INTRODUCCIÓN A LA IA.

Perspectiva Histórica y Conceptual

• Introduccion a la IA
• Fundamentos de la Inteligencia Artificial
• Perspectiva Histórica y Conceptual
• Agentes y su entorno.
• La naturaleza del entorno
• Estructura y fases de los agentes
• Paradigmas de la Inteligencia Artificial.
• Evaluación 1
1 Ing. Hiraida Santana C.
TEXTO GUIA
 QUE ES LA INTELIGENCIA?

¿Es físicamente posible que una máquina presente

capacidad de abstracción similar a la
inteligencia humana?
 Inteligencia artificial es el intento de hacer a una
computadora más inteligente que un ser humano,
darle la capacidad de razonar o pensar basado en los
datos que les estas aportando.
QUE ES LA RACIONALIDAD?
INTELIGENCIA ARTIFICIAL
 INTRODUCCION
 Los hombres se han denominado a si mismos como
Homo sapiens (hombre sabio) porque nuestras
capacidades mentales son muy importantes para
nosotros.
 Durante miles de años, hemos tratado de entender como pensamos, es
decir, entender como un simple puñado de materia puede percibir,
entender, predecir y manipular un mundo mucho mas grande y
complicado que ella misma.

 El campo de la inteligencia artificial o IA, va mas allá: no

solo intenta comprender, sino que también se esfuerza en
construir entidades inteligentes.
INTELIGENCIA.-

Es la capacidad que tienen los seres humanos de adquirir el

conocimiento y aplicarlo, es la capacidad de pensar y
razonar.
INTELIGENCIA ARTIFICIAL

 INTELIGENCIA ARTIFICIAL ES LA RAMA

DE LAS CIENCIAS DE LA COMPUTACION
DEDICADA AL DESARROLLO DE
AGENTES RACIONALES NO VIVOS.
INTELIGENCIA ARTIFICIAL
 Una definición comúnmente aceptada relaciona la disciplina de
la Inteligencia Ar- tificial (IA) con el análisis y el diseño de
sistemas artificiales autónomos capaces de exhibir un
comportamiento inteligente

La IA es una de las ciencias mas recientes. El trabajo comenzó poco

después de la Segunda Guerra Mundial, y el nombre se acunó en 1956.
 INTELIGENCIA ARTIFICIAL
 Los sistemas basados en conocimiento
(SBC) son una expresión de la Inteligencia
Artificial (IA). Su forma de analizar los
problemas para dar soluciones a través de la
computadora, difiere mucho de los sistemas
informáticos convencionales, debido a un
factor muy importante: “Inteligencia”.
IMPORTANCIA DE LA IA

La visión de la IA como ingeniería ha predominado sobre la

visión de la IA como ciencia, y hoy en día disponemos, por
tanto, de una amplia variedad de modelos, metodologías,
técnicas y aplicaciones

 ¿Considera usted que el objetivo de la IA es

sustituir a los trabajadores humanos para
ahorrar dinero?.
OBJETIVOS DE LA IA
 OBJETIVOS DE LA INTELIGENCIA
ARTIFICIAL:
 Desarrollar una maquina inteligente capaz de
aprender a través de la experiencia, exhibir
verdadera creatividad, tomar sus propias decisiones
e interactuar con el medio que lo rodee.

 Elevar el coeficiente intelectual de las maquinas

 Desarrollar las capacidades de la computadora más

allá de su uso tradicional actual.
DEFINICIONES DE IA

CATEGORIAS
INTELIGENCI A ARTIFICIAL
Actuar de forma racional: el enfoque
del agente racional
Actuar de forma racional: el enfoque del
agente racional
 Un AGENTE es algo que razona (viene del latin agere, hacer).

 Pero de los agentes informáticos se espera que tengan

otros atributos que los distingan de los ≪programas≫
convencionales:
 como que estén dotados de controles autónomos
 que perciban su entorno
 que persistan durante un periodo de tiempo prolongado
 que se adapten a los cambios,
 y que sean capaces de alcanzar objetivos diferentes.
Actuar de forma racional: el enfoque del
agente racional
 Un AGENTE es algo que razona (viene del latin agere, hacer).

 UN AGENTE RACIONAL ES AQUEL QUE ACTÚA CON LA

INTENCIÓN DE ALCANZAR EL MEJOR RESULTADO O,
CUANDO HAY INCERTIDUMBRE, EL MEJOR RESULTADO
ESPERADO
 Inteligencia artificial avanzada, pagina 14
ALGUNAS APLICACIONES
Algunas aplicaciones:
 En la agricultura control de plagas y manejar cultivos
más eficientemente

 En la medicina  ayudar a los médicos a hacer

diagnósticos, supervisar la condición de los pacientes,
administrar tratamientos y preparar estudios estadísticos.

 En las fábricas  realizar montajes peligrosos y

actividades tediosos (Labores de inspección y
mantenimiento)
 Algunas aplicaciones:
 En casa  brindar asesoría acerca de dietas,
compras, supervisión y gestión de consumo
energético y seguridad del hogar.

 En las escuelas  apoyar a la formación de los

estudiantes, especialmente en aquellas materias
consideradas complejas.

 Ayudar a los expertos a resolver difíciles problemas

de análisis o a diseñar nuevos dispositivos.
PRUEBA DE TURING

Puede acaso una maquina pensar?

COMPORTAMIENTO HUMANO:
PRUEBA DE TURING.
COMPORTAMIENTO HUMANO:
PRUEBA DE TURING.
El computador debería poseer las
siguientes capacidades:
 Procesamiento del lenguaje natural que le permita
comunicarse satisfactoriamente en ingles.
 • Representación del conocimiento para almacenar lo que
se conoce o siente.
 • Razonamiento automático para utilizar la información
almacenada para responder a preguntas y extraer nuevas
conclusiones.
 • Aprendizaje automático para adaptarse a nuevas
circunstancias y para detectar patrones.
El computador debería poseer las
siguientes capacidades:
 La Prueba de Turing evito deliberadamente la interacción física
directa entre el evaluador y el computador, dado que para medir
la inteligencia es innecesario simular físicamente a una persona.

 Sin embargo, la llamada Prueba Global de Turín incluye una señal

de video que permite al evaluador valorar la capacidad de
percepción y también de pasar objetos físicos a través de una
ventanita.

 Para superar la Prueba Global de Turing el computador debe

estar dotado de:
 • Vision computacional para percibir objetos.
 • Robotica para manipular y mover objetos.
GRACIAS
 INTRODUCCIÓN A LA IA.
Perspectiva Histórica y Conceptual

• Introducción a la IA
• Fundamentos de la Inteligencia Artificial
• Perspectiva Histórica y Conceptual
• Aspectos Metodológicos en Inteligencia
Artificial. Metodología de la Inteligencia
Artificial.
• Paradigmas de la Inteligencia Artificial.
• Evaluación 1
1
Ing. Hiraida Santana C.
FUNDAMENTOS DE LA INTELIGENCIA
ARTIFICIAL
PERSPECTIVA HISTORICA Y CONCEPTUAL
UNION DE VARIAS CIENCIAS
 FILOSOFIA

• .Se pueden utilizar reglas formales para extraer conclusiones validas?

• .Como se genera la inteligencia mental a partir de un cerebro fisico?
• .De donde viene el conocimiento?
• .Como se pasa del conocimiento a la accion?
Filosofía (desde el año 428 a.C. hasta el presente)
 Aristóteles (384-322 a.C.) fue el primero en formular un
conjunto preciso de leyes que gobernaban la parte racional de
la inteligencia.
 Thomas Hobbes (1588- 1679) propuso que el razonamiento
era como la computación numérica, de forma que
«nosotros sumamos y restamos silenciosamente en nuestros
pensamientos».
 René Descartes (1596-1650) proporciona
la primera discusión clara sobre la distinción
entre la mente y la materia y los problemas
que surgen.
 Filosofía (desde el año 428 a.C. hasta el presente)
 Descartes fue un defensor del dualismo, Sostenía que existe una
parte de la mente (o del alma o del espíritu) que está al margen
de la naturaleza, exenta de la influencia de las leyes físicas.
 El famoso Círculo de Viena, liderado por Rudolf Carnap (1891-
1970), desarrolló la doctrina del positivismo logico. Esa doctrina
sostiene que todo el conocimiento se puede caracterizar
mediante teorías lógicas relacionadas, en última instancia,
con sentencias de observación que corresponden a estímulos
sensoriales.
 La teoría de la confirmación de Camap
y Cari Hempel (1905-1997) intenta explicar cómo
el conocimiento se obtiene a partir de la experiencia
BASES DE LA INTELIGENCIA ARTIFICIAL
 MATEMATICAS
• .Que reglas formales son las adecuadas para obtener conclusiones validas?
• Que se puede computar?
• Como razonamos con informacion incierta?

es necesario contar con una formulacion matematica en tres areas

fundamentales: logica, computacion y probabilidad
 Matemáticas (aprox desde el año 800 al presente)
 El concepto de lógica formal se remonta a los filósofos de la
antigua Grecia (véase el Capítulo 7), pero su desarrollo
matemático comenzó realmente con el trabajo de George
Boole (1815-1864) que definió la lógica proposicional o
Booleana .
 La teoría de la confirmación de Camap y Cari Hempel (1905-
1997) intenta explicar cómo el conocimiento se obtiene a partir
de la experiencia.
 Además de la lógica y el cálculo, la tercera gran contribución de
las matemáticas a la IA es la teoría de la probabilidad. El
italiano Gerolamo Cardano (1501-1576) fue el primero en
proponer la idea de probabilidad, presentándola en términos de
los resultados de juegos de apuesta.
BASES DE LA INTELIGENCIA ARTIFICIAL
MATEMÁTICAS

lógica Probabilidad

¿Cuales son las Lógicas del ¿Cómo Razonar Con

Razonamiento? Incertidumbre?
 ECONOMIA

• .Como se debe llevar a cabo el proceso de toma de

decisiones para maximizar el rendimiento?
• .Como se deben llevar a cabo acciones cuando otros no
colaboren?
• .Como se deben llevar a cabo acciones cuando los resultados
se obtienen en un futuro lejano?
Economía (desde el año 1776 hasta el presente)
¿Como debemos tomar decisiones que nos beneficien?
en contra de competidores?
cuando el beneficio no es inmediato?
Teoría de la decisión /Teoría de juegos,
investigación operativa

La mayor parte de la gente cree que la economía sólo se trata

de dinero, pero los economistas dicen que ellos realmente estudian
cómo la gente toma decisiones que les llevan a obtener los beneficios
esperados
La teoría de la decisión, que combina la teoría de la probabilidad
con la teoría de la utilidad, proporciona un marco completo y formal
para la toma de decisiones (económicas o de otra índole) realizadas bajo
incertidumbre
Economía (desde el año 1776 hasta el presente)
¿Una razón fue la complejidad aparente que trae consigo el
tomar decisiones racionales.

Simon (1916-2001), uno de los primeros en investigar en el

campo de la IA, gano el premio Nobel en Economia en 1978 por
su temprano trabajo, en el que mostro que los modelos basados en
satisfaccion (que toman decisiones que son ≪suficientemente
buenas≫, en vez de realizar calculos laboriosos para alcanzar
decisiones optimas)
 NEUROCIENCIA

• .Como procesa informacion el cerebro?

”la regeneracion cerebral es complicada; las celulas no solo tienen que

sobrevivir, tambien deben conectarse con el resto del cerebro”.
Sebastian Seung
Neurociencia (desde el año 1861 hasta el presente)
La Neurociencia es el estudio del sistema neurológico, y en
especial del cerebro. La forma exacta en la que en un cerebro se
genera el pensamiento es uno de los grandes misterios de la
ciencia.

Los estudios sobre la actividad de los cerebros intactos comenzó

en 1929 con el descubrimiento del
electroencefalograma (EEG) desarrollado por Hans Berger.
Neurociencia (desde el año 1861 hasta el presente)
En la actualidad se dispone de informacion sobre la relacion
existente entre las áreas del cerebro y las partes del cuerpo
humano que controlan o de las que reciben impulsos
Cerebros y computadores digitales realizan tareas bastante
diferentes y tienen propiedades distintas.
 hay 1.000 veces mas neuronas en un cerebro humano
medio que puertas logicas en la UCP de un computador
estandar.
 PSICOLOGIA

• .Como piensan y actuan los humanos y los animales?

¿Como piensan y actúan las personas?
Psicología (desde el año 1879 hasta el presente
Psicología cognitiva/ciencias cognitivas: Teorías sobre la
conducta, bases del comportamiento racional

La conceptualización del cerebro como un dispositivo

de procesamiento de información, característica
principal de la psicologia comnitiva, se remonta por lo
menos a las obras de William James10 (1842-1910).
Helmholtz también pone énfasis en que la percepción
entraña cierto tipo de inferencia lógica inconsciente
Psicología (desde el año 1879 hasta el presente
El movimiento anductista, liderado por John Watson
(1878-1958) aplico este punto de vista a los humanos,
rechazando cualquier teoría en la que intervinieran procesos
mentales, argumentando que la introspeccion no aportaba
una evidencia fiable.

Los conductistas insistieron en el estudio exclusivo de

mediciones objetivas de percepciones (o estimulos) sobre
animales y de las acciones resultantes (o respuestas).

Construcciones mentales como conocimientos, creencias,

objetivos y pasos en un razonamiento quedaron descartadas
por ser consideradas ≪psicología popular≫ no cientifica.
 Ingeniería computacional

• .Como se puede construir un computador eficiente?

Ingeniería computacional (desde el año 1940 hasta el presente)
¿Para la existencia de la IA es necesario un mecanismo para
soportarlo (Hardware)
También son necesarias herramientas para desarrollar programas
de IA

Para que la inteligencia artificial pueda llegar a ser una realidad se

necesitan dos cosas:
inteligencia y un artefacto.

El primer computador electrónico, el ABC, fue creado por John

Atanasoff junto a su discípulo Clifford Beny entre 1940 y 1942
en la Universidad Estatal de Iowa. Las investigaciones de
Atanasoff recibieron poco apoyo y reconocimiento; el ENIAC,
precursor de los computadores modernos.
 Teoría de control y cibernética

• .Como pueden los artefactos operar bajo su propio

control?
Teoría de control y cibernética (desde el año 1948
hasta el presente)
Construcción de sistemas autónomos
Ktesibios de Alejandria (250 a.C.) construyo la
primera maquina auto controlada: un reloj de agua
con un regulador que mantenía el flujo de agua
circulando por el, con un ritmo constante y
predecible.

La teoría de control moderna, especialmente la rama

conocida como control óptimo estocástico, tiene
como objetivo el diseño de sistemas que maximizan
una funcion objetivo en el tiempo.
 Lingüística

• . • .Como esta relacionado el lenguaje con el

pensamiento?
Lingüística (desde el año 1957 hasta el presente)
Chomsky: Representación del conocimiento, gramática de la
lengua Lingüística computacional

La lingüística moderna y la IA «nacieron», al mismo tiempo y

maduraron juntas, solapándose en un campo híbrido llamado
procesamiento del lenguaje natural

Gran parte de los primeros trabajos de investigacion en el area de

la representación del conocimiento (el estudio de como
representar el conocimiento de forma que el computador pueda
razonar a partir de dicha representacion) estaban vinculados al
lenguaje y a la búsqueda de informacion en el campo del
lenguaje,
HISTORIA DE LA INTELIGENCIA
ARTIFICIAL
 HISTORIA DE LA INTELIGENCIA
ARTIFICIAL
 El nacimiento de la IA como disciplina de investigación se
remonta a 1956, durante una conferencia sobre informática
teórica que tuvo lugar en el Dartmouth College (Estados
Unidos).
 . Entre los asistentes estaban John McCarthy, Marvin Minsky,
Allen Newell y Herbert Simon.
 En la conferencia, A. Newell y H. Simon presentaron un trabajo
sobre demostración automática de teoremas al que
denominaron Logic Theorist, fue el primer programa de
ordenador que emulaba características propias del cerebro
humano.
 Genesis de la inteligencia artificial
(1943-1955)
 Warren McCulloch y Walter Pitts (1943) han sido
reconocidos como los autores del primer trabajo de IA.
 Partieron de tres fuentes: conocimientos sobre la fisiologia basica y
funcionamiento de las neuronas en el cerebro, el analisis formal de
la logica preposicional de Russell y Whitehead y la teoria de la
computacion de Turing.

 Mostraron, por ejemplo, que cualquier funcion de computo podria

calcularse mediante alguna red de neuronas interconectadas, y que
todos los conectares logicos (and, or, not, etc.) se podrian
implementar utilizando estructuras de red sencillas.
 Donald Hebb (1949) propuso y demostro una sencilla regla de
actualizacion para modificar las intensidades de las conexiones
entre neuronas. Su regla, ahora llamada de Aprendizaje Hebiano
o de Hebb, sigue vigente en la actualidad.
 Dos estudiantes graduados en el Departamento de Matematicas
de Princeton, Marvin Minsky y Dean Edmonds, construyeron el
primer computador a partir de una red neuronal en 1951.

 El Snarc, como se llamo, utilizaba 3.000 valvulas de vacio y un

mecanismo de piloto automatico obtenido de los desechos de un
avion bombardero B-24 para simular una red con 40 neuronas.
Nacimiento de la inteligencia artificial
(1956)
 John McCarthy. Posteriormente a su graduacion, se
translado al Dartmouth College, que se erigiria en el
lugar del nacimiento oficial de este campo.

 McCarthy convencio a Minsky, Claude Shannon y

Nathaniel Rochester para que le ayudaran a aumentar
el interes de los investigadores americanos en la teoria
de automatas, las redes neuronales y el estudio de la
inteligencia.
 Crearon taller de inteligencia artificial
Nacimiento de la inteligencia artificial
(1956)
 El taller de Dartmouth no produjo avance notable.
 Durante los siguientes 20 anos, el campo estuvo
dominado por estos personajes, asi como por sus
estudiantes y colegas del MIT, CMU,Stanford e IBM.
 Quiza lo ultimo que surgio del taller fue el consenso en
adoptar el nuevo nombre propuesto por McCarthy
para este campo: Inteligencia Artificial Quiza
≪racionalidad computacional≫ hubiese sido mas
adecuado, pero ≪IA≫ se ha mantenido.
1966 - ELIZA da voz a las computadoras
ELIZA, desarrollada en el MIT por Joseph Weizenbaum, fue quizás el
primer chatbot del mundo.
 En los Años 70, en parte como respuesta al Prueba de Turing se
produjo el nacimiento de un area conocida como procesado de
lenguaje natural, la cual es dedicada a sistemas inteligentes
capaces de generar frases inteligentes y mantener conversaciones
con humanos.
Dendral estructura molecular - Mycin diagnostico de infecciones sanguíneas
 Regreso de las redes neuronales
(desde 1986 hasta el presente)
 Físicos como John Hopfield (1982) utilizaron técnicas de la
mecánica estadística para analizar las propiedades de
almacenamiento y optimización de las redes, tratando colecciones
de nodos como colecciones de átomos.

 El impulso más fuerte se produjo a mediados de la década de los

80, cuando por lo menos cuatro grupos distintos reinventaron el
algoritmo de aprendizaje de retroalimentación, mencionado en
1969 por Biyson y Ho.
 IA se convierte en una ciencia
(desde 1987 hasta el presente)
 En los últimos años se ha producido una revolución
tanto en el contenido como en la metodología de
trabajo en el campo de la inteligencia artificial.

 La comprension mejor de los problemas y de su

complejidad, junto a un incremento en la
sofisticacion de las matematicas ha facilitado el
desarrollo de una agenda de investigacion y de
metodos mas robustos
 Emergencia de los sistemas inteligentes
(desde 1995 hasta el presente)
El trabajo de Alien Newell, John Laird, y Paul Rosenbloom en S oar (Newell,
1990; Laird et al., 1987) es el ejemplo mejor conocido de una arquitectura de
agente completa. El llamado ≪movimiento situado≫ intenta entender la
forma de actuar de los agentes inmersos en entornos reales, que disponen de
sensores de entradas continuas.

 Uno de los medios mas importantes para los agentes inteligentes es Internet
Los sistemas de IA han llegado a ser tan comunes en aplicaciones
desarrolladas para la Web que el sufijo ≪-bot≫ se ha introducido en el
lenguaje comun.
 2005. Máquinas más inteligentes que los hombres
 Usando la Ley de Moore, Raymond Kurzweil predijo que las
máquinas alcanzarán un nivel de inteligencia humano en
2029, y que de seguir para el año 2045 habrán superado la
inteligencia de nuestra civilización en un billón de veces.

 2012. El verdadero poder del deep learning

 Google crea un superordenador capaz de aprender a través de
YouTube a identificar gatos así como caras y cuerpos
humanos.
 Más allá del intento de diseñar robots humanoides y
sistemas que rivalicen con el cerebro humano en
funcionalidad y rendimiento, el interés hoy en día es
diseñar implementar sistemas que permitan analizar
grandes cantidades de datos de forma rápida y eficiente.

 La aplicación de técnicas de inteligencia de negocios ha

dado lugaLa aplicación de técnicas de inteligencia de
negocios ha dado lugar a la reciente implantación como
inteligencia empresarial, inteligencia negocios o a la
minería de datos.
GRACIAS
 INTRODUCCIÓN A LA IA.
Perspectiva Histórica y Conceptual

• Introducción a la IA
• Fundamentos de la Inteligencia Artificial
• Perspectiva Histórica y Conceptual
• Agentes y su entorno
• Estructura y fases de los agentes
• Ámbitos de aplicación de la IA.
• Evaluación 1

1
Ing. Hiraida Santana C.
AGENTES Y SU ENTORNO

QUE ES UN AGENTE?
AGENTE: AGENTE
Un agente es cualquier cosa capaz de percibir su medio
ambiente con la ayuda de sensores y actuar en ese medio
utilizando actuadores
 Es un sistema que esta en algún entorno y que es capaz
de tomar decisiones autónomas acerca del estado del
ambiente para cumplir sus objetivos.

 Entidad Software
 El termino PERCEPCION se utiliza en este 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 términos matemáticos se puede decir que el
comportamiento del agente viene dado por la FUNCION
DEL AGENTE que proyecta una percepción dada en una
acción.
 Inicialmente, la función del agente para un agente artificial
se implementara mediante el PROGRAMA DEL AGENTE
 Es importante diferenciar estas dos ideas.

 La función del agente es una descripción

matemática abstracta; el programa del
agente es una implementación completa, que
se ejecuta sobre la arquitectura del agente.
El mundo de la aspiradora presentado es tan simple que se puede
describir todo lo que en el sucede; es un mundo hecho a medida.
Este mundo en particular tiene solamente dos localizaciones:
cuadricula A y B.
La aspiradora puede percibir en que cuadrante se encuentra y si
hay suciedad en el. Puede elegir si se mueve hacia la izquierda,
derecha, aspirar la suciedad o no hacer nada
 Tiene la capacidad de adaptarse a diferentes pianos con mayor nivel de
complejidad, no depende de una computadora, cuanta con varios
servomotores que le permiten tener manos similares a una persona.
2.1 Buen comportamiento:
el concepto de racionalidad
 Un AGENTE RACIONAL es aquel que hace lo correcto;
 Como primera aproximación, se puede decir que lo correcto
es aquello que permite al agente obtener un resultado mejor.

 Las MEDIDAS DE RENDIMIENTO incluyen los criterios

que determinan el éxito en el comportamiento del agente
IDENTIFIQUE Y DIFERENCIE

 RACIONALIDAD
 OMNICIENCIA
 APRENDIZAJE
 AUTONOMIA
 Se dice que un agente carece de autonomía cuando se apoya
mas en el conocimiento inicial que le proporciona su diseñador
que en sus propias percepciones. Un agente racional debe ser
autónomo, debe saber aprender a determinar como tiene que
compensar el conocimiento incompleto o parcial inicial.
2.3 NATURALEZA DEL ENTORNO
2.3 NATURALEZA DEL ENTORNO

Los entornos de trabajo, son esencialmente los

≪problemas≫ para los que los agentes
racionales son las ≪soluciones≫.

Entorno de trabajo, para cuya denominación

se utiliza el acrônimo REAS (Rendimiento,
Entorno,Actuadores, Sensores).
 Existen algunos agentes software (o robots software o softbots )
en entornos ricos y practicamente ilimitados.

 Imagine un softbot diseñado para pilotar el simulador de vuelo

de un gran avión comercial.
 Tipo de Medidas de Entorno Actuadores Sensores
Agente rendimiento

Sistema de
detención de
huella digital
GRACIAS
 INTRODUCCIÓN A LA IA.
Perspectiva Histórica y Conceptual

• Introducción a la IA
• Fundamentos de la Inteligencia Artificial
• Perspectiva Histórica y Conceptual
• Agentes y su entorno
• Estructura y fases de los agentes
• Ámbitos de aplicación de la IA.
• Evaluación 1

1
Ing. Hiraida Santana C.
PROPIEDADES DE LOS ENTORNOS
DE TRABAJO
Cada agente interactua con un entorno diferente.
 Propiedades de los entornos de trabajo

 Estas dimensiones determinan, hasta cierto punto, el diseño mas

adecuado para el agente y la utilización de cada una de las
familias principales de técnicas en la implementación del agente.

 Totalmente observable VS parcialmente observable

 Determinista VS Estocástico
 Episódico VS Secuencial
 Estático VS Dinámico
 Discreto Vs Continuo
 Agente individual VS Multi agente
TOTALMENTE OBSERVABLE VS
PARCIALMENTE OBSERVABLE
 TOTALMENTE OBSERVABLE VS
PARCIALMENTE OBSERVABLE

• Un entorno de trabajo es, efectivamente, totalmente

observable si los sensores detectan todos los aspectos que son
relevantes en la toma de decisiones.

• Por ejemplo, un agente aspiradora con solo un sensor de

suciedad local no puede saber si hay suciedad en la otra
cuadricula, y un taxi automatizado no pude saber que estan
pensando otros conductores.
DETERMINISTA VS ESTOCATICO
DETERMINISTA VS ESTOCATICO
 Si el siguiente estado del entorno está totalmente determinado por
el estado actual y la acción ejecutada por el agente entonces es
determinista. Aspiradora
 En principio, un agente no se tiene que preocupar de la
incertidumbre en un medio totalmente observable y determinista.
Sin embargo, si el medio es parcialmente observable entonces puede
parecer estocastico. Taxista
 El agente taxi es claramente estocastico en este sentido, ya que no se
puede predecir el comportamiento del trafico exactamente; El
mundo de la aspiradora es determinista
EPISODICO VS SECUENCIAL
 EPISODICO VS SECUENCIAL

 Es muy importante tener en cuenta que el siguiente episodio no

depende de las acciones que se realizaron en episodios previos.

 Por ejemplo, un agente que tenga que seleccionar partes defectuosas

en una cadena de montaje basa sus decisiones en la parte que esta
evaluando en cada momento, sin tener en cuenta decisiones previas;
 El ajedrez y el taxista son secuenciales: en ambos casos, las acciones
que se realizan a corto plazo pueden tener consecuencias a largo
plazo.
ESTATICO VS DINAMICO
 ESTATICO VS DINAMICO
 Los medios estáticos son fáciles de tratar ya que el agente no
necesita estar pendiente del mundo mientras está tomando una
decisión sobre la acción deseada. Crucigramas
 Por el contrario los medios dinámicos preguntan
constantemente lo que el agente quiere hacer. Taxista
DISCRETO VS CONTINUO
DISCRETO VS CONTINUO
 La distinción entre discreto y continuo se puede aplicar
al estado del medio, a la forma en la que se maneja el
tiempo y a las percepciones y acciones del agente
AGENTE INDIVIDUAL VS
MULTIAGENTE
AGENTE INDIVIDUAL VS MULTIAGENTE

 El ajedrez es un entorno multiagente competitivo.

 El taxista circulando, el evitar colisiones maximiza la medida de
rendimiento de todos los agentes, así pues es un entorno multiagente
parcialmente cooperativo.
ENTORNO DE TRABAJO DEL AGENTE - CRUCIGRAMA

OBSERVABLE TOTALMENTE /
PARCIALMENTE
EPISODICO / SECUENCIAL

ESTATICO / DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE - CRUCIGRAMA

OBSERVABLE TOTALMENTE / TOTALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL

ESTATICO / DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE - CRUCIGRAMA

OBSERVABLE TOTALMENTE / TOTALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE - CRUCIGRAMA

OBSERVABLE TOTALMENTE / TOTALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO ESTATICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE - CRUCIGRAMA

OBSERVABLE TOTALMENTE / TOTALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO ESTATICO

AGENTE INDIVIDUAL / INDIVIDUAL

MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE - CRUCIGRAMA

OBSERVABLE TOTALMENTE / TOTALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO ESTATICO

AGENTE INDIVIDUAL / INDIVIDUAL

MULTIAGENTE

DETERMINISTA / ESTOCASTICO DETERMINISTA

AGENTE TAXI
ENTORNO DE TRABAJO DEL AGENTE -TAXI CIRCULANDO

OBSERVABLE TOTALMENTE /
PARCIALMENTE
EPISODICO / SECUENCIAL

ESTATICO / DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE -TAXI CIRCULANDO

OBSERVABLE TOTALMENTE / PARCIALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL

ESTATICO / DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE -TAXI CIRCULANDO

OBSERVABLE TOTALMENTE / PARCIALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE -TAXI CIRCULANDO

OBSERVABLE TOTALMENTE / PARCIALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO DINAMICO

AGENTE INDIVIDUAL /
MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE -TAXI CIRCULANDO

OBSERVABLE TOTALMENTE / PARCIALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO DINAMICO

AGENTE INDIVIDUAL / MULTIAGENTE

MULTIAGENTE

DETERMINISTA / ESTOCASTICO
ENTORNO DE TRABAJO DEL AGENTE -TAXI CIRCULANDO

OBSERVABLE TOTALMENTE / PARCIALMENTE

PARCIALMENTE
EPISODICO / SECUENCIAL SECUENCIAL

ESTATICO / DINAMICO DINAMICO

AGENTE INDIVIDUAL / MULTIAGENTE

MULTIAGENTE

DETERMINISTA / ESTOCASTICO ESTOCASTICO

2.3 Estructura de los agentes
 Estructura de los agentes
 El trabajo de la IA es diseñar el programa del agente que
implemente la función del agente que proyecta las percepciones en
las acciones.
 Se asume que este programa se ejecutara en algún tipo de
computador con sensores físicos y actuadores, lo cual se conoce
como arquitectura:
 Estructura de los agentes

 Obviamente, el programa que se elija tiene que ser apropiado para la

arquitectura. Si el programa tiene que recomendar acciones como
Caminar, la arquitectura tiene que tener piernas.
TIPOS BASICOS DE PROBLEMAS
PARA AGENTES
AGENTES REACTIVOS SIMPLES
 1

EJEMPLO ASPIRADORA (SIMPLE) Y TAXI AUTOMATICO( REGLAS DE CONDICION

LUZ DE FRENO)
AGENTES BASADOS EN MODELOS
2
AGENTES BASADOS EN OBJETIVOS
3 Agentes basados en objetivos
 El conocimiento sobre el estado actual del mundo no es siempre
suficiente para decidir que hacer. Por ejemplo, en un cruce de
carreteras, el taxista puede girar a la izquierda, girar a la derecha o
seguir hacia adelante.
 La decisión correcta depende de donde quiere ir el taxi. En otras
palabras, ademas de la descripcion del estado actual, el agente
necesita algun tipo de informacion sobre su meta que describa las
situaciones que son deseables, por ejemplo, llegar al destino
propuesto por el pasajero.
 En algunas ocasiones, la selección de acciones basadas en objetivos
es directa, cuando alcanzar los objetivos es el resultado inmediato
de una acción individual.
AGENTES BASADOS EN UTILIDAD
 4 Agentes basados en utilidad
 Las metas por si solas no son realmente suficientes para generar
comportamiento de gran calidad en la mayoría de los entornos
 La definición completa de una función de utilidad permite tomar
decisiones racionales en dos tipos de casos en los que las metas son
inadecuadas.
 Primero, cuando haya objetivos conflictivos, y solo se
puedan alcanzar algunos de ellos (por ejemplo,
velocidad y seguridad)
 Segundo, cuando haya varios objetivos por los que se pueda guiar
el agente, y ninguno de ellos se pueda alcanzar con certeza, la
utilidad proporciona un mecanismo para ponderar la probabilidad
de exito en funcion de la importancia de los objetivos
AGENTES QUE APRENDEN
 Agentes que aprenden
 El método que propone es construir maquinas que aprendan y
después enseñarlas. En muchas áreas de IA, este es ahora el
método mas adecuado para crear sistemas novedosos.

 Un agente que aprende se puede dividir en componentes

conceptuales, tal y como se muestra en la Figura 2.15. La
distinción mas importante entre el elemento de Aprendizaje y
el elemento de actuación que el primero esta
responsabilizado de hacer mejoras y el segundo se responsabiliza
de la selección de acciones extremas.
AMBITOS DE APLICACIÓN DE LA IA
 El concepto de Redes Neuronales llega gracias a un científico que
experimentaba con tejido animal. En uno de sus experimentos con un
cerebro, se dio cuenta que si desconectaba la parte que estaba
conectada al ojo, es decir, la parte que tenía la capacidad de recibir y
procesar imágenes, y la conectaba al oído, esta parte desarrollaba la
capacidad de escuchar
Que es capaz de hacer la IA hoy en
dia?
 Planificación autonoma: a un centenar de millones de
millas de la Tierra, el programa de la NASA Agente
Remoto se convirtio en el primer programa de
planificacion autonoma a bordo que controlaba la
planificacion de las operaciones de una nave espacial desde
abordo (Jonsson et al., 2000).
 Juegos Deep Blue de IBM fue el primer sistema que
derroto a un campeon mundial en una partida de ajedrez
cuando supero a Garry Kasparov por un resultado de 3.5 a
2.5 en una partida de exhibicion (Goodman y Keene,
1997).
Que es capaz de hacer la IA hoy en dia?
 Control autonomo: el sistema de vision por
computador Alvinn fue entrenado para dirigir un coche
de forma que siguiese una linea. Se instalo en una
furgoneta controlada por computador en el NavLab de
UCM y se utilizo para dirigir al vehiculo por Estados
Unidos.
Que es capaz de hacer la IA hoy en dia?

 Diagnosis: los programas de diagnostico medico

basados en el analisis probabilista han llegado a alcanzar
niveles similares a los de medicos expertos en algunas
areas de la medicina. Casos Dificiles de diagnosticar.
 Que es capaz de hacer la IA hoy en dia?
 Robotica: muchos cirujanos utilizan hoy en dia asistentes robot
en operaciones de microcirugia. HipNav (DiGioia etal., 1996) es
un sistema que utiliza tecnicas de vision por computador para
crear un modelo tridimensional de la anatomia interna del
paciente y despues utiliza un control robotizado para guiar el
implante de protesis de cadera.
 Que es capaz de hacer la IA hoy en dia?
 Robotica: muchos cirujanos utilizan hoy en dia asistentes robot
en operaciones de microcirugia. HipNav (DiGioia etal., 1996) es
un sistema que utiliza tecnicas de vision por computador para
crear un modelo tridimensional de la anatomia interna del
paciente y despues utiliza un control robotizado para guiar el
implante de protesis de cadera.
 Procesamiento del lenguaje y resolucion de problemas:
P r o v e r b (Littman etal., 1999) es un programa informatico que
resuelve crucigramas mejor que la mayoria de fos humanos,
utilizando restricciones en programas de relleno de palabras, una
gran base de datos de crucigramas, y varias fuentes de
informacion como diccionarios y bases de datos online, que
incluyen la lista de peliculas y los actores que intervienen en ellas,
entre otras cosas.
 Que es capaz de hacer la IA hoy en dia?
 2012. El verdadero poder del deep learning
 Google crea un superordenador capaz de aprender a través de
YouTube a identificar gatos así como caras y cuerpos humanos
 Que es capaz de hacer la IA hoy en dia?
 2014. Una IA supera el test de Turing
 En 2014 un bot computacional llamado Eugene Goostman fue
capar de engañar a 30 de los 150 jueces a los que se sometió
durante el test de Turing haciéndoles creer que estaban hablando
con un niño ucraniano de 13 años
 Que es capaz de hacer la IA hoy en dia?
 2015. AlphaGo
 En octubre de 2015 AlphaGo se convirtió en la primera máquina
en ganar a un jugador profesional de Go sin emplear piedras de
handicap en un tablero de 19x19.
 No se trata de magia o ciencia ficción, son mas bien ciencia,
ingeniería y matemáticas, para los que esta asignatura
proporciona una introducción.
GRACIAS
 METODOS DE BÚSQUEDA

• Introducción a las técnicas de

busqueda
• Resolver problemas mediante busqueda sin
información
• Busqueda informada y de exploración
• Técnicas de Búsqueda Heurística

1 Ing. Hiraida Santana C.

Introducción a las técnicas de
busqueda
En IA los términos resolución de problemas y búsqueda se
refieren a un núcleo fundamental de técnicas que se utilizan
en dominios como la deducción, elaboración de planes de
actuación, razonamientos de sentido común, por ejemplo en
programas que tratan de entender el lenguaje natural.
Agentes resolventes-problemas
 AGENTES RESOLVENTES DE
PROBLEMAS

 Esta unidad describe una clase de agente basado en

objetivos llamado agente resolvente-problemas.

 Los agentes resolventes-problemas deciden que hacer

para encontrar secuencias de acciones que conduzcan
a los estados deseables.
 Agentes resolventes-problemas
 Se supone que los agentes inteligentes deben maximizar su
medida de rendimiento. Esto puede simplificarse algunas veces
si el agente puede elegir m objetivo y trata de satisfacerlo.

 Primero miraremos el porque y como puede hacerlo.

 Imagine un agente en la ciudad de Arad, Rumania, disfrutando de un
viaje de vacaciones. La medida de rendimiento del agente contiene
muchos factores: desea mejorar su bronceado, mejorar su rumano,
tomar fotos, disfrutar de la vida nocturna, evitar resacas, etcétera.

 El primer paso para solucionar un problema es la FORMULACIÓN

DEL OBJETIVO basado en la situación actual y la medida de
rendimiento del agente.
 Dado un objetivo, la formulación del problema es el proceso
de decidir que acciones y estados tenemos que considerar

 En general, un agente con distintas opciones inmediatas de valores

desconocidos puede decidir que hacer, examinando las diferentes secuencias
posibles de acciones que le conduzcan a estados de valores conocidos, y
entonces escoger la mejor secuencia.

 Este proceso de hallar esta secuencia se llama búsqueda.

 Un algoritmo de búsqueda toma como entrada un problema y
devuelve una solución de la forma secuencia de acciones.
 Una vez que encontramos una solución, se procede a ejecutar las
acciones que esta recomienda. Esta es la llamada fase de
ejecución.
LA RESOLUCION DE
PROBLEMAS DE IA
REQUIERE NORMALMENTE,
DETERMINAR UNA
SECUENCIA DE ACCIONES O
DECISIONES
 COMPONENTES DE UN PROBLEMA
 •El ESTADO INICIAL en el que comienza el agente. Por ejemplo, el estado
inicial para nuestro agente en Rumania se describe como En{Arad)
 Implícitamente el estado inicial y la FUNCION SUCESOR definen el espacio
de estados del problema (el conjunto de todos los estados alcanzables desde el
estado inicial).
 Un camino en el espacio de estados es una secuencia de estados conectados
por una secuencia de acciones.
 • El TEST OBJETIVO, el cual determina si un estado es un estado objetivo.
Por ejemplo, en el ajedrez, el objetivo es alcanzar un estado llamado ≪jaque
mate≫, donde el rey del oponente es atacado y no tiene escapatoria.
 Una función COSTO DE CAMINO que asigna un costo numérico a cada
camino. El agente resolvente de problemas elige una función costo que refleje
nuestra medida de rendimiento.
PROBLEMA DE JUGUETE – MUNDO DE LA ASPIRADORA
EJ. GENERACION DE PLANTES DE
ACTUACION DE ROBOTS
Programar un robot consiste en integrar varias funciones,
entre las que se incluye la percepción del entorno que le
rodea, la formulación de planes de actuación y el
seguimiento de esos planes.
 BUSQUEDA DE SOLUCIONES
 Hemos formulado algunos problemas, ahora necesitamos resolverlos.
Esto se hace mediante búsqueda a través del espacio de estados. Este
capítulo se ocupa de las técnicas de búsqueda que utilizan un árbol de
búsqueda explícito generado por el estado inicial y la función sucesor,
definiendo así el espacio de estados.
METODOS DE BUSQUEDA SIN
INFORMACION
Métodos básicos de busqueda sin tener en cuenta
ningun tipo de información sobre el dominio del
problema.
 Estrategias de busqueda no
informada
Las estrategias de búsquedas no informadas o ciegas
son importantes para establecer comparaciones con
las estrategias de búsqueda informada o inteligente.
 Estrategias de busqueda no informada
búsqueda no informada (búsqueda a ciegas).

 El termino significa que ellas no tienen información adicional

acerca de los estados mas allá de la que proporciona la definición
del problema. Todo lo que ellas pueden hacer es generar los
sucesores y distinguir entre un estado objetivo de uno que no lo
es.

 Las estrategias que saben si un estado no objetivo es ≪mas

prometedor≫ que otro se llaman búsqueda informada o
busqueda heuristica; estas seran tratadas mas adelante.
RECORRIDO DE ARBOLES
BUSQUEDA PRIMERO EN ANCHURA
 Busqueda primero en anchura
(amplitud)
 La busqueda primero en anchura es una estrategia sencilla
en la que se expande primero el nodo raiz, a continuacion se
expanden todos los sucesores del nodo raiz, despues sus
sucesores, etc.
 La búsqueda primero en anchura se puede implementar
llamando a la BusquedaArboles con una frontera vacía que sea
una cola primero en entrar primero en salir (FIFO.
En las búsquedas por anchura, son un problema mas grande los
requisitos de memoria que el tiempo de ejecución.
 BUSQUEDA PRIMERO EN
PROFUNDIDAD
Esta busqueda puede derivar en una rama infinita,
para ello se debe establecer un limite.
Busqueda primero en profundidad
GRACIAS
 METODOS DE BÚSQUEDA

• Introducción a las técnicas de

busqueda
• Resolver problemas mediante
busqueda sin información
• Busqueda informada y de exploración
• Técnicas de Búsqueda Heurística

1 Ing. Hiraida Santana C.

BUSQUEDA EN PROFUNDIDAD
 Busqueda primero en profundidad
 Esta búsqueda siempre expande el nodo más profundo en la frontera
actual del árbol de búsqueda. Cuando esos no los expanden sean
quitados de la frontera así entonces la búsqueda retrocede al siguiente
nodo más superficial que todavía tenga sucesores inexplorados.
 Puede implementarse con una cola LIFO, también conocida como una
pila
8- Puzzle - Profundidad
8- Puzzle - Profundidad
Busqueda de profundidad Limitada
 Se puede ligar el problema de árboles ilimitados
aplicando la búsqueda primero en profundidad con un
límite de profundidad predeterminado.

 Es decir los nodos se tratan como si no tuvieran ningún
sucesor. El límite de profundidad resuelve el problema
de camino infinito
 Busqueda bidireccional
 Búsqueda bidireccional consiste en ejecutar dos
búsquedas simultáneas, una hacia delante del estado
inicial y la otra hacia atrás desde el objetivo
Búsqueda con información parcial
Que pasa cuando el conocimiento de
los estados o acciones es incompleto?
Encontramos que diversos tipos de
incompletitud conducen a tres tipos de
problemas distintos:
 Problemas sin sensores (también llamados problemas conformados):
si el agente no tiene ningún sensor, entonces (por lo que sabe) podría estar
en uno de los posibles estados iniciales, y cada acción por lo tanto podría
conducir a uno de los posibles estados sucesores.

 Problemas de contingencia si el entorno es parcialmente observable o

si las acciones son inciertas, entonces las percepciones del agente
proporcionan nueva información después de cada acción. Cada percepción
posible define una contingencia que debe de planearse. A un problema se le
llama entre adversarios si la incertidumbre esta causada por las acciones de
otro agente.

 Problemas de exploración: cuando se desconocen los estados y las

acciones del entorno, el agente debe actuar para descubrirlos. Los
problemas de exploración pueden verse como un caso extremo de
problemas de contingencia.
PROBLEMA DE LOS JARRONES DE AGUA
Jarrones de 3 y 4 litros, debemos obtener
2 litros en el jarron de 3
 SISTEMA
 ESTADO INICIAL:
 ESTADO FINAL:
 OPERADORES:
 RESTRICCIONES:
 COMO PODEMOS DESCUBRIR EL ESTADO?
EJERCICIO TALLER
 EJERCICIO TALLER
 UN CUIDADOR DE ANIMALES DE UN CIRCO NECESITA
TENER DOS CUBETAS CON 4 Y 3 LITROS DE AGUA PARA
DARLE MEDICINA A UN ANIMAL ENFERMO. SE DA
CUENTA QUE SOLO DISPONE DE 2 CUBETAS DE 5 Y 3,
AMBAS VACIAS INCIALMENTE.
 SISTEMA
 ESTADO INICIAL:
 ESTADO FINAL:
 OPERADORES:
 RESTRICCIONES:
 COMO PODEMOS DESCUBRIR EL ESTADO?
 EJERCICIO TALLER
 UN CUIDADOR DE ANIMALES DE UN CIRCO NECESITA TENER DOS CUBETAS CON 4 Y
3 LITROS DE AGUA PARA DARLE MEDICINA A UN ANIMAL ENFERMO. SE DA CUENTA
QUE SOLO DISPONE DE 2 CUBETAS DE 5 Y 3, AMBAS VACIAS INCIALMENTE

 SISTEMA: RIO , CUBETAS DE 5 Y 3 Y EL CUIDADOR

 ESTADO INICIAL: CUBETAS VACIAS
 ESTADO FINAL: CUBETAS CON 4 Y 3 LITROS DE AGUA
 OPERADORES: LLENADO DE CUBETA, VACIADO Y TRANSFERENCIA ENTRE CUBETAS.

 COMO PODEMOS DESCUBRIR EL ESTADO?

 USANTO PAR ORDENADO (X,Y) DONDE X ES LA CANTIDAD QUE CONTIENE LA

CUBETA DE 5 LITROS Y LA CANTIDAD DE AGUA QUE CONTIENE LA CUBETA DE 3
LITROS

 CUAL SERIA EL RECORRIDO HASTA EL RESULTADO FINAL EN ANCHURA Y

PROFUNDIDAD
EJERCICIO TALLER

SISTEMA

ESTADO INICIAL:

ESTADO FINAL:

OPERADORES:

RESTRICCIONES:

COMO PODEMOS DESCUBRIR EL ESTADO?

EJERCICIO TALLER
GRACIAS