Академический Документы
Профессиональный Документы
Культура Документы
INTELIGENCIA ARTIFICIAL
_________________________________________________________________________
1
Inteligencia Artificial
INDICE
INTRODUCCIN ................................................................................................................... 6
UNIDAD 1 .............................................................................................................................. 7
FUNDAMENTOS ................................................................................................................ 8
1.1.- El propsito de la Inteligencia Artificial y su evolucin histrica................. 8
1.2.- Las habilidades cognoscitivas segn la psicologa. Teoras de la
inteligencia (conductismo, Gardner). ...................................................................... 21
1.3.- El proceso de razonamiento segn la lgica (Axiomas, Teoremas,
demostracin)............................................................................................................. 22
1.4.- El modelo de adquisicin del conocimiento segn la filosofa................... 29
1.5.- El modelo cognoscitivo. ................................................................................... 31
1.6.- El modelo del agente inteligente.................................................................... 32
1.7.- El papel de la heurstica................................................................................... 34
Cuestionario de evaluacin....................................................................................... 36
UNIDAD 2 ............................................................................................................................ 37
REPRESENTACIN DEL CONOCIMIENTO Y RAZONAMIENTO ................................ 38
2.1.- Mapas conceptuales. ........................................................................................ 38
2.2.- Redes semnticas. ............................................................................................ 40
2.3.- Razonamiento montono. ............................................................................... 45
2.4.- La lgica de predicados: sintaxis, semntica, validez e inferencia. .......... 46
2.5.- La demostracin y sus mtodos..................................................................... 52
2.6.- El mtodo de resolucin de Robinson. .......................................................... 54
2.7.- Conocimiento no-montono y otras lgicas. ................................................ 58
2.8.- Razonamiento probabilstico. .......................................................................... 63
2.9.- Teorema de Bayes............................................................................................ 64
Cuestionario de evaluacin....................................................................................... 68
UNIDAD 3 ............................................................................................................................ 69
SISTEMAS DE RAZONAMIENTO LGICO ................................................................... 70
3.1.- Reglas de produccin....................................................................................... 70
3.2.- Sintaxis de las reglas de produccin. ............................................................ 72
- A1 A2. ... An => C - representacin objeto-atributo-valor........................... 72
3.3.- Semntica de las reglas de produccin......................................................... 73
3.4.- Arquitectura de un sistema de Produccin (SP) ( Sistemas Basados en
Reglas, SBR). .............................................................................................................. 77
3.5.- Ciclo de vida de un sistema de Produccin. ................................................. 88
Cuestionario de evaluacin....................................................................................... 91
UNIDAD 4 ............................................................................................................................ 92
BSQUEDA Y SATISFACCIN DE RESTRICCIONES ................................................. 93
4.1.- Problemas y espacios de estados. ................................................................. 93
4.2.- Espacios de estados determinsticos y espacios no determinsticos....... 100
4.3.- Bsqueda sistemtica. ................................................................................... 103
4.4.- Satisfaccin de restricciones. ........................................................................ 117
4.5.- Resolucin de problemas de juegos. ........................................................... 120
_________________________________________________________________________
2
Inteligencia Artificial
_________________________________________________________________________
3
Inteligencia Artificial
NDICE DE FIGURAS
Figura 1. Ejemplo de un problema resuelto por el programa ANALOGY de Evans..12
Figura 2. Esquema del mundo de los bloques, SHRDLU (Winograd, 1972).. 13
Figura 3. Los agentes interactan con el medioambiente sensores y efectores. 32
Figura 4. El mundo de la aspiradora con dos localizaciones solamente.. 33
Figura 5. Tabla parcial de una funcin de agente sencilla para el mundo de la
aspiradora.... 34
Figura 6. Mapa conceptual... 38
Figura 7. Mapa conceptual sobre los mapas conceptuales.... 39
Figura 8. Una red general.... 41
Figura 9. Una red semntica... 42
Figura 10. Red semntica con vnculos ES-UN y UN-TIPO-DE.. 43
Figura 11. Tabla de verdad.. 51
Figura 12. Clusulas padre bsicas.. 58
Figura 13. Ejemplo de una tabla con el tro OAV (objeto-atributo-valor)... 73
Figura 14. Estructura de un smbolo o signo.. 74
Figura 15. Caractersticas de los sistemas de produccin... 78
Figura 16. Estructura de un sistema basado en conocimiento.. 79
Figura 17. Ciclo de vida de un Sistema de Produccin.. 90
Figura 18. Ejemplo de un grafo.... 96
Figura 19. Grafica de estado para una mquina expendedora de bebidas gaseosas que
acepta monedas de 25 y 5 centavos.. 98
Figura 20. El espacio de estado para el problema del mono y los pltanos.. 99
Figura 21. rbol de bsqueda.. 104
Figura 22. rbol de bsqueda.. 106
_________________________________________________________________________
4
Inteligencia Artificial
_________________________________________________________________________
5
Inteligencia Artificial
INTRODUCCIN
La Inteligencia Artificial es una ciencia orientada al diseo y construccin de mquinas que
implementen tareas propias de humanos dotados de inteligencia natural.
La Inteligencia Artificial ha pasado de ser un pequeo aspecto de la ciencia informtica a
ser quizs la aportacin ms importante a la informtica desde el transistor.
Este cambio se basa en cuatro factores fundamentales: el xito de los sistemas expertos,
que fueron los primeros productos de la Inteligencia Artificial de autntico impacto
comercial, el bien conocido compromiso de los japoneses con la Inteligencia Artificial, la
lenta pero firme integracin de las tcnicas de la Inteligencia Artificial en las aplicaciones
existentes y, finalmente, el hecho de que ha llegado la hora de la Inteligencia Artificial.
La Inteligencia Artificial ha tenido siempre como modelo natural las funcionalidades
inteligentes del hombre, focalizndose en distintos aspectos. Su primera motivacin, que
data de tiempo atrs, fue intentar construir mquinas que pudieran pensar como el ser
humano, o al menos, emularlo en alguna capacidad que denotara cierta inteligencia.
La Inteligencia Artificial ofrece perspectivas interesantes ya que es capaz de suministrar
metodologas que permiten realizar de forma automtica algunas de las tareas realizadas
tpicamente por los humanos.
La Inteligencia Artificial esta ayudando a expandir el horizonte del tratamiento de la
informacin. Parte de esta expansin se debe a la extensin de las fronteras de la
tecnologa. Desde el microprocesador al impacto del procesamiento en paralelo, va redes
neuronales, todo apunta a la expansin de las tcnicas computacionales.
_________________________________________________________________________
6
Inteligencia Artificial
UNIDAD 1
FUNDAMENTOS
_________________________________________________________________________
7
Inteligencia Artificial
UNIDAD 1
FUNDAMENTOS
1.1.- El propsito de la Inteligencia Artificial y su evolucin histrica.
Durante ms de 2000 aos de tradicin en filosofa han surgido diversas teoras del
razonamiento y del aprendizaje simultneamente con el punto de vista de que la mente se
reduce al funcionamiento de un sistema fsico. Durante ms de 400 aos de matemticas,
han surgido teoras formales relacionadas con la lgica, probabilidad, teora de decisiones
y la computacin. La psicologa ofrece herramientas que permiten la investigacin de la
mente humana, as como un lenguaje cientfico para expresar las teoras que se van
obteniendo. La lingstica ofrece teoras sobre la estructura y significado del lenguaje. La
ciencia de la computacin de la que se toman herramientas que permiten que la
Inteligencia Artificial sea una realidad.
Los filsofos (desde el ao 400 a. C.) tuvieron en mente la Inteligencia Artificial al
concebir a la mente con maneras diversas como una mquina que funciona a partir del
conocimiento codificado en un lenguaje interno y al considerar que el pensamiento serva
para determinar cul era la accin correcta que haba que emprender.
Las matemticas proveyeron las herramientas para manipular las aseveraciones de certeza
lgica as como las inciertas de tipo probabilista. As mismo prepararon el terreno para el
manejo del razonamiento con algoritmos.
Los psiclogos reforzaron la idea de que los humanos y otros animales podan ser
considerados como mquinas para el procesamiento de informacin.
Los lingistas demostraron que el uso de un lenguaje se ajusta dentro de este modelo.
La ingeniera de cmputo ofreci el dispositivo que permite hacer realidad las aplicaciones
de la Inteligencia Artificial. Los programas de Inteligencia Artificial por lo general son
extensos y no funcionaran sin los grandes avances de velocidad y memoria apartadas por
la industria de cmputo.
Las ciencias que aportan a la Inteligencia Artificial son: filosofa, matemticas, psicologa,
lingstica y ciencias de la computacin.
_________________________________________________________________________
8
Inteligencia Artificial
_________________________________________________________________________
9
Inteligencia Artificial
despus del trmino del taller, el programa ya era capaz de demostrar gran parte de los
teoremas del capitulo 2 de Principia Matemtica de Russell y Whitehead. Se dice que
Russell se manifest complacido cuando Simon le mostr que la demostracin de un
teorema que el programa haba generado era ms corta que la que apareca en Principia.
Los editores de la revista Journal of Symbolic Logic resultaron menos impresionados y
rechazaron un artculo cuyos autores eran Newell, Simon y el Terico Lgico TL.
El taller de Dartmouth no produjo ningn avance notable, pero puso en contacto a las
figuras importantes de este campo. Durante los siguientes 20 aos, el campo estuvo
dominado por estos personajes, as como por los estudiantes y colegas del MIT, CMU
(Carnegie Mellon University), Stanford e IBM. Quiz lo ltimo que surgi del taller fue el
consenso en adoptar el nuevo nombre propuesto por McCarthy para este campo:
Inteligencia Artificial. Quiz racionalidad computacional hubiese sido mas adecuado, pero
Inteligencia Artificial se ha mantenido.
Revisando la propuesta del taller de Dartmouth [McCarthy et al, 1955], se puede apreciar
por qu fue necesario para la Inteligencia Artificial convertirse en un campo separado.
Por qu no todo el trabajo hecho en el campo de la Inteligencia Artificial se ha realizado
bajo el nombre de teora de control, o investigacin operativa, o teora de la decisin, que,
despus de todo, persiguen objetivos similares a los de la Inteligencia Artificial? O, por
qu no es la Inteligencia Artificial una rama de las matemticas? La primera respuesta es
que la Inteligencia Artificial desde el primer momento abarc la idea de duplicar las
facultades humanas como la creatividad, la auto-mejora y el uso del lenguaje. Ninguno de
los otros campos tena en cuenta estos temas. La segunda respuesta est relacionada con
la metodologa. La Inteligencia Artificial es el nico de estos campos que es claramente
una rama de la informtica (aunque la investigacin operativa comparte el nfasis en la
simulacin por computadora), adems la Inteligencia Artificial es el nico campo que
persigue la construccin de mquinas que funcionen automticamente en medios
complejos y cambiantes.
Newel y Simon tambin desarrollaron un lenguaje de procesamiento de listas, IPL, para poder escribir el TL.
No disponan de un compilador y lo tradujeron a un cdigo mquina a mano. Para evitar errores, trabajaron en
paralelo, diciendo en voz alta nmeros binarios, conforme escriban cada instruccin para asegurarse de que
coincidan.
_________________________________________________________________________
10
Inteligencia Artificial
_________________________________________________________________________
11
Inteligencia Artificial
podra considerarse como el primer sistema de Inteligencia Artificial completo. Al igual que
el Terico Lgico y el Demostrador de Teoremas de Geometra, McCarthy dise su
programa para buscar la solucin a problemas utilizando el conocimiento.
Pero, a diferencia de los otros, manejaba el conocimiento general del mundo. Por ejemplo,
mostr cmo algunos axiomas sencillos permitan a un programa generar un plan para
conducirnos hasta el aeropuerto y tomar un avin. El programa se dise para que
aceptase nuevos axiomas durante el curso normal de la operacin, permitindole as ser
competente en reas nuevas, sin necesidad de reprogramacin. El Generador de Planes
incorporaba as los principios centrales de la representacin del conocimiento y el
razonamiento: es til contar con una representacin formal y explicita del mundo y de la
forma en que la accin de un agente afecta al mundo, as como, ser capaces de manipular
estas representaciones con procesos deductivos.
1958 fue el ao en el que Marvin Minsky se traslad al MIT. Sin embargo, su colaboracin
inicial no dur demasiado, McCarthy se centr en la representacin y el razonamiento con
lgica formal, mientras que Minsky estaba ms interesado en lograr que los programas
funcionaran y eventualmente desarroll un punto de vista anti-lgico. En 1963 McCarthy
cre el Laboratorio de Inteligencia Artificial en Stanford, su plan para construir la versin
ms reciente del Generador de Planes con ayuda de la lgica sufri un considerable
impulso gracias al descubrimiento de J. A. Robinson del mtodo de resolucin (un
algoritmo completo para la demostracin de teoremas para la lgica de primer orden). El
trabajo realizado en Stanford haca nfasis en los mtodos de propsito general para el
razonamiento lgico. Algunas aplicaciones de la lgica incluan los sistemas de
planificacin y respuesta a preguntas de Cordell Green (1969), as como el proyecto de
robtica de Shakey en el nuevo SRI (Instituto de Investigacin de Stanford), este ltimo
proyecto, fue el primero que demostr la total integracin del razonamiento lgico y la
actividad fsica.
Minsky supervis el trabajo de una serie de estudiantes que eligieron un nmero de
problemas limitados cuya solucin pareci requerir inteligencia. Estos dominios limitados
se conocen como micromundos. El programa SAINT de James Slagle (1963) fue capaz
de resolver problemas de integracin de clculo de forma cerrada, habituales en los
primeros cursos de licenciatura. El programa ANALOGY de Tom Evans (1968) resolva
problemas de analoga geomtrica que se aplicaban en las pruebas de medicin de
inteligencia, semejante a la figura 1.
es a
como
es a:
_________________________________________________________________________
12
Inteligencia Artificial
El programa STUDENT de Daniel Cocrow (1967) poda resolver problemas de lgebra del
tipo:
Azul
Rojo
Verde
Rojo
Verde
Azul
Verde
Rojo
Figura 2. Esquema del mundo de los bloques, SHRDLU (Winograd, 1972). Ha completado su tarea,
<<Busca un bloque que sea ms alto que el que ahora tienes y ponlo en la caja>>.
El trabajo realizado por McCulloch y Pitts con redes neuronales hizo florecer esta rea. El
trabajo de Winograd y Cowan (1963) mostr cmo un gran nmero de elementos podra
representar un concepto individual de forma colectiva, lo cual llevaba consigo un aumento
proporcional en robustez y paralelismo. Los mtodos de aprendizaje de Hebb se
reforzaron con las aportaciones de Bernie Widrow [Widrow y Hoff, 1960; Widrow, 1962],
quien llam adalines a sus redes, y por Frank Rosenblatt (1962) con sus perceptrones.
Rosenblatt demostr el famoso teorema del perceptrn, con lo que mostr que su
algoritmo de aprendizaje podra ajustar las intensidades de las conexiones de un
perceptrn para que se adaptaran a los datos de entrada, siempre y cuando existiera una
correspondencia.
_________________________________________________________________________
13
Inteligencia Artificial
Sin afn de sorprenderlos y dejarlos atnitos, pero la forma ms sencilla que tengo
de resumirlo es dicindoles que actualmente en el mundo existen mquinas capaces de
pensar, aprender y crear. Adems, su aptitud para hacer lo anterior aumentar
rpidamente hasta que (en un futuro previsible) la magnitud de problemas que sern
capaces de resolver ir a la par que la capacidad de la mente humana para hacer lo
mismo [1].
Trminos como futuro previsible pueden interpretarse de formas distintas, pero Simon
tambin hizo predicciones ms concretas: como que en diez aos una computadora
llegara a ser campen de ajedrez, y que podra demostrar un importante teorema
matemtico con una mquina. Estas predicciones se cumpliran (al menos en parte) dentro
de los siguientes 40 aos y no en diez. El exceso de confianza de Simon se debi a la
prometedora actuacin de los primeros sistemas de Inteligencia Artificial en problemas
simples. En la mayor parte de los casos result que estos primeros sistemas fallaron
estrepitosamente cuando se utilizaron en problemas mas variados o de mayor dificultad.
El primer tipo de problemas surgi porque la mayora de los primeros programas contaban
con poco o ningn conocimiento de las materias de objeto de estudio; obtenan resultados
gracias a las sencillas manipulaciones sintcticas. Una ancdota tpica tuvo lugar cuando
se comenzaba a trabajar en la traduccin automtica, actividad que reciba un generoso
patrocinado del Consejo Nacional para la Investigacin de Estados Unidos en intento de
agilizar la traduccin de los artculos cientficos rusos en vsperas del lanzamiento del
Sputnik en 1957. Al principio se consider que todo se reducira a sencillas
transformaciones sintcticas apoyadas en las gramticas rusas e inglesa y al
emplazamiento de las palabras mediante un diccionario electrnico, lo que bastara para
obtener el significado exacto de las oraciones. La realidad es que para traducir es
necesario contar con un conocimiento general sobre el tema, que permita resolver
ambigedades y as, precisar el contenido de una oracin. La famosa retraduccin del ruso
al ingls de la frase el espritu es fuerte pero la carne es dbil, cuyo resultado fue el
vodka es bueno pero la carne esta podrida es un buen ejemplo del tipo de dificultades
que surgieron. En un informe presentado en 1966, el comit consultivo declar que no se
El segundo problema fue que muchos de los problemas que se estaban intentando
resolver mediante la Inteligencia Artificial eran intratables. La mayora de los primeros
programas de Inteligencia Artificial resolvan problemas experimentando con diversos
pasos hasta que se llegara a encontrar una solucin. Esto funcion en los primeros
programas debido a que los micromundos con los que se trabajaba contenan muy pocos
_________________________________________________________________________
14
Inteligencia Artificial
objetos, y por lo tanto muy pocas acciones posibles y secuencias de soluciones muy
cortas. Antes de que se desarrollara la teora de la complejidad computacional, se crea
que para aumentar el tamao de los programas de forma que estos pudiesen solucionar
grandes problemas sera necesario incrementar la velocidad del hardware y aumentar las
memorias. El optimismo que acompa al logro de la demostracin de problemas, por
ejemplo, pronto se vio eclipsado cuando los investigadores fracasaron en la demostracin
de teoremas que implicaban ms de unas pocas decenas de condiciones. El hecho de que,
en principio, un programa sea capaz de encontrar una solucin no implica que tal
programa encierre todos los mecanismos necesarios para encontrar la solucin en la
prctica.
La ilusoria nocin de una limitada capacidad de cmputo no slo existi en los programas
para la resolucin de problemas. Los primeros experimentos en el campo de la evolucin
automtica (ahora llamados algoritmos genticos) [Friedberg, 1958] estaban basados
en la, sin duda correcta, premisa de que efectuando una adecuada serie de pequeas
mutaciones a un programa de cdigo mquina se podra generar un programa con buen
rendimiento aplicable en cualquier tarea sencilla. Despus surgi la idea de probar con
mutaciones aleatorias aplicando un proceso de seleccin con el fin de conservar aquellas
mutaciones que hubiesen demostrado ser ms tiles. No obstante, las miles de horas
dedicadas, no dieron lugar a ningn avance tangible, los algoritmos genticos actuales
utilizan representaciones mejores y han tenido ms xito.
La incapacidad para manejar la explosin combinatoria fue una de las principales criticas
que se hicieron a la Inteligencia Artificial en el informe de Lighthill [Lighthill, 1973],
informe en el que se bas la decisin del gobierno britnico para retirar la ayuda a las
investigaciones sobre la Inteligencia Artificial, excepto en dos universidades.
El tercer obstculo se deriv de las limitaciones inherentes a las estructuras bsicas que se
utilizaban en la generacin de la conducta inteligente. Por ejemplo, en 1969, en el libro de
Minsky y Papert, Perceptrons, se demostr que si bien era posible lograr que los
perceptrones (una red neuronal simple) aprendieran cualquier cosa que pudiesen
representar, su capacidad de representacin era muy limitada. En particular, un
perceptrn con dos entradas no se poda entrenar para que aprendiese a reconocer
cundo sus dos entradas eran diferentes. Si bien los resultados que obtuvieron no eran
aplicables a redes ms complejas multicapa, los fondos para la investigacin de redes
neuronales se redujeron prcticamente. Es irnico que los nuevos algoritmos de
retroalimentacin utilizados en las redes multicapa y que fueron la causa del gran
resurgimiento de la investigacin en redes neuronales de finales de los aos 80, en
realidad se hayan descubierto por primera vez en 1969 [Bryson y Ho, 1969].
_________________________________________________________________________
15
Inteligencia Artificial
_________________________________________________________________________
16
Inteligencia Artificial
_________________________________________________________________________
17
Inteligencia Artificial
impulso ms fuerte se produjo a mediados de la dcada de los 80, cuando por lo menos
cuatro grupos distintos reinventaron el algoritmo de aprendizaje de retroalimentacin,
mencionado por primera vez en 1969 por Bryson y Ho. El algoritmo se aplic a diversos
problemas de aprendizaje en los campos de la informtica y la psicologa, y la gran
difusin que conocieron los resultados obtenidos, publicados en la coleccin Parallel
Distributed Processing [Rumelhart y MacClelland, 1986], suscit gran entusiasmo [1].
Aquellos modelos de Inteligencia Artificial llamados conexionistas fueron vistos por
algunos de los competidores tanto de los modelos simblicos propuestos por Newell y
Simon como de la aproximacin lgica de McCarthy entre otros [Smolesky, 1988]. Puede
parecer obvio que los humanos manipulan smbolos hasta cierto nivel, de hecho, el libro
The Symbolic Species (1977) de Terrence Deacon sugiere que esta es la caracterstica que
define a los humanos, pero los conexionistas ms ardientes se preguntan si la
manipulacin de los smbolos desempea algn papel justificable en determinados
modelos de cognicin. Este interrogante no ha sido an clarificado, pero la tendencia
actual es que las aproximaciones conexionistas y simblicas son complementarias y no
competidoras.
Inteligencia Artificial se convierte en una ciencia
(Desde 1987 hasta el presente)
En los ltimos aos se ha producido una revolucin tanto en el contenido como en la
metodologa de trabajo en el campo de la Inteligencia Artificial [ha quien ha caracterizado
este cambio como la victoria de los pulcros (aquellos que consideran que las teoras de la
Inteligencia Artificial deben basarse rigurosamente en la matemticas) sobre los
desaliados (aquellos que despus de intentar muchas ideas, escriben algunos programas
y despus evalan las que aparentemente funcionan), ambos enfoques son tiles, esta
tendencia a favor de una mayor pulcritud es seal de que en el campo ha alcanzado cierto
nivel de estabilidad y madurez, lo cual implica que tal estabilidad se puede ver alterada
con el surgimiento de otras ideas poco estructuradas.]. Actualmente es ms usual el
desarrollo sobre teoras ya existentes que proponer teoras totalmente novedosas, tomar
como base rigurosos teoremas o slidas evidencias experimentales ms que intuicin, y
demostrar la utilidad de las aplicaciones en el mundo real ms que crear ejemplos de
juguete [1].
La Inteligencia Artificial se fund en parte en el marco de una rebelin en contra de las
limitaciones de los campos existentes como la teora de control o la estadstica, y ahora
abarca estos campos, tal y como lo indica David McAllester (1998).
En los primeros aos la Inteligencia Artificial pareca perfectamente posible que las
nuevas formas de la computacin simblica, por ejemplo, los marcos y las redes
semnticas, hicieran que la mayor parte de la teora clsica pasar a ser obsoleta. Esto
llev a la Inteligencia Artificial a una especie de aislamiento, que la separ del resto de las
ciencias de la computacin. En la actualidad se est abandonando este aislamiento.
Existe la creencia de que el aprendizaje automtico no se debe separar de la teora
de la informacin, que el razonamiento incierto no se debe separar de los modelos
_________________________________________________________________________
18
Inteligencia Artificial
Se denomina estocstico a aquel sistema que funciona, sobre todo, por el azar.
_________________________________________________________________________
19
Inteligencia Artificial
_________________________________________________________________________
20
Inteligencia Artificial
_________________________________________________________________________
21
Inteligencia Artificial
trminos mentales como creencias y objetivos, argumentando que son tan cientficos
como lo pueden ser la presin y la temperatura cuando se habla acerca de los gases, a
pesar de que stos estn formados por molculas que no tienen ni presin ni temperatura.
Craik establece tres elementos clave que hay que tener en cuenta para disear un agente
basado en conocimiento: (1) el estmulo deber de ser traducido a una representacin
interna, (2) esta representacin se debe manipular mediante procesos cognitivos para as
generar nuevas representaciones internas, y (3) stas, a su vez, se traducirn de nuevo
en acciones. Dej muy claro por qu consideraba que estos eran los requisitos idneos
para disear un agente:
Si el organismo tiene en su cabeza un modelo a pequea escala de la realidad externa y
de todas sus posibles acciones, ser capaz de probar diversas opciones, decidir cul es la
mejor, planificar su reaccin ante posibles situaciones futuras antes de que stas surjan,
emplear lo aprendido de experiencias pasadas en situaciones presentes y futuras, y en
todo momento, reaccionar ante los previstos que acontezcan de manera satisfactoria,
segura y ms competente [Craik, 1943].
Despus de la muerte de Craik en un accidente de bicicleta en 1945. Donald Boadbent
continu su trabajo, y su libro Perception and Communication (1958) incluy algunos de
los primeros modelos de procesamiento de informacin del fenmeno psicolgico.
Mientras tanto, en los Estados Unidos el desarrollo del modelo computacional llevo a la
creacin del campo de la ciencia cognitiva, se puede decir que este campo comenz en un
simposio celebrado en el MIT, en septiembre de 1956, en este simposio, George Miller
present The Magic Number Seven, Noam Chomsky present Three Models of language, y
Allen Newell y Herbert Simon presentaron The Logic Theory Machine. Estos tres artculos
influyentes mostraron cmo se podan utilizar los modelos informticos para modelar la
psicologa de la memoria, el lenguaje y el pensamiento lgico, respectivamente. Los
psiclogos comparten en la actualidad el punto de vista comn de que la teora cognitiva
debe ser como un programa de computadora [Anderson, 1980], o dicho de otra forma,
debe describir un mecanismo de procesamiento de informacin detallado, lo cual lleva
consigo la implementacin de algunas funciones cognitivas.
_________________________________________________________________________
22
Inteligencia Artificial
Estas seis disciplinas abarcan la mayor parte de la Inteligencia Artificial, Turing merece ser
reconocido por disear una prueba que se conserva vigente despus de 50 aos.
Los investigadores del campo de la Inteligencia Artificial han dedicado poco esfuerzo a la
evaluacin de sus sistemas con la Prueba de Turing, por creer que es ms importante el
estudio de los principios en los que se basa la inteligencia para duplicar un ejemplar. La
bsqueda de un ingeniero que volara artificialmente tuvo xito cuando los hermanos
Wright, entre otros, dejaron de imitar a los pjaros y comprendieron los principios de la
aerodinmica. Los textos de ingeniera aerodinmica no definen el objetivo de su campo
como la construccin de mquinas que vuelen como palomas de forma que puedan
incluso confundir a otras palomas.
Pensamiento racional: el enfoque de las leyes del pensamiento
El filsofo griego Aristteles fue uno de los primeros en intentar codificar la manera
correcta de pensar, es decir, un proceso de razonamiento irrefutable. Sus silogismos
son esquemas de estructuras de argumentacin mediante las que siempre se llega a
conclusiones correctas si se parte de permisas correctas (por ejemplo: Scrates es un
hombre; todos los hombres son mortales; por lo tanto Scrates es mortal). Estas leyes de
pensamiento supuestamente gobiernan la manera de operar de la mente; su estudio fue
el inicio de un campo llamado lgica [1].
Estudiosos de la lgica desarrollaron, en el siglo XIX, una notacin precisa para definir
sentencias sobre todo tipo de elementos en el mundo y especificar relaciones entre ellos
(comprese esto con la notacin aritmtica comn, que prcticamente slo sirve para
representar afirmaciones acerca de la igualdad y desigualdad entre nmeros). Ya en 1965
existan programas que, en un principio, resolvan cualquier problema resoluble descrito
en una notacin lgica. La llamada tradicin logstica dentro del campo de la Inteligencia
Artificial trata de construir sistema inteligentes a partir de estos programas.
_________________________________________________________________________
23
Inteligencia Artificial
_________________________________________________________________________
24
Inteligencia Artificial
ms afn a la forma en que se ha producido el avance cientfico que los enfoques basados
en la conducta o pensamiento humano, porque la norma de racionalidad est claramente
definida y es de aplicacin general. Por el contrario, la conducta humana se adapta bien a
un entorno especfico, y en parte, es producto de un proceso evolutivo complejo, en gran
medida desconocido, que an est lejos de llevarnos a la perfeccin.
Sistemas lgicos
Un sistema lgico es una recopilacin de objetos como reglas, axiomas, instrucciones,
etctera, organizada de manera congruente [2]. El sistema lgico tiene varios objetivos, el
primero consiste en especificar las formas de los argumentos. Como los argumentos
lgicos no tienen significado en un sentido semntico, una forma vlida es esencial si
habr de determinarse la validez del argumento. Por tanto, una funcin importante de un
sistema lgico es determinar las frmulas bien formadas (fbf) que se utilizan en los
argumentos; slo estas pueden utilizarse en argumentos lgicos. Por ejemplo, en la lgica
silogstica:
Todo S es P
Podra ser una fbf, pero:
Todo
Todo es S P
Es S todo
No son fbfs. Aunque los smbolos del alfabeto carecen de significado, la secuencia de
smbolos que conforman la fbf s lo tiene.
El segundo objetivo de un sistema lgico es indicar las reglas de inferencia que son
vlidas. El tercer objetivo de un sistema lgico es extenderse al descubrir nuevas reglas de
la inferencia y, por tanto, extender el rango de argumentos que pueden probarse. Al
extender el rango de los argumentos, pueden probarse nuevas fbf, llamadas teoremas,
con un argumento lgico.
Cuando un sistema lgico esta bien desarrollado, puede utilizarse para determinar la
validez de los argumentos de manera anloga a los clculos en sistemas como la
aritmtica, la geometra, el clculo, la fsica y la ingeniera. Se han desarrollado sistemas
lgicos como el Clculo de frases o proposiciones, el Clculo de afirmaciones, etc. Cada
sistema depende de definiciones formales de sus axiomas o postulados, que son sus
definiciones fundamentales, a partir de estos axiomas, la trata de determinar lo que puede
probarse. Cualquier persona que haya estudiado geometra euclidiana en la preparatoria
esta familiarizado con los axiomas y la derivacin de teoremas geomtricos. Al igual que
los teoremas geomtricos pueden derivarse de los axiomas geomtricos, los teoremas
lgicos pueden derivarse de axiomas lgicos.
Un axioma es solo un hecho o aseveracin (o aserto) que no puede probarse desde el
interior del sistema. A veces aceptamos ciertos axiomas porque tienen sentido al apelar
al sentido comn o a la observacin. Otros axiomas, como las lneas paralelas se unen en
el infinito, no tienen un sentido intuitivo porque parecen contradecir el axioma de
_________________________________________________________________________
25
Inteligencia Artificial
Euclides de que las lneas paralelas nunca se unen. Sin embargo, este axioma acerca de
las lneas paralelas que se unen en el infinito es tan razonable desde el punto de vista
puramente lgico como el de Euclides y es la base de un tipo de geometra no euclidiana.
Un sistema formal requiere lo siguiente:
1.
2.
3.
4.
Un alfabeto de smbolos.
Un conjunto de cadenas finitas de estos smbolos, las fbf.
Axiomas, las definiciones del sistema.
Reglas de inferencia, que permiten una fbf, A, que habr de deducirse como la
conclusin de un conjunto finito, G, de otras fbf donde G = (A1, A2An). Estas fbf
deben ser axiomas u otros teoremas del sistema lgico. Por ejemplo, un sistema
de lgica proposicional puede definirse utilizando slo modus ponens para derivar
nuevos teoremas.
_________________________________________________________________________
26
Inteligencia Artificial
_________________________________________________________________________
27
Inteligencia Artificial
Aunque algo como 11111 no se parece a los teoremas que acostumbramos ver, son
teoremas lgicos perfectamente vlidos. Estos teoremas particulares tambin tienen un
significado semntico, porque son los nmeros nones expresados en un sistema de
nmeros unitario del smbolo 1. Al igual que el sistema binario slo se tiene los smbolos
del alfabeto 0 y 1, el sistema de nmeros unitario slo tiene el smbolo 1. Los nmeros del
sistema unitario y decimal se expresan como sigue:
Unitario
1
11
111
1111
11111
Decimal
1
2
3
4
5
y as sucesivamente.
Observemos que debido a la inferencia y al axioma, las cadenas 11, 1111 y dems, no
pueden expresarse en nuestro sistema formal. Es decir, 11 y 1111 son cadenas de nuestro
alfabeto formal, pero no son teoremas ni fbf porque no pueden probarse utilizando
solamente la regla de inferencia y el axioma. El sistema formal slo permite la derivacin
de los nmeros nones, no la de los pares. Debe agregarse al axioma 11 para poder
derivar los nmeros pares.
Otra propiedad de un sistema formal es su capacidad de estar completo. Un conjunto de
axiomas esta completo si cada fbf puede probarse o refutarse, este termino significa
probar que alguna aseveracin es falsa. En un sistema completo, cada fbf lgicamente
valida es un teorema. Sin embargo, como no es posible determinar la lgica de
predicados, obtener una prueba depende de nuestra suerte e inteligencia.
Por supuesto, otra posibilidad es escribir un programa de computadora que tratar de
derivar pruebas y dejar que acte.
Una propiedad an ms deseable de un sistema lgico es que sea slido. Por sistema
slido se entiende que cada teorema es una fbf lgicamente vlida. En otras palabras, un
sistema slido no permitir que se infiera una conclusin que no sea una consecuencia
lgica de sus premisas. No se inferirn argumentos invlidos como vlidos.
Hay diferentes rdenes de lgica. Un lenguaje de primer orden se define para que los
cuantificadores operen sobre objetos que son variables como x un lenguaje de segundo
orden tendra caractersticas adicionales como dos tipos de variables y cuantificadores.
Adems de variables y cuantificadores de orden, la lgica de segundo orden puede tener
cuantificadores que abarcan smbolos de funcin y de predicado. Un ejemplo de lgica de
segundo orden es el axioma de igualdad, que establece que dos objetos son iguales si
todos sus predicados son iguales. Si P es cualquier predicado de un argumento, entonces:
x = y (p)[P(x) P(y)]
Es una afirmacin del axioma de igualdad que usa un cuantificador de segundo orden,
P, que abarca todos los predicados.
_________________________________________________________________________
28
Inteligencia Artificial
Aristteles (348-322 a.C.) fue el primero en formular un conjunto preciso de leyes que
gobernaban la parte racional de la inteligencia, l desarroll un sistema informal para
razonar adecuadamente con silogismos, que en un principio permita extraer conclusiones
mecnicamente, a partir de premisas iniciales. Mucho despus, Ramn Lull (d. 1315) tuvo
la idea de que el razonamiento til se podra obtener por medios artificiales. Sus ideas
aparecen representadas en la portada de este manuscrito. Thomas Hobbes (1588-1679)
propuso que el razonamiento era como la computacin numrica, de forma que nosotros
sumamos y restamos silenciosamente en nuestros pensamientos. La automatizacin de la
computacin en s misma estaba en marcha: alrededor de 1500, Leonardo da Vinci (14521519) dise, aunque no construy, una calculadora mecnica; construcciones recientes
han demostrado que su diseo era funcional. La primera mquina calculadora conocida se
construy alrededor de 1623 por el cientfico alemn Wilhelm Schickard (1592-1635),
aunque la Pascalina, construida en 1642 por Blaise Pascal (1623-1662), sea ms famosa,
Pascal escribi que la mquina aritmtica produce efectos que parecen ms similares a
los pensamientos que a las acciones animales. Gottfried Willhelm Leibniz (1646-1716)
construy dispositivo mecnico con el objetivo de llevar a cabo operaciones sobre
conceptos en lugar de sobre nmeros, pero su campo de accin era muy limitado [1].
Ahora que sabemos que un conjunto de reglas pueden describir la parte racional y formal
de la mente, el siguiente paso es considerar la mente como un sistema fsico. Ren
Descartes (1596-1650) proporciona la primera discusin clara sobre la distincin ente la
mente y la materia y los problemas que surgen. Uno de los problemas de una concepcin
puramente fsica de la mente es que parece dejar poco margen de maniobra al libre
albedro: si el pensamiento est totalmente gobernado por leyes fsicas, entonces una
piedra podra decidir caer en direccin al centro de la Tierra gracias a su libre albedro. A
pesar de ser denotado defensor de la capacidad del razonamiento, Descartes fue defensor
del dualismo. Sostena que existe una parte de la mente (o del alma o del espritu) que
est al margen de la naturaleza, exenta de la influencia de las leyes fsicas. Los animales,
por el contrario, no poseen esta cualidad dual; a ellos se le podra concebir como si se
tratasen de una mquina. Una alternativa al dualismo es el materialismo, que considera
que las operaciones del cerebro realizadas de acuerdo a las leyes de la fsica constituyen a
la mente. El libre albedro es simplemente la forma en la que la percepcin de las opciones
disponibles aparecen en el proceso de seleccin.
Dada una mente fsica que gestiona conocimiento, el siguiente problema es establecer las
fuentes de este conocimiento. El movimiento emprico, iniciado en novum Organum (una
actualizacin del Organon, o instrumento de pensamiento, de Aristteles), Francis Bacon
(1561-1626), se caracteriza por el aforismo de John Locke (1632-1704): Nada existe por
_________________________________________________________________________
29
Inteligencia Artificial
la mente que no haya pasado por los sentidos. David Hume (1711-1776) propuso en A
Treatise of Human Nature (Hume, 1739) lo que actualmente se conoce como principio de
Nosotros no reflexionamos sobre los fines, sino sobre los medios. Un mdico no reflexiona
sobre si debe curar, ni un orador sobre si debe persuadir...Ellos asumen el fin y consideran
cmo y con qu medios se obtienen, y si resulta fcil y es por tanto productivo; mientras
que si solo se puede alcanzar por un medio se tiene en consideracin cmo se alcanzar
por este y por qu medios se obtendr ste, hasta que se llegue a la causa primera...y lo
ltimo en el orden del anlisis parece ser lo primero en el orden de los acontecimientos. Y
si se llega a un estado imposible, se abandona la bsqueda, como por ejemplo si se
necesita dinero y no se puede conseguir; pero si hay una posibilidad se intentar.
El algoritmo de Aristteles se implement 2 300 aos ms tarde por Newell y Simon con la
ayuda de su programa SRGP. El cual se conoce como sistema de planificacin regresivo.
_________________________________________________________________________
30
Inteligencia Artificial
El anlisis basado en objetivos es til, pero no indica que hacer cuando varias acciones
nos llevan a la consecucin del objetivo, o cuando ninguna accin facilita su completa
consecucin. Antoine Arnauld (1612-1694) describi correctamente una forma cuantitativa
para decidir qu accin llevar a cabo en un caso como este. El libro Utilitarianism [Mill,
1863] de John Stuart Mill (1806-1873) propone la idea de un criterio de decisin racional
en todos los mbitos de la actividad humana.
_________________________________________________________________________
31
Inteligencia Artificial
Los autores actuales hacen diferencia entre las dos reivindicaciones; esta distincin ha
permitido que ambas disciplinas, la Inteligencia Artificial y la ciencia cognitiva, se
desarrollen ms rpidamente. Los dos campos continan alimentndose entre s,
especialmente en las reas de la visin y el lenguaje natural. En particular, el campo de la
visin ha avanzado recientemente con la ayuda de una propuesta integrada que tiene en
cuenta la evidencia neurofisiolgica y los modelos computacionales [6].
Agente
Sensores
Percepciones
Medio Ambiente
?
Acciones
Actuadores
El trmino percepcin se utiliza en el contexto para indicar que el agente puede recibir
entradas en cualquier instante. La secuencia de percepciones de un agente refleja el
historial completo de lo que el agente ha recibido. En general, un agente tomar una
_________________________________________________________________________
32
Inteligencia Artificial
_________________________________________________________________________
33
Inteligencia Artificial
Secuencia de percepciones
Accin
[A, Limpio]
[A, Sucio]
[B,Limpio]
[A, Sucio]
[A, Limpio] , [A, Limpio]
[A, Limpio] , [A, Sucio]
Derecha
Aspirar
Izquierda
Aspirar
Derecha
Aspirar
Derecha
Aspirar
Figura 5. Tabla parcial de una funcin de agente sencilla para el mundo de la aspiradora que se
muestra en la figura anterior.
_________________________________________________________________________
34
Inteligencia Artificial
_________________________________________________________________________
35
Inteligencia Artificial
Cuestionario de evaluacin.
( ) Dispositivos
inspirados en la
funcionalidad de las neuronas biolgicas,
aplicados al reconocimiento de patrones
que las convierten en aptas para modelar y
efectuar predicciones en sistemas muy
complejos.
2.- Ciencias que aportan a la Inteligencia ( ) Para que un ser o mquina se considere
Artificial
inteligente debe lograr engaar a un
evaluador de que este ser o mquina se
trata de un ser humano evaluando todas
las actividades de tipo cognoscitivo que
puede realizar el ser humano. Si el dilogo
que ocurra y el nmero de errores en la
solucin dada se acerca al nmero de
errores ocurridos en la comunicacin con
un ser humano, se podr estimar que
estamos ante una mquina inteligente.
3.- Mquina de Turing
( ) Sistemas expertos, procesamiento de
lenguaje natural, visin artificial, robtica,
bsqueda
de
soluciones,
lgica,
aprendizaje, lgica difusa.
4.- Agente inteligente
( ) Bsqueda en los datos para identificar
tendencias y establecer relaciones.
5.- Heurstica
( ) Sistema basado en los conocimientos
que imita el pensamiento de un experto
para resolver problemas de un terreno
particular de aplicacin
6.- Minera de datos
( ) Es la ciencia que enfoca su estudio a
lograr la comprensin de entidades
inteligentes.
7.- Sistema Experto
( ) Es el anlisis y la extrapolacin de datos
basados en experiencias pasadas y en sus
consecuencias, este apartado es de una
importancia vital para la Inteligencia
Artificial.
8.- Redes neuronales
( ) Es aquel que emprende la mejor accin
posible ante una situacin dada.
9.- reas de investigacin de la Inteligencia ( ) Filosofa, Matemticas, Psicologa,
Artificial
Lingstica y ciencias de la computacin.
Respuestas: 8, 3,9, 6,7, 1, 5, 4, 2
_________________________________________________________________________
36
Inteligencia Artificial
UNIDAD 2
REPRESENTACIN DEL CONOCIMIENTO Y
RAZONAMIENTO
_________________________________________________________________________
37
Inteligencia Artificial
UNIDAD 2
GRAFOS
CONJUNTO
N DE NODOS
CONJUNTO R
DE RELACIONES
conectados
por
representados
como
PUNTOS
representados
como
CAJAS
LINEAS
FORMAS
GEOMETRICAS
Pueden ser
RECTAS
CURVAS
_________________________________________________________________________
38
Inteligencia Artificial
Los mapas conceptuales deben ser simples, mostrar claramente las relaciones
entre conceptos y/o proposiciones.
Van de lo general a lo especfico, las ideas ms generales o inclusivas, ocupan el
pice o parte superior de la estructura y las ms especificas y los ejemplos la parte
inferior.
Deben ser vistosos.
Los conceptos, que nunca se repiten van adentro de los valos y las palabras de
enlace se ubican cerca de las lneas de la relacin.
Para las palabras de enlace se pueden utilizar verbos, preposiciones, conjunciones,
u otro tipo de nexo conceptual, las palabras de enlace le dan sentido al mapa.
Si la idea principal puede ser dividida en dos o ms conceptos iguales estos
conceptos deben ir en la misma lnea o altura.
Mapa conceptual
Mapas
conceptuales
ayudan a
responder
representan
Sentimientos o
afecto asociado
incluyen
Se aade a
Necesario para
responder
Conocimiento
organizado
son
es
Se compone de
Conceptos
conectados
por
Palabras de
Enlace
para
formar
Dependientes
del contexto
necesario
para
Proposiciones
son
estn
Regularidades
Percibidas o
Patrones
son
estn
Etiquetado
Estructuradas
Jerrquicamente
Unidades
Semntica
Enseanza
Eficiente
pueden
ser
Sucesos
construidas
en
en
Palabras
empieza
con
Smbolos
Objetos
ayuda
Creatividad
Nios
empieza
con
especialmente
con
p. ej.
Personales
Sociales
Enlaces
Cruzados
Aprendizaje
Eficiente
con
en
Preguntas
Clave
mostrando
Interrelaciones
Estructura
Cognitiva
Expertos
entre
necesario
para ver
Diferentes
Segmentos
del Mapa
_________________________________________________________________________
39
Inteligencia Artificial
_________________________________________________________________________
40
Inteligencia Artificial
San Francisco
Chicago
Nueva York
Indianpolis
Los ngeles
Houston
(a) Una red general
En la figura 9, los vnculos muestran las relaciones entre los miembros de una familia, las
relaciones son de gran importancia en las redes semnticas porque proporcionan la
estructura bsica para la organizacin del conocimiento. Sin relaciones, el conocimiento es
una simple coleccin de hechos inconexos. Con ellas, el conocimiento es una estructura
cohesiva a partir de la cual puede inferirse conocimiento adicional. Por ejemplo, en la
figura 9 se puede inferir que Ana y Memo son los abuelos de Juan, aunque no haya un
vnculo explcito rotulado abuelo de.
_________________________________________________________________________
41
Inteligencia Artificial
Hermana de
Carolina
Memo
Esposa de
David
Esposa de
Ana
Esposo de
Madre de
Esposo de
Madre de
Padre de
Padre de
Esposa de
Susana
Toms
Esposo de
Madre de
Padre de
Juan
A las redes semnticas a veces se les denomina redes asociativas porque los nodos
estn asociados o relacionados con otros nodos. De hecho, el trabajo original de Quillian
model la memoria humana como una red asociativa en la cual los conceptos eran los
nodos y los vnculos formaban las conexiones entre ellos. De acuerdo con este modelo,
cuando un nodo de concepto se estimula al leer las palabras de una frase, sus vnculos
con otros nodos se activan en un patrn de dispersin. Si otro nodo recibe activacin
suficiente, el concepto sera forzado dentro de la mente consciente. Por ejemplo, aunque
se conozcan miles de palabras, slo se est pensando en las palabras especficas de la
frase que se lee.
Ciertos tipos de relaciones han probado ser muy tiles en una amplia gama de
representaciones del conocimiento. El uso de tipos comunes facilita la comprensin de una
red no muy conocida.
Dos tipos de vnculos utilizados con frecuencia son ES-UN y UN-TIPO-DE [Winston,
1984]. La figura 10 es un ejemplo de una red semntica que utiliza estos vnculos; en esta
figura ES-UN significa es un caso de y se refiere a un miembro especfico de una clase.
Una clase est relacionada con el concepto matemtico de conjunto, que alude a un
grupo de objetos.
Aunque un conjunto puede tener elementos de cualquier tipo, los objetos de una clase
tienen alguna relacin entre s. Por ejemplo, es posible definir un conjunto formado por:
(3, huevos, azul, llantas, arte)
Sin embargo, los miembros de este conjunto no tienen relacin entre s. Por el contrario,
aviones, trenes y automviles se relacionan con una clase porque todos son tipos de
transporte.
_________________________________________________________________________
42
Inteligencia Artificial
El vnculo UN-TIPO-DE se utiliza aqu para relacionar una clase con otra. No se usa para
relacionar un individuo especfico porque esa es la funcin de ES-UN, UN-TIPO-DE
relaciona una clase individual con una clase padre a la que pertenece una clase hijo.
Desde otro punto de vista, el UN-TIPO-DE relaciona nodos genricos con nodos
genricos, mientras ES-UN relaciona un caso o un individuo con una clase genrica. En la
figura 10 las clases ms generales se encuentran en la parte superior y las ms especficas
en la base. La clase ms general, a la que seala una flecha UN-TIPO-DE, se le denomina
superclase; si sta tiene un vnculo UN-TIPO-DE apuntando a otro nodo, entonces
tambin es una clase de la superclase a la que seala el vnculo UN-TIPO-DE. Otra forma
de expresarlo es que un vnculo UN-TIPO-DE seale de una subclase a una clase. El
vnculo SON se usa algunas veces para UN-TIPO-DE y se lee como el verbo son.
Aeronave
Un tipo de
Un tipo de
Un tipo de
redonda
Tiene forma
Manejo a
propulsin
globo
Un tipo de
Jet
Un tipo de
Un tipo de
Un tipo de
Elipsoidal
Tiene forma
dirigible
ES-UN
Especial
DC -3
Un tipo de
Un tipo de
DC-9
Concorde
ES-UN
ES-UN
Dirigible
Goodyear
Espritu de
San Luis
Fuerza
Area 1
Los objetos de una clase tienen uno o ms atributos en comn y cada atributo tiene un
valor. La combinacin de atributo y valor es una propiedad. Por ejemplo, un dirigible
tiene atributos de tamao, peso, forma, color, etc. El valor del atributo de forma es
elipsoidal. En otras palabras, un dirigible tiene una forma elipsoidal como una de sus
propiedades. Como Goodyear es un dirigible y los dirigibles tienen forma elipsoidal,
entonces Goodyear es elipsoidal. Tambin se pueden encontrar otros tipos de vnculos en
las redes semnticas. El vnculo ES define un valor. Por ejemplo, cualquier aeronave
presidencial de Estados Unidos es el Fuerza Area 1. Si el presidente est en un CD-9,
entonces Fuerza Area 1 es un DC-9. El vnculo CAUSA expresa conocimiento causal. Por
ejemplo, el aire caliente CAUSA que el globo se eleve.
_________________________________________________________________________
43
Inteligencia Artificial
_________________________________________________________________________
44
Inteligencia Artificial
es que las redes semnticas tambin son heursticamente inadecuadas porque no hay
forma de insertar en la red informacin heurstica relacionada con la manera de
explorarlas de forma eficiente. Una regla heurstica es una regla prctica que puede
ayudar a encontrar una solucin, pero que no esta garantizada de la misma forma que un
algoritmo. Las reglas heursticas son muy importantes en la Inteligencia Artificial porque
los problemas tpicos en ello son tan difciles que no existe una solucin de algoritmo o, si
la hay, no resulta eficiente para uso prctico. La herencia es la nica estrategia estndar
de control integrada en una red que puede ayudar, pero no todos los problemas pueden
tener esta estructura.
Se han probado varios mtodos para corregir los problemas inherentes a las redes
semnticas; se han hecho mejoras lgicas y se han probado mejoras heursticas al
adjuntar procedimientos a los nodos, que sern ejecutados cuando el nodo se active. Sin
embargo, los sistemas resultantes mejoraron poco su capacidad a costa de la fuerza de
expresin natural de las redes semnticas. La conclusin de todo este esfuerzo es que,
como cualquier herramienta, las redes semnticas deben utilizarse para aquello que hacen
mejor, mostrar relaciones binarias, y no considerarse una herramienta universal.
Premisa. Se denomina premisa a cada una de las proposiciones de un razonamiento que dan lugar a la
consecuencia o conclusin de dicho razonamiento.
4
Las lgicas no montonas, que violan la propiedad de monotonismo, modelan una caracterstica propia del
razonamiento humano: cambiar de opinin.
_________________________________________________________________________
45
Inteligencia Artificial
Silogismo. Es una forma de razonamiento lgico que consta de dos proposiciones y una conclusin, la ltima
de las cuales se deduce necesariamente de las otras dos.
_________________________________________________________________________
46
Inteligencia Artificial
La lgica formal, una consecuencia de las antiguas consideraciones filosficas, fue una de
las formas ms antiguas de representacin de conocimientos empleada en Inteligencia
Artificial. El sistema de lgica formal ms ampliamente empleado, llamado lgica de
predicados de primer orden, consiste de cuatro componentes principales: un alfabeto, un
lenguaje formal, un conjunto de enunciados bsicos llamados axiomas (expresados en el
lenguaje formal) y un conjunto de reglas de inferencia. Cada axioma describe el
fragmento de conocimientos y las reglas de inferencia se aplican a los axiomas para
deducir nuevos enunciados verdaderos.
Lgica de predicados: alfabeto
El alfabeto para un lenguaje formal consiste de los smbolos a partir de los cuales se
construyen los enunciados. Los alfabetos constan de predicados, variables, funciones,
constantes, conjunciones, cuantificadores y delimitadores tales como parntesis y comas
[3].
se usa para representar un elemento especfico del dominio. Este elemento puede ser
cualquier objeto sealado de inters, incluyendo los objetos fsicos y las abstracciones
tales como ideas, puntos de vista o conjuntos de datos. Una serie de letras maysculas se
emplea como un smbolo constante.
Entre los ejemplos estn:
TILIN
AZUL
CONSERVADOR
Un perro
Un color
Un pensamiento poltico
Funciones. Adems de los smbolos constantes y variables, se puede emplear una funcin
_________________________________________________________________________
47
Inteligencia Artificial
Asesino (x):
Predicado. Los predicados se emplean para representar relaciones dentro del dominio e
indican que un elemento se relaciona en alguna otra forma especfica. Un predicado tiene
el valor de verdadero si los elementos dados estn relacionados de modo especfico y de
falso si no lo estn.
Los predicados (serie de letras maysculas) junto con trminos que identifican los
elementos relacionados, se emplean para conformar frmulas atmicas (o tomos), las
cuales estn entre los bloques bsicos de construccin de la lgica de predicados. Entre
los ejemplos estn:
HOMBRE (TITO)
MASALTO (TITO, PEPE)
MASALTO (TITO, padre (TITO))
Tito es un hombre
Tito es ms alto que Pepe
Tito es ms alto que su padre
_________________________________________________________________________
48
Inteligencia Artificial
And (Y)
Or (O) inclusivo
Implica
Equivalente a
No (negacin)
A continuacin se describen:
^
Se usa para construir frmulas que sealan que los diferentes componentes deben
ser verdaderos para que la FBD completa sea verdadera. Cada componente de la frmula
en tal expresin se llama conjunto, y la expresin completa se llama conjuncin. Por
ejemplo,
AZUL (MI-CASA) ^ DOS-PISOS(MI-CASA) ^ VICTORIANA(MI-CASA) ^ PERSIANASAMARILLAS(MI-CASA) ^ ESQUINERA(MI-CASA)
V
Se usa para construir frmulas cuya veracidad depende solamente de la veracidad
de cualquiera de los componentes. Cada componente de la frmula se llama disjunto y la
expresin completa se llama disyuncin. Por ejemplo Hernn compr un automvil o un
camin, se representa por la disyuncin:
COMPRA (HERNAN, AUTOMOVIL) V COMPRA (HERNAN, CAMION)
~
El smbolo de negacin (~), el cual algunas veces se considera como una pseudoconjuncin porque no enlaza realmente frmulas, se emplea para cambiar el valor de la
veracidad de una FBD de verdadero a falso o de falso a verdadero. Cuando se aplica ~ a
una frmula, sta se convierte en negacin. Por ejemplo:
~ MUCHACHO (LAURA) representa la frase, Laura no es un muchacho.
implicacin. El hecho que el antecedente sea verdadero implica que el consecuente sea
tambin verdadero. Por ejemplo:
[PRESENTE (CHISPA) ^ PRESENTE (COMBUSTIBLE) ^ PRESENTE (AIRE)]
COMBUSTION (COMBUSTIBLE)
_________________________________________________________________________
49
Inteligencia Artificial
Se usa para indicar la equivalencia lgica de dos frmulas. Una frmula tal como
X Y indica que la veracidad del lado izquierdo y del lado derecho son equivalentes, sin
observar como se interpretan (mientras las variables sean interpretadas coherentemente).
El cuantificador existencial x se emplea para aseverar que por lo menos existe alguna
asignacin para x, que har que la frmula asociada sea veraz.
Por ejemplo, El propietario del automvil tambin lo es del bote se puede representar
como:
x [PROPIETARIO (x, AUTOMOVIL) ^ PROPIETARIO (x, BOTE)]
En este caso, la frmula es cierta si existe un dueo que posea un automvil y un bote.
Tambin es cierto si varias (o todas) personas del dominio posean ambos (son
propietarios mediante una sociedad).
La variable asociada con un cuantificador se llama variable cuantificada, y el alcance del
cuantificador es la frmula que sigue. Las variables que se referencian en los
cuantificadores se llaman ligadas y aquellas que no lo estn se llaman libres. La mayora
de las frmulas de inters para los sistemas expertos se llaman frases, que son las
frmulas que contienen solamente variables ligadas.
Lgica de predicados: el lenguaje
El lenguaje formal asociado con la lgica de predicados es el conjunto de todas las
frmulas que se pueden construir legalmente a partir del alfabeto de smbolos (el conjunto
de todos los enunciados que podran hacerse, dados los smbolos expuestos).
Una frmula legalmente construida en el lenguaje se llama frmula bien definida FBD y se
define inductivamente como sigue:
1.- Una frmula atmica es una FBD.
2.- Las siguientes son FBD: (~ F), (F^G), (F V G), (F G).
Donde: F y G son FBD
_________________________________________________________________________
50
Inteligencia Artificial
3.- Las siguientes son FBD: (xF) y (xF) donde F es una FBD y x una variable.
Dada esta definicin, podemos construir de modo arbitrario, FBD complejas, por ejemplo:
XY
VV
VF
FF
FV
X^Y
V
F
F
F
XY
V
V
F
V
XY
V
F
V
V
~X
F
F
V
V
XY
V
F
V
F
_________________________________________________________________________
51
Inteligencia Artificial
Para este y sucesivos anlisis de lgica proposicional se asume que todos los ejemplos tienen la misma
constante, [P(A), Q(A), R(A)].
_________________________________________________________________________
52
Inteligencia Artificial
_________________________________________________________________________
53
Inteligencia Artificial
_________________________________________________________________________
54
Inteligencia Artificial
_________________________________________________________________________
55
Inteligencia Artificial
Este es un ejemplo de una fbf de forma normal conjuntiva, que se define como la
conjuncin de disyunciones, que son literales.
(P1 P2
) (Q1 Q 2 ) (Z1 Z 2
Trminos como P1 deben ser literales, lo que significa que no contienen conectores lgicos
como el condicional o bicondicional, o cuantificadores. Una literal es una frmula atmica
o una frmula atmica negada. Por ejemplo, la siguiente fbf:
(A B) (~B C)
Est de la forma normal conjuntiva. Los trminos entre parntesis son clusulas:
A B y ~B C
Cualquier fbf de lgica de predicados, que incluye a la lgica proposicional como un caso
especial, puede escribirse en forma de clusulas. La forma de clusula completa puede
expresar cualquier frmula de la lgica de afirmaciones, pero tal vez no sea tan natural o
legible como para una persona [Kowalski, 1979]. La sintaxis de PROLOG es el conjunto de
la clusula de Horn, que facilita en gran medida la comprobacin de los teoremas
mecnicos en PROLOG y hace su implantacin ms eficiente que la notacin lgica de
predicados normal o la forma de clusula completa. PROLOG solo permite un encabezado.
Por lo general, una expresin en forma de clusula completa se escribe de una forma
especial llamada forma de clusula de Kowalski:
A1, A2, AN B1, B2, BM
La cual se interpreta como si se dijera que si todos los subjetivos A1, A2,AN son
verdaderos, entonces uno o ms de B1, B2, o BN tambin son verdaderos. Obsrvese que
a veces la direccin de la flecha est invertida en esta notacin. Esta clusula, escrita en
notacin de predicados normal, es:
A1 A2, AN B1 B2 BN
Esto puede expresarse en forma disyuntiva como la disyuncin de literales utilizando la
equivalencia:
p q ~ p q
As:
A1 A2 AN B1 B2 BM
~(A1 A2 AN) (B1 B2 BM)
~ A 1 ~ A 2 ... ~ A N B 1 B 2 ...B M
Donde la ley de De Morgan:
~ (p q) ~ p ~ q
_________________________________________________________________________
56
Inteligencia Artificial
Se usa para simplificar la ltima expresin. PROLOG utiliza un tipo restringido de forma de
clusula, clusula de Horn, en la que slo se permite un encabezado.
A 1 , A 2 ,...A N B
Que se escribe en sintaxis de PROLOG como:
B : A 1 , A 2 ,...A N
AB
A ~B
A
Una manera de ver como se llega a la conclusin, es escribiendo las premisas como:
(A B) (A ~ B)
Uno de los axiomas de distribucin es:
p (q r) (p q) (p r)
Aplicando esto a las premisas se tiene:
(A B) (A ~ B) A (B ~ B) A
Donde el ltimo paso seguido desde (B ~B) siempre es falso. Esto se desprende de la
Ley del medio excluido, que establece que algo no puede ser verdadero y falso a la vez.
En la lgica de confusin, veremos que esta ley no se sostiene. Otra manera de escribir
esto utiliza el trmino nulo, que significa vaco, nada o falso. Por ejemplo, la Ley del
medio excluido establece que (B ~B) nulo.
El ejemplo de resolucin muestra la manera en que las clusulas padre (A B) (A ~B)
pueden simplificarse en el resolutivo A. En la siguiente figura 12 se resumen algunas
clusulas padre bsicas y sus resolutivos en notacin de clusula, donde las comas que
separan las clusulas significa .
_________________________________________________________________________
57
Inteligencia Artificial
Clusulas padre
pq, p
o
~p v q, p
pq, qr
o
~p v q, q v r
~p v q, p v q
~p v ~q, p v q
~p, p
Resolutivo
q
pr
o
~p v r
q
~p v p
o
~q v q
nulo
Significado
Modus ponens
Encadenamiento o silogismo
hipottico
Combinacin
VERDADERO (una
tautologia)
FALSO (una contradiccin)
Prototpico: Basado en el uso de reglas con excepciones, reglas que describen una
situacin tpica (la que se da en condiciones normales), pero que pueden tener
excepciones, por lo que no son universalmente ciertas.
Ejemplo: Habitualmente, los pjaros vuelan.
_________________________________________________________________________
58
Inteligencia Artificial
Sin-riesgo: Casos en los que una conclusin equivocada puede tener consecuencias
desastrosas.
Ejemplo: En ausencia de evidencias iniciales de lo contrario, los acusados
son inocentes.
Por convencin. Casos en los que existe una convencin implcita que indica que, si
la conclusin fuese falsa, se sabra.
Ejemplo: Si en los horarios de trenes no aparece un cierto recorrido, es
porque no la hay.
Subjetivo. Casos en los que es una opinin subjetiva la que indica que si la
conclusin fuese falsa se sabra. Suele seguir el siguiente patrn:
Si x fuese cierto, lo sabra.
No s si x es cierto.
Por lo tanto deduzco que x es falso.
Ejemplo: Me preguntan si el profesor X va a dar una conferencia maana en
el departamento. Mi respuesta es no", aunque nadie me ha dicho que no
vaya a ser as, y la razn es que pienso que si fuese cierto, me habra
enterado.
_________________________________________________________________________
59
Inteligencia Artificial
Modelos
Los modelos de razonamiento no montono aportan por lo tanto mtodos formales para la
construccin de sistemas capaces de operar adecuadamente ante informacin incompleta,
incierta, imprecisa, sujeta a cambios y, en algunas ocasiones, contradictoria.
En particular, proponen mecanismos rigurosos para la revisin de razonamientos ante la
llegada de nueva informacin, permitiendo retractar aquellas conclusiones que han dejado
de ser vlidas y derivar nuevas conclusiones alternativas.
Existen diversos modelos de Razonamiento No Montono, que pueden clasificarse en tres
grandes categoras:
Modelos Simblicos: Basados en extensiones de la lgica clsica, Hiptesis del Mundo
Cerrado W, Lgicas modales no montonas, Lgicas defectivas W, Circunscripcin.
Modelos No Simblicos: Modelos probabilsticos.
Modelos borrosos: Sistemas basados en herencia W, Sistemas de mantenimiento de la
verdad.
Otro rasgo importante que permite clasificar a los modelos de razonamiento no montono
es su actitud ante informaciones contradictorias (ejemplo: cuqueros y republicanos):
Cada uno de estos enfoques tiene sus ventajas e inconvenientes; sern el tipo de
razonamiento que se est formalizando y la aplicacin concreta los que determinen cul
de ellos es el ms adecuado.
Aplicaciones
Algunas de las aplicaciones ms relevantes del Razonamiento No Montono son las
siguientes:
Problemas de Diagnstico. Diagnstico mdico, de funcionamiento de equipos, etc. El
diagnstico se suele basar en unas reglas generales que permiten determinar las causas
ms probables del problema. Razonamiento legal. La mayora de las leyes estn escritas
mediante reglas con excepciones (por ejemplo: Los contratos son vlidos. Los contratos
con menores no son vlidos. Los contratos con menores ratificados por el tutor del menor
son vlidos.").
Tratamiento del lenguaje natural. El lenguaje natural es ambiguo, y est por lo tanto
sujeto a mltiples interpretaciones. Muchos actos comunicativos se basan en
_________________________________________________________________________
60
Inteligencia Artificial
_________________________________________________________________________
61
Inteligencia Artificial
modelo se prefiere a otro si tiene menos objetos anormales. El ejemplo estndar para el
cual la herencia mltiple genera problemas se llama El diamante de Nixon. Surge de la
observacin de que Richard Nixon es un cuquero (y por lo tanto pacifista) y un
republicano (y por lo tanto no pacifista). Se podra escribir esto como sigue:
Republicano(Nixon) Cuquero(Nixon)
Republicano(x) Anormal (x) Pacifista (x)
2
Cuquero(x) Anormal (x) Pacifista (x)
3
Si se circunscriben Anormal2 y Anormal3, no existen modelos preferidos: uno en el que se
cumpla Anormal2 (Nixon) y Pacifista (Nixon) tambin se considera vlido. Por lo tanto es
pacifista. Si se desea adems afirmar que las creencias religiosas tienen precedencia sobre
creencias polticas, se podra usar un formalismo denominado circunscripcin priorizada
para dar preferencia a modelos donde Anormal3 es minimizado.
La lgica por defecto es un formalismo en el cual las reglas por defecto se pueden escribir
para generar conclusiones contingentes no monotnicas. Una regla por defecto se parece
a la siguiente:
Pjaro(x) : Vuela(x) / Vuela(x)
Esta regla significa que si Pjaro(x) es cierto y si Vuela(x) es consistente con la base de
conocimiento, entonces se puede concluir Vuela(x) por defecto. En general, una regla por
defecto tiene la forma
P : J1 ..., J n /C
_________________________________________________________________________
62
Inteligencia Artificial
Desde 1980, cuando se propuso por primera vez la lgica no monotnica, se han hecho
muchos progresos para entender sus propiedades matemticas, comenzando en los
ltimos aos de la dcada de los 90, los sistemas prcticos basados en programacin
lgica han demostrado ser prometedores como herramientas para la representacin del
conocimiento, por ejemplo, si los coches tienen cuatro ruedas es falso, qu significa el
que lo tengamos en nuestra base de conocimiento? Cul es el conjunto apropiado de
reglas por defecto que debemos tener? Si no se puede decidir, para cada regla por
separado, si debe pertenecer a la base de conocimiento, entonces existe un problema
serio de no modularidad. Por ltimo, cmo se pueden usar las creencias que tienen un
valor por defecto para tomar decisiones? Probablemente esta sea la cuestin ms difcil de
resolver para el razonamiento por defecto. Las decisiones a menudo implican cambios, y
por lo tanto, se necesita comparar la fuerza en la creencia de la salida de varias acciones.
En aquellos casos donde se toma repetidamente la misma clase de decisiones, es posible
interpretar las reglas por defecto como afirmaciones que establecen un umbral de
probabilidad. Por ejemplo, la regla por defecto mis frenos estn correctos, en ausencia
de otra informacin, es suficientemente alta para que la decisin ptima sea conducir sin
revisarlos. Cuando el contexto para la toma de decisiones cambia (por ejemplo, cuando
uno conduce un camin pesado muy cargado por una carretera de montaa empinada), el
valor por defecto de repente no es el apropiado, incluso cuando no haya evidencia que
sugiera que los frenos estn mal.
Estas consideraciones han llevado a algunos investigadores a considerar cmo encapsular
el razonamiento por defecto en la teora de la probabilidad.
_________________________________________________________________________
63
Inteligencia Artificial
Ventajas:
La principal ventaja del razonamiento probabilstico sobre el razonamiento lgico es que el
primero permite tomar decisiones racionales an en los casos en que no haya suficiente
informacin para probar que cualquier accin dada funcionar.
Las redes bayesianas o probabilsticas son una representacin grfica de dependencias
para razonamiento probabilstico en sistemas expertos.
estancia por aquella zona. Lgicamente a esta proposicin no le podemos dar una
probabilidad basada en la frecuencia de ocurrencia del hecho, pero no obstante se usa
este tipo de juicios en nuestra vida diaria.
Lo incompleto de la informacin de que disponemos nos lleva a asignar un grado de
certidumbre o de credibilidad a las proposiciones. De este modo, las probabilidades se
pueden utilizar para, a partir de unas evidencias, dar una medida del grado de credibilidad
que se da a unas proposiciones, a partir de ellas realizar inferencias.
La probabilidad de que una variable aleatoria pueda o no ocurrir, o que una proposicin Xi,
sea cierta o no lo sea, se denomina probabilidad incondicional o a priori. Es decir,
representa la probabilidad de que algo ocurra p(A) antes de considerar ninguna
informacin adicional p(A|E).
Supongamos que tenemos dos proposiciones X e Y, y una serie de evidencias o hiptesis
que recogemos bajo la proposicin Z. Se designa P(X|Z) a la probabilidad condicional
de que X sea verdadera dado que Z es verdadera. Tambin se suele decir, la probabilidad
de X dada Z. de manera similar designamos por P(Y|Z) la probabilidad de Y dado Z.
El conocimiento de la ocurrencia de un suceso puede modificar las probabilidades de otros
sucesos. Por ello, cada vez que se dispone de nueva informacin, las probabilidades de los
sucesos pueden y suelen, cambiar.
_________________________________________________________________________
64
Inteligencia Artificial
( )
P(a b) = P (b a ) P(a)
P(a b) = P a b P(b)
P(b a)
P(a b)P(b)
P(a)
Esta ecuacin se conoce como regla de Bayes (tambin como ley de Bayes o teorema de
Bayes). Esta ecuacin sencilla subyace en todos los sistemas de Inteligencia Artificial
modernos con inferencia probabilstica. El caso ms general para variables multivaluadas
puede escribirse con la notacin P como.
P( Y X) =
P(X Y)P(Y)
P(X)
P(Y X, e) =
P(X Y, e)P( Y e)
P(X e)
_________________________________________________________________________
65
Inteligencia Artificial
P(s m) = 0.5
P(m) = 1/150 000
P(s) = 1/20
Es decir, esperamos que slo un paciente de entre 5, 000 con un cuello agarrotado tengan
meningitis. Ntese que, aun pensando en que una meningitis apunta a un cuello
agarrotado con bastante contundencia (con probabilidad 0.5), la probabilidad de
meningitis en el paciente se queda pequea. Esto es porque la probabilidad a priori de un
cuello agarrotado es mucho ms alta que la meningitis.
El proceso por el que se puede evitar la asignacin de probabilidades de la evidencia se
puede aplicar en la regla de Bayes. Tenemos
P( M s) = P(s m)P(m), P(s m)P( m)
As para usar esta aproximacin necesitamos estimar P(s m) en vez de P(s). A veces es
ms fcil, a veces es ms difcil. La frmula general de la regla de Bayes con normalizacin
es
P( Y X) = P( X Y)P(Y)
_________________________________________________________________________
66
Inteligencia Artificial
_________________________________________________________________________
67
Inteligencia Artificial
Cuestionario de evaluacin.
Escribir el concepto que corresponda a cada definicin.
1.- ______________________________________________________________________
Los componentes bsicos de esta red son los nodos y los enlaces. Los nodos se emplean
para representar elementos del dominio, se muestran grficamente como rectngulos y
son rotulados con los nombres de los elementos representados. Los enlaces representan
relaciones entre los elementos.
2.- ______________________________________________________________________
Sus componentes son: alfabeto, lenguaje formal, axiomas y reglas de inferencia.
3.- ______________________________________________________________________
Es un lenguaje de programacin lgico e interpretado, bastante popular en el medio de
investigacin en Inteligencia Artificial.
4.- ______________________________________________________________________
La aplicacin de sta hace que los probadores automticos de teoremas como PROLOG
resulten herramientas prcticas para resolver problemas, porque en lugar de tener que
probar diferentes reglas de inferencia esperando que una tenga xito, puede aplicarse la
regla simple, mtodo que puede reducir mucho espacio en la bsqueda.
5.- ______________________________________________________________________
Conjunto de datos sobre hechos, verdades o de informacin almacenada a travs de la
experiencia o del aprendizaje (a posteriori), o a travs de introspeccin (a priori).
6.- ______________________________________________________________________
Conjunto de actividades mentales consistentes en conectar unas ideas con otras de
acuerdo a ciertas reglas o tambin puede referirse a estudio de este proceso, conjunto de
proposiciones enlazadas entre s que dan apoyo o justifican una idea.
7.- ______________________________________________________________________
Establece que puede calcular la probabilidad condicional de que un evento o proposicin Y
ocurra o sea cierta, si el evento o proposicin X ya ha ocurrido o es cierta, suponiendo
conocidas la probabilidad a priori de X e Y, y la probabilidad de X dado Y.
Respuestas: Redes semnticas, Lgica de predicados, Prolog, Regla de resolucin de inferencia, Conocimiento,
Razonamiento, Teorema de Bayes o regla de Bayes
_________________________________________________________________________
68
Inteligencia Artificial
UNIDAD 3
SISTEMAS DE RAZONAMIENTO LGICO
_________________________________________________________________________
69
Inteligencia Artificial
UNIDAD 3
Ejemplo 1:
SI estoy esperando en la parada de autobs y llega ste,
ENTONCES subir al autobs.
SI estoy en el autobs,
ENTONCES pagar el billete.
_________________________________________________________________________
70
Inteligencia Artificial
_________________________________________________________________________
71
Inteligencia Artificial
_________________________________________________________________________
72
Inteligencia Artificial
Por ejemplo,
El automvil TIENE-UN motor.
El automvil TIENE-UNAS llantas.
El automvil ES-UN ford.
Ms especficamente, ES-UN relaciona un valor con un atributo mientras que TIENE-UN
relaciona un objeto con un atributo.
Los elementos objeto, atributo y valor ocurren tan frecuentemente que es posible
construir una red semntica simplificada utilizando nicamente estos elementos. Una
tripleta objeto-atributo-valor (OAV), puede utilizarse para caracterizar todo el
conocimiento de una red semntica y se us en el sistema experto MYCIN para
diagnosticar enfermedades infecciosas. La representacin del tro OAV es conveniente
para ordenar el conocimiento en forma de tabla y luego introducirla al cdigo de la
computadora mediante reglas de induccin. En la figura 13 se muestra el ejemplo de una
tabla con el tro OAV.
Objeto
Manzana
Manzana
Manzana
Uvas
Uvas
Uvas
Atributo
Color
Tipo
Cantidad
Color
Tipo
Cantidad
Valor
Roja
Golden
100
rojas
sin semilla
500
Los tros OAV son especialmente tiles para representar los hechos y sus patrones para
llevarlos al antecedente de una regla. La red semntica para este tipo de sistema consta
de nodos para objetos, atributos y valores, conectados por vnculos TIENE-UN y ES-UN.
_________________________________________________________________________
73
Inteligencia Artificial
Significante
mesa
Significa
Representa
Referencia
Localiza
Efectivamente toda oracin remite a un hecho si el hecho ocurre, en cuyo caso se dice
que esa oracin es verdadera; si no ocurre, se dice de ella que es falsa. La verdad
entonces es una propiedad de las oraciones que se refieren, remiten o representan hechos
en el mundo.
Naturalmente cada oracin tiene o puede tener un significado distinto, pero las referencias
posibles de las oraciones son slo dos: lo verdadero o lo falso. La verdad es, en
consecuencia es una nocin semntica por medio de la cual valoramos o juzgamos la
relacin que se establece entre las oraciones que expresan hechos del mundo y estos
mismos hechos.
_________________________________________________________________________
74
Inteligencia Artificial
Esta consideracin del smbolo permiti a las ciencias que tratan con el lenguaje abordar
el estudio de ste mediante una metodologa atomista y una ontologa7 realista que se
permita considerar al lenguaje como una estructura articulable, generativa, veritativafuncional que era independiente de quien lo usara, del contexto en que se usaba e incluso
de los procesos de comprensin o creacin de las formas lingsticas. Es lo que Newell
(1980) denomino sistema de smbolos fsicos. Desde esta perspectiva, el lenguaje puede
comprenderse como un sistema de reglas de produccin que generaba cadenas de
smbolos como meras estructuras sintcticas a las que se les poda asignar
interpretaciones rgidas para que refirieran a elementos del mundo ya fuera el mundo
natural o cualquier mundo formal, por un lado. Por el otro lado, cabe una interpretacin
cognitivista que relacionara los signos con las estructuras conceptuales de una mente
simblica, pero esta dimensin resultaba difcil de manejar y, a la postre, era irrelevante
para la visin realista que estaba nicamente interesada en los procesos de conocimiento
del mundo y de produccin de teoras verdaderas. De este modo, la nica semntica
verdaderamente til y manejable era la semntica extensional que slo tenia en cuenta la
relacin de verdad que se establece entre los elementos de lenguajes, los objetos y
hechos del mundo.
La teora de modelos, desde luego inspir a toda una serie de ciencias -filosofa del
lenguaje, lgica, ciencia cognitiva, lingstica, Inteligencia Artificial- a aventurarse en un
segundo intento histrico de establecer una teora del conocimiento que por fin nos
colocara en la vida de la verdad que Parmnides8 nos asegur que era la nica transitable.
La ciencia cognitiva, que haba recuperado la mente con su papel causal al que le haba
condenado el conductivismo, pronto mostr que la nocin de informacin no era suficiente
para explicar las complejas relaciones que los sistemas que la procesan establecen con el
mundo para sobrevivir en l. La Inteligencia Artificial, como tecnologa al servicio de todas
las disciplinas para la verificacin de las teoras, mostr justo todo lo contrario. Mostr que
con estas semnticas de modelos o de mundos posibles, o en general, objetivistas,
nuestra posibilidad de supervivencia en un mundo abierto, cambiante y lleno de novedad
era nula.
El trmino ontologa en informtica hace referencia al intento de formular un exhaustivo y riguroso esquema
conceptual dentro de un dominio dado, con la finalidad de facilitar la comunicacin y la comparticin de la
informacin entre diferentes sistemas.
Un uso comn tecnolgico actual del concepto de ontologa lo encontramos en la Inteligencia Artificial y la
representacin del conocimiento.
8
Es considerado por muchos eruditos como el miembro ms importante de la escuela eletica. Con l y con
Herclito de feso comienza segn Ortega y Gasset, la filosofa propiamente tal.
_________________________________________________________________________
75
Inteligencia Artificial
Relacin que vincula dos ideas a travs de una conexin supuestamente necesaria. Es uno
de los tres principios de asociacin. La causalidad no tiene carcter necesario cuando se
aplica a las cuestiones de hecho, sino que se funda en la costumbre: la repeticin (o
conjuncin constante) no es ms que una creencia; es algo que esperamos que suceda,
no algo que deba suceder necesariamente sino algo que debe ser evaluado en trminos
de posibilidad. En la medida en que el concepto de causalidad no puede aplicarse a
hechos que todava no han sucedido, porque no tenemos evidencia de que lo todava no
ha sucedido, la falta de un concepto de causalidad nos conduce necesariamente al
escepticismo.
Las acciones de cualquier agente, sea humano o un sistema inteligente, tomadas para
alcanzar una meta en cierto contexto, son precedidas por las decisiones tomadas en base
al conocimiento adquirido. Aceptar la idea del principio y considerando lo que el agente
tiene que hacer para producir ciertos cambios y alcanzar la meta, para actuar en el
ambiente, el desempeo del agente sern influenciados por su conocimiento causal en el
cual el agente deber conocer no slo los resultados de una accin sino tambin sus
consecuencias. El agente puede tambin re(actuar) en modo reflexivo (a travs de
acciones reactivas) para estimular aquellas acciones que lo llevarn a la consecucin de la
meta.
Las reglas causales reflejan la direccin que se asume de casualidad en el mundo: algunas
propiedades ocultas del mundo causan que se generen ciertas percepciones.
_________________________________________________________________________
76
Inteligencia Artificial
_________________________________________________________________________
77
Inteligencia Artificial
SISTEMA DE PRODUCCIN
MONOTNICO
NOMONOTNICO
PARCIALMENTE CONMUTATIVO
Demostracin de
Teoremas
Navegacin
Robtica
PARCIALMENTE NO CONMUTATIVO
Sntesis Qumica
Juego de Ajedrez
Las reglas pueden ser utilizadas para expresar un amplio rango de asociaciones [15].
Por ejemplo:
SI est manejando un vehculo Y se aproxima una ambulancia,
ENTONCES baje la velocidad Y hgase a un lado para permitir el paso de la
ambulancia.
SI su temperatura corporal es de 39 C,
ENTONCES tiene fiebre.
_________________________________________________________________________
78
Inteligencia Artificial
_________________________________________________________________________
79
Inteligencia Artificial
El conocimiento acerca de las reglas de produccin se denomina META-REGLA. Las metareglas facilitan y aceleran la bsqueda de soluciones.
Ventajas de los Sistemas de Produccin
A pesar de las desventajas anotadas, los sistemas basados en reglas han permanecido
como los esquemas ms comnmente utilizados para la representacin del conocimiento.
Como ventajas significativas se pueden mencionar las siguientes: modularidad,
uniformidad y naturalidad para expresar el conocimiento.
Conclusin
Hemos visto como podemos representar un problema que consta de estados y
transiciones entre estados por medio de hechos y de reglas, es decir, por medio de un
sistema de produccin. Para representar un problema de este tipo en un sistema de
produccin, hay que especificar:
El sistema de produccin funciona en ciclos sucesivos, que se ejecutan hasta que no haya
ms reglas activas. Un ciclo consta de:
Determinar que reglas estn activas (equiparando sus partes izquierdas con la base
de hechos). Las reglas activas constituyen la agenda.
Determinar que regla se debe disparar en ese ciclo (por medio de la estrategia de
control, que puede ser tan simple como elegir la regla que tenga prioridad
mxima).
Disparar la regla elegida ejecutando su parte derecha. Esto normalmente cambiar
la base de hechos (borrando hechos, aadiendo hechos o modificando hechos).
Una misma regla puede equiparar con varias instancias de la memoria de trabajo, por lo
que lo que hay en la agenda no son exactamente las reglas activas, sino parejas (regla,
hecho(s) que equipara(n) con esa regla), aunque por resumir se habla de reglas
solamente.
Dicho de otra manera, los componentes bsicos de un sistema de produccin son:
_________________________________________________________________________
80
Inteligencia Artificial
Por ltimo, un sistema de produccin con una estrategia de control determinista, puede no
encontrar la solucin al problema representado con ese sistema. Eso es debido a que la
estrategia de control se haya equivocado al elegir una regla en lugar de otra en algn
momento. La nica manera de solucionar ese problema es utilizar bsqueda en el espacio
de estados [16].
Segn el tipo de problema a resolver, los mbitos de aplicacin en los que ms se han
utilizado los sistemas basados en el conocimiento son los siguientes:
Planificacin. Son sistemas que establecen las etapas y recursos necesarios para
alcanzar un determinado objetivo. Ejemplo de ellos podra ser un sistema basado
en el conocimiento de planificacin de trabajos en una fbrica.
A modo de resumen y sin ser exhaustivos, pues el mbito de aplicacin de los sistemas
basados en el conocimiento es muy amplio, el siguiente cuadro indica algunas de las reas
en las que se han aplicado sistemas basados en el conocimiento y el tipo de problema que
abordan:
_________________________________________________________________________
81
Inteligencia Artificial
DOMINIO
mbito Administrativo:
Reglamentacin.
Derecho interpretado.
Procesos.
Procedimientos.
Gestin:
Ejecutivos.
- Gestores.
- Planificacin estratgica.
- Direccin.
- Consultores.
Operaciones:
- Operacin de maquinaria.
- Controles de calidad.
- Controles de inventario.
- Control de maquinaria
Servicios de Apoyo:
- Relaciones Pblicas.
- Entrenamiento de personal.
- Servicios de proceso de datos.
- Mantenimiento y construccin.
- Investigacin y desarrollo.
- Problemas legales.
Finanzas:
- Gestores de cartera.
-
Contabilidad financiera.
Gestores financieros.
Auditoria.
Control.
Mercadotecnia:
- Ventas.
- Publicidad.
PROBLEMAS
-
_________________________________________________________________________
82
Inteligencia Artificial
- Gestin de pedidos.
Automatizacin del Trabajo de
Oficina:
- Proceso de textos.
3.4.1.- Hechos.
Base de hechos: predicados que describen el problema concreto [17].
Llamada tambin workspace. Contiene los hechos que se descubren acerca de un
problema durante una consulta. Parte de un sistema experto que contiene los hechos del
problema que se descubren durante la sesin [4].
Los hechos que el sistema reciba del usuario y los que vaya infiriendo se almacenan en la
memoria de trabajo y pueden ser hechos, hiptesis, conclusiones parciales, etc.; es decir
lo que infiera emparejando los datos proporcionados con la base de conocimiento.
Tambin es necesario mencionar que los hechos de la memoria de trabajo tambin los
puede obtener de fuentes externas como base de datos, hojas de clculo, etc.; que los
puede cargar al inicio de la sesin u obtenerlos de acuerdo a su necesidad.
Hechos: terminologa
Los hechos constituyen los datos del problema en forma de:
Ejemplos:
X es un gato.
X es un animal domstico.
_________________________________________________________________________
83
Inteligencia Artificial
Si
-
Condiciones
Antecedentes
Premisas
Entonces
- Acciones
- Consecuentes
- Conclusiones
Ejemplo:
Si X es un gato entonces X es un animal domstico.
Contiene el conocimiento del dominio en el cual el programa es competente. Durkin lo
define como: Parte de un sistema experto que contiene el dominio del conocimiento [4].
El tema primordial para este componente es obtener el conocimiento del experto y
codificarlo en la base de conocimientos usando diferentes tcnicas de representacin del
conocimiento. Una de las ms usadas es representar el conocimiento en forma de reglas.
Una regla es una estructura de tipo IF/THEN (SI/ENTONCES) en donde existe una
premisa o antecedente y una conclusin o accin.
Por ejemplo:
REGLA 1:
IF el automvil no enciende
THEN el problema puede estar en el sistema elctrico.
REGLA 2:
IF el sueldo mensual de un cliente es menor o igual que 1,000
THEN el tope de crdito es de 3,500.
REGLA 3:
SI su temperatura corporal es de 39 C
ENTONCES tiene fiebre.
_________________________________________________________________________
84
Inteligencia Artificial
De las reglas mostradas podemos identificar que la base de conocimientos esta integrada
por conceptos, hechos o variables que varan de estados (valores) y que relacionadas
conforman las reglas.
Por ejemplo:
En la regla 1 tenemos dos hechos y dos valores:
automvil =enciende; automvil = no enciende y
problema es = el sistema elctrico o pueden existir otros valores.
El conocimiento tiene que estar representado en la forma que resulte ms adecuada para
el dominio de su competencia. Adicionalmente hay que tratar que esa representacin sea:
Sencilla.
Independiente.
Fcil de modificar.
Transparente: justificacin de soluciones y explicacin de los procesos.
Relacional.
Potente: poder expresivo y eficiencia de clculo.
Representacin
Representacin
Representacin
Representacin
Representacin
basada
basada
basada
basada
basada
en
en
en
en
en
Reglas de Produccin.
Lgica de Predicados.
Redes Semnticas.
Frames o Marcos.
Restricciones.
_________________________________________________________________________
85
Inteligencia Artificial
Funcin:
_________________________________________________________________________
86
Inteligencia Artificial
Una regla puede instanciarse ms de una vez, caso de existir variables que lo
permitan.
2. Seleccin: Qu regla?
Resolucin de conflictos: seleccin de la regla a aplicar (estrategia de control).
3. Aplicacin.
Aplicacin de la regla sobre una instanciacin de las variables: modificacin de la memoria
de trabajo.
_________________________________________________________________________
87
Inteligencia Artificial
_________________________________________________________________________
88
Inteligencia Artificial
6. Implementacin:
Comprende el proceso completo de adquisicin del conocimiento para todos los mdulos o
subsistemas. Es en esta etapa que tiene lugar el desarrollo incremental.
7. Pruebas:
El asegurar la calidad de un SBC es una tarea muy importante que debe ser
cuidadosamente planificada, especialmente a medida que el SBC es ms grande y
complejo, o es de aplicacin crtica. El plan de pruebas, es bastante similar al que se
prepara para un sistema convencional, basndose en la validacin y la verificacin.
8. Ajustes al Diseo:
A medida que el trabajo avanza y los ingenieros cognoscitivos tienen a la vista los
problemas detectados, deben realizar los ajustes necesarios al inicio de cada iteracin. Si
estos ajustes cada vez son relativamente ms pequeos y no son retroactivos, se tiene
una buena medida de que se est progresando. Pero si ocurre lo contrario, puede
representar un serio retardo al proyecto y posiblemente requerir un cambio de paradigma.
9. Instalacin, Implantacin y Mantenimiento:
En la etapa final del ciclo de vida de un SBC se traslada el sistema desarrollado, como un
producto operativo hacia el entorno de los usuarios. Para ello, se deben realizar varias
actividades de instalacin, implantacin y mantenimiento similares a las de un sistema de
software convencional [19].
_________________________________________________________________________
89
Inteligencia Artificial
Anlisis del
Problema
Especificacin
de
Requerimientos
Diseo
Preliminar
Prototipo Inicial
y
Evaluacin
Diseo Final
Implementacin
Pruebas
Ajustes al Diseo
Instalacin,
Implantacin
y Mantenimiento
_________________________________________________________________________
90
Inteligencia Artificial
Cuestionario de evaluacin.
Selecciona la respuesta correcta o las respuestas correctas.
1.- Uno de los resultados ms significativos demostrados por Newell y Simon fue que gran
parte de la solucin humana de problemas o cognicin puede expresarse con:
a) Reglas de produccin.
b) Reglas de situacin-accin.
c) Reglas de si-entonces.
2.- Enlaza las causas con los efectos de forma comprensible como si fuera un teorema
lgico, refleja la direccin que se asume de casualidad en el mundo.
a) Relacin causal.
b) Reglas de diagnstico.
c) Reglas de produccin.
3.- Programa de computacin inteligente que usa el conocimiento y los procedimientos de
inferencia para resolver problemas que son lo suficientemente difciles como para requerir
significativa experiencia humana para su solucin.
a) Sistema experto.
b) Sistema basado en conocimiento.
c) Redes neuronales artificiales.
4.- Componentes bsicos de un sistema basado en conocimiento.
a) Base de conocimientos, base de hechos, programas externos.
b) Subsistema de explicacin, motor de inferencias, mdulo de aprendizaje.
c) Base de conocimientos, motor de inferencia, interfase.
5.- Se encarga de recorrer las reglas inspeccionando si las puede aplicar, es decir, se
encarga de ejecutar el razonamiento.
a) Base de hechos.
b) Base de conocimiento.
c) Motor de inferencia.
6.- Es el conjunto de evidencias, junto con sus certezas asociadas como una variable
medida o una posible alarma o conclusin de una o varias reglas.
a) Base de hechos.
b) Interfaz del usuario.
c) Mecanismo de inferencia.
RESPUESTAS
1.- Opcin a, b, c
2.- Opcin a
3.- Opcin a, b
4.- Opcin c
5.- Opcin c
6.- Opcin a
_________________________________________________________________________
91
Inteligencia Artificial
UNIDAD 4
BSQUEDA Y SATISFACCIN DE
RESTRICCIONES
_________________________________________________________________________
92
Inteligencia Artificial
UNIDAD 4
_________________________________________________________________________
93
Inteligencia Artificial
No hay que perder de vista, aunque los mtodos de bsqueda se reduzcan en muchos
casos a meros algoritmos matemticos, que lo que se persigue desde el punto de vista de
la Inteligencia Artificial es entender el problema que se trata de resolver, analizar sus
posibles soluciones y las consecuencias de buscar una solucin por un camino u otro. No
se trata tanto de encontrar una solucin final ptima o al menos convincente como de
haber ganado en el conocimiento de un problema que se puede aplicar a una situacin
real.
Aunque hoy da tal y como estn implementados los mtodos de bsqueda no reflejen la
forma en la que los seres humanos resolvemos los problemas, no dejan de ser estrategias
muy eficientes y probadas, y siempre han tenido su lugar dentro de la Inteligencia
Artificial.
Espacio de estados
Cuando alguien se plantea resolver un problema, ya sea por ejemplo un juego simple
como el tres en raya o alguno ms complejo, como el ajedrez o el backgammon,
tenemos al menos mentalmente una representacin del espacio en el que se va a
desarrollar el mismo, es decir una imagen grfica o un mapa del terreno, del tablero, en el
que va tener lugar la estrategia de solucin. Para su resolucin computacional, el primer
paso es buscar una estructura de datos que capture lo esencial de ese juego o problema,
que refleje con propiedad la distribucin de los elementos en un espacio de situaciones o
posiciones posibles.
Se denomina espacio inicial aquel del que partimos, y que refleja la estructura que
subyace en el problema. Por ejemplo, para el juego del tres en raya sera una matriz
cuadrada de 3x3 posiciones, inicialmente vacas (Vase anexo Tres en Raya).
Desde cualquier estado se pueden ampliar una serie de operadores que modifican el
estado actual para llevar al sistema a un nuevo estado. Por ejemplo, cuando un jugador
coloca una ficha en el tablero. En nuestra representacin computacional, esto sera
equivalente a rellenar una celda de la matriz con X(1) o O(0) segn el jugador que haya
movido la pieza. En esta representacin al aplicar los operadores a un determinado estado
producen un nico nuevo estado.
La combinacin del espacio inicial y los operadores forma el espacio de estados o
espacio de representacin. Es decir, es el entorno donde se desarrolla el proceso de
bsqueda, y lo componen todos los estados por los que se avanza y que se van
recorriendo en la tarea de llegar a la meta. Cada uno de los estados recorridos es una
situacin candidata a ser solucin.
La secuencia de estados que resulta de la aplicacin vlida de operadores a partir del
estado inicial se denomina traza en el espacio de estados. Esta secuencia de operaciones
nos permite ir avanzando en nuestro espacio de estados a situaciones vlidas que nos van
acercando al objetivo final. La estrategia de control es la encargada de optimizar el
proceso de bsqueda, determinando los operadores aplicables y utilizando informacin del
dominio cuando sta sea conocida.
_________________________________________________________________________
94
Inteligencia Artificial
_________________________________________________________________________
95
Inteligencia Artificial
Nodos
Arcos
L
Figura 18. Ejemplo de un grafo.
Los grafos pueden ser dirigidos, cuando la secuencia entre dos nodos (P, Q) se considera
diferente de la que recorre los nodos en el orden (Q, P); en este caso el origen es el nodo
predecesor o padre, y el destino el sucesor o nodo hijo; o pueden ser no dirigidos, en el
caso contrario. Expandir un nodo es obtener todos sus posibles sucesores en el grafo de
bsqueda a travs de la aplicacin de todos los operadores disponibles relacionados. Un
nodo o estado es cerrado si ya ha sido expandido, y esta abierto si todava queda por
aplicar algn operador. A estos ltimos tambin se les denomina margen o frontera.
_________________________________________________________________________
96
Inteligencia Artificial
_________________________________________________________________________
97
Inteligencia Artificial
Inicio
25
25
5
25 5
50
30
25,5
25
10
5
25
35
25
15
5
25
25
40 5
25
20
45
25
25
xito
Figura 19. Grfica de estado para una mquina expendedora de bebidas gaseosas que acepta
monedas de 25 y 5 centavos.
Los estados de inicio y xito se dibujan como crculos dobles para facilitar su identificacin.
Los estados se muestran como crculos y las transiciones posibles a otros estados se
muestran como flechas. Observe que esta grfica es una grfica con pesos, donde stos
son las monedas que pueden entrar a la mquina en cada estado.
A esta grfica tambin se le llama grfica de mquina de estado finito, porque describe el
nmero finito de estados de una mquina. El trmino mquina se usa en un sentido muy
general, puede ser un objeto real, un algoritmo, un concepto, etc. Asociadas con cada
estado hay acciones que la conducen a otro. En cualquier momento, la mquina puede
estar en un solo estado. A medida que acepta la entrada a un estado, pasa de ese estado
a otro. Si se dan las entradas correctas, pasar del inicio al xito o estado final. Si un
estado no est diseado para aceptar cierta entrada, la mquina se detendr en l. Por
ejemplo, la mquina de bebidas gaseosas no tiene la capacidad de aceptar monedas de
diez centavos, si alguien pone una de estas monedas en la mquina, la respuesta no est
definida. Un buen diseo incluir la posibilidad de entradas no vlidas para cada estado y
proporcionar transiciones a un estado de error. Este es diseado para proporcionar
mensajes de error apropiados y llevar a cabo cualquier accin necesaria.
_________________________________________________________________________
98
Inteligencia Artificial
Otro ejemplo de espacio de problema sucede en el problema clsico del mono y los
pltanos que se muestra en la siguiente figura 20.
El problema consiste en dar instrucciones a un mono para decirle cmo alcanzar algunos
pltanos que cuelgan del techo. Como los frutos estn fuera de su alcance, pero dentro
del cuarto hay un sof y una escalera. La configuracin inicial tpica es la del mono en el
sof. Las instrucciones pueden ser:
Salta del sof
Ve a la escalera
Pon la escalera bajo los pltanos
Trepa la escalera
Agarra los pltanos
Mono en
el sof
Mono en
el piso
Baja el sof
Si el sof no est
Bajo los pltanos
El sof no
est bajo los
pltanos
Sof bajo
los pltanos
Mover el sof
El mono no
est en la
escalera
Si el mono no est en
la escalera
Si el mono est en la
escalera
Mono esta
en la
escalera
Mover al mono
La escalera
No est bajo
Los
pltanos
Si la escalera esta
bajo los pltanos
Mover la escalera
Si la
escalera
est bajo los
pltanos
Trepar por la
escalera
Mono en
la escalera
Agarrar pltanos
xito,
el mono tiene
los
pltanos
Figura 20. El espacio de estado para el problema del mono y los pltanos.
Las instrucciones variarn de acuerdo con las posiciones iniciales del mono, el sof la
escalera. Como hay varios estados iniciales, no se muestra aqu el doble crculo especial
de inicio. Por ejemplo, otro estado de inicio posible es con el mono en el sof debajo de
los pltanos, de esta manera, el mono tendr entonces que hacer el silln a un lado antes
de poner la escalera debajo de los pltanos. En el estado inicial ms simple, el mono ya se
encuentra en la escalera debajo de los pltanos.
Aunque este problema parece obvio para un ser humano, requiere una considerable
cantidad de razonamiento. Una aplicacin prctica de un sistema de razonamiento como
_________________________________________________________________________
99
Inteligencia Artificial
_________________________________________________________________________
100
Inteligencia Artificial
11
_________________________________________________________________________
101
Inteligencia Artificial
Aunque los programas reales rara vez son puramente determinsticos, es ms fcil que los
seres humanos as como otros programas determinar sobre la esencia de lo que realmente
son. Por esta razn, la mayora de los lenguajes de programacin y especialmente
aquellos que entran dentro de la categora de programacin funcional son lenguajes que
hacen un esfuerzo en prevenir eventos que se ejecutan sin control. Por esta razn este
tipo de restricciones fuerzan el carcter determinstico por esta razn a los algoritmos
determinsticos se les denomina purely functional.
_________________________________________________________________________
102
Inteligencia Artificial
_________________________________________________________________________
103
Inteligencia Artificial
iteracin
H
A
B
D
C
E
K
B
L
L
C
E
E
E
B
B
B
B
C
C
C
C
F
C
C
Extraer H+hijos de H
Extraer A+hijos de A
Extraer D+hijos de D
Extraer K
Extraer L
Extraer E
Extraer B+hijos de B
Extraer F
Extraer C+hijos de C
_________________________________________________________________________
104
Inteligencia Artificial
L
B
F
C
_________________________________________________________________________
105
Inteligencia Artificial
Crear una lista de nodos e inicializarla con el nodo raz (estado inicial). Esta
lista se maneja como una cola FIFO (first-in-first-out).
2.
Lazo:
2.1. Si la lista est vaca, terminar.
2.2. Quitar el primer nodo de la lista.
2.3. Si la lista contiene el nodo meta, salir.
La solucin es el primer nodo de la lista
2.4 Expandir el nodo actual y aadir todos sus hijos como nuevos
nodos al final de la cola.
H
_________________________________________________________________________
106
Inteligencia Artificial
iteracin
H
A
B
B
C
C
C
D
D
D
E
E
E
E
F
F
F
F
G
G
G
G
J
J
J
J
K
K
K
L
L
L
Extraer
Extraer
Extraer
Extraer
Extraer
Extraer
Extraer
H+hijos de H
A+hijos de A
B+hijos de B
C+hijos de C
D+hijos de D
E
F
En ste ltimo paso se comprobara que el primer nodo de la lista es uno de los nodos
solucin. Es decir, los nodos recorridos serian los representados en la diagonal:
HABCDEFGJKL
Por lo tanto, al llegar al nodo G se terminara el algoritmo dando esa solucin. Como
puede observar, el nodo L, la otra meta, sera el ltimo en alcanzarse.
Si el nivel de profundidad asociado a la solucin es significativamente menor que el factor
de ramificacin, se expandirn demasiados nodos intilmente. Por eso una variante muy
utilizada de esta estrategia es la denominada prioridad al mejor (best-first), consistente
en seleccionar primero los nodos con el mnimo nmero de subobjetivos y recorrerlos as;
es decir, en el ejemplo:
HBFCGJAEDKL
De esta forma se llega a la solucin de forma mucho ms eficiente. En este ejemplo se
encontrara el nodo G a la quinta iteracin.
Este mtodo tiene complejidad exponencial tanto temporal como espacial. La complejidad
temporal depende del factor de ramificacin y de la profundidad de la solucin. Si el
nmero medio de sucesores es n (se utiliza el valor medio ya que el rbol de bsqueda no
tiene por qu ser uniforme; es decir, no todos los nodos tienen igual nmero de
sucesores) y la solucin se alcanza en el nivel p, el tiempo empleado es 1+n+n2++np.
Siendo p un valor generalmente grande, la complejidad ser del orden O(np).
La complejidad espacial es tambin del orden O(np), lo que hace difcil de utilizar en
problemas reales.
Las complejidades de las estrategias de bsqueda se calculan considerando el peor caso.
Es decir, tanto la complejidad temporal como la espacial crecen exponencialmente con
esta estrategia de bsqueda, por lo que slo se pueden aplicar a problemas de pequea
dimensin.
_________________________________________________________________________
107
Inteligencia Artificial
Generar una posible solucin, ya sea un nuevo estado o un camino a travs del
espacio de bsqueda.
Probar si ese nuevo estado o camino generado es una solucin comparndolo
con un conjunto de estados objetivo.
Si es la solucin, terminar. En otro caso, volver al paso 1.
_________________________________________________________________________
108
Inteligencia Artificial
f(estadoj)=cj
Con estos valores se puede estimar el costo que llevara recorrer sus ramificaciones,
guiando la bsqueda hacia aquellos caminos que parecen ms prometedores. El valor
mximo o mnimo de las funciones heursticas debe alcanzarse en un estado meta.
Los principales mtodos de bsqueda heurstica son:
_________________________________________________________________________
109
Inteligencia Artificial
se puede seguir un camino que alcance una buena solucin pero dejando de lado la
solucin ptima que quizs se encontraba muy cerca. De este mnimo o mximo local es
difcil salir ya que cualquier movimiento nos llevar a un prximo estado peor, con menor
valor de bondad en la funcin de evaluacin. En algunos casos el espacio de bsqueda
presenta una meseta o zona plana en la cual cualquier nuevo estado tiene asociado el
mismo valor que el anterior, por lo que el algoritmo se estancar ya que no encontrar la
diferencia de valores positiva o negativa necesaria para avanzar.
Para evitar estos extremos locales se han propuesto diversas estrategias. Una consiste,
por ejemplo, en forzar un reinicio aleatorio. Cuando no se logra ningn avance
significativo se recomienza desde otro nuevo punto. Habitualmente esta tcnica es
suficiente para encontrar la solucin.
Otro mtodo consiste en aadir ruido a la funcin de evaluacin para lograr salir de los
extremos locales. Inicialmente el nivel de ruido es alto y se va reduciendo gradualmente
con el tiempo. Esta tcnica, denominada simulated annealing (enfriamiento o temple
simulado) permite al algoritmo explorar direcciones que no son las mejores pero que
pueden conducir a una exploracin mas completa del espacio de estados. Como est
tcnica recuerda la analoga que se da en los metales cuando son calentados y luego
enfriados lentamente, el parmetro que se utiliza en el enfriamiento simulado se denomina
temperatura, de forma que una temperatura elevada permite continuar con la bsqueda
de forma un tanto aleatoria, mientras que temperaturas bajas hacen que el algoritmo
vuelva a un comportamiento mas determinista.
Primero el mejor
La bsqueda por primero el mejor o bsqueda preferentemente por lo mejor es una
estrategia de control sistemtica que combina las ventajas de los mtodos de bsqueda
exhaustiva en amplitud y en profundidad. Su principal diferencia con esos mtodos es que
en este caso se hace uso de la informacin que proviene de las funciones de evaluacin
para ordenar los nodos de la cola. En este sentido se elige como primer nodo el que
parece que va a ser mejor (costo mnimo), antes que cualquier otro, sin tener en cuenta
su posicin en el rbol o grafo. Es decir, se expande el ms prometedor, el que ha
resultado mejor evaluado [5].
Con este mtodo siempre se encuentra un mnimo global, por lo que consigue disimular el
problema de los extremos locales.
Sin embargo, presenta una desventaja: el hecho de que en el algoritmo no se considera el
camino recorrido hasta el momento, lo que podra dar lugar a una solucin no idnea. Por
ejemplo, si un nodo se encuentra muy cerca de la meta, quiz ya inicialmente, pero hay
otro cuya distancia al nodo final es menor aunque suponga un recorrido ms largo, se
seleccionar este ltimo debido a esa estimacin de la distancia que no tiene en cuenta el
costo acumulado.
_________________________________________________________________________
110
Inteligencia Artificial
Por ejemplo, definimos una funcin costo asociada a cada nodo cuyo valor sea la distancia
al nodo meta figura 23. El costo de la generacin de cada sucesor se puede considerar
cero o uno. En cualquier caso, va a ser un valor constante.
_________________________________________________________________________
111
Inteligencia Artificial
extraer
H(20)
A(14), C(16)
D(9), E(5), C(16)
D(9), C(16)
K(3), L(6), C(6)
L(6), C(6)
F(0), C(16)
H
A
E
D
K
L
_________________________________________________________________________
112
Inteligencia Artificial
solucin inmediata ms barata, sin una visin global. Tampoco es completa pues puede
recorrer una ruta infinita y se estancara en ella sin probar otros caminos alternativos.
Algoritmo A*
Uno de los algoritmos de bsqueda mas conocidos y utilizados en la Inteligencia Artificial
es el A*, que combina la eficiencia del algoritmo de bsqueda menor costo con el mtodo
de costo uniforme que tiene las deseables propiedades de ser ptimo y completo. Es decir,
encuentra una solucin siempre y cuando sta exista, incluso para grafos infinitos, y
adems no cae en mnimos locales, sino encuentra el extremo global.
Otras de las ventajas de este mtodo es que expande el menor nmero de nodos. Sin
embargo, puede tardar mucho en hacer la seleccin entre dos caminos casi iguales por lo
que a veces puede requerir mucho tiempo.
En el mtodo de la bsqueda costo uniforme lo que se trataba era de reducir al mnimo el
costo de la meta h(n). El mtodo denominado de costo uniforme es una variacin de la
bsqueda en amplitud donde lo que se busca no son los caminos de menor longitud sino
de menor costo, por lo tanto, minimizar la ruta, g(n). Es decir, se expande el nodo con
menor costo de la ruta, en vez del que tenga menor profundidad, como lo haca la
estrategia en amplitud. Esta bsqueda s es ptima y completa, pero se puede ser muy
ineficiente.
En el algoritmo A* la funcin de evaluacin se calcula sumando estas dos medidas
heursticas para cada nodo n:
La funcin de evaluacin f(n) estima el costo total de camino a la solucin que pasa por el
nodo n.
_________________________________________________________________________
113
Inteligencia Artificial
Para el ejemplo de la figura 23, el proceso de ejecucin del algoritmo con esta estrategia
sera:
sacar
H
H(20+0)
A(14+1),
C(16+1)
D(9+2),
E(5+2),
C(17)
D(11), C(17)
A
E
D
K(3+3), L(6+3),
C(17)
L(9), C(17)
F(0), C(16)
K
L
Con el cual se obtiene el mismo camino solucin que con el mtodo del primero el mejor.
A los arcos que unen los distintos nodos se les puede asociar un costo no constante, en
cuyo caso el procedimiento de resolucin sera el mismo pero ahora habra que sumar a
cada nodo como valor de g(n) el que indica ese enlace.
El algoritmo A* es completo y ptimo siempre y cuando se verifique una restriccin: que la
funcin heurstica h(n) sea admisible. Es decir, que la funcin h que se seleccione nunca
sobreestime el costo que implica alcanzar la meta. Es por lo tanto una acepcin optimista
de la bsqueda. Sin embargo, sigue siendo un mtodo con una complejidad temporal y
espacial que generalmente es exponencial.
Una conocida modificacin del algoritmo A* es la llamada IDA* (Iterative Deepending A*)
o bsqueda por profundizacin iterativa (A*PI), que tiene por objeto garantizar la
linealidad respecto a la complejidad espacial. En vez de limitar la profundidad de la
bsqueda, este nuevo algoritmo utiliza una limitacin en el costo.
Mantiene menos caminos simultneamente que A*, de ah la reduccin del consumo de
memoria, pero no deja de encontrar la solucin gracias a que explora mltiples rutas.
Algoritmos genticos
En los aos setenta, de la mano de John Holland [Holland y col., 1975] surgi una de las
lneas ms prometedoras de la Inteligencia Artificial, la de los algoritmos genticos. Son
llamados as porque se inspiran en la evolucin biolgica y su base gentico-molecular.
Estos algoritmos hacen evolucionar una poblacin de individuos sometindola a acciones
aleatorias semejantes a las que actan en la evolucin biolgica (mutaciones y
recombinacin gentica), as como tambin a una seleccin de acuerdo con algn criterio,
en funcin del cual se decide cules son los individuos ms adaptados, que sobreviven, y
cules los menos aptos, que son descartados.
_________________________________________________________________________
114
Inteligencia Artificial
Los algoritmos genticos forman parte de una familia denominada algoritmos evolutivos,
que incluye las estrategias de evolucin, la programacin evolutiva y la programacin
gentica. Dentro de esta ltima se han logrado avances curiosos:
En 1999, por primera vez en la historia, se concedi una patente a un invento no realizado
directamente por un ser humano: se trata de una antena de forma extraa, pero que
funciona perfectamente en las condiciones a las que estaba destinada.
No hay, sin embargo, nada injusto en el hecho de que el autor del algoritmo gentico del
que sali la forma de la antena se haya atribuido la autora de la patente, pues l escribi
el programa e ide el criterio de seleccin que condujo al diseo patentado.
Un algoritmo gentico es un mtodo de bsqueda dirigida basada en probabilidad.
Bajo una condicin muy dbil (que el algoritmo mantenga elitismo, es decir, guarde
siempre al mejor elemento de la poblacin sin hacerle ningn cambio) se puede demostrar
que el algoritmo converge en probabilidad al ptimo. En otras palabras, al aumentar el
nmero de iteraciones, la probabilidad de tener el ptimo en la poblacin tiende a 1.
Funcionamiento
Los algoritmos genticos establecen una analoga entre el conjunto de soluciones de un
problema, llamado fenotipo, y el conjunto de individuos de una poblacin natural,
codificando la informacin de cada solucin en una cadena, generalmente binaria, llamada
cromosoma. Los smbolos que forman la cadena son llamados los genes. Cuando la
representacin de los cromosomas se hace con cadenas de dgitos binarios se le conoce
como genotipo. Los cromosomas evolucionan a travs de iteraciones, llamadas
generaciones. En cada generacin, los cromosomas son evaluados usando alguna medida
de aptitud.
Funcionamiento de un algoritmo gentico bsico
1. Primero, se genera aleatoriamente la poblacin inicial, que est constituida por un
conjunto de cromosomas, que representan las posibles soluciones del problema.
En caso de no hacerlo aleatoriamente, es importante garantizar que dentro de la
poblacin inicial, se tenga la diversidad estructural de estas soluciones para tener
una representacin de la mayor parte de la poblacin posible o al menos evitar la
convergencia prematura.
2. A cada uno de los cromosomas de esta poblacin se aplicar la funcin de aptitud
para saber qu tan "buena" es la solucin que se est codificando.
3. Despus de saber la aptitud de cada cromosoma se procede a elegir los
cromosomas que sern cruzados en la siguiente generacin.
_________________________________________________________________________
115
Inteligencia Artificial
4. Los cromosomas
seleccionados.
con
mejor
aptitud
tienen
mayor
probabilidad
de
ser
_________________________________________________________________________
116
Inteligencia Artificial
Ejemplo 1:
Si un atributo (tiempo) puede tomar tres valores posibles (despejado, nublado, lluvioso)
una manera de representarlo es mediante tres bits de forma que:
(Tiempo = Nublado Lluvioso) y (Viento = Fuerte) se representara con la siguiente
cadena: 011 10.
De esta forma podemos representar fcilmente conjunciones de varios atributos para
expresar restricciones (precondiciones) mediante la concatenacin de dichas cadenas de
bits.
Adems si tenemos otro atributo Viento que puede ser Fuerte o Moderado, se
representara con la siguiente cadena: 011 10.
Las postcondiciones de las reglas se pueden representar de la misma forma. Por ello una
regla se puede describir como la concatenacin de la precondicin y la postcondicin.
Ejemplo2:
JugaralTenis puede ser Cierto o Falso.
Si Viento = Fuerte entonces JugaralTenis = Cierto se representara mediante la
cadena 111 10 10. Donde los tres primeros bits a uno indican que el atributo Tiempo
no afecta a nuestra regla.
Cabe destacar que una regla del tipo 111 10 11 no tiene demasiado sentido, puesto que
no impone restricciones en la postcondicin. Para solucionar esto, una alternativa es
codificar la postcondicin con un nico bit (1 = Cierto y 0 = Falso).
Otra opcin es condicionar los operadores genticos para que no produzcan este tipo de
cadenas o conseguir que estas hiptesis tengan una adecuacin muy baja (segn la
funcin de evaluacin) para que no logren pasar a la prxima generacin de hiptesis.
_________________________________________________________________________
117
Inteligencia Artificial
Otra heurstica comn es seleccionar un valor que elimine el menor nmero de valores en
las otras variables asociadas a la variable por medio de una restriccin. A veces la
descripcin del estado contiene toda la informacin necesaria para llegar a una solucin
(ejemplo las 8-reinas) y se utilizan algoritmos que hacen mejoras iterativas. La idea
general es empezar con una configuracin completa y hacer modificaciones para mejorar
su calidad [23].
Normalmente, en problemas de maximizacin se trata de moverse hacia el pico ms alto.
Los mtodos iterativos normalmente guardan slo su estado actual y no ven ms all de
sus vecinos inmediatos.
Problemas de Satisfaccin de Restricciones
Estructura de estados:
Definicin:
_________________________________________________________________________
118
Inteligencia Artificial
Restricciones binarias.
Restricciones mltiples.
Ejemplo 1:
N reinas.
_________________________________________________________________________
119
Inteligencia Artificial
1
2
3
0
Ejemplo 2:
Planificacin de corte.
Encontrar la manera de situar patrones de corte en una pieza de cartn figura 25.
_________________________________________________________________________
120
Inteligencia Artificial
50s, Shannon describi los mecanismos que podan usarse en un programa para
que jugara al ajedrez.
50s, Turing describi un programa para jugar al ajedrez pero no lo construy.
60s, Samuel construy el primer programa de juegos importante y operativo, el
cual jugaba a las damas y poda aprender de sus errores para mejorar su
comportamiento.
El estado inicial, que incluye la posicin del tablero e identifica al jugador que
mueve.
Una funcin sucesor, que devuelve una lista de pares (movimiento, estado),
indicando un movimiento legal y el estado que resulta.
Un test terminal, que determina cundo se termina el juego. A los estados donde
el juego se ha terminado se les llaman estados terminales.
Una funcin utilidad (tambin llamada funcin objetivo o funcin de
rentabilidad), que da un valor numrico a los estados terminales. En el ajedrez, el
resultado es un triunfo, prdida, o empate, con valores +1, -1 o 0.
Por lo tanto, el primer paso ser la representacin del juego como un rbol de bsqueda,
y la definicin de las funciones de utilidad y de prueba final, es decir, determinar el
objetivo final. En general aunque se puede plantear como escenario un rbol completo
que represente las caractersticas del juego, frecuentemente no es posible tener en cuenta
_________________________________________________________________________
121
Inteligencia Artificial
la totalidad del rbol, por lo que en algn momento suele ser necesario suspender la
bsqueda y aplicar una funcin de evaluacin mediante la cual se obtenga una estimacin
de la utilidad de un estado determinado para saber por dnde seguir.
Hay diversos tipos de planteamiento en la resolucin de los problemas de bsqueda
aplicados a los juegos, determinados por sus caractersticas especficas. Depende del
nmero de elementos con capacidad de decisin involucrados, de la informacin que
posean del entorno y de los contrarios, etc.
En las aplicaciones con dos participantes que cuentan con informacin perfecta (y juegan
tambin de forma perfecta), el algoritmo minimax permite determinar cul ser la mejor
jugada. Como una modificacin de ste, el algoritmo alfa-beta es ms eficiente gracias a
la poda que realiza de las ramas del rbol de bsqueda que resultan irrelevantes para el
resultado final.
Los juegos de azar se pueden manejar como una extensin del algoritmo minimax
mediante el que se evalan nodos aleatorios, para lo que se toma en cuenta el valor de la
utilidad promedio de todos sus nodos hijos, ponderados por la probabilidad respectiva de
cada hijo.
Algoritmo del minimax
Se aplica este algoritmo a un juego de dos participantes que alternan sus decisiones, con
sus consiguientes movimientos, y que tienen un conocimiento perfecto en cada momento
tanto de la estrategia como del juego del adversario [5].
El objetivo es ganar, es decir, el algoritmo debe encontrar la secuencia de movimientos
que llevan a un jugador a alcanzar la meta. Pero debe tener en cuenta que el otro jugador
puede interponerse en ese recorrido, y que tambin el objetivo del adversario es llegar a
ese mismo estado final.
Los nodos del rbol son de dos tipos: MAX y MIN segn correspondan a uno u otro
jugador. Los valores altos son buenos para MAX, es decir, su objetivo es maximizar la
funcin de evaluacin que mide la proximidad estimada a la meta de una situacin dada.
Los valores bajos de la funcin de utilidad son los buenos para MIN que intenta minimizar
el valor de la funcin heurstica para dificultar a su contrincante la consecucin de la meta.
Debido a la alternancia en el juego, cada nivel dentro del rbol est formado slo por los
nodos MAX o nodos MIN. Si comienza MAX y ocupa la raz, ste ocupar los niveles pares
del rbol y el nivel inmediatamente inferior lo ocupar los nodos del jugador contrario.
El algoritmo de minimax desarrolla una bsqueda en profundidad limitada. Se puede
describir de forma simplificada en los siguientes pasos:
1. Generacin del rbol de bsqueda, desde la raz hasta los estados terminales.
2. Obtencin del valor de la funcin de utilidad en cada estado terminal.
3. Aplicacin de la funcin de utilidad para calcular este valor de cada uno de los
nodos del nivel inmediatamente superior a los terminales.
_________________________________________________________________________
122
Inteligencia Artificial
MAX-VALOR(estado)
devolver la accin de SUCESORES(estado) con valor v
_________________________________________________________________________
123
Inteligencia Artificial
MAX
MIN
la estrategia ganadora sera la que llevara a MAX a los valores ms altos de la funcin de
utilidad, supongamos que igual o mayor que el valor 6. La jugada seleccionada por MIN
sera la respuesta a la jugada de MAX que diera el menor valor de los posibles despus del
primer movimiento de MAX. Se han marcado los nodos MAX con rombos y los MIN con
circulos.
Si existe, una estrategia ganadora para MAX ser un subrbol en el que todos sus nodos
terminales son ganadores; de esta forma se puede garantizar el xito sea cual sea la
respuesta del adversario. El recorrido marcado en la figura 26 desemboca siempre en una
rama ganadora. Cualquier jugada de MIN hace que MAX sea el vencedor si ha optado por
esa rama.
Por el contrario, una estrategia ganadora para MIN ser el subrbol en el que todos sus
nodos terminales sean perdedores, teniendo en cuenta que cada vez que juega MAX habr
que considerar todos sus movimientos y cuando juega MIN slo es necesario considerar
una de las dos alternativas.
El ejemplo comentado anteriormente de tres en raya se puede tambin expresar como
rbol de bsqueda para aplicar esta estrategia de minimax, pero resulta tan compleja su
representacin total que slo se pueden mostrar aspectos parciales del mismo. Este
ejemplo se enuncia en Russell y Norving (1995).
Como es el algoritmo de bsqueda en profundidad, su complejidad temporal es
exponencial, pero la espacial es lineal. Es por lo tanto ineficiente para problemas reales
por el tiempo de cmputo requerido, pero sin embargo permite abordar el problema de los
juegos desde un punto de vista de la representacin que facilita su compresin.
_________________________________________________________________________
124
Inteligencia Artificial
Poda alfa-beta
Es un mtodo basado en el minimax pero ms eficiente puesto que evita el recorrido
exhaustivo de todos los nodos de un rbol de bsqueda. Reduce por lo tanto
considerablemente el nmero de nodos expandidos, y por eso se le denomina mtodo de
poda, ya que no explora todas las ramas. Obtiene la misma solucin que con el anterior
pero no recorre las ramas que no van a influir en la decisin final, y por lo tanto, al no
calcular sus consiguientes valores de utilidad ni expandir sus sucesores, requiere
generalmente menor tiempo computacional [5].
La poda alfa-beta puede aplicarse a rboles de cualquier profundidad, y, a menudo, es
posible podar subrboles enteros.
Sin embargo, esa afirmacin depende del orden en que se exploren los nodos del rbol.
De hecho, en el peor de los casos habra que examinar todos los nodos terminales y
tendra la misma complejidad que el procedimiento minimax.
Para realizar la poda, ste mtodo va anotando cundo se puede hacer una poda porque
en una rama haya algn nodo con un valor de utilidad inferior al de otro recorrido. Para
ello lo que se hace es pasar, en cada llamada recursiva a un nodo hijo, dos valores ( y )
de manera que marque la cota inferior de los valores que se van a ir buscando en la
parte del rbol que queda por explorar, y es la cota superior de los mismos valores. Si
en algn momento llega a ser mayor o igual que no tendr sentido seguir con la
bsqueda, realizndose una poda si estamos en un nodo MAX o si estamos en un
nodo MIN. Se suele denominar por eso poda . Los valores de y se suelen inicializar
a y + respectivamente. Tambin se les puede asignar a el valor mnimo de la
funcin de utilidad y a el valor mximo que puede alcanzar la funcin de evaluacin
heurstica.
Jugador
Oponente
Jugador
Oponente
Figura 27. Poda alfa-beta: el caso general. Si m es mejor que n para el Jugador, nunca iremos a n
en el juego.
_________________________________________________________________________
125
Inteligencia Artificial
Cuestionario de evaluacin.
Asigne el concepto con su respectiva definicin.
Conceptos: Espacio de estados, grafos de estado, aplicacin de espacios de estados,
algoritmo no determinstico, algoritmo determinstico, recorrido en profundidad, recorrido
en amplitud, bsqueda heurstica, mtodos de bsqueda heurstica.
1.- ______________________________________________________________________
Es el entorno donde se desarrolla el proceso de bsqueda, y lo componen todos los
estados por los que se avanza y que se van recorriendo en la tarea de llegar a la meta.
2.- ______________________________________________________________________
La bsqueda en profundidad es otra forma de recorrer sistemticamente una estructura
del rbol para encontrar el nodo solucin, pero recorrindolo en profundidad, es decir,
bajando de nivel.
3.- ______________________________________________________________________
Es un algoritmo que ofrece ms de una nica salida en funcin de su entrada, siempre
que no se haya dado otra especificacin adicional. Una ejecucin de estos algoritmos
permite elegir en un instante dado una secuencia de posibles estados de salida para una
misma entrada o estado inicial.
4.- ______________________________________________________________________
Se caracterizan por la tendencia a limitar el tiempo y el espacio en donde buscar la
respuesta a problemas complejos, y asumir que aceptaremos cuando le encontremos una
buena solucin, que puede no ser ptima.
5.- ______________________________________________________________________
Representa el conjunto de mundos, escenarios o situaciones que se pueden generar
mediante los operadores u acciones. Ya que indica el recorrido del proceso de bsqueda
que va movindose de un estado a otro, en la consecucin del objetivo final.
6.- ______________________________________________________________________
Ascensin a la cima o gradiente, primero el mejor, bsqueda menor costo, algoritmo A*,
algoritmos genticos.
7.- ______________________________________________________________________
Es completamente predictivo si se conocen las entradas al mismo. Dicho de otra forma si
se conocen las entradas del algoritmo siempre producir la misma salida, y la mquina
interna pasar por la misma secuencia de estados.
_________________________________________________________________________
126
Inteligencia Artificial
8.- ______________________________________________________________________
El algoritmo define una forma de moverse a lo largo de la estructura arbrea examinando
los valores de los nodos de manera sistemtica y controlada, de forma que se pueda
encontrar un nodo de solucin.
9.- ______________________________________________________________________
Bsqueda de rutas en redes informticas, rutas areas para viajar, problema del viajante,
diseo de microchips, ensamblaje de componentes, desplazamiento de robots.
_________________________________________________________________________
127
Inteligencia Artificial
CONCLUSIN
La Inteligencia Artificial ha hecho posibles aplicaciones nuevas tales como los sistemas de
reconocimiento de voz, sistemas de control de inventarios, sistemas de vigilancia, robots y
motores de bsqueda.
Distintas ramas de la Inteligencia Artificial han ido alternando en popularidad: la
aproximacin conexionista, representada por las redes neuronales; la computacin
biolgica, con algoritmos evolutivos como tcnicas de bsqueda; la lgica borrosa, en un
intento de dotar de sentido comn a las mquinas, etc. Recientemente, el crecimiento de
Internet y de la computacin distribuida en general ha abierto nuevos campos de
aplicacin de la Inteligencia Artificial.
Parece probable que el xito de la Inteligencia Artificial a gran escala, la creacin de
inteligencia en el nivel humano y ms all, cambiara las vidas a la mayora de la
humanidad. La verdadera naturaleza de nuestro trabajo y de nuestro papel cambiara as
como nuestro punto de vista de la inteligencia, la conciencia y el destino futuro de la raza
humana. A este nivel, los sistemas de Inteligencia Artificial podran suponer una amenaza
directa a la autonoma humana, la libertad, e incluso la supervivencia. Por estas razones,
la investigacin en la Inteligencia Artificial no se puede divorciar de sus consecuencias
ticas.
Se puede observar que la Inteligencia Artificial ha progresado a lo largo de su corta
existencia, pero todava tiene validez la frase del ensayo de Alan Turing sobre Computing
Machinery and Intelligence:
Podemos observar slo a poca distancia hacia delante, pero tambin se pude ver que
todava queda mucho por hacer.
_________________________________________________________________________
128
Inteligencia Artificial
ANEXOS
Anexo A Minera de datos.
Conjunto de tcnicas y herramientas aplicadas al proceso no trivial de extraer y presentar
conocimiento implcito, previamente desconocido, potencialmente til y humanamente
comprensible, a partir de grandes conjunto de datos, con objeto de predecir de forma
automatizada tendencias y comportamientos; y describir de forma automatizada modelos
previamente desconocidos.
La minera de datos es una de las respuestas al problema de la necesidad de extraer
conocimiento en forma automtica a partir de grandes bases de datos.
Es la aplicacin de algoritmos especficos para extraer patrones de datos, un patrn es til
si nos permite decidir o realizar una accin, los patrones han de ser comprensibles por los
seres humanos.
El conocimiento lo constituyen aquellos patrones que hemos aprendido a detectar y que
hemos guardado por que nos permiten aplicarlos a nuevos datos, y por lo tanto, predecir
el comportamiento de los fenmenos o las personas que nos rodean. Al final resulta que el
conocimiento no es tan mgico como parece. Disponemos de medios para aproximarnos a
l y encontrar patrones interesantes para diversos campos.
En la actualidad, existe una gran cantidad de aplicaciones en reas tales como astronoma,
biologa molecular, aspectos climatolgicos, medicina, industria y manufactura,
mercadotecnia, inversin de casa de bolsa, deteccin de fraudes, etc.
_________________________________________________________________________
129
Inteligencia Artificial
Anexo B Robtica
Magia y tecnologa
Desde etapas remotas de la cultura, el ser humano ha intentado crear mquinas
semejantes a l, dotadas de la capacidad de actuar con autonoma y un propsito
especfico. Cientos de aos despus, la robtica an se debate entre la realidad cientfica y
la imaginacin fantstica.
En un inventario que comienza algunos siglos antes de Cristo, conocemos docenas de
golems, animales artificiales, estatuas vivientes, androides y robots. Muchos fueron
resultado de leyendas y figuraciones literarias. Otros surgieron como proyectos basados en
principios cientficos y desarrollos tecnolgicos.
El inters por crearlos fue, en un inicio, un asunto sobrenatural: el Golem, hecho de
materia inerte, se animaba al escribir en un frente los nombres de Dios, y se destrua con
slo borrarlos; el homnculo se haca con la raz de una mandrgora nutrida
pacientemente con sangre, leche y miel.
Al tiempo que prosperaban esas creencias, los protocientficos de Europa, Asia y el mundo
rabe intentaban producir criaturas mediante los principios de la fsica y la mecnica, sin
recurrir a la magia: usaban vapor, palancas y resortes metlicos para animarlos. La
confusin de los dos enfoques en la mente colectiva haca pensar a muchos que los logros
de stos eran resultado de un pacto con el mismo diablo.
El desarrollo de la ciencia durante la Ilustracin elimin la vertiente mgica de ese
horizonte. Sin embargo, confi de manera exagerada en la capacidad intelectual del
hombre al grado de atribuirle cualidades increbles, como pensar que sera capaz de
construir rplicas perfectas de las criaturas naturales y subordinarlas a l. As surgi la
gran poca de los androides y las prodigiosas figuras de relojera que podan escribir,
dibujar y tocar el clavicordio.
Renacimiento de la era industrial
Estas piezas de artesana fueron desplazadas por el embate de la industrializacin entre
los siglos XVIII y XIX. Sin embargo, esa transformacin que marc profundamente todos
los mbitos de la accin humana no puso fin al propsito de crear seres artificiales. Por el
contrario: lo alent de muy diversas maneras.
Lo hizo con el empleo de nuevos materiales y una posibilidad de desplazar al ser humano
de las lneas de produccin y sustituirlo con mquinas capaces de hacer sus tareas con
varias ventajas: la reduccin de los mrgenes de error, la disminucin de gastos en
sueldos y prestaciones, y la posibilidad de operar de forma continua, sin quejas ni
cansancio.
_________________________________________________________________________
130
Inteligencia Artificial
Los autores de ciencia ficcin, el gnero literario del siglo XX, vieron en ese proyecto el
peligro inminente de un mundo automatizado y desprovisto de sentimientos, en el que las
mquinas ganaran terreno al hombre y pondran en peligro su misma supervivencia.
Isaac Asimov cre el cdigo pionero de tica robtica. Mientras tanto, los cientficos
prosiguieron en su afn de crear esas mquinas con avances sorprendentes en muchos de
los casos, pero insignificantes comparados con lo ambicioso del proyecto. Los progresos
en las ciencias de la computacin dieron origen al concepto de Inteligencia Artificial: los
robots no slo podran repetir las acciones fsicas de los humanos, sino tambin sus
procesos intelectuales, como la toma de decisiones y los sentimientos.
Surgieron robots no antropoides para lneas de ensamblaje en plantas automotrices.
Aparecieron en los quirfanos para realizar cirugas ms precisas, y en la guerra para
atacar con ms poder que los humanos. Exploraron el espacio y las profundidades del
mar. Aspiraron el polvo de los hogares y cortaron el csped de los jardines. El rasgo
diferencial para colocarlos en una categora distinta a la de meras mquinas es tambin la
clave de la robtica: por su apariencia o movimientos parecen contar con intenciones y
capacidad de accin propias.
Son, adems, sensibles a su ambiente y se mueven coordinadamente en l.
A nuestra imagen y semejanza
Algunas grandes corporaciones siguieron acariciando, por su parte, la elaboracin de las
criaturas semejantes al hombre desde la perspectiva ldica: robots que bailan moviendo
abanicos o tocan el piano, que juegan ftbol, abren la puerta cuando llaman las visitas y
las invitan a pasar a la casa. Incluso se les concibi como sofisticados compaeros de
juegos sexuales capaces de proporcionar placer e imitar las reacciones de quien lo
experimenta. En el mundo pos-humano los robots, incluso, tuvieron sus primeras mezclas
con los seres humanos en la figura quimrica de los cyborgs (criaturas orgnicas y
mecnicas a la vez), la cual cobra realidad en los exo-esqueletos computarizados que
elevan las capacidades del organismo, prtesis inteligentes que captan las seales de las
terminales nerviosas y modelos que imitan la estructura y funciones de la mano humana.
Luego de la primera muerte humana provocada por un robot y los accidentes asociados a
stos, resurge el miedo de perecer, como el doctor Frankenstein, destruidos por las
mquinas que nosotros mismos hemos creado, y a cada nueva rea de la robtica (como
la nanorrobtica) se asocia un peligro potencial. Las leyes de Asimov se reformulan en un
moderno cdigo de tica para la era de los robots y se reajustan los marcos jurdicos para
regular la operacin e incorporacin de esas mquinas en nuestras vidas.
La dificultad de evaluar la sensatez de esas perspectivas, prevenciones y temores radica
en que todava hoy, aun dentro de los laboratorios ms serios y rigurosos del mundo, el
imaginario robtico (la fantasa de animar a la materia inanimada y dotarla de voluntad)
contamina las investigaciones.
_________________________________________________________________________
131
Inteligencia Artificial
Casos remotos
Aunque hay escasos ejemplos de autmatas anteriores al siglo XIV, varios documentos
registran la existencia de ciertos modelos.
Algunos textos rabes mencionan un rbol de bronce que simulaba el proceso de
crecimiento e inclua, adems, pjaros y leones mecnicos.
Uno de los ms importantes es una paloma de madera diseada y construida por el sabio
Arquitas de Tarento (trabajo entre 400 y 350 a. C.), amigo de Platn. El ave se hallaba
suspendida en la parte superior de una prtiga provista de pivotes, y se mova gracias a
corrientes de vapor y aire comprimido. La importancia de esa figura es su carcter
representativo de una serie de modelos semejantes empleados para el entretenimiento y
dotados de movimiento gracias a la fuerza del agua, el uso de pesos y contrapesos, vapor
y aire. Los escritos de Hern de Alejandra (redactados en el siglo I a. C.) ofrecen un
completo inventario de ellos; mencionan, por ejemplo, un conjunto de marionetas
mecnicas que representaban la Guerra de Troya, o a las curiosas estatuas que servan
vino a los seores de la casa mediante un sistema de palancas o principios de gravedad.
El polgrafo Polibio (ca. 200 a. C.) describe, por su parte, al autmata empleado por Nabis,
el tirano de Esparta: era un sistema mecnico con forma de mujer, con afilados clavos en
el pecho y los brazos. Cuando alguien no cumpla con el pago de una deuda, se le pona
enfrente del mecanismo y la mujer metlica lo abrazaba hasta producirle la muerte.
Desarrollo en China
Con su singular talento para la creacin de maquinarias complejas, los antiguos chinos
disearon sus primeros modelos casi al mismo tiempo de los que aparecan en Grecia. Ms
o menos en el siglo III a.C., bajo el reinado de la dinasta Han, exista una orquesta
mecnica que deleitaba con sus notas al emperador, y se habla de otros pequeos
mecanismos creados para su diversin.
El inters por la elaboracin de autmatas fue constante y stos se perfeccionaron.
Cuando la dinasta Sui estaba en el poder (entre los siglos VI y VII d.C.) ya eran comunes.
Incluso se public el tratado Shui shih tu Ching (Libro de las maravillas hidrulicas) para
describir algunos modelos. En el periodo Tang (siglo VII a X) los autmatas siguieron
siendo comunes en los crculos de la nobleza: haba pjaros voladores, nutrias mecnicas
capaces de atrapar peces y figuras que representaban seres humanos en distintas
actitudes. Destacaba, por ejemplo, un conjunto de mujeres artificiales que cantaban y un
monje que realizaba sus oraciones.
Estas figuras comenzaron a inspirar la imaginacin popular y dieron origen a cuentos y
leyendas donde se incorporan elementos fantsticos, como hadas y hroes. La elaboracin
de autmatas alcanz su auge con la dinasta Yuan (1279-1368), pero despus declin y
slo se practic de manera ocasional.
_________________________________________________________________________
132
Inteligencia Artificial
Mundo Islmico
En el siglo XIII el sabio al Jazari trabajaba para los gobernantes de Mesopotamia. Hoy se
le considera unos de los mayores ingenieros de la historia, pues invent el cigeal
(mecanismo capaz de transformar el movimiento rectilneo en rotatorio), los relojes
movidos por los pesos de agua, y varios dispositivos automticos. Autor de El libro del
conocimiento de los ingeniosos mecanismos (obra clave de la historia de la tecnologa), se
interes por la creacin de autmatas.
Realiz varios modelos de pavos reales impulsados con agua que se paseaban por los
jardines de los poderosos, y tambin autmatas de la figura humana que realizaban tareas
sencillas para sus dueos. Sin embargo, su creacin ms compleja y acabada fue un reloj,
cuya composicin inclua las figuras mecnicas de hombres, animales pequeos y un
sorprendente elefante, que se desplazaban para anunciar el paso de las horas. Aunque
estos modelos no se pudieron conservar, los principios que explic en su obra de
mecnica impulsaron trabajos afines en el mundo oriental y tambin en la Europa
medieval, que descubri asombrada esos progresos.
El avance de autmatas en el mundo islmico se vio obstaculizado por una creencia
religiosa: es un sacrilegio representar o emular la figura humana (e incluso el movimiento
de los animales) pues son obras perfectas de Dios cuya sabidura y estatus sagrados no
han de ser desafiados.
Inters medieval
Hay varias referencias sobre los creadores de autmatas en la Edad Media. Uno de ellos
fue el notable filsofo ingls Roger Bacon (1220-1292), quien concibi modelos de barcos
y coches motorizados. Pionero del uso del mtodo experimental, imagino prodigiosas
piezas de ingeniera mecnica y plane la realizacin de muchos autmatas que se
quedaron en meros proyectos. Su mayor logro real fue una inquietante cabeza parlante.
Otra figura destacada de ese periodo fue el alemn Alberto Magno (1200-1280). A lo
largo de treinta aos trabaj en el modelo de un autmata de hierro que realizaba
diversas tareas en su hogar. Caminaba, abra la puerta, saludaba a las visitas y las invitaba
a pasar. Se cuenta que, al ver esta mquina, Toms de Aquino afirm que era una obra
del demonio e intent destruirla. Menos impactantes fueron los trabajos del arquitecto
francs Villard de Honnecourt, autor de un extenso libro de esquemas para la realizacin
de dispositivos mecnicos (muchos de ellos empleados en las ceremonias de la iglesia)
que cobraban forma de seres humanos y animales.
Con todo y estos progresos, la Edad Media era tambin poca de gran oscurantismo, y
durante ella aparecieron muchas leyendas sobre sabios capaces de crear mquinas
idnticas a los humanos. Como en el caso de Toms de Aquino, se pensaba que el
progreso tecnolgico obedeca, ms bien, a un pacto con las fuerzas del mal. La influencia
negativa de la iglesia fren los progresos en ese sentido.
_________________________________________________________________________
133
Inteligencia Artificial
Modelos de Leonardo
En la vasta obra de Leonardo da Vinci (1492-1519) sobresalen cientos de bocetos de
proyectos mecnicos que jams llegaron a construirse pero inspiraron a los constructores
en los tiempos que siguieron. Se han encontrado entre ellos modelos de autmatas. Uno
de los ms interesantes fue trazado a finales del siglo XV. Es una figura humana que porta
una armadura metlica, engarzada mediante diversos mecanismos que podran dotarla de
movimiento. En la poca actual se intent construirla y se comprob que era
tecnolgicamente viable.
Sus grandes conocimientos de ingeniera y mecnica le permitieron crear, en 1498, a uno
de los autmatas ms notables del Renacimiento. Para celebrar el ascenso al trono y la
entrada del rey Luis XII a Miln, construy un len mecnico de bronce, por encargo del
papa Len XII. El da de la fiesta de la formidable figura se desplaz por el saln donde se
llevaba a cabo el banquete. Los asistentes lo siguieron sorprendidos mientras caminaba
por las distintas habitaciones del palacio. De repente, el len se detuvo y un mecanismo
de resortes hizo que su pecho se abriera. De l salieron cientos de flores que deleitaron a
la concurrencia. Este prodigio le vali a Leonardo la amistad y el mecenazgo de Luis XII de
Francia, para quien trabajo a lo largo de muchos aos.
Otros autmatas de aquella poca se pierden entre la realidad y la ficcin. Se dice que en
el siglo XVI el ingeniero espaol Juanelo Turriano desarroll un autmata de palo que
recorra las calles de Toledo pidiendo limosna. Cuenta la leyenda que, a la muerte de su
hija Francine, el filsofo francs Ren Descartes dio vida a una mueca idntica a ella que
se mova por si misma y lo acompaaba en sus viajes. Por cierto, los trabajos cartesianos
en relacin con las leyes del movimiento y la mecnica fundamentaron muchos de los
robots posteriores.
Se inventa el resorte
A inicios del siglo XVI Europa vivi un inters renovado por la elaboracin de autmatas.
Aparte de la tradicin propia de la poca medieval, recibi la influencia de Oriente y el
mundo rabe, gracias al intenso intercambio comercial y la traduccin de los primeros
tratados sobre el tema, como los escritos de Hern de Alejandra. Quienes tenan dinero
para financiar esas investigaciones, las conceban como meras formas de distraccin. En
las casas de los ricos miembros de la nobleza haba intricadas fuentes mecnicas, dotadas
de elementos que se movan, como los famosos juegos de agua en los jardines de Villa d
Este, en Tvoli, cerca de Roma.
Un gran proceso tecnolgico en la elaboracin de autmatas fue la invencin del resorte
de acero templado. Los primeros modelos datan del siglo XII y pronto se descubri su
potencial como genuina fuente porttil de movimiento, fcil de emplear y muy verstil por
su diversidad de tamaos y posibilidad de adaptacin a mecanismos muy pequeos, como
los relojes. Se le us en la relojera y en la joyera, y en la elaboracin de muecos y
figuras de animales.
_________________________________________________________________________
134
Inteligencia Artificial
A finales del siglo XIV, en Alemania, estos dispositivos servan para perfeccionar el
mecanismo de pequeos barcos a escala, hechos de metales y piedras preciosas, que
decoraban las mesas de los ricos y servan de entretenimiento a sus comensales. Por
mucho tiempo, en la elaboracin de autmatas hubo tambin una bsqueda esttica,
explicita en bien cuidados elementos decorativos que reflejan el estilo de la poca.
El pato metlico
Voltaire compar a Jaques de Vaucanson (1709-1782) con Prometeo, pues en su afn de
dar vida pareca robarse el fuego celestial. Educado con los jesuitas, vivi la fiebre de los
autmatas que cunda en la Francia del siglo XVIII. Cautivo al pblico con un mueco
tamborilero y un flautista (de dimensiones humanas) que tocaba doce melodas.
Su autmata mas celebre, empero, fue un pato metlico que poda mover las alas
(ensambladas con ms de cuatrocientas piezas), incorporarse, sentarse y beber agua. Lo
ms sorprendente es que coma, realizaba la digestin y hasta defecaba. Cuando lo
present en Pars en 1738, la gente se agolpaba y pagaba costosos boletos para verlo. De
acuerdo con los estudiosos contemporneos a nosotros, ese inters responda al
convencimiento de que algn da la mente humana sera capaz de construir una criatura
artificial.
La fantasa que cautiv a los espectadores se revel como un fraude, al menos en parte.
Un curioso observador descubri que el maz que le daban de comer quedaba almacenado
en un pequeo depsito, y que el excremento sala de otro, donde se haba cargado
antes. Sin embargo, nadie puso en duda el perfecto carcter automtico de las otras
acciones que el pato desempeaba. Hoy lo conocemos gracias a grabados y dibujos de
aquellos das; el modelo original se perdi despus de 1743, cuando De Vaucanson se
hart de sus autmatas y los puso a la venta.
Figuras pequeas y grandes
A finales del siglo XVIII surgieron modelos mucho ms sofisticados en Europa. En Francia
los hermanos Rochat se especializaron en la elaboracin de pjaros miniatura que
cantaban. Eran colocados en jaulas colgantes o en paneles para anunciar la hora. Al
mismo tiempo aparecieron las cajas de magos, que sorprendan a los visitantes de los
salones. En una caja especial el usuario introduca un pequeo disco con una pregunta
grabada. De la caja sala un mago miniatura cuya mano apuntaba a la respuesta correcta
entre las opciones escritas en una tableta.
Los nobles se deleitaban con los cuadros mecnicos. Estos eran pasajes enmarcados
cuyas figuras (animales y personas) y otros elementos (ros y molinos) se movan ante los
ojos del espectador gracias a un mecanismo oculto de relojera. Uno de los ms famosos
fue elaborado por encargo de Madame de Pompadour y hoy se exhibe en el Conservatorio
Nacional de Artes y Oficios de Francia. Los mismos principios, a diferente escala, se
aplicaban en los teatros mecnicos, cuyos elementos eran de tamao real. El ms notable
_________________________________________________________________________
135
Inteligencia Artificial
se encuentra en los jardines de Hellbrunn, cerca de Salzburgo, Austria. Armado entre 1748
y 1752, presenta 113 figuras con movimiento hidrulico.
La robtica: una nueva disciplina
Correspondi a Isaac Asimov, escritor estadounidense de origen ruso, crear la otra palabra
ms importante relacionada con el tema: robtica, que aparece citada por primera vez en
su relato Runaround (1942). En ella se enuncian, asimismo, las famosas leyes de la
robtica, que inspiraron tantos libros y pelculas de ficcin.
El propio Asimov escribi una completa serie de libros dedicados a ese tema, como la
coleccin Yo robot (1950), las novelas Las cavernas de acero (1954) y Robots e imperio
(1985). Aunque todos se inscriben en la literatura de la ciencia ficcin, los conocimientos
cientficos y tecnolgicos del autor abrieron rutas a la reflexin sobre las dificultades de
construir verdaderos robots inteligentes, y los problemas ticos y sociales que se
derivaran de ellos. Los robots que aparecen en sus libros son muy semejantes a los
homnculos, pero carecen de las caractersticas que dan carcter humano a stos, en
especial los sentimientos o la conciencia de la identidad y existencia propias.
Con todo y sus orgenes literarios, la palabra robtica se convirti en el trmino estndar
para referirse, de acuerdo con el diccionario Merriam Websters, a la tecnologa que se
ocupa de diseo, la construccin y la operacin de robots automatizados.
Unimate
La industria renuncio a crear robots con rasgos humanoides, pero le interesaron las
mquinas con un comportamiento ms o menos flexible y algunos atributos de naturaleza
humana. Ya desde los primeros modelos se aprovecharon los avances de la computacin
para crear esquemas de instrucciones que sean introducidos a las mquinas para la
realizacin automtica de tareas.
El ms notable de los inicios fue Unimate, un brazo hidrulico controlado electrnicamente
para levantar objetos, que poda repetir secuencias arbitrarias de movimientos. Fue
inventado en 1954 por el ingeniero estadounidense George Devol y creado por Unimation
Inc., compaa fundada por Joseph Engelberg en 1956. Para 1961 la compaa general
Motors lo introdujo en su planta de hierro fundido en Trenton, Nueva Jersey. Su
desempeo fue tan exitoso que ese mismo ao se inici la primera produccin en lnea
especial para la industria automotriz. Su tarea principal era retirar y apilar las piezas que
salan de una mquina fundidora.
Adems de ser un dispositivo pionero para la industria de la robtica, se trata de uno de
los robots ms duraderos, pues hasta la fecha se fabrica (con un mecanismo
perfeccionado) y se vende a las fbricas de autos, el sector que ha dado mayor impulso a
la robtica para hacer eficientes sus tareas y abatir costos. Uno de sus extremos ms
sofisticados es la Mquina Universal Programable para Ensamblaje, complejo brazo
robtico capaz de colocar paneles y luces a los automviles.
_________________________________________________________________________
136
Inteligencia Artificial
_________________________________________________________________________
137
Inteligencia Artificial
_________________________________________________________________________
138
Inteligencia Artificial
_________________________________________________________________________
139
Inteligencia Artificial
Robots sexuales
A comienzos de este siglo la robtica tambin se ha orientado hacia la satisfaccin de las
necesidades sexuales de los seres humanos. Se trata de la creacin de modelos avanzado
de muecas o muecos de tamao natural que se utilizan como compaeros sexuales.
Estas figuras, hechas de materiales y textiles sensibles a los cambios de temperatura,
cuentan con varias tecnologas caractersticas del sexo virtual. Complejos sistemas de
cmputo permiten el reconocimiento de la voz y la emulacin de los cambios fsicos que
ocurren durante el coito y el orgasmo.
En 2006 los funcionarios de la Red Europea para la investigacin en Robtica afirmaron
que en unos cinco aos ser comn tener relaciones sexuales con estos robots que pronto
ingresarn al mercado.
En este 2007 el inventor alemn Michael Harriman inform que haba creado el robot
sexual ms sofisticado del mundo. Su modelo incluye una rplica del corazn, que late
con mayor intensidad durante la relacin sexual; la respiracin del autmata se acelera, la
temperatura corporal se eleva, excepto la de los pies. En palabras de Harriman, es casi
imposible distinguirlos de una persona real, pero estoy haciendo mejoras y slo estar
contento cuando superen a la personas reales.
Los primeros modelos tienen un elevado precio en venta (unos 8, 000 dlares), que puede
aumentar si se solicitan adaptaciones, como un mayor tamao de los senos. No se
descarta en el futuro la apertura de prostbulos mecanizados con robots femeninos
adaptados a la carta.
Tecnologas de guerra
Otra inspiracin de la robtica es la creacin de equipos y dispositivos que puedan
reemplazar a los seres humanos en las peligrosas operaciones del frente de batalla. En la
actualidad existen aviones que pueden volar sin tripulantes para realizar tareas de
reconocimiento y ataque, y los equipos especializados en la deteccin y desactivacin de
minas antipersonales.
Talon Sword es un rifle robot que se opera a control remoto y asemeja un pequeo
tanque. Tiene mucha mayor estabilidad que un rifle comn manejado por un humano.
Realiz sus primeras misiones en Bosnia, durante el ao 2000, y sigue activo en la guerra
de Irak. Creada por iRobot, Packbot es una pequea gra capaz de acceder a espacios
confinados y apoderarse de las municiones con un brazo robtico. Cien unidades se
encuentran activas en Afganistn (donde se apropian de las municiones del Talibn) y en
Irak se usan para desactivar bombas colocadas en carreteras.
Existen tambin un vehculo autnomo todoterreno, provisto con armas antitanques, que
puede transportar bombas y municiones y cuenta con la capacidad de avanzar por zonas
peligrosas o accidentadas para vehculos comunes. El Desert Hawk, de Lockeed Martin, es
una avioneta porttil (puede cargarla un soldado) que se hace despegar sin tripulacin
para tareas de patrullaje durante el da y la noche en los desiertos de Irak. Robocopter es
_________________________________________________________________________
140
Inteligencia Artificial
_________________________________________________________________________
141
Inteligencia Artificial
_________________________________________________________________________
142
Inteligencia Artificial
Nanorrobots
Visualizamos a los robots como grandes mquina pero la ciencia ha imaginado una versin
distinta. Los nanorrobots son ingenios microscpicos creados para realizar tareas precisas
a escalas mucho ms pequeas que un milmetro. Entre sus posibles aplicaciones se
encuentra el ensamblaje y mantenimiento de sistemas sofisticados en el procedimiento
conocido como fabricacin molecular, empleado para la construccin de circuitos. Una de
sus grandes ventajas potenciales es la capacidad de construir rplicas de s mismos y
reemplazar as las unidades que se gasten o se destruyan.
Un campo distinto de aplicacin es la medicina. Una hipottica flota de estos robots
miniatura podra combatir infecciones dentro del cuerpo, reparar tejidos daados,
desbloquear arterias y hasta reemplazar rganos completos. El poder de controlar las
interacciones atmicas podra resultar til, afirman los investigadores, en aplicaciones
relacionadas con la carrera espacial, la produccin de memoria para computadora, la
manipulacin del ADN y las antenas pticas. Otra ventaja es su duracin, pues pueden
mantenerse activos por lapsos muy prolongados.
La nanorrobtica es uno de los campos ms nuevos y menos explorados. Su origen data
desde los 80 con trabajos pioneros de Richard Feynman, y sus posibilidades originaron el
concepto sociedad poshumana, una organizacin en la que las mquinas miniatura
gobernaran todos los aspectos de la vida. Tambin se han propuesto escenarios en los
que estos organismos podran salir de control y provocar el fin del hombre.
Proyecto Asimo
Llamado as en honor de Isaac Asimov y tambin por las siglas en ingls de Paso
avanzado en Movilidad Innovadora, este proyecto de la empresa japonesa Honda,
lanzado en la dcada de 1980, se ha propuesto construir un robot humanoide con
capacidad de movimiento propio e interaccin con las personas. En su base se encuentra
un profundo estudio de los movimientos del cuerpo humano. El robot puede avanzar y
retroceder, moverse hacia los lados y hasta subir y bajar escaleras.
La primera versin se presento en 2004 y poda correr a 3 km. La segunda se dio a
conocer en 2005 y contaba con caractersticas mejoradas. Gracias a los sensores
colocados en sus muecas el robot, que mide 1.20 metros, es capaz de cargar carros,
bandejas y paquetes, y detecta la presencia de humanos, con lo que su interaccin es
automtica, y se desplaza con mayor facilidad.
Desde el modelo EO, creado en 1986, Honda quiso capitalizar su experiencia en la
construccin de motocicletas y automviles. Su propsito es crear un compaero para las
personas, un nuevo tipo de robot que funcione en la sociedad. Asimo es compacto y
ligero, cuenta con la llamada Tecnologa de la inteligencia, que le hace posible reconocer
objetos en movimiento, sonidos, posturas, entornos y rostros. Identifica hasta a diez
personas diferentes, responde a su nombre, saluda con la mano y su conexin a internet
le permite dar a conocer las ms recientes noticias o buscar informacin. Sobre la espalda
carga una mochila que porta su batera de 30 voltios.
_________________________________________________________________________
143
Inteligencia Artificial
Shadow hand
Uno de los mayores desafos en la robtica es la emulacin de la compleja estructura y los
movimientos de las manos humanas. En Estados Unidos se trabaja en el Proyecto Shadow
con ese objetivo. Iniciado por Richard Greenhil en la dcada de 1990, actualmente tiene
en el mercado una mano derecha, con todo y antebrazo, cuyas medidas son el promedio
de nuestras manos con un rango amplio de movimientos. Su estructura mecnica emula la
sea de las manos humanas, aunque se han creado articulaciones y funciones especiales
para fortalecer, por ejemplo, el dedo meique.
El movimiento se logra en virtud de cuarenta msculos artificiales neumticos (operados
mediante aire a presin). En cada uno el flujo de aire est controlado por ochenta
vlvulas. La mueca incluye dos articulaciones extra que permiten flexionar y contraer la
mano. El equipo contiene 234 sensores que determinan la posicin de los dedos, la calidad
de las superficies que la mano recorre (emulacin del sentido del tacto) y la demanda de
movimiento muscular. Para lograr una similitud perfecta con las funciones de la mano
humana, los dedos estn cubiertos por una capa fina de poliuretano semejante a la piel
que da poder de agarre. Los datos que captan sus terminales se transmiten a una
computadora que regula su desempeo.
Tambin destacan los esfuerzos de Hugh Herr, del MIT, y sus prtesis robticas. Su pierna
Rheo Knee es capaz de reconocer las seales nerviosas que el cerebro enva en los
msculos cercanos. Con ella, las personas caminan sin problema y hasta pueden subir
escaleras.
Depth X
Los robots han sido parte fundamental de la exploracin espacial. Dos de ellos (Spirit y
Opportunity) realizan hoy da un reconocimiento del suelo de Marte. En Mayo de 2007 un
conjunto de investigadores de la Agencia estadounidense para el Espacio (NASA por sus
siglas en ingls) comenz las pruebas del equipo ms sofisticado de este tipo. El aparato,
llamado Explorador Profundo Fretico Termal, fue concebido para explorar las lunas de
Jpiter en una misin que podra desarrollarse dentro de treinta aos.
El tambin llamado Depth X cuenta con cincuenta sensores de sonar para sentir la
temperatura, y un equipo de anlisis qumico que verifica cambios en el agua, en el
oxgeno y otros factores.
Mediante estos procesos el robot determina por s mismo cules muestras de material
debe recuperar, y cundo y cmo ha de regresar a su punto de partida. Para ello utiliza
una poderosa computadora que crea un mapa tridimensional del entorno y lo actualiza
constantemente. Sus primeras pruebas se realizaron en un profundo cenote mexicano,
hasta ahora inexplorado por seres humanos. Se le conoce como Zacatn y esta ubicado a
las afueras de Tampico, Tamaulipas. El robot tuvo por misin descender a una
profundidad de 305 metros y recuperar materiales del fondo.
_________________________________________________________________________
144
Inteligencia Artificial
_________________________________________________________________________
145
Inteligencia Artificial
Los creadores del ingenio, parecido al "Tamagochi" japons popularizado en los aos
noventa, disearon la mascota para que su dueo le d comida y bebida, lo saque a
pasear, lo lleve a hacer sus necesidades, le regule su temperatura y no deje que se canse.
El "Poligochi" funciona con un programa informtico diseado por Hctor Daz, Miguel
Gonzlez y Emmanuel Mendoza, de la Escuela Superior de Cmputo del IPN, a quienes
supervis el catedrtico Rodolfo Romero Herrera. Daz seal que al animal virtual "se le
tiene que ensear el sitio en el que debe comer, dormir, hacer sus necesidades fisiolgicas
y protegerse de los cambios climticos".
El "Poligochi" vive en un patio donde se encuentran su casa y un arbolito, y debe hacer
frente a distintos cambios climticos que se pueden programar. El usuario puede hacer
cosas como silbar a su perro, sacarlo de paseo, regaarle, castigarle, darle de comer o
acariciarlo.
La mascota virtual fue desarrollada con base en tcnicas de computacin afectiva,
Inteligencia Artificial, redes neuronales y sistemas de programacin de algoritmos. Entre
las mayores complicaciones que tuvo crear el "Poligochi" destac la de desarrollar sus
afectos. El estado de nimo de la mascota, que con otro "Poligochi" de distinto sexo puede
llegar a tener cachorros, depende de lo bien que se la trate, que en el mejor de los casos
prolonga su vida ao y medio.
El programa mexicano, en el que se trabaja para ponerlo a disposicin del pblico por
Internet, se hizo sobre la base de investigaciones en computacin afectiva realizadas en el
Instituto Tecnolgico de Massachussets (MIT) ya que en Mxico este campo de
conocimiento est poco desarrollado [10].
_________________________________________________________________________
146
Inteligencia Artificial
Anexo C Prolog
Generalidades sobre Prolog
La programacin lgica surge hacia 1979 donde Kowalski establece el enunciado del
patrn de programacin lgica:
Algoritmo + lgica + control
La programacin lgica involucra:
El uso de hechos y reglas y la construccin de deducciones para procesar
consultas.
Formas Mnimas en Prolog:
Corresponden a las formas ms sencillas de informacin manipulada por Prolog:
1. Los tomos de informacin: una cadena de texto que empieza por letra minscula
o un valor numrico con signo opcional
2. Las variables: Son cadenas de texto que empiezan por una letra mayscula o por
el signo _ (underscore).
Las Relaciones:
Con las formas mnimas anteriormente descritas se pueden construir las relaciones, base
del conocimiento en Prolog.
Ejemplos de relaciones:
padre(pepe, maria).
/* en esta relacin se denota una existencia de parentesco entre pepe y maria, prolog en
este punto no conoce quien es el padre de quien, somos nosotros quienes le damos esa
interpretacin, prolog solamente se encarga de crear una relacin en su base del
conocimiento*/
Obsrvese la sintaxis de la relacin descrita:
Ntese que los nombres de las personas empiezan por letras minsculas indicando
que son tomos de informacin y variables.
El nombre de la relacin es tambin un tomo de informacin y no debe ser una
cantidad numrica.
Nmero de objetos relacionados: sin son cero irn entre parntesis y si son mas de
uno, irn separados por comas.
Los hechos terminan siempre en punto. (.)
_________________________________________________________________________
147
Inteligencia Artificial
Al tener por ejemplo dentro de nuestra base del conocimiento, los siguientes hechos:
sucesor(1,2).
sucesor(2,3).
sucesor(3,4).
sucesor(4,5).
sucesor(5,6).
sucesor(6,7).
Podemos realizar consultas como las siguientes:
sucesor(X,6).
sucesor(2,Y).
sucesor(X,Y).
Ntese como los tomos de informacin que se desean consultar han sido reemplazados
por variables (letra inicial en mayscula); en este punto Prolog busca dentro de su base
del conocimiento un hecho que haga emparejamiento con la informacin suministrada en
la consulta. Primero, busca una predicado (nombre de la relacin) llamado sucesor, luego
hace una comparacin entre la informacin que se tiene (6), para llenar la variable X con
la informacin almacenada en el hecho, as, prolog responde X=5. De la misma forma
ocurre con la segunda consulta; en la tercera no existe informacin para hacer
emparejamiento en la base del conocimiento, por lo tanto el responder con el primer
hecho que tenga ese predicado.
Responder:
X=1
Y = 2;
En este punto tenemos dos opciones: quedar satisfechos con la respuesta que prolog nos
ha suministrado oprimiendo enter o solicitarle consultas sobre otros posibles
emparejamientos, para la cual debemos oprimir punto y coma (;).
Es tambin posible construir en prolog consultas complejas con los operadores AND(,),
OR(;) y NOT(not) de la siguiente forma:
legusta(pepe,pesca).
legusta(maria,bailar).
legusta(ana,pesca).
legusta(pepe,musica).
legusta(maria,musica).
legusta(ana,bailar).
Se pueden realizar las siguientes preguntas sobre la base de informacin:
-Le gusta la msica a Pepe y a Maria?:
?-legusta(pepe,musica),legusta(maria,musica).
-Le gusta bailar a Pepe o a Maria le gusta la msica?:
?-legusta(pepe,musica);legusta(maria,musica).
-Le gusta bailar a Pepe y a Maria no le gusta la msica?:
?-legusta(pepe,musica),not(legusta(maria,musica)).
_________________________________________________________________________
148
Inteligencia Artificial
Para que estas consultas funcionen de forma adecuada es necesario no dejar espacios
entre los operadores.
Predicados, Hechos y Reglas:
En este caso la relacin padre(pepe, maria). se asume como un hecho, pues no est
involucrando variables en su definicin; al nombre de la relacin se le llama predicado.
Ms formalmente un predicado es un conjunto de hechos o reglas que tienen un mismo
nombre y la misma cantidad de objetos relacionados, si se trata de reglas, en nombre de
la conclusin es el mismo y el nmero de objetos relacionados es tambin el mismo.
Una regla es una sola conclusin seguida por el signo :- el cual hace la vez de SI
condicional, seguida por una o mas relaciones de condicin.
Por ejemplo:
sucesor(1,2).
sucesor(2,3).
sucesor(3,4).
sucesor(4,5).
sucesor(5,6).
sucesor(6,7).
suma(1,X,R):-sucesor(X,R).
suma(N,X,R):-sucesor(M,N),suma(M,X,R1),sucesor(R1,R).
Aqu podemos apreciar como suma es una regla que depende en gran medida de la
condicin sucesor. En la segunda regla de suma se observa que existe mas de una
condicin, por tanto estas van separadas por coma; podemos observar tambin que se
realiza una operacin recursiva. Esta misma sentencia traducida en un lenguaje de
programacin como Java quedara:
int suma(int N, int X, int R)
{
if ( N == 1 )
{
sucesor(X,R);
}
else
{
sucesor(M,N);
suma(M,X,R1);
sucesor(R1,R2);
}
}
_________________________________________________________________________
149
Inteligencia Artificial
Obsrvese que en la segunda lnea del bloque else se realiza un llamado recursivo al
mtodo suma, de forma tal, que se realiza la operacin disminuyendo el valor de N hasta
que este se hace 1, en el cual termina la recursividad y se origina la respuesta.
Listas
Una lista en prolog es una secuencia lineal de objetos, con la caracterstica de que toda la
manipulacin de la secuencia se realiza por el extremo izquierdo, debido a la forma como
se representa una lista generalizada.
Una lista vaca se representa de la siguiente manera: []
Una lista generalizada, con un nmero de objetos distinto de 0:
[X|Y] //en esta lista se est declarando por lo menos un objeto X y una secuencia de
objetos a la derecha de X, pudiendo ser incluso una lista vaca.
De igual manera, la lista [X,Y|Z] contiene por lo menos dos objetos: X y Y, seguidos de
una secuencia de objetos Z, la cual puede ser vaca.
La notacin se extiende de esta manera, para una lista con por lo menos tres objetos, su
representacin sera la siguiente: [X,Y,Z|W]
Ejemplo de manipulacin de listas: se quiere a una lista agregar otra lista al final, de esta
forma, si la primera lista es [a,b,c] y la segunda es [d,e,f], la lista resultante sera:
[a,b,c,d,e,f].
El programa que realiza esto en prolog sera:
agregar([],L,L).
agregar([A|R],L,[A|T]):-agregar(R,L,T).
En este programa nuevamente vemos la recursin en la segunda lnea: se va
disminuyendo el tamao de la primera lista hasta que este es cero, en cuyo caso finaliza la
recursin y se origina una respuesta. Observamos que los elementos en la regla son: lista
inicial, lista que se adiciona, lista final.
Prctica:
1. Descargue e instale SWI-Prolog
http://www.swi.psy.uva.nl/cgi-bin/nph-download/SWI-Prolog/w32pl5213.exe
2. Ejecute la aplicacin.
3. Cree un nuevo archivo usando la opcin File--New (use un nombre tal como
prueba.pl)
_________________________________________________________________________
150
Inteligencia Artificial
4. Digite:
prueba(uno).
prueba(dos).
5. Guarde el archivo y salga del editor.
6. Cargue el archivo usando la opcin File--Consult
7. En el prompt digite:
prueba(X). <enter>
;
;
Resultado
X = uno
X = dos
_________________________________________________________________________
151
Inteligencia Artificial
_________________________________________________________________________
152
Inteligencia Artificial
1
4
7
2
5
8
3
6
9
tablero que resultarn de cada posible movimiento. Decidir que posicin es la mejor,
realizar la jugada que corresponda a esa posicin, y asignar la clasificacin de mejor
movimiento a la posicin actual.
Para decidir cul de todas las posibles posiciones es mejor, se realiza para cada una de
ellas la siguiente:
Ver si se produce la victoria. Si ocurre catalogarla como la mejor dndole el mejor puesto
en la clasificacin. En caso contrario, considerar todos los posibles movimientos que el
oponente puede realizar en la siguiente jugada. Mirar cual de ellos es pero para nosotros
(mediante una llamada recursiva a este procedimiento). Asumir que el oponente realizar
este movimiento. Cualquier puesto que tenga la jugada, asignarla al nodo que se est
considerando. El mejor nodo es el que resulte con un puesto ms alto.
Este algoritmo inspecciona varias secuencias de movimientos para encontrar aquella que
lleva a la victoria. Intenta maximizar la probabilidad de victoria, mediante la suposicin de
que el oponente intentar minimizar dicha probabilidad. Este algoritmo se denomina
minimax.
_________________________________________________________________________
153
Inteligencia Artificial
El programa necesita mucho ms tiempo que otras soluciones debido a que debe realizar
una bsqueda en un rbol que representa todas las posibles secuencias de jugada antes
de realizar un movimiento. Sin embargo es superior a los dems programas en algo
importante: podra ser ampliado para manipular juegos mas complicados que las tres en
raya, cualidad en que otras soluciones fracasan.
La anterior solucin es un ejemplo del uso de una tcnica de Inteligencia Artificial. Para
problemas muy pequeos, es menos eficiente que los mtodos ms directos. Sin embargo
puede usarse en aquellas situaciones en las que fallen los mtodos tradicionales [24].
_________________________________________________________________________
154
Inteligencia Artificial
BIBLIOGRAFA
[1] Inteligencia Artificial, Un Enfoque Moderno
Stuart Russell, Meter Norving
Ed. Prentice Hall, 2004.
[2] Sistemas Expertos Principios y Programacin
Giarratano, Riley
Ed. Thomson Learning, 2001.
[3] Principios de Inteligencia Artificial y Sistemas Expertos
David W. Rolston
Ed. Mc. Graw Hill, 1990.
[4] Expert Systems: Desing and Development
Durkin, J.
Maxwell Macmilan, 1994.
[5] Inteligencia Artificial e Ingeniera del Conocimiento
Gonzalo Pajares Martinsanz, Matilde Santos Peas
Ed. Alfaomega, 2006.
[6] Inteligencia Artificial
Patrick Henry Winston
Ed. Addison Wesley Iberoamericana, 1992
[7] Sistemas Expertos, Una metodologa de programacin
J. P. Snchez y Beltrn
Ed. Macrobit, 1990
[8] Utilizacin de C en Inteligencia Artificial
Herbert Schildt
Ed. Osborne, McGraw-Hill, 1989
[Anderson, 1980] Anderson, J. R. 1983 The Architecture of Cognition. Harvard University
Press. Cambridge, Massachusetts.
[Boyer, R. S. and Moore, J. S., 1984] Proof checking the RSA public key encryption
algorithm. American Mathematical Monthly, 91(3), 181-189.
[Boyer, R.S. and Moore, J.S., 1979] A Computational Logic. Academic Press, New York.
[Bryson y Ho, 1969] Bryson A. E. And Ho, Y.-C. 1969. Applied Optimal Control. Blaisdell,
New York.
[Cohen, 1995] Cohen, W. W. and Page, C. D. 1995 Learnability in inductive logic
programming: Methods and results. New Generation Computing, 13 (3-4), 369-409.
_________________________________________________________________________
155
Inteligencia Artificial
[Craik, 1943] Craik, K. J. 1943 The Nature of Explanation. Cambridge University Press,
Cambridge, UK.
[Friedberg, 1958] Friedberg, R. M. 1958. A learning machine: Part I. IBM Journal, 2, 2-13.
[Guard, J. Oglesby, F., Bennett, J., and Settle, L., 1969] Semi-automated mathematics.
Journal of the Association for Computing Machinery, 16, 49-62
[Havelun, K., Lowry, M., Park, S., Pecheur, C., Penix, J., Visser, W., and White, J.L., 2000]
Formal Analysis of the remote agent before and after flight. In Proceedings of the 5th
NASA Langley Formal Methods Workshop, Williamsburg, VA.
[Holland y col., 1975] J. H. Holland, Adaption in natural and artificial systems. University
of Michigan Press, 1975.
[Holzmann, G.J., 1997] The Spin model checker. ISSS Transactions on Software
Engineering, 23(5), 279-295.
[Horvitz y Heckerman, 1986; Horvitzet al., 1986] Horvitz, E. J. And Heckerman, D. 1986.
The inconsistent use of measures of certainty in artificial intelligence research. In Kanal, L.
N. And Lemmer, J. F. (Eds.). Uncertainty in Artificial Intelligence, pp. 137-151.
Elsevier/North-Holland, Amsterdam, London, New York.
[Kowalski, 1979] Robert Kowalski, Algorithm = Logic + Control, Comm. ACM, 22, (7), pp.
424-436, 1979.
[Lighthill, 1973] Lighthill, J. 1973 Artificial Intelligence: A general survey. In Lighthill, J.,
Sutherland, N. S., Needham, R. M., Longuet-Higgins, H. C., and Michie, D. (Eds.), Artificial
Intelligence: A paper Symposium. Science Research Council of Great Britain, London.
[McAllester, D.A., 1989] Ontic: A Knowledge Representation System for Mathematics. MIT
Press, Cambridge, Massachussets.
[McCarthy et al., 1955] J., Minsky, M. L., Rochester, N., and Shannon, C. E. 1955.
Proposal for the Dartmout summer research project on artificial intelligence. Tech. Rep.,
Dartmouth College.
[McCune, W., 1997] Solution of the robbins problem. Journal of Automated Reasoning,
19(3), 263-276.
[McDermott, 1982] McDermott, J. 1982. R1: A Rule-based configure of computer systems.
Artificial Intelligence, 19(1), 39-88.
[Mill, 1863] Mill, J. S. 1863 Utilitarianism. Parker, Son and Bourn, London.
[Minsky, 1967] Marvin Minsky, Computation: Finite and Infinite Machines, Prentice-Hall, p.
228, 1967.
_________________________________________________________________________
156
Inteligencia Artificial
[Nalwa, 1993, p.15] Nalwa, V. S. 1993 A Guided Tour of Computer Vision. AddisonWesley, Reading, Massachusetts.
[Newell y Simon, 1961] Newell, A. And Simon, H. A. 1961 GPS, a program that simulates
human thought. In Billing, H. (Ed.). Lernende Automaten, pp. 109-124. R. Olden-bourg,
Munich.
[Newell, 1990; Laird et al., 1987] Newell, A. 1990 Unified Theories of Cognition. Harvard
University Press, Cambridge, Massachusetts. Laird, J. E., Newell, A., and Rosenbloom, P.
S. 1987. SOAR: An architecture for general intelligence. Artificial Intelligence, 33 (1), 1-64.
[Nussbaum, 1978, p. 40] Nussbaum, M. C. 1978 Aristotles De Motu Animalium. Princeton
University Press, Princeton, New Jersey.
[Quillian, 1968] M.R. Quillian, Semantic Memory, Semantic Information Processing, Marvin
Minsky, ed., MIT Press, pp. 227-270, 1968.
[Robinson, 1965] J.A. Robinson, A Machine-Oriented Logic Based on the Resolution
Principle, J.ACM, 12 (1), pp. 23-41, enero de 1986.
[Rumelhart y MacClelland, 1986] Rumelhart, D. E. and McClelland, J. L. (Eds.). 1986
Parallel Distributed Processing. MIT Press, Cambridge, Massachusetts.
[Shankar, N., 1986] Proof-Cheking Metamathematics Ph. D. Thesis, Computer Science
Department, University of Texas at Austin.
[Smolesky, 1988] Smolesky, P. 1988 On the proper treatment of connectionism.
Behavioral and Brain Sciences, 2, 1-74
[Srivas, M. And Bickford, M., 1990] Formal verification of a pipelined microprocessor. IEEE
software, 7(5), 52-64.
[Stillings, 1987] Neil A. Stillings, et al., Cognitive Science: An Introduction, MIT Press,
1987.
[Widrow y Hoff, 1960; Widrow, 1962] Widrow, B and Hoff, M.E. 1960 Adaptive switching
circuits. In 1960 IRE WESCON Convention Record, pp. 96-104, New York.
[Wilson y Keil, 1999] Wilson, R. A. And Keil, F. C. (Eds.). 1999 The MIT Encyclopedia of
the Cognitive Sciences. MIT Press, Cambridge, Massachusetts.
[Winston, 1984] Patrick Henry Winston, Artificial Intelligence, 2nd ed., Addison-Wesley
Pub., 1984.
[Wojciechowski, W.S. and Wojcik, A.S., 1983] Automated design of multiple-valued logic
circuits by automated theorem proving techniques. IEEE Transactions of Computers, c32(9), 785-798.
_________________________________________________________________________
157
Inteligencia Artificial
[Wos, L. And Winker, S., 1983] Open questiones solved with the assistance of AURA. In
Bledsoe, W.W. and Loveland, D.
[9] Revista muy interesante, mes julio 2007, www.muyinteresante.com.mx
[10] http://tecnologia.prodigy.msn.com, Julio 2007
http://tecnologia.prodigy.msn.com/LandinTech/landingpage.aspx?cpdocumentid=5129468
[11] http://www.monografias.com, Agosto 2006
http://www.monografias.com/trabajos/iartificial/pagina4_35.htm
[12] http://serbal.pntic.mec.es, Noviembre 2006
http://serbal.pntic.mec.es/~cmunoz11/carlos43.pdf
[13] http://club.telepolis.com, Enero 2007
Glosario de Carlos von der Becke, http://club.telepolis.com/ohcop/causal_r.html
[14] http://www.monografias.com, Agosto 2006
http://www.monografias.com/trabajos10/trabajos/trabajos.shtml
[15] http://club.telepolis.com, Marzo 2007
http://club.telepolis.com/ohcop/sisrlogi.html
[16] http://scalab.uc3m.es, Abril 2007
http://scalab.uc3m.es/~docweb/ia/introduccion_sistemas_produccion/tutorial/tutorial.html
[17] http://www.lsi.upc.es, Febrero 2007
http://www.lsi.upc.es/~luigi/II/IA-2007-primavera/3b-inferencia-en-agentes-basados-enconocimiento-(es).pdf
[18] http://www.lsi.upc.es, Enero 2007
http://www.lsi.upc.es/~luigi/II/IA-2007-primavera/3b-inferencia-en-agentes-basados-enconocimiento-(es).pdf
[19] http://www.unlu.edu.ar, Diciembre 2006
http://www.unlu.edu.ar/~ogarcia/se/doc/SistemasBasadosenConocimiento(1).ppt#11
[20] http://eia.udg.es, Octubre 2006
http://eia.udg.es/~quimmel/altres_documents/articles/inteligencia-aei.galerades.pdf
[21] http://www.cs.us.es, Agosto 2006
http://www.cs.us.es/cursos/iia-2004/temas/tema-01.pdf
[22] http://club.telepolis.com, Abril 2007
http://club.telepolis.com/ohcop/mcevnode.html
http://club.telepolis.com/ohcop/non_dete.html
http://club.telepolis.com/ohcop/determin.html
_________________________________________________________________________
158
Inteligencia Artificial
http://es.wikipedia.org/wiki/Imagen:World_of_Ptolemy_as_shown_by_Johannes_de_Arms
shein_-_Ulm_1482.png
http://es.wikipedia.org/wiki/Algoritmo_determin%C3%ADstico
http://es.wikipedia.org/wiki/Algoritmo_no_determin%C3%ADstico
[23] http://www.cs.us.es, Mayo 2007
http://www.cs.us.es/cursos/ia1-2002/temas/tema-05.pdf
[24] http://www.fenicios.com, Mayo 2007
http://www.fenicios.com/cgibin/foro/programacion/messages/391.htm
http://www.fenicios.com/cgibin/foro/programacion/messages/862.htm
http://dmi.uib.es/~abasolo/intart/1-introduccion.html
_________________________________________________________________________
159