebros biolgicos. z La base est en el modelado de la neurona biolgica usando una generalizacin de la neurona de McCulloch-Pitts (1943)
11:01
31
Ejemplo de neurona artificial:

z Modelo de neurona artificial (McCulloch-Pitts):
x0 = 1 x1
. .
w0 w1 wn y
y ' = 1 si w i x i 0
i =0 n
y ' = 0 si wi x i < 0
i =0
xn
11:01
32
Ejemplo de Red Neuronal Artificial

x
.........
11:01
33
Aprendizaje en RNA
z Aprendizaje en una RNA se define como el proceso de actualizar los pesos (y eventualmente la arquitectura) de forma que la red pueda llevar a cabo de forma efectiva una tarea determinada. z Normalmente, la modificacin se restringe al valor de los pesos, dado que la relacin topologa-prestaciones no est muy clara.
y Paradigma de aprendizaje: informacin disponible para la red (modelo del entorno de operacin) y Regla de aprendizaje:Principios que gobiernan el aprendizaje y Algoritmo de aprendizaje: procedimiento numrico de ajuste de los pesos.
11:01
34
Campos de aplicacin de las RNA

z Clasificacin de patrones
xAsignar a cada patrn de entrada (vectores en un espacio de caractersticas) una etiqueta de clase. Ejemplos: reconocimiento de habla, de caracteres, clasificacin de ECG, EEG, clulas , etc
z Agrupamiento, categorizacin
xExplorar las posibles similitudes entre los patrones de entrada y crear las correspondientes agrupaciones. Ejemplo: compresin de datos, anlisis exploratorio de datos, minera de datos.
z Aproximacin funcional z Prediccin

xDadas n muestras y i, de una serie temporal, predecir la siguiente (o siguientes)
z Optimizacin z Memorias asociativas,

11:01 L.A.R,CETSI, Mayo 2005 35
http://neuralnetworks.ai-depot.com/
11:01
36
Redes neuronales en Matlab
11:01
37
Simulador de Redes Neuronales de Stutgart(SNNS)
11:01
38
Fundamentos de Lgica Borrosa

z Su fundamento es el lenguaje natural, donde los razonamientos aproximados con sentencias imprecisas son habituales:
y y y y A1: Normalmente. los coches antiguos son difciles de encontrar. A2 : Lo difcil de encontrar suele ser caro C1: Normalmente, los coches antiguos son caros El silogismo anterior emplea predicados borrosos (antiguo, difcil de encontrar, caro) y un cuantificador borroso (normalmente)
z La teora de conjuntos borroso, base de esta Lgica, se debe a Zadeh (1965) z Si a cada elemento del Universo del Discurso se le asigna un grado de pertenencia a un conjunto, a(x) , valor real entre 0 y 1, tendremos definido un conjunto borroso.
11:01
39
Ejemplo de un conjunto borroso

Sea el Universo de las edades U={5,10,20,30,40,50,60,70,80} Sean cuatro conjuntos borrosos: bebs, jvenes, adultos, viejos
Los grados de pertenencia pueden ser:
Elementos 5 10 20 30 40 50 60 70 80 bebs 0 0 0 0 0 0 0 0 0 jvenes 1 1 0.8 0.5 0.2 0.1 0 0 0 adultos 0 0 0.8 1 1 1 1 1 1 viejos 0 0 0.1 0.2 0.4 0.6 0.8 1 1
11:01
40
Ejemplo
z La notacin matemtica es:
A = {x | A(x) } si A(x) es distinto de 0 (x se llama singleton)
Ejemplo: bebs = {} jvenes = {5 | 1, 10 | 1, 20 | 0.8, 30 | 0.5 , 40 | 0.2 , 50 | 0.1 } adultos = {20 | 0.8 , 30 | 1, 40 | 1, 50 | 1, 60 | 1, 70 | 1, 80 | 1} viejos = {20 | 0.1, 30 | 0.2, 40 | 0.4, 50 | 0.6, 60 | 0.8, 70 | 1, 80 | 1 }
z El conjunto bebs es un conjunto borroso vaco, dentro del Universo de edades elegido. z Sobre los conjuntos borrosos as definidos, se puede re-edificar la teora de conjuntos, estableciendo las operaciones de Unin, Interseccin, Negacin, Producto Cartesiano, Relaciones borrosas, etc.
11:01
41
Lgica Borrosa vs. Convencional

z En la lgica clsica, una proposicin puede tomar los valores 0 o 1. En la lgica borrosa, los valores semnticos son conjuntos borrosos dentro del intervalo [0,1], con lo cual cada proposicin tiene grados de pertenencia a los llamados valores de verdad linguisticos. Ejemplo: muy cierto, cierto, falso, muy falso, etc. z En Lgica Borrosa, los predicados pueden ser concretos, como en la convencional, o borrosos (Ejemplo: barato, joven, alto, ...). z La lgica clsica solamente admite dos cuantificadores : el Universal (para todo) y el existencial (existe al menos). En Lgica Borrosa se admiten, adems, cuantificadores borrosos como muchos, pocos, que pueden considerarse como nmeros borrosos o predicados de segundo orden.
11:01
42
Inferencias Borrosas
z Las reglas de inferencia borrosa son extensiones de las reglas de inferencia de la lgica tradicional. z Modus Ponens Generalizado:
A(x) -->B(z) A(x) ----------------B(z) A(x) --> B(z) B(z) -----------------A(x) Si la temperatura es baja sube la calefaccin La temperatura es baja ---------- Sube la calefaccin
z Modus Tollens Generalizado:

Si la temperatura es baja sube la calefaccin No sube la calefaccin ---------La temperatura no es baja
11:01
43
Sistemas Borrosos
z Un sistema (de control, de informacin, etc) es borroso cuando su funcionamiento se basa, al menos parcialmente en la lgica borrosa o en los conjuntos borrosos. z Los problemas de anlisis de sistemas (o toma de decisiones) ms importantes son:
Control de procesos. Procesamiento de seal. Diagnstico. Procesamiento de imagen. Procesamiento de lenguaje natural. Investigacin Operativa.
11:01
44
Ejemplos de sistemas borrosos.

Industriales:
Control de horno de cemento (Dinamarca) Control de horno de fundicin (NKK Fukoyama) Operacin automtica del metro (Sundai, Japn) Acondicionador de aire domstico (Mitsubishi) Lavadora (Viessmann, Fagor) Cmara autofoco (Sanyo) Fotocopiadora (Sanyo) Reconocedor de habla (NTT, Japn) Sistema experto en medicina (Univ. California) Control de robot autnomo (SRF, USA)
De laboratorio:

11:01
45
http://www.ortech-engr.com/fuzzy/reservoir.html
11:01
46
www.ing.unal.edu.co/~ogduarte/softwareDetallado.htm
11:01
47
Computacin Evolutiva
z La inteligencia y la evolucin son conceptos estrechamente relacionados en el mundo biolgico. z A pesar de ello, no existe una definicin de inteligencia aceptada de forma universal. Menos an si le aadimos adjetivos (artificial) z Una posible definicin, ms o menos consensuada, (Fogel, 95)es:
Inteligencia es la capacidad de un sistema de adaptar su comportamiento para obtener sus objetivos dentro de un rango amplio de entornos. En esta definicin no se habla de implementaciones de uno u otro tipo. La funcionalidad es la misma tanto si se habla de individuos, especies, grupos sociales, etc.
z Si modelamos el proceso evolutivo, podremos crear entidades capaces de generar comportamiento inteligente: computacin evolutiva.
11:01
48
Evolucin
z El proceso de evolucin puede considerarse formado por cuatro procesos esenciales:
reproduccin: mutacin: los errores en la transcripcin de informacin son inevitables. competencia: derivada de la naturaleza finita de los recursos. seleccin, resultado de la competencia.
z Parece lgico concluir que si una mquina puede simular el proceso evolutivo, esa mquina se puede calificar de inteligente, en el sentido de Fogel. z La teora clsica de la evolucin de Darwin-Wallace (1858), combinada con la gentica de Mendel y el seleccionismo de Weismann constituye lo que se llama el paradigma neo-darwinista:
La evolucin de la gran mayora de las especies vivas se puede explicar por unos pocos procesos estadsticos que actan sobre poblaciones y especies, generacin tras generacin.
11:01
49
Aplicaciones de Algoritmos Genticos

Optimizacin numrica: es la ms tradicional Procesamiento de imgenes: para correspondencia, generacin de retratos robot, etc Optimizacin combinatoria: problema del viajante, problemas de empaquetado ( bin packing), asignacin de recursos (mquinas, aulas, personas, etc) entre diferentes tareas, etc Ayuda al diseo: de redes neuronales, puentes, circuitos de comunicacin, etc Aprendizaje automtico: extraccin de reglas de produccin (if then) en situaciones particulares (juegos, modelado poltico y econmico, etc) Control: ajuste de parmetros en sistemas de gran dimensin, ext raccin de reglas de control, etc
11:01
50
Algunas notas biogrficas

q John Mc Carthy (1927- ): Matemtico, creador del tiempo compartido y de Lisp cuando trabajaba en el MIT. Actualmente es profesor emrito en Stanford. q Marvin Minsky(1927- ) : Matemtico, pas toda sus vida profesional en el MIT, donde contina. Autor de MACSYMA, del concepto de marco, de contribuciones esenciales en visin artificial, etc. q Allen Newell (1927-92) : Fsico y matemtico, trabaj en Princeton, luego en RAND y finaliz su carrera en la CMU. Su principal contribucin ha sido la formalizacin del razonamiento. q Herbert Simon (1917- ): Doctor en Ciencias Polticas, fue migrando hacia la computacin debido a su estrecha colaboracin con Newell. q Turing (1912-54): Doctor en matemticas por Cambridge, es uno de los padres de las Ciencias de la Computacin.
11:01
51
Algo de bibliografa
z Russell, Norvig.- Inteligencia Artificial, Un Enfoque Moderno.Prentice Hall, 97 z Bender.- Mathematical Methods in Artificial Intelligence.- IEEE Press, 96 z Haykin: Neural Networks, IEEE Press, 1994 z Nillson.- Principios de Inteligencia Artificial.- Diaz de Santos, 94 z Aranda, et al.- Fundamentos de Lgica Matemtica. Sanz y Torres 99 z Hopgood .- Intelligent Systems for Engineers and Scientists.- CRC Press, 2001
11:01
52
http://www.aaai.org/AITopics/aitopics.html
11:01
53
Agentes y multiagentes
z El Agente recibe entradas del entorno y ejecuta acciones para intentar cumplir los objetivos. z Un Agente es un sistema informtico que acta dentro de un entorno de forma autnoma y flexible para cumplir sus objetivos.
Percepciones
Sensores
Entorno Agente
Acciones Actuadores
11:01
54
Propiedades de los agentes

z Woldridge (1995) establece las siguientes propiedades para los agentes:
y Autonoma : capacidad de actuar sin intervencin humana directa, o de otros agentes. y Sociabilidad: capacidad de interaccionar con otros agentes a travs de algn lenguaje (protocolo) de comunicacin. y Reactividad: capacidad de reaccionar ante determinadas percepciones en un tiempo establecido. y Iniciativa: capacidad de actuar de forma espontnea en determinadas condiciones de no cumplimiento de objetivos.
11:01
55
Agentes en docencia
z Los agentes pueden implementarse con cualquiera de las tcnicas especificadas antes: Inteligencia artificial clsica, soft, etc. z El agente estar vigilando el uso de la red por el estudiante y en funcin de determinados criterios puede actuar modificando algunos de los parmetros: aumentando la velocidad, saltando pginas, modificando el orden, etc.
Sistema de docencia en red Agente
Alumno
11:01
56
Un agente como robot
11:01
57
La navaja de Occam
z En cualquier caso, el principio bsico en aplicaciones de Inteligencia Artificial debera inspirarse en La navaja de Occam (Occam's razor, William of Occam, 1320):
y Elegir siempre la hiptesis ms simple que resuelva el problema.
z Hay varias soluciones bastante probadas, que se presentan en las siguientes transparencias (debidas al profesor Daniel Borrajo, de la Universidad Carlos III, Madrid)
11:01
58
Problema de minera de datos.
11:01
59
Solucin por rboles de decisin
11:01
60
Solucin por sistema de reglas
11:01
61
Solucion por Redes Neuronales
11:01
62
Razonamiento basado en casos (CBR)
11:01
63
Sistemas adaptables
11:01
64

Inteligencia Artificial

Загружено:

Сведения о документе

Авторское право

Доступные форматы

Поделиться этим документом

Поделиться или встроить документ

Параметры публикации

Этот документ был вам полезен?

Это неприемлемый материал?

Авторское право:

Доступные форматы

Inteligencia Artificial

Загружено:

Авторское право:

Доступные форматы

Introduccin a la Inteligencia Artificial

z Algunas notas biogrficas.

L.A.R,CETSI, Mayo 2005

Algunas citas previas

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Sistemas que Piensan como

Sistemas que Actan como

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

z Sicologa z Ingeniera informtica z Lingstica computacional (Skinner, Chomsky)

L.A.R,CETSI, Mayo 2005

Algunos objetivos de la I.A.

L.A.R,CETSI, Mayo 2005

Historia de la I.A (1)

L.A.R,CETSI, Mayo 2005

Historia de la I.A (2)

xAparecen los primeros trabajos sobre Lgica Borrosa (Zadeh 65)

L.A.R,CETSI, Mayo 2005

Bsqueda en espacio de estados

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Conclusiones de la etapa clsica

L.A.R,CETSI, Mayo 2005

Historia de la I.A (3)

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Historia de la I.A (4)

L.A.R,CETSI, Mayo 2005

Historia de la I.A (5)

L.A.R,CETSI, Mayo 2005

Historia de la I.A (5)

L.A.R,CETSI, Mayo 2005

Algunos logros y fracasos

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Sistemas Basados en Conocimiento

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Razonamiento basado en casos (CBR)

L.A.R,CETSI, Mayo 2005

Razonamiento con incertidumbre

L.A.R,CETSI, Mayo 2005

Software de sistemas inteligentes

L.A.R,CETSI, Mayo 2005

Algunas pginas web:

L.A.R,CETSI, Mayo 2005

Clips: herramienta para construir sistemas expertos.

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Computadores vs. cerebros

d.- Tolerancia a fallos e.- Habilidades f.- Entorno de operacin

L.A.R,CETSI, Mayo 2005

Redes neuronales Artificiales

L.A.R,CETSI, Mayo 2005

Ejemplo de neurona artificial:

L.A.R,CETSI, Mayo 2005

Ejemplo de Red Neuronal Artificial

L.A.R,CETSI, Mayo 2005

L.A.R,CETSI, Mayo 2005

Campos de aplicacin de las RNA

z Aproximacin funcional z Prediccin

z Optimizacin z Memorias asociativas,