Modelos de Inteligencia Artificial

Dr. Hugo A. Banda Gamboa

CORDICYTOctubre, 2015

INTRODUCCIÓN

Históricamente, el ser humano se utilizó a sí mismo como el modelo de facto en sus variados intentos de desarrollar máquinas inteligentes. De hecho, la era de la inteligencia artificial se inició bajo el supuesto que la inteligencia humana podía ser descrita con suficiente precisión como para ser simulada en una máquina [1].

[1] McCarthy, John; Minsky, Marvin; Rochester, Nathan; Shannon, Claude. A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence. 1955

© Dr. Hugo A. Banda Gamboa - 2015 2

http://www-formal.stanford.edu/jmc/history/dartmouth/dartmouth.html

CONTENIDO

I. Computación Simbólica

Simulación Cognitiva

Sistemas Basados en Lógica

Sistemas Basados en Conocimiento

II. Computación Sub Simbólica

III. La Nueva Inteligencia Artificial

IV. Agentes Inteligentes

V. Conclusión



COMPUTACIÓN SIMBÓLICA

Computación Simbólica La inteligencia artificial clásica, comprende un

conjunto de modelos de sistemas inteligentes, caracterizados por:

La representación formal del problema a resolver, como una red semántica; y,

Su capacidad de procesamiento simbólico, basada en algoritmos de búsqueda de soluciones.

De aquí se deriva el nombre de computación simbólica para la implementación tecnológica de las aplicaciones basadas en los modelos clásicos de inteligencia artificial.


Objetos Simbólicos

La computación simbólica comprende la solución algorítmica de problemas representados por objetos simbólicos.

Se consideran objetos simbólicos, a las representaciones computacionales de componentes del conocimiento, apoyados por modelos matemáticos y la lógica computacional.


Definición y Formulación de Problemas

En la computación simbólica un problema puede definirse como la búsqueda de una situación objetivo en un entorno determinado, con su correspondiente conjunto de medios que permitirían alcanzarla a partir de una situación dada.

Para la formulación de un problema se requieren acciones de observación, descripción, explicación y predicción.


Representación Formal La ejecución del proceso que conlleva a obtener

una representación formal de un problema en computación simbólica, requiere de:

Identificación de fuentes para adquisición del conocimiento necesario (Documentos, experiencias, procesos, expertos humanos, etc.)

Adquisición y clasificación del conocimiento (Para simplificar el proceso de búsqueda de las soluciones y para resolver el problema).

Representación simbólica del conocimiento (Proceso de extraer, transformar, traducir y transferir la experticia para resolver problemas desde una fuente de conocimiento hacia una forma procesable por un programa de computadora).


Elementos de una Representación En general, una representación se puede definir

como un conjunto de convenciones sobre la forma de describir alguna cosa. Una representación tiene 4 elementos importantes:

Léxico.- Símbolos permitidos en el vocabulario.

Estructura.- Restricciones para el ordenamiento de los símbolos.

Operadores.- Procedimientos para crear, modificar y utilizar descripciones.

Semántica.- Forma de asociar el significado con las descripciones.


Redes Semánticas Una de las representaciones más utilizadas para

problemas de inteligencia artificial son las redes semánticas. Una red semántica es una notación gráfica para representar conocimiento en patrones caracterizados por:

Nodos, enlaces y etiquetas (Léxico)

Nodos conectados por enlaces etiquetados (Estructura)

Constructores, lectores, escritores y destructores (Operadores)

Significado de nodos y enlaces (Semántica)


Tipos de Redes Semánticas

Los principales tipos de redes semánticas [2], son:

Redes de Definición

Redes Asertivas

Redes de Implicación

Redes Ejecutables

Redes de Aprendizaje

Redes Híbridas

[2] John F. Sowa. Semantic Networks. http://www.jfsowa.com/pubs/semnet.htm


http://www.jfsowa.com/pubs/semnet.htm

Representación de Problemas La representación de un problema como una red

semántica, en computación simbólica, permite definir formalmente a un problema y resolverlo utilizando un conjunto de operadores y un proceso de búsqueda. La representación puede ser:

Explícita.- Descripción completa, transparente y concisa de una red semántica. Agrupa todos los objetos y sus relaciones, poniendo de manifiesto las restricciones inherentes del problema.

Implícita.- Descripción de una red semántica compuesta por un estado inicial y un mecanismo para generar estados sucesores.


Principio de Representación

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


Definición Formal de Problemas En esencia, la definición formal de problemas en

computación simbólica, implica: Escoger una red semántica apropiada para modelar el

tipo de problema identificado. Identificar y seleccionar los posibles estados iniciales. Especificar un conjunto de acciones para alcanzar o

generar nuevos estados (operadores). Identificar la meta o metas deseadas (estados

objetivos). Establecer una función de costo de ruta desde el estado

inicial al estado objetivo. Definir criterios de aceptabilidad de las metas

alcanzadas (validación de meta) o de las trayectorias encontradas (validación de trayectoria), como soluciones.

Seleccionar y aplicar de la mejor técnica de solución. Evaluar los resultados obtenidos.



Simulación Cognitiva

Computación Heurística Herbert Simon y Allen Newell estudiaron las

habilidades de los humanos para resolver problemas y trataron de formalizarlas simbólicamente.

Los resultados de estos estudios conformaron la base para el desarrollo de las ciencias cognitivas, investigación de operaciones, las ciencias administrativas y de sistemas inteligentes basados en la simulación cognitiva humana (Computación Heurística) [3].

[3] Newell, A., y Simon, H. A.: Human problem solving. Prentice-Hall, Englewood Cliffs, NJ., 1972.


Modelo de Newell y Simon El modelo del procesador cognitivo de Newell y Simon

considera la mente como un sistema de procesamiento de la información.


Modelo de Procesador Cognitivo

La analogía con la estructura de un computador es evidente. Basándose en datos experimentales, el modelo incluye la hipótesis de que el procesador cognitivo selecciona preceptos y reacciona ante ellos en ciclos reconocimiento y acción de unos 70 milisegundos.

Las transferencias entre la M.C.P (memoria a corto plazo) y la M.L.P (memoria a largo plazo) tardarían unos siete segundos. Estos números no son caprichosos. Están apoyados, como el número mágico 7±2, en diversos experimentos [4].

[4] Miller, G A. The Magical Number Seven, Plus or Minus Two Some Limits on Our Capacity for Processing Information. Psychological Review © by the American Psychological Association. Vol. 101, No. 2, 1956, pp. 343-352



Sistemas Basados en Lógica

La Lógica Computacional

Juega un papel importante en muchas áreas de la informática, incluida la verificación de hardware y software, lenguajes de programación, bases de datos e Inteligencia Artificial.

Los métodos de la lógica de predicados y de la lógica modal son los que más se utilizan hoy en día en ciencias de la computación, inteligencia artificial e ingeniería del software.


La Lógica en Inteligencia ArtificialEn el caso de la Inteligencia Artificial, la

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


El Modelo de John McCarthy John McCarthy trató de representar la esencia

del razonamiento abstracto y de la resolución de problemas, independientemente de si los humanos usamos o no estos algoritmos.

Sus investigaciones se enfocaron en el uso de lógica formal para resolver la representación simbólica del conocimiento, el planeamiento y el aprendizaje.

Esto dio lugar al desarrollo del lenguaje PROLOG y a la programación lógica.


Proceso Lógico – Cognoscitivo de Interpretación de la Realidad



Sistemas Basados en Conocimiento

Los Sistemas Basados en Conocimiento

Son aplicaciones relacionadas con la captura, codificación y utilización del conocimiento de expertos humanos.

Los sistemas basados en conocimiento requieren de una interfaz, base de conocimientos y un motor de inferencia.


Representación del Conocimiento

Para representar el conocimiento, utilizan comúnmente reglas si-entonces, pero también es posible usar otras representaciones del conocimiento como por ejemplo las redes semánticas.

Cuando las fuentes de conocimiento son muy complejas, el uso de métodos de aprendizaje automático puede ayudar a capturar y codificar el conocimiento necesario.


Procesos Computacionales El Sistema que trata de alcanzar inteligencia a

través de procesos que:

Adquieren, representan, almacenan y recuperan conocimiento representado simbólicamente en un formato computacional;

Procesan el conocimiento simbólico, con la ayuda de un motor de inferencia; y,

Ejecutan acciones basadas en el proceso del conocimiento simbólico almacenado en su base de conocimientos.

Los principales representantes de este grupo son los denominados sistemas expertos.



MODELOS DE COMPUTACIÓN SUBSIMBÓLICA

La Computación Sub-Simbólica

En la computación sub-simbólica se trata de simular los elementos de más bajo nivel dentro de los procesos cognitivos, a fin de evidenciar el comportamiento inteligente.

Estos sistemas trabajan bajo conceptos fuertemente relacionados como la autonomía, el aprendizaje y la adaptación.


Sistemas Sub-Simbólicos de IA El enfoque sub-simbólico de la Inteligencia

Artificial se caracteriza por crear sistemas con capacidad de aprendizaje. Estos sistemas incluyen procesos de desarrollo o aprendizaje iterativo, basado en datos experimentales. Los más conocidos en este grupo, son:

Los sistemas inteligentes computacionales: Computación neuronal

Computación evolutiva

Sistemas difusos

Los sistemas basados en comportamiento: Agentes de software

Robótica

Vida Artificial



LA NUEVA INTELIGENCIA ARTIFICIAL

Introducción

En la última década del Siglo XX comenzaron a aparecer nuevas propuestas para la comprensión y la ingeniería de sistemas inteligentes. Nuevos campos de conocimiento cuestionan la validez de los modelos y métodos de la inteligencia artificial clásica que tratan de aproximar las características operativas y el desempeño de la inteligencia biológica:

Ciencia cognitiva embebida,

Ingeniería neuromórfica,

Vida artificial,

Robótica basada en comportamiento,

Robótica evolutiva, e

Inteligencia de enjambre.


Sistemas Bio-Inspirados en la Escala Temporal

Los sistemas van desde los sistemas evolutivos que se desarrollan y evolucionan durante todo su ciclo de vida, hasta sistemas que interactúan en tiempo real con su entorno y con otros individuos: Sistemas evolutivos

Sistemas que se desarrollan (Modelos Biológicos)

Sistemas basados en comportamiento


Sistemas Bio-Inspirados en la Escala Espacial

Los sistemas van desde células, neuronas, organismos multicelulares, hasta sociedades de individuos

Sistemas celulares

Sistemas neuronales

Sistemas inmunológicos

Sistemas colectivos© Dr. Hugo A. Banda Gamboa - 2015 34


AGENTES INTELIGENTES

Principio de Racionalidad

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


Agentes Racionales o Inteligentes

Son sistemas que perciben su entorno, razonan y toman acciones de tal forma que maximizan sus oportunidades de éxito.

Este paradigma permite que los investigadores estudien problemas complejos y busquen soluciones que son al mismo tiempo útiles y verificables.


Tecnología de Agentes Inteligentes La tecnología de los agentes inteligentes

conforma la base de una nueva generación de sistemas computacionales.

Las aplicaciones incluyen sistemas desarrollados para búsqueda de información masivamente distribuida en Internet, sistemas de información móviles, sistemas de workflow inteligentes, e infraestructura de información de apoyo a las operaciones y decisiones corporativas.


Aproximaciones a los Agentes Inteligentes

Se puede utilizar cualquier aproximación que funcione, esto es, pueden ser soluciones simbólicas, sub simbólicas, híbridas y otras nuevas que faciliten la solución del problema.

Parte fundamental en la nueva inteligencia artificial es el desarrollo de agentes inteligentes, integrando lo mejor de las teorías, modelos y tecnología clásicas y nuevas, e incluyendo la lógica difusa en los motores de inferencia y razonamiento.


Conclusión

Sólo hay una guerra que puede permitirse el ser

humano: la guerra contra su extinción

- Isaac Asimov


Modelos de Inteligencia Artificial

Technology

Transcript of Modelos de Inteligencia Artificial