Вы находитесь на странице: 1из 36

UNIVERSIDAD PRIVADA TELESUP

UNIVERSIDAD PRIVADA TELESUP

Introduccin

a) Presentacin y contextualizacin
El aprendizaje y el conocimiento son conceptos importantes para la comprensin de
la inteligencia artificial as como en la implementacin de sistemas expertos. En la
presente unidad se proporcionaran los fundamentos bsicos sobre los procesos de
aprendizaje y su conexin con la inteligencia artificial.

b) Competencia
Disea e Implementa sistemas expertos sencillos aplicados a diversas
situaciones problemticas.

c) Capacidades
1. Comprende la complejidad de la inteligencia artificial y la relacin con los
procesos del comportamiento humano.
2. Identifica las distintas caractersticas de los sistemas operativos y sistemas
inteligentes, adems de conocer la evolucin histrica de la inteligencia
artificial.
3. Reconoce los procesos relacionados con el aprendizaje y la adquisicin de
conocimientos de la I.A.
4. Identifica los aspectos metodolgicos de la inteligencia artificial y su
importancia en la programacin.

d) Actitudes
Toma una actitud positiva frente a la inteligencia artificial indagando ms en el
tema.
Practica de manera profesional el uso de la inteligencia artificial y respeta las
ideas de otras personas sobre esta.

e) Presentacin de Ideas bsicas y contenido esenciales de la Unidad:


La Unidad de Aprendizaje 01: Aprendizaje e Inteligencia Artificial, comprende el
desarrollo de los siguientes temas:

TEMA 01: Qu es la inteligencia artificial?


TEMA 02: Perspectiva histrica de la inteligencia artificial.
TEMA 03: Conocimiento y aprendizaje de la I.A.
TEMA 04: Aspectos metodolgicos de la inteligencia artificial.

UNIVERSIDAD PRIVADA TELESUP

Qu
es la

TEMA 1

Inteligencia
Artificial?
Competencia:
Comprender la complejidad de la inteligencia
artificial y la relacin con los procesos del
comportamiento humano.

UNIVERSIDAD PRIVADA TELESUP

Desarrollo de los Temas

Tema 01: Qu es la Inteligencia Artificial?


CONCEPTO DE INTELIGENCIA ARTIFICIAL
El propsito de la inteligencia artificial es hacer computacional
el conocimiento humano no analtico por procedimientos
simblicos, conexionistas o hbridos. Para el conocimiento
analtico existen otras ramas de la computacin que estudian
los mtodos y tcnicas adecuadas para su representacin
formal y posterior desarrollo de los programas de ordenador correspondientes.

Para conseguir una visin razonablemente amplia del contenido de la inteligencia


artificial usaremos criterios extensionales (proporcionando una relacin lo ms
completa posible de los temas que estudia la inteligencia artificial), junto a otros
criterios intensionales (que establecen las reglas de clasificacin), de forma que al
enfrentarnos con un problema computacional (o con un mtodo de solucin) especfico
podamos concluir si pertenece o no al campo de la inteligencia artificial en funcin.

As, en la inteligencia artificial existen dos perspectivas bsicas:


a) La inteligencia artificial como ciencia de lo natural o anlisis
El procedimiento terico busca una explicacin de
esa correlacin en trminos de un conjunto de
leyes generales de un nivel superior que permiten
predecir lo que ocurrira en otros casos no
observados.
Realmente lo que hace es buscar un modelo del
conocimiento humano, generalmente organizado
en varios niveles (esttico, dinmico y estratgico)
para poder usarlo en prediccin. Esta tcnica se basa en experimentos para
conseguir una teora del conocimiento computable con capacidad predictiva
(como una ley fsica).

UNIVERSIDAD PRIVADA TELESUP

b) Inteligencia artificial como ciencia de lo artificial o ingeniera de


sntesis
Aspira a convertirse en una ingeniera en sentido estricto. Ahora se parte de un
conjunto de especificaciones funcionales y se busca la sntesis de un sistema
(programa ms mquina) que las satisfaga.
A su vez en ambas ramas cooperan dos paradigmas, que constituyen dos formas
de analizar un proceso y dos metodologas de sntesis de una solucin:
o

Computacin simblica, de grano grueso y programable.

Computacin conexionista, de grano pequeo y autoprogramable por


aprendizaje.

En inteligencia artificial trabajamos con informacin y


conocimiento, y ambos son pura forma, totalmente
independiente del sistema fsico que las soporta. El
resultado es un programa de ordenador sobre una
mquina especfica desarrollado a partir de un modelo del conocimiento que
supuestamente usa el operador humano que realiza esa tarea.

Las tareas que aborda la inteligencia artificial de sntesis son tareas de alto nivel, y
pueden clasificarse en tres grandes grupos ordenados en grado de dificultad creciente:
1) Dominios formales.- Las tareas toman la forma genrica de solucionadores de
problemas mediante bsquedas en un espacio de estados de conocimiento y
pueden ser juegos o problemas lgico-matemticos. Son tareas precisas en el
conocimiento, con pocos elementos y su comportamiento se puede describir de
forma completa e inequvoca. Son micromundos formales. Este apartado forma
parte de la etapa inicial de la inteligencia artificial y aport los procedimientos de
bsqueda como tarea genrica.
2) Dominios tcnicos.- Tienen que ver con el diagnstico mdico, la deteccin de
fallos, la planificacin de trayectorias de robots, etc. Aqu. La tarea a sintetizar
admite una representacin dentro de una jerarqua de tareas genricas de
anlisis, de modificacin o de sntesis que son vlidas en muchas aplicaciones
con slo modificar la parte del conocimiento que hace referencia a entidades
especficas del dominio de la aplicacin.

UNIVERSIDAD PRIVADA TELESUP

La caracterstica de estas tareas es el carcter limitado del conocimiento que manejan


(dominios estrechos) y la posibilidad de formalizar ese conocimiento con las tcnicas
disponibles. Ha dado lugar a la Ingeniera del conocimiento y busca procedimientos de
sntesis de sistemas con las siguientes facetas:

a) Se parte de la descripcin de la tarea a nivel de conocimiento (Allen Newell).


Para ello es necesario realizar un proceso de obtencin de ese conocimiento a
partir del experto humano que lo posee.

b) Se busca una representacin de ese conocimiento separndolo de los


mecanismos de aplicacin del mismo (inferencia) de forma que pueda
acumularse por procedimientos incrementales (donde no es deseable una
separacin total).

c) Se seleccionan las tcnicas adecuadas para su


implementacin

y se

desarrolla

un

primer

prototipo.

d) Se hace nfasis en el carcter de ingeniera


buscando

procedimientos

(explcitos,

reproducibles y parcialmente independientes del


dominio)

sistemticos

de

implementacin,

evaluacin y refinamiento de esos prototipos se


usan lenguajes y entornos de programacin que facilitan el desarrollo rpido y
eficiente de aplicaciones.

e) Funciones bsicas y genuinas del comportamiento humano.- Realmente es


lo que hacemos a todas horas sin darnos cuenta; ver, or, caminar, pensar,
hablar, etc. Por su importancia se le va a dedicar el siguiente apartado.

Idea intuitiva del comportamiento artificial


El concepto de inteligencia est sacado de la psicologa cognoscitiva y pertenece a
una familia ms amplia de construcciones tericas para ayudar en la descripcin del
comportamiento observable de sistemas complejos en interaccin con su
medio. Hablar de la inteligencia artificial en ese sentido supone
querer comprender y duplicar las funciones del comportamiento
humano.

10

UNIVERSIDAD PRIVADA TELESUP

Algunas de sus caractersticas son:


a) Su aparente simplicidad en el ser humano.
b) Lo complejo que son los procesos cognoscitivos elementales a la hora de
sintetizarlos.
c) El uso masivo de conocimientos, suponiendo que los mecanismos de inferencia
por

encadenamiento de reglas son insuficientes para modelar tareas

cognoscitivas (hace falta un lenguaje de representacin con la capacidad y


robustez del lenguaje natural).
d) El estilo peculiar de computacin que usa el ser vivo. Toda computacin artificial
es extensional, por el contrario hay evidencias sobre el carcter intencional (por
propiedades) e intencional (por propsitos) de la computacin biolgica, donde la
inferencia es inmediata (refleja).
e) El reconocimiento (segn Maturana y Varela) de que todo conocer depende de la
estructura que conoce (lo cognoscitivo es propio de lo vivo).
f) La hiptesis fuerte de la IA es hacer computacional este conocimiento propio de
lo vivo (reducir los procesos cognoscitivos a un nivel simblico).

En un diagrama funcional de un agente inteligente, el agente interacciona con su


medio a travs de un conjunto de sensores. Posteriormente se realiza un
procesamiento multisensorial de alta semntica con referencia a contenidos de
memoria a la que se llama percepcin. El objetivo de ambos procesos es identificar al
medio de acuerdo con un modelo de representacin interna que permite comprender
el significado de imgenes y palabras. El agente realiza tambin tareas motoras que
inciden en el medio, suelen ser acciones de semntica baja o media. El grado de
semntica de una seal es proporcional a la capacidad operacional del smbolo que
transporta.

Entre estas dos familias de tareas (perceptuales y motoras) existe un conjunto


intermedio de tareas de decisin que trabajan entre espacios de representacin, sin
conexin directa con el medio. Incluyen los procesos cognoscitivos asociados al
pensamiento y al lenguaje. Para la realizacin de estas tareas el agente posee un
modelo del medio y un conjunto de propsitos y para alcanzar sus metas usa el
principio de racionalidad.

11

UNIVERSIDAD PRIVADA TELESUP

El principio de racionalidad no es operacional, es decir, nos dice qu hacer pero no


cmo hacerlo. Cada vez que se encuentra un procedimiento efectivo para identificar,
capturar y representar de forma computable el conocimiento necesario para la sntesis
no trivial de esas tareas de percepcin, decisin o planificacin motoras tenemos un
sistema de IA. El problema de la IA aplicada es pasar del nivel de especificaciones al
nivel de componentes. Toda la computacin termina en el nivel fsico de la electrnica
digital. La clave de la Inteligencia Artificial es conseguir programas traductores
intermedios que conecten las primitivas de bajo nivel con las del lenguaje de
representacin cada vez ms prximo al lenguaje natural.

Los criterios intensionales (por propiedades) permiten distinguir las fronteras de la


Inteligencia Artificial con las otras ramas de la computacin. Tenemos un problema de
Inteligencia Artificial siempre que:

No exista una solucin analtica o algortmica conocida.

Cuando existiendo esa solucin, la explosin combinatoria la haga ineficiente.

Cuando el conocimiento necesario es masivo, incompleto, complejo y difcil de


representar.

Cuando es necesario el aprendizaje y la inyeccin de conocimiento del dominio.

Siempre que abordemos tareas cognoscitivas que usen conocimiento de sentido


comn.

Y tendremos una solucin de problemas propia de la inteligencia


artificial cuando:
Utiliza una estructura de tareas genricas que permite capturar los aspectos
generales del problema y de sus procedimientos de solucin de forma que las
situaciones individuales se tratan por los mtodos asociados a las clases a las
que pertenecen.
Usa heursticas que intentan capturar el
conocimiento accesible (incompleto e
impreciso) del dominio.
Separa el conocimiento de su uso en
inferencia y hace nfasis en el primero.
Permite

manejar

el

razonamiento

impreciso y temporal.

12

UNIVERSIDAD PRIVADA TELESUP

Incluye algn tipo de aprendizaje: simblico o conexionista. Sin aprendizaje no


hay inteligencia artificial.
Para entender el paso de la computacin analtico-algortmica a la inteligencia
artificial es preciso dar un salto desde el conocimiento que es necesario inyectar
desde el exterior del sistema para entender el proceso (pasar del nivel bajo al
nivel alto).

En el proceso de bajo nivel se pueden describir tres pasos. En el procesado de bajo


nivel prcticamente todo la informacin est en la imagen (para el reconocimiento de
imgenes, por ejemplo). El segundo paso es el preproceso que extrae caractersticas
locales

integrales

de

naturaleza

analtica

que

no

exigen

conocimiento

complementario para ser entendidos por un observador (descripcin complementaria).


La etapa final del procesado de bajo nivel es el reconocimiento de formas basado en la
definicin analtica de distancia entre el valor que toman las propiedades usadas para
describir la imagen y los valores correspondientes a esas variables en un conjunto de
patrones.

En el procesado de alto nivel (percepcin), nos hace falta recurrir a la inyeccin de


conocimiento externo del dominio para dar significado a las estructuras de datos y a
los procesos (porque su sentido slo quede claro para quien posee ese conocimiento y
en ningn caso es evidente a partir de las entidades del nivel
simblico o del nivel fsico en el caso del conexionismo). Ese
segundo nivel, de comprensin de imgenes, es responsabilidad
de la inteligencia artificial.
Conocemos ya algo sobre los lmites de la inteligencia artificial
por debajo (en su frontera con la analtica y la computacin
numrica). Veamos ahora su frontera con lo humano. Esos
lmites pueden encontrarse, al menos, en los siguientes
puntos:
a) Desconocimiento del operador humano.
b) Falta de teora (principios organizacionales y estructuras).
c) Diferencias fundamentales entre el nivel fsico de la computacin (cristales
semiconductores) y el propio de los seres vivos (tejidos biolgicos).

13

UNIVERSIDAD PRIVADA TELESUP

No se puede afirmar que la mente es reducible a computacin si no se conoce cmo


funcionan las neuronas biolgicas, ni cmo est organizado el cerebro. La metfora
computacional supone que todos los procesos pueden moldearse mediante dos
espacios de representacin (el de entradas y el de salidas), y un conjunto de reglas de
transformacin que proyectan configuraciones del espacio de entradas en las
configuraciones correspondientes del espacio de salidas.

Por otro lado, la inteligencia artificial de sntesis no tiene por qu depender de la


comprensin de lo vivo. Es decir, una forma alternativa y eficiente de extender los
lmites de la inteligencia artificial es desarrollarla como ciencia y tecnologa de lo
artificial, sin referencia directa con la biologa. Entonces deben resolverse, al menos,
las siguientes cuestiones:
1) Modelado y representacin de tipos de inferencia y de entidades y relaciones
propias del dominio usando lenguajes ms prximos al lenguaje natural (con su
robustez, flexibilidad y capacidad representacional).
2) Bsqueda de nuevos principios de auto organizacin capaces de generar
estructuras simblicas robustas y de amplio uso a partir de entradas de
informacin ms desorganizadas y fragmentadas.
3) Desarrollo de nuevos lenguajes de programacin, tan funcionales como los
actuales y, adems, que permitan un cierto nivel de auto programacin y ayuda a
la edicin de conocimiento.

14

UNIVERSIDAD PRIVADA TELESUP

Perspectiva
TEMA 2
Histrica
de la Inteligencia
Artificial
Competencia:
Identificar las distintas caractersticas de los
sistemas operativos y sistemas inteligentes,
adems de conocer la evolucin histrica de la
inteligencia artificial.

15

UNIVERSIDAD PRIVADA TELESUP

Tema 02: Perspectiva Histrica de la


Inteligencia Artificial
ETAPA NEUROCIBERNTICA
La Inteligencia Artificial comenz a ser computacional cuando
Warren S. McCulloch y Walter Pitts introducen el primer modelo
formal, formado por una funcin lgica seguida de un retardo y
donde se sustituye la programacin por el aprendizaje. Una red
de neuronas formales es equivalente a una mquina de Turing de cinta finita. Si la red
es programable, entonces es equivalente a una mquina universal.

Las ideas bsicas de esta poca se basan en considerar que los seres vivos y las
mquinas pueden ser comprendidos usando los mismos principios de organizacin y
las mismas herramientas formales. La aproximacin entre ambos debe realizarse a
nivel de procesador, de forma que para estudiar como computa el cerebro, hay que
estudiar las neuronas biolgicas, modelarlas formalmente, construir redes y ver como
surge el comportamiento a partir de procesos locales de autoorganizacin, memoria
asociativa y aprendizaje. Tres trabajos fundacionales del movimiento son:

En conducta, propsito y teleologa (de Rosemblueth, Wiener y Bigelow) se


introducen

tres

conceptos

importantes

en

inteligencia

artificial:

la

realimentacin como principio organizacional, la computacin por propsitos y


la idea de informacin como pura forma, separable de la seal fsica que la
transporta.

En un clculo lgico de las ideas inmanentes en la


actividad nerviosa (de Warren S. McCulloch y Walter
Pitts), sobre redes neuronales formales, se inicia la
Teora Neuronal Del Conocimiento; se buscan las
redes de procesadores capaces de reconocer, recordar,
cooperar, aprender o autoorganizarse.

16

UNIVERSIDAD PRIVADA TELESUP

En esta primera etapa de la inteligencia artificial se busca la solucin de los problemas


a nivel fsico (donde estructura y funcin coinciden). Se inicia la teora modular de
autmatas y se usa la lgica (determinista y probabilstica) para representar el
conocimiento.

En la naturaleza de la explicacin (de K. Craik) se interpreta la actividad del


sistema nervioso en trminos de un conjunto de procesos encaminados a
construir una representacin interna del medio (modelo) y usarla para predecir.
Craik contribuy a la moderna inteligencia artificial con dos aportaciones clave:
razonamiento abductivo y espacios de representacin.

La inferencia en inteligencia artificial est asociada al uso individual o combinado de


tres tipos de razonamiento:
1.

La deduccin lgica: Se parte de un conjunto de frmulas (axiomas o validez


general) y sobre ellas se aplican un conjunto de reglas o procedimientos de
demostracin que nos permiten obtener nuevas frmulas vlidas. Permite
pasar de lo general a lo particular con certeza del resultado obtenido. Su punto
dbil es la necesidad de conocer con precisin el conjunto de axiomas que
define el dominio.

2.

La inferencia inductiva: Usa pistas (heursticas) con el conocimiento del


dominio para pasar de lo particular a lo general. Nunca podemos garantizar la
completitud y certeza de la inferencia en este caso.

3.

En el razonamiento abductivo: Trata situaciones en las que se conoce una


relacin causa efecto y un suceso, y, se debe lanzar una hiptesis sobre su
causa ms probable. (como en los diagnsticos mdicos).

Segn Craik: Nuestra pregunta no es qu es implicacin o


causalidad, sino cul es la estructura y los procesos necesarios
para

que

un

sistema

mecnico

sea

capaz de

imitarlos

correctamente y predecir sucesos del mundo externo, a la vez que


crear nuevas entidades. El segundo punto de la obra de Craik es
la propuesta de un mecanismo de razonamiento por analoga en el
modelo del medio donde la implicacin formal es el equivalente a la causalidad en el
mundo fsico. Distingua Craik tres procesos:

17

UNIVERSIDAD PRIVADA TELESUP

a) Traslacin de los procesos externos a smbolos en un espacio de representacin.


b) Obtencin de otros smbolos mediante inferencia en el modelo del medio que
paraleliza la causalidad externa.
c) Retraslacin de esos smbolos transformados al dominio de sus referentes
externos (prediccin).

La caracterstica fundamental de un Sistema Basado en el Conocimiento (SBC) es


su poder para modelar sucesos basados en dos tipos de smbolos: nmeros y
palabras. La propuesta de Craik es que la codificacin de estos smbolos no es
arbitraria, sino que mantiene su identidad desde la entrada sensorial a la salida
motora. La Inteligencia Artificial en su primera etapa neurociberntica aborda los
siguientes temas:

Redes de neuronas formales.

Algoritmos de anlisis y sntesis.

Aprendizaje por ajuste de parmetros.

Tolerancia a fallos.

Modelos de memoria asociativa.

Reconocimiento de caracteres.

Aprendizaje asociativo y por refuerzo.

Desarrollos en Teora Modular de Autmatas.

Codificacin y Teora de la Informacin.

Principios Organizacionales:

Autoprogramacin.

Autorreproduccin.

Programas programadores.

Traduccin automtica.

Comprensin del lenguaje natural.

COMPUTACIN: DE PLATN A TURING


Dreyfus sugiere que la inteligencia artificial comenz alrededor del ao 450 a. C.
cuando, de acuerdo con Platn, Scrates pregunta a Euthyphro por un conjunto de
reglas de decisin definidas de forma tan precisa que en cada momento pudiramos
calcular la respuesta del sistema aplicando esas reglas a la entrada.

18

UNIVERSIDAD PRIVADA TELESUP

Hobbes (1588-1679) afirma que el pensamiento (razocinio) consiste en ejecutar


operaciones simblicas siguiendo de forma metdica un conjunto de reglas de
decisin.
Descartes (1566-1650) descubre el carcter invariante de la matemtica para
representar el conocimiento. Intenta formalizar el razonamiento usando tres procesos:
enumeracin, deduccin e intuicin, siendo este ltimo el ms difcil de mecanizar.
Leibniz (1646-1716) introduce el concepto de programa y de programacin.
Boole (1815-1860) introduce el modelo lgico haciendo nfasis en la separacin de
smbolos y nmeros y en la posibilidad de usar los primeros como objetos de clculo.
Un aspecto importante de los desarrollos en Inteligencia Artificial es el de intentar
mantener las ventajas del modelo lgico y disminuir los inconvenientes que supone su
carcter binario e invariante de sus valores. La lgica borrosa, la probabilstica y las
extensiones del razonamiento no montono y temporal son muestra de ello.

Con von Neumann se avanza en arquitectura de computadores, teora modular de


autmatas y redes neuronales y teora del cerebro. Su contribucin a la teora de
autmatas y a la inteligencia artificial conexionista no fue slo a nivel formal, sino que
plante cuestiones fundamentales como son:

Reformulando la mquina de Turing en trminos de autmatas celulares.

Autoprogramacin (autmatas que disean otros autmatas).

Autoreproduccin y evolucin (constructores universales que se reproducen).

Tolerancia a fallos y estabilidad lgica ante cambios de funcin local.

Finalmente, llegamos a Turing y sus dos contribuciones bsicas:


a)

Un Modelo Computacional Universal (la mquina de Turing)

b) Un Procedimiento Experimental de Medir la Inteligencia Artificial de un


Programa (test de Turing)

Allan Turing, establece la lgica y la computacin


electrnica, plantea la famosa mquina de Turing, la
cual es la base de la Teora de la Computacin
actual.

19

UNIVERSIDAD PRIVADA TELESUP

La Mquina de Turing es una mquina matemtica, todo proceso que se describe de


forma clara, completa, precisa e inequvoca en lenguaje natural puede representarse
mediante un autmata. A partir de esta representacin se puede encontrar una
secuencia de instrucciones que al operar sobre smbolos codificados genera un
programa ejecutable en cualquier computador. Desde este punto de vista todas las
arquitecturas son equivalentes, y sus diferencias son los factores de complejidad,
tamao, tiempo, eficacia o recursos.

El test de Turing parte de un operador humano, un programa de ordenador y un


interrogador que realiza un conjunto de preguntas, y compara las respuestas de
ambos. Si de la comparacin de las respuestas el observador no es capaz de
distinguir que informacin corresponde al operador humano y cual al programa de
Inteligencia Artificial, se dice que para esa tarea en ese dominio se supone el mismo
nivel de inteligencia a ambos operadores.

Bsicamente la prueba consiste en un desafo en el cual la mquina debe


hacerse pasar por humana en una conversacin con un hombre a travs de
una comunicacin de texto en modo chat.

20

UNIVERSIDAD PRIVADA TELESUP

Moov, modific el esquema en trminos de acumulacin de evidencia inductiva, a


partir de una serie de crticas, la ms fuerte es sobre el carcter conductista del test de
Turing. La contestacin adecuada a esta crtica es la de considerar el test ms que
una medida de inteligencia como un procedimiento de recoger y acumular evidencias
inductivas acerca de la eficacia del programa para resolver un problema.

Esta interpretacin inductiva elimina parcialmente la crtica de Searle


sobre la diferencia entre el conocimiento superficial (diccionario) y
el profundo. Este segundo caso supone que el agente debe
comprender el significado del mensaje a nivel semntico
generando otro mensaje en otro lenguaje, con el mismo significado,
sin referencia a la sintaxis del mensaje de partida.
El segundo tipo de crtica hace referencia a la falta de severidad del test. Imitar no es
muy complicado y la eficiencia en tareas formales y tcnicas para dominios estrechos
y modelables no justifica el carcter cognoscitivo (humano) de la computacin en
Inteligencia Artificial. Toda la informacin est estructurada, todo el proceso est
programado y hay poco lugar para el aprendizaje.

La capacidad de aprendizaje de un programa es la siguiente medida importante


para evaluar el nivel de Inteligencia Artificial.

BSQUEDA HEURSTICA Y DOMINIOS FORMALES


El primer trabajo fue el programa Logic Theorist que da origen a toda la rama del
razonamiento automtico que persiste en la inteligencia artificial, reforzado por el
principio de resolucin de Robinson y sus refinamientos posteriores, incluyendo la
creacin del lenguaje Prolog.
Comienza la preocupacin por lenguajes para procesar informacin ms orientada al
manejo de smbolos que al clculo numrico, inicindose el camino hacia el Lisp. Otro
trabajo representativo es el programa GPS (Solucionador General de Programas) con
un intento de dotarlo de capacidad de aprendizaje y auto organizacin; es un
programa que incorpora medios heursticos para resolver problemas seleccionando
una secuencia de operadores que haga disminuir la diferencia entre el estado inicial y
el estado meta hasta anularla.

21

UNIVERSIDAD PRIVADA TELESUP

Todos los trabajos de esta primera poca se centraron en problemas propios de


dominios formales, demostracin de teoremas, estrategias heursticas y problemas de
juegos, planificacin de acciones, etc. En todos
los casos la Inteligencia Artificial se entiende
como bsqueda en un espacio de estados sin
conocimiento del dominio, haciendo nfasis en
los

mtodos

de

control

de

la

bsqueda.

Actualmente se intenta recuperar las propuestas


iniciales del GPS, el propsito es separar los
aspectos estructurales comunes al procedimiento de solucin de una clase general de
problemas, del conocimiento especfico de una tarea particular.

A mediados de los sesenta aparecen cambios en la orientacin de la Inteligencia


Artificial dando cada vez ms importancia al conocimiento del dominio y por
consiguiente a los problemas asociados a su representacin y posterior uso en
inferencia, donde se separan conocimiento y uso del mismo. En
esta poca se inician los estudios del lenguaje natural,
limitando sus dominios, para conseguir un modelo completo
de las estructuras y procesos de ese dominio. Aparece la
llamada falacia del primer paso (Dreyfus) ya que aunque
se supona que todos los programas eran un primer paso
para la comprensin del lenguaje natural, nunca lleg el
segundo paso, que lo hizo va los sistemas basados en el conocimiento. McCarthy
realiz un trabajo sobre programas con sentido comn, donde afirmaba: podemos
decir que un programa tiene sentido comn si deduce de forma automtica y por s
mismo una clase suficientemente amplia de con secuencias inmediatas de cualquier
cosa que se le dice y l ya conoce.

22

UNIVERSIDAD PRIVADA TELESUP

Conocimiento
y Aprendizaje
de la I.A.

TEMA 3

Competencia:
Reconocer los procesos relacionados con el
aprendizaje y la adquisicin de conocimientos
de la I.A.

23

UNIVERSIDAD PRIVADA TELESUP

Tema 03: Conocimiento y Aprendizaje de la


I.A.
NFASIS EN EL CONOCIMIENTO
La complejidad de los problemas que aborda la Inteligencia Artificial aconseja
combinar todas las tcnicas de representacin, integrando el simbolismo con las redes
neuronales. La segunda idea que caracteriza esta segunda etapa de la Inteligencia
Artificial es que no basta con el nfasis del conocimiento sino que adems la
Inteligencia Artificial de sntesis (ingeniera) debe centrarse en tareas cientfico tcnicas en dominios estrechos donde se pueda abarcar el conocimiento de forma
completa y sin influencia del sentido comn. Se habla as de motivacin inteligente,
clasificacin basada en el conocimiento, consejeros de terapia mdica, sistemas de
supervisin y deteccin de alarmas, etc.

El nacimiento de los Sistemas Basados en el Conocimiento y los Sistemas


Expertos ocurre en una poca dominada por dos preocupaciones:
a) nfasis en la representacin computacional del conocimiento para tareas del
mundo real. El conocimiento especfico del dominio es poder.
b) Seleccin de tareas tcnicas en dominios estrechos (Sistemas Expertos), donde
se separa el conocimiento de sus mecanismos de aplicacin (inferencia).

Representacin del conocimiento


El problema de la representacin del conocimiento sigue
abierto tanto en la Inteligencia Artificial terica, (qu es?,
relacin entre el conocer y la estructura de lo que se conoce)
como

en

la

Inteligencia

Artificial

de

sntesis

(qu

representacin es mejor?, cul permite un uso eficiente del


conocimiento?,

cmo

abordar

la

semntica?,

cmo

profundizar el razonamiento?). La conclusin de esta etapa es una propuesta de


representacin modular e hbrida que incluye aspectos de los cuatro procedimientos
bsicos: lgica, reglas, redes asociativas y marcos (objetos estructurados).

24

UNIVERSIDAD PRIVADA TELESUP

En esta poca se considera al conocimiento como


algo transportable desde la cabeza del experto
humano a la memoria del computador. La visin actual
considera el problema de la representacin formal del
conocimiento como un proceso de modelado o de reconstruccin de lo que se supone
que sabe el experto humano, estructurado en varios niveles. El uso de la lgica para
representar el conocimiento tiene como ventajas la semntica, expresividad y la
eficacia de sus procesos deductivos. Sus inconvenientes provienen de la falta de
estructuracin del problema de la completitud y de la existencia de problemas en los
que la conclusin se obtiene por defecto, sin garantizar que los resultados son ciertos.
Esta ruptura de la monotona (suposicin usual en lgica) ha dado origen a la
bsqueda de nuevos formalismos para el razonamiento no montono, que junto al
aproximado, el temporal y el cualitativo han dado lugar la estado actual de las
investigaciones.

Para intentar solucionar el problema de la ineficiencia de las representaciones lgicas


surgen las representaciones basadas en reglas, sacrificando expresividad por
eficiencia. Estos sistemas aportan un nuevo paradigma de programacin.
Parten de la idea de que todo el conocimiento relevante para realizar una tarea puede
representarse mediante un conjunto de condicionales. El resultado de aplicar la regla
produce nuevos hechos y activa otras reglas, de forma que el razonamiento est
asociado a ese encadenamiento de reglas.

Las redes semnticas (Ros Quillian) son un modelo de memoria asociativa adecuado
para la representacin computacional del conocimiento necesario para la comprensin
y traduccin del lenguaje natural. Selts (1.922) en su teora de la anticipacin
esquemtica propuso una organizacin relacional del conocimiento en trminos de
redes de conceptos (nodos) enlazados por relaciones (arcos) y con herencia de
propiedades. Quillian retom esta lnea; la base de conocimientos en una gran red de
nodos (significado de palabras) interconectadas por diferentes tipos de arcos
asociativos. Las redes asociativas engloban a las redes semnticas, siendo estas
ltimas un caso particular que hace referencia a su origen, como forma de representar
el significado (semntica) de las palabras en lenguajes naturales.

25

UNIVERSIDAD PRIVADA TELESUP

Las tres caractersticas que distinguen los distintos tipos de redes son:
I.

Tipo de conocimiento representado.

II. Mtodo de inferencia.


III. Forma de abordar el problema del aprendizaje.
Los marcos (Minsky) como forma de representacin
del conocimiento suponen que el sistema nervioso
organiza su experiencia perceptiva y su memoria en
trminos de un conjunto de esquemas que describen de forma estructurada nuestro
conocimiento sobre un conjunto de situaciones reales, de forma que al usarlos para
razonar se acepta gran cantidad de conocimiento implcito con el que se rellenan los
campos que quedan sin especificar.

Una caracterstica importante de los marcos es su ordenacin jerrquica, los marcosnodo inferiores no slo heredan las propiedades de sus
superiores sino que pueden heredar tambin valores y mtodos
asociados a estas propiedades.
Los guiones y planes son anlogos a los marcos, slo que
hacen referencia a estructuras que describen secuencias
temporales

de

sucesos.

El

ser

humano

organiza

su

conocimiento en trminos de millones de marcos, guiones y planos que usa


constantemente en todas sus tareas (Schank, Minsky).

Los avances desde 1980 hasta nuestros das se resumen en los siguientes puntos:

Mayor rigor en los desarrollos tericos.

nfasis en las representaciones declarativas frente a las procedimentales.

Intento de formalizacin e integracin de los distintos tipos de razonamiento.

Se camina hacia una teora unificada del conocimiento.

Renacimiento del conexionismo y surgimiento de las


redes bayesianas.

Manejo de grandes bases de conocimiento, lo que


exige

el

desarrollo

de

mtodos

automticos

de

adquisicin y actualizacin (aprendizaje).

26

UNIVERSIDAD PRIVADA TELESUP

Sistemas basados en el conocimiento (SBC) y sistemas expertos (SE)


Cuando en un sistema se hace uso intensivo del conocimiento del dominio y se separa
de los mecanismos que controlan su uso en inferencia, decimos que tenemos un SBC.
Dentro de un SBC hay un grupo de sistemas en los que el
conocimiento procede de un experto humano especialista en una
tarea concreta y un dominio tcnico; decimos entonces que
tenemos un SE. El desarrollo de los mtodos bsicos de
representacin del conocimiento ha caminado paralelo al
desarrollo de los sistemas expertos. Cada forma de representacin est asociada
histricamente al primer sistema que la us.

Las caractersticas fundamentales de un SE son:

Dominio reducido

Competencia en su campo

Separacin conocimiento/inferencia

Capacidad de explicacin

Flexibilidad en el dilogo

Tratamiento de la incertidumbre

En la primera poca los mdulos bsicos de un S.E. eran la


base de hechos ciertos, la base de conocimientos, el
mecanismo de inferencia, una base de datos convencional y un
mdulo de explicacin y dilogo (esquema que corresponde a
un sistema basado en reglas). Si la representacin del
conocimiento se hace usando marcos o redes semnticas, la
estructura no se corresponde claramente con estos mdulos. Una conclusin
importante de esta etapa de la Inteligencia Artificial es que los sistemas basados en
reglas constituyen un procedimiento efectivo de representacin y uso del conocimiento
distinto de la programacin convencional.

27

UNIVERSIDAD PRIVADA TELESUP

La computacin se realiza identificando y aplicando la regla adecuada a un hecho.


Despus, se estudia si como consecuencia de la aplicacin, se
ha resuelto el problema, y en caso contrario, buscar una nueva
regla cuyo campo de condicin se adapta al campo de accin de
la anterior. Como consecuencia se altera el contenido de la
memoria dinmica del sistema.

Esta forma de programar supone dos cambios esenciales:

Todo conocimiento debe representarse de forma modular y


declarativa.

En el modelado se debe cuidar el contenido asignado a los


campos de condicin y accin de cada regla porque ah se
construye el conocimiento que guiar el encadenamiento de
las reglas.

En mitad de los sesenta, los resultados de los trabajos de Stanford mostraron las
caractersticas bsicas en todos los SE:
1) Seleccin de un dominio limitado del conocimiento cientfico-tcnico (el programa
alcanza niveles de competencia a los del experto
humano)
2) Evidencia de que el conocimiento esencial no es
de carcter general sino especfico del dominio.
3) Separacin

entre

el

conocimiento

el

mecanismo de aplicacin de ese conocimiento


(inferencia) con la posibilidad de ampliar o modificar el conocimiento que posee
el sistema, sin tener que modificar los mecanismos de inferencia.
4) Validez de las reglas como forma de representacin del conocimiento, sin
necesidad de modelar el proceso de pensamiento del experto humano.

28

UNIVERSIDAD PRIVADA TELESUP

Y a partir de otro trabajo:


1)

Validez del razonamiento por encadenamiento de reglas.

2)

Tratamiento del problema de la incertidumbre mediante mecanismos sencillos y


eficientes que combinan distintos factores de certeza.

3)

Capacidad de explicacin del razonamiento seguido


para alcanzar la meta que propone.

4)

Mencin de conceptos que se consolidaron ms tarde,


tales como la metarreglas (reglas que explican cmo
utilizar otras reglas) y la adquisicin de conocimiento
como tarea genrica en inteligencia artificial. Las
metarreglas se introducen con tres fines: construir la
base de conocimientos mediante un dilogo con el experto humano, guiar el
razonamiento mediante objetivos explcitos y mejorar la capacidad de
explicacin a partir de dichos objetivos.

En la actualidad las tendencias en el campo de los SE son:


Desarrollos de SE con una metodologa razonablemente establecida, usando
entornos comerciales y aceptando los mtodos usuales de representacin e
inferencia.
Desarrollos tericos en temas frontera relacionados con la extensin de los
mtodos de representacin y razonamiento.
nfasis en el aprendizaje y renacimiento del conexionismo.

APRENDIZAJE Y RENACIMIENTO DEL CONEXIONISMO


Aprendizaje
La idea ms general de aprendizaje es la
acumulacin de conocimiento. Por consiguiente, un
programa aprende cuando es capaz de acumular
conocimiento sobre una tarea. Bajo el nombre de
aprendizaje, se engloban procesos muy diversos
que podemos clasificar en trminos de la tarea
genrica a la que se refiere y del mecanismo de razonamiento en el que se basa.

29

UNIVERSIDAD PRIVADA TELESUP

Hay tres familias de tareas:


1)

Tareas perceptivas:
Incluye aspectos tales como el reconocimiento de
caracteres y la formacin de conceptos (seleccin de
caractersticas para describir los objetos de entrada,
creacin de un lenguaje de descripcin de conceptos y
representacin simblica de todo el conocimiento previo).

2)

Tareas de planificacin:
Incluye los aspectos complementarios de la percepcin. Ahora en vez de
clasificar, se parte de conceptos centrales en un modelo del medio y se
programa un generador de acciones elementales.

3)

Tareas de organizacin central:


Incluye aspectos tales como la adquisicin automtica de nuevo conocimiento
declarativo y su integracin en una organizacin interna.

Si consideramos ahora el aprendizaje como el cambio en los mecanismos de


razonamiento, hay tres paradigmas bsicos:

1) El aprendizaje inductivo:
En l, los cambios en las estructuras de datos y en los algoritmos van
encaminados a la generalizacin del conocimiento extraible de los ejemplos
usados en el entrenamiento. Ese proceso est guiado por criterios heursticos. Si
se dispone de mucho conocimiento del dominio no es necesario mucho
entrenamiento, se tiene una estrategia de aprendizaje basado en casos (CBL).

2) El aprendizaje deductivo:
Est asociado a situaciones en las que se dispone de un conocimiento general
bastante completo y unas reglas de inferencia para obtener casos bajo la ley y
explicar el proceso deductivo. Al tener que encontrar teoras completas se debe
complementar con otras estrategias inductivas o abductivas.

3) El aprendizaje abductivo:
Busca un procedimiento para proponer y seleccionar las hiptesis que mejor
expliquen las conclusiones conocidas.

30

UNIVERSIDAD PRIVADA TELESUP

El estado actual del aprendizaje computacional est marcado por dos tendencias
complementarias:
o

Desarrollo de sistemas multiestrategia, basados en la


comprensin de las funcionalidades y las condiciones de
aplicacin de las distintas estrategias individuales y en la
cooperacin de estas en funcin del tipo de problema.

Desarrollos tericos y metodolgicos distinguiendo entre las funcionalidades en


el dominio propio y en el del observador y proponiendo un nivel de procesos
comunes en trminos de los que las distintas estrategias son equivalentes.

Conexionismo
El salto cualitativo en la perspectiva conexionista de la inteligencia artificial aparece al
comienzo de los aos 80 con las propuestas de Rumlhart y colaboradores [1986] y
Barto [1983]. En la inteligencia artificial conexionista se est intentando resolver los
mismos problemas que han preocupado a la inteligencia artificial simblica.

El contenido en extenso de la inteligencia artificial conexionista aborda los


siguientes temas:
1)

Conexiones con la neurociencia.

2)

Modelos de computacin distribuida y autoprogramable.

3)

Bsqueda de arquitecturas multicapa e incrementales y genticas que faciliten


la cooperacin y la autoorganizacin.

4)

Estudio del aprendizaje supervisado y no supervisado y su conexin con el


aprendizaje simblico.

5)

Desarrollo de neurosimuladores (entornos de programacin, evaluacin y


desarrollo de redes neuronales a nivel software).

6)

Implementacin de redes como arquitecturas paralelas de propsito especial


(preprocesadores, coprocesadores o neuro-circuitos completos).

7)

Un gran captulo de aplicaciones, en percepcin y control, y problemas


genricos de clasificacin en tiempo real.

8)

Como conclusin decir que ambas perspectivas (simblica y conexionista) han


reconocido sus limitaciones y han decidido cooperar buscando formulaciones
hbridas de tareas genricas y soluciones cooperativas que usan ambos
mtodos tomando de cada uno lo ms adecuado para la solucin del problema.

31

UNIVERSIDAD PRIVADA TELESUP

Aspectos
Metodolgicos

TEMA 4

de la

Inteligencia
Artificial
Competencia:
Identificar los aspectos metodolgicos de la
inteligencia artificial y su importancia en la
programacin.

32

UNIVERSIDAD PRIVADA TELESUP

Tema 04: Aspectos Metodolgicos de la


Inteligencia Artificial
NIVELES DE COMPUTACIN
Cuando nos enfrentamos a un sistema complejo, tanto en tareas de anlisis como de
sntesis, es til usar una jerarqua de niveles, que nos permitan segmentar esa
complejidad. Cada nivel de descripcin, est caracterizado por una fenomenologa, un
conjunto de entidades y relaciones y unos principios organizativos y estructurales
propios. (Por ejemplo, en biologa, se puede pasar del nivel protoplsmico <sub-celular
con procesos fsico-qumicos>, al celular <bioqumico-elctrico>, al orgnico y al de
comportamiento global <animal y humano>).

Es un error frecuente en IA, el mezclar entidades


pertenecientes a niveles distintos, e intentar explicar datos y
procesos de un nivel de alta semntica, como el nivel de
conocimiento, a partir de estructuras de datos y operadores
lgicos propios de niveles inferiores, tales como la
electrnica digital o la teora de autmatas. Cada nivel enlaza con el inferior mediante
un proceso de reduccin de acuerdo con unas leyes (programas traductores,
intrpretes, compiladores), y con el superior mediante procesos de emergencia, que
necesitan la inyeccin de conocimiento por parte de un observador externo. Por
ejemplo: del conocimiento detallado del comportamiento de los inversores y biestables,
no se deduce el algoritmo ni las estructuras de datos del programa que est corriendo.

Anlogamente, no se deduce el funcionamiento de los biestables conociendo el


algoritmo utilizado. Hay varios algoritmos posibles para una misma computacin y hay
mltiples implementaciones posibles para un algoritmo.
La teora de niveles en la computacin fue introducida por D. Marr y A. Newell,
previamente Chomsky introdujo los conceptos de competencia y ejecucin para
distinguir los lenguajes naturales de los sistemas arbitrarios y formales de
manipulacin de smbolos.

33

UNIVERSIDAD PRIVADA TELESUP

Todo nivel de computacin admite una representacin general en trminos de un


espacio de entradas, un espacio de salidas y un conjunto de reglas de transformacin
que enlazan las representaciones en ambos espacios de representacin. El espacio
de entradas en un espacio multidimensional de las caractersticas del proceso que se
consideran relevante. El espacio de salidas tambin es multidimensional, en el que se
seleccionan los resultados de la computacin en funcin del tiempo, las entradas y
reglas de transformacin del proceso de este nivel. La computacin de un nivel se
completa con las descripciones de las transformaciones que producen nuevos valores
en el espacio de salidas a partir de la secuencia de valores previos en ambos sentidos.

Los tres niveles de computacin que propone Marr comienzan a


tener una clara comprensin de lo que se debe calcular y como
se debe hacer. No basta pues, el conocimiento de la
computacin a nivel de procesador, ni el nivel de algoritmos y
estructura de datos, debe existir un nivel adicional de
comprensin que analice y comprenda los mecanismos y estructuras particulares que
se implementan en nuestros cerebros.

Sustituyendo cerebro por computador se tiene cmo analizar o sintetizar una tarea
computacional. Veamos los tres niveles de computacin, tal como los propuso David
Marr en 1982:
1) En el primer nivel tenemos los fundamentos tericos de la computacin, el
planteamiento del problema en lenguaje natural y un posible esquema de
solucin en trminos del conocimiento del dominio.
2) El segundo nivel de anlisis o sntesis de un proceso es la eleccin de un
lenguaje de representacin para los espacios de entrada y salida y de un
algoritmo que haga efectivas las

transformaciones que enlazan esas

representaciones.
3) El tercer nivel tiene que ver con todo el proceso de implementacin que nos lleva
del algoritmo a los procesadores fsicos. Incluye la seleccin de un lenguaje de
programacin y la construccin del programa.

34

UNIVERSIDAD PRIVADA TELESUP

Para una tarea concreta, los tres niveles de descripcin estn relacionados. Cuando
se baja de nivel siempre se pierde informacin, ya que no hay una representacin
nica de ese nivel. La hiptesis fuerte de la Inteligencia Artificial es que a pesar de
estas prdidas de semntica es posible hacer computacional la inteligencia humana.

EL NIVEL DE CONOCIMIENTO DE ALLEN NEWELL


Newell introdujo en 1981 el nivel de conocimiento como un
nuevo nivel de descripcin por encima del nivel simblico. La
clave del nivel es su carcter abstracto, genrico e
independiente tanto del dominio como de los lenguajes
usados para representar el conocimiento (marcos, reglas,
lgica o redes) y para usarlo (induccin, deduccin o abduccin). Pylyshyn ha
asociado el nivel de conocimiento al clculo intencional y Clancey seal el carcter
relativista de las descripciones en el nivel de conocimiento.

Una computacin intencional (a nivel de conocimiento) es invariante ante cambios en


la representacin a nivel simblico, de la misma forma que una computacin a nivel
simblico es invariante ante cambios en el nivel de implementacin. En el trabajo de
Newell se plantean tres objetivos:
1) Razonar acerca de la naturaleza del conocimiento. El esfuerzo de Newell se
centra en distinguir el conocimiento de sus posibles representaciones, y dotar al
primero de entidad propia.
2) Proponer la existencia de un nivel especfico del conocimiento cuyas entidades
bsicas son las creencias, objetivos, planes e intenciones y el principio de
racionalidad, que conecta causalmente las intenciones con las acciones.
3) La descripcin de este nivel y sus conexiones con los niveles inferiores
(simblico y de implementacin).
As, Newell propone un nuevo nivel (el nivel de conocimiento) situado sobre el nivel
simblico y caracterizado por el conocimiento como medio y el principio de
racionalidad como ley general de comportamiento.
Para poner este nivel en relacin con los otros (simblico y de implementacin) se
introducen cinco aspectos para caracterizar los niveles: sistema, medio, componentes,
leyes de composicin y leyes de comportamiento.

35

UNIVERSIDAD PRIVADA TELESUP

El principio de racionalidad o principio de causalidad semntica dice:


o

Si un agente conoce que una de sus acciones conducir a sus metas, entonces
seleccionar esta accin.

Conocimiento es cualquier cosa que se pueda adscribir a un agente de forma


que su conducta se puede calcular usando el principio de racionalidad.

Desde la perspectiva de la Inteligencia Artificial aplicada, el problema es encontrar un


procedimiento para reducir el nivel de conocimiento al nivel simblico. Es decir, pasar
de las descripciones en lenguaje natural a un lenguaje accesible al nivel simblico,
donde el principio de racionalidad, las metas, las creencias y las acciones se
proyectan en estructuras de datos y algoritmos. Para facilitar el proceso de reduccin
se estn buscando entidades de nivel intermedio como la teora de agentes
cooperativos (descomposicin, segmentacin y especializacin), las estructura de las
tareas genricas y la metodologa KADS entre otras.

El agente observador y los dos dominios de descripcin


La introduccin de la figura del observador proviene de la
fsica, al reconocer la existencia del mismo en la
computacin se introduce la idea de distintos sistemas de
referencia. Las descripciones de las observaciones de una
computacin a nivel fsico o simblico deben de hacerse en
dos sistemas de referencia, uno para cada nivel. Al dominio que los
engloba se le denomina dominio propio (DP) o autocontenido. El otro dominio es el
dominio del observador (DO) que usa el lenguaje natural para describir y dotar el
significado de los procesos del dominio propio. En las descripciones de dominio propio
todo lo que ocurre el causal, y las relaciones son de necesidad, es decir, lo que ocurre
es porque la estructura y funcin coinciden y las conexiones entre las magnitudes
siguen sus leyes propias.

36

UNIVERSIDAD PRIVADA TELESUP

Por otro lado, el observador siempre acta a nivel de conocimiento. Su lenguaje es el


lenguaje natural y su funcin de diseo e interpretacin de la
computacin (niveles fsico y simblico) est caracterizada por su
modelo del conocimiento, por las limitaciones de los otros dos
niveles y por la inyeccin de conocimiento necesaria para recuperar
en la interpretacin todo lo que se perdi en el proceso de
reduccin de niveles. En el DO siempre hay ms conocimiento del
que se puede deducir de la sola consideracin del contenido de los otros dos niveles.
Cuando la computacin es realizada por un ordenador a travs de un programa, el
problema est en mezclar entidades y relaciones de DP con otras del sistema
operativo (con las que no tienen ninguna relacin causal). El problema importante en
inteligencia artificial aparece cuando se mezclan las tablas de semntica de ambos
dominios y se pretende dar significados de entidades propias del nivel de conocimiento
en DO a las entidades de los otros dos niveles (DP).

En el DP se pueden distinguir tres capas. La ms profunda est relacionada con la


estructura de tareas genricas y con la arquitectura global del sistema e incluye el
conocimiento estratgico. En la capa intermedia se encuentran las herramientas y los
mtodos (conjunto de formalismos de representacin y mecanismos de inferencia). La
tercera capa, la ms externa en el DO, incluye la arquitectura global de la tarea, los
aspectos organizativos del modelo, los mecanismos de adquisicin del conocimiento
del dominio, la segmentacin en distintos agentes cooperantes y la asignacin de
tareas a esos agentes y, finalmente, la construccin de las tablas de semntica que se
volvern a usar en la interpretacin del nivel simblico.

Estructura de Tareas Genricas para Modelar Conocimiento en el DO


Para facilitar el proceso de adquisicin de conocimiento y su posterior reduccin al
nivel simblico (inferencia y representacin) se han intentado desarrollar mtodos
abstractos de modelar conocimiento en trminos de un conjunto de tareas genricas
(TG) y mtodos (M) para desarrollarlas. Al ser estas TG de validez general nos
permiten modelar el conocimiento de forma anloga a como lo hace la teora de
sistemas continuos. En cada caso, los mtodos, las formas de representar el
conocimiento y los mecanismos de inferencia variarn, pero la organizacin de la tarea
permanece. Su esquema conceptual es el mismo.

37

UNIVERSIDAD PRIVADA TELESUP

As, las tareas genricas son bloques funcionales que participan en


la solucin de una familia amplia de problemas. En un sistema de
control las TG son: comparacin, amplificacin, actuacin y medida
y la estructura de TG es la realimentacin negativa. En inteligencia
artificial veremos que las tareas genricas son la clasificacin
jerrquica y heurstica, el diagnstico, la monitorizacin, el diseo,
etc, y los mtodos son heursticos. En el anlisis modelamos un
segmento del razonamiento humano especificando lo que debe hacer el sistema. En
sntesis, proponemos una solucin estructurada diciendo cmo debe resolverse el
problema usando un conjunto muy limitado de mdulos genricos (TG) cada uno de
los cuales se concentra en un aspecto particular del proceso de solucin.

La clasificacin como Tarea Genrica


Muchos de los programas de inteligencia artificial, estn basados en la estructura
genrica de un clasificador que asocia configuraciones de entrada a configuraciones
de salida. Las entradas son datos mientras que las salidas son configuraciones que
representan decisiones, posibles fallos del sistema o conceptos seleccionados. Ambos
espacios deben estar especificados en extenso y de forma completa porque la
clasificacin ordena las categoras de salida y/o selecciona una de ellas. Los mtodos
usados dependen del tipo de clasificacin. As, en la clasificacin jerrquica el mtodo
suele ser establecer y refinar. En la clasificacin heurstica, el mtodo es la
comparacin a nivel abstracto y en la clasificacin conexionista, el mtodo es el ajuste
de parmetros mediante la minimizacin de una funcin de coste.

Clancey introdujo la clasificacin heurstica como tarea genrica subyacente a muchos


sistemas expertos y sugiri su descomposicin en tres subtareas:
1) La abstraccin de los datos permite separar el valor numrico de una variable
del mdulo de conocimiento asociado de forma implcita. Por ejemplo que un
valor de temperatura es alto.
2) La equiparacin heurstica permite de nuevo buscar asociaciones entre tipos
generales de sntomas y tipos de patologas. As, la alta temperatura indica fiebre
y est asociada a infeccin.
3) El refinamiento est asociado al resto del conocimiento necesario para
especificar el diagnstico.

38

UNIVERSIDAD PRIVADA TELESUP

La clasificacin conexionista usa en general el conocimiento del


problema para definir en una estructura con cuatro tareas
genricas, distribuidas por capas:
1.

Extraccin de propiedades: comienza con la


construccin de un espacio de caractersticas
(analticas, algortmicas o puramente simblicas) con
una parte fija y otra autoprogramable por aprendizaje.

2.

Mtricas: incorpora las mtricas asociadas a las clases de equivalencia


(calcular la proximidad de cada punto del espacio de caractersticas a cada
una de las clases).

3.

Seleccin de mximos: es la seleccin de la clase a la que la distancia es


mnima o el clculo de la funcin de pertenencia de ese punto del espacio de
medida a las distintas clases en las formulaciones borrosas.

4.

Refuerzo: es la ltima TG del clasificador y es el aprendizaje.

La Metodologa KADS
La metodologa KADS para el desarrollo de sistemas basados en el conocimiento se
apoya en el nivel de las tareas genricas y en la distincin de cuatro capas: estrategia,
tareas, inferencia y conocimiento esttico del dominio, para modelar el conocimiento.
El proceso comienza con el anlisis a nivel global, que permite una descomposicin
del problema en tres mdulos: el mdulo basado en el conocimiento, la interfaz y el
resto de la aplicacin. La siguiente etapa modela la inferencia, est relacionada con
las tcnicas de representacin del conocimiento esttico. La tercera etapa contiene la
estructura de tarea genrica. La capa ms externa se usa para modelar los aspectos
estratgicos del conocimiento.

El uso de una estructura de tarea genrica para

modelar conocimiento tiene la ventaja de ser modular, planteando la existencia de


primitivas de computacin, a partir de las cuales se puede modelar y sintetizar el
conocimiento.

IA SIMBLICO VERSUS IA CONEXIONISTA


Hay que poner de manifiesto su complementariedad y su
significado en la teora de los dos dominios (DP y DO).

39

UNIVERSIDAD PRIVADA TELESUP

La inteligencia artificial que naci conexionista, fue despus dominantemente


simblica y tras el renacimiento de la computacin neuronal
hemos llegado a una etapa de cooperacin alternativa entre
ambos, dependiendo de la naturaleza del problema, como dos
tcnicas complementarias y en algunos casos simbiticas.
El simbolismo nace en el dominio del observador durante el
proceso de reduccin del nivel de conocimiento al nivel simblico y en el proceso
inverso de interpretacin. Cuando la reduccin se hace a travs del nivel simblico,
terminando en las primitivas de un lenguaje, la inteligencia artificial es simblica. En
cambio, cuando la reduccin se hace directamente del nivel de conocimiento a la red
de procesadores la inteligencia artificial es conexionista. Una primera distincin entre
IA simblica e IA conexionista est en el salto directo que las redes neuronales dan
desde la formulacin del problema a nivel de conocimiento hasta el nivel fsico, lo que
supone un anlisis pormenorizado de la aplicacin. Como alternativa a este paso
directo, la IA simblica utiliza un conjunto de entornos y lenguajes de alto nivel que
facilitan la reduccin al nivel simblico de un modelo de conocimiento.

Otra distincin importante entre inteligencia artificial simblica y conexionista es la


riqueza de tareas genricas y tipos de inferencia que ofrece la primera, frente a las
limitaciones de una arquitectura por capas que siempre realiza una funcin de
clasificacin.
NIVEL 3: Implementacin en un soporte fsico del nivel 2 (entornos software y
nivel hardware)
NIVEL 2: Representacin y algoritmo. Cmo puede implementarse esta teora
de clculo? (Espacios simblicos de representacin de las entradas y salidas y
algoritmos que los enlazan).
NIVEL 1: Teora computacional de la tarea a nivel genrico incluyendo cul es el
objetivo de la computacin, por qu es apropiado y cul es la lgica de la
estrategia adecuada para implementarlo.
Una forma de aproximar las redes neuronales a la computacin simblica es aumentar
la capacidad de computacin local, superando las limitaciones de un modelo analtico
no lineal mediante el uso de un condicional o de un micro-marco con un campo de
inferencia. En estas condiciones es posible hablar de sistemas expertos conexionistas
y redes neuronales basadas en el conocimiento.

40