3.

1INTRODUCCION
3.2 Lógica e inteligencia artificial simbólica.

La Inteligencia Artificial Simbólica, también conocida como Good Old-Fashioned AI

(GOFAI), utiliza símbolos legibles por el ser humano que representan entidades o
conceptos del mundo real, así como la lógica (los métodos lógicos demostrables
matemáticamente) con el fin de crear «reglas» para la manipulación concreta de
esos símbolos, lo que da lugar a un sistema basado en reglas.

En pocas palabras, la IA simbólica consiste en incorporar explícitamente

conocimientos humanos y reglas de comportamiento a programas informáticos.

3.2.1 Lógica proposicional y de predicados

La lógica proposicional y la lógica de predicados son dos niveles de abstracción

que se utilizan para formalizar el conocimiento humano en el campo de la
inteligencia artificial (IA):

Lógica proposicional

Se basa en enunciados declarativos que pueden ser verdaderos o falsos, pero no

ambos al mismo tiempo. Por ejemplo, "1 + 1 = 3" es una proposición falsa.

Lógica de predicados

Se basa en predicados que aportan información adicional sobre el sujeto de una

oración. Los predicados pueden representar relaciones complejas mediante
símbolos como variables y predicados.

En la IA, el razonamiento lógico es fundamental para que las máquinas puedan

procesar información, tomar decisiones y resolver problemas.

La lógica de predicados de primer orden es un lenguaje formal que utiliza

elementos como variables, constantes, funciones y cuantificadores para
representar hechos.

3.2.2 Sistemas basados en reglas y sistemas expertos

Los sistemas basados en reglas y los sistemas expertos son dos tipos de sistemas
de inteligencia artificial (IA) que se utilizan para tomar decisiones y resolver
problemas complejos.

Sistemas Basados en Reglas (SBR)

Un SBR es un sistema que utiliza un conjunto de reglas predefinidas para tomar
decisiones. Estas reglas se basan en la experiencia y el conocimiento de expertos
en un dominio específico.

Características:

1. Reglas fijas y predefinidas

2. Decisión basada en reglas

3. No requiere aprendizaje automático

4. Fácil de implementar y mantener

Sistemas Expertos (SE)

Un SE es un sistema que simula el razonamiento y la toma de decisiones de un

experto humano en un dominio específico.

Características:

1. Conocimiento explícito y tácito

2. Razonamiento y toma de decisiones

3. Aprendizaje automático

4. Interfaz de usuario amigable

3.3 Representación del conocimiento

La representación del conocimiento en inteligencia artificial (IA) es un área que se

encarga de representar el conocimiento de manera que sea posible inferir
conclusiones a partir de él. El objetivo es que los sistemas inteligentes puedan
realizar tareas que normalmente requieren inteligencia humana.

3.3.1 Redes semánticas

Una red semántica o esquema de representación en Red es una forma de

representación de conocimiento lingüístico en la que los conceptos y sus
interrelaciones se representan mediante un grafo. En caso de que no existan ciclos,
estas redes pueden ser visualizadas como arboles. Las redes semánticas son
usadas, entre otras cosas, para representar mapas conceptuales y mentales.
En un grafo o red semántica los elementos semánticos se representan por nodos.
Dos elementos semánticos entre los que se admite se da la relación semántica que
representa la red, estarán unidos mediante una línea, flecha o enlace o arista. Cierto
tipo de relaciones no simétricas requieren grafos dirigidos que usan flechas en lugar
de líneas.

3.3.2 Ontologias.

Las ontologías, en Inteligencia Artificial, son estructuras conceptuales creadas por

expertos para representar el conocimiento de una manera explícita y formal y que
pueda ser procesable por las máquinas. Áreas de conocimiento como la Medicina,
Ciencias Sociales y Humanas, Ciencia Exactas e Ingenierías han aplicado
ontologías con diferentes objetivos, entre los que están la clasificación de
información, recomendación de contenidos e interoperabilidad semántica.

3.4 Mecanismos de razonamiento e inferencia.

Los mecanismos de razonamiento e inferencia en IA son técnicas utilizadas para

llegar a conclusiones lógicas y tomar decisiones informadas. A continuación, se
presentan algunos de los mecanismos más comunes:

Mecanismos de Razonamiento

1. Lógica Proposicional: Utiliza reglas lógicas para llegar a conclusiones.

2. Lógica de Predicados: Utiliza predicados para describir propiedades y

relaciones.

3. Lógica Difusa: Maneja la incertidumbre utilizando lógica difusa.

4. Razonamiento Inductivo: Generaliza patrones y reglas a partir de ejemplos.

5. Razonamiento Deductivo: Llega a conclusiones lógicas a partir de premisas.

Mecanismos de Inferencia

1. Inferencia Lógica: Utiliza reglas lógicas para llegar a conclusiones.

2. Inferencia Bayesiana: Utiliza probabilidades para actualizar creencias.

3. Inferencia de Redes Bayesianas: Utiliza redes para modelar relaciones

probabilísticas.

4. Inferencia de Lógica Difusa: Utiliza lógica difusa para manejar la incertidumbre.

5. Inferencia de Aprendizaje Automático: Utiliza algoritmos para aprender patrones

3.4.1 Razonamiento deductivo, inductivo y abductivo.

El razonamiento deductivo, inductivo y abductivo son tres modos de razonar que

se pueden aplicar en la inteligencia artificial (IA):

Razonamiento deductivo

Se basa en una premisa mayor que es un axioma, es decir, una verdad que no
necesita demostración. Se aplica una comprensión teórica a un contexto concreto
para llegar a una conclusión.

Razonamiento inductivo

Se basa en el conocimiento existente para formar un argumento válido de abajo

arriba. Se acumulan conocimientos e informaciones aisladas para llegar a una
proposición.

Razonamiento abductivo

Se utiliza para llegar a una conclusión cuando no hay suficiente evidencia o

información disponible. Se busca la mejor explicación posible para un fenómeno o
situación dada, incluso si no es necesariamente válida.

3,5 Solución de problemas y estrategias de búsqueda

La resolución de problemas es fundamental para la mayoría de las aplicaciones de

Inteligencia Artificial(IA). De hecho, la capacidad de resolver problemas suele
usarse como una medida de la inteligencia, tanto para el ser humano como para la
computadora. Hay principalmente dos clases de problemas. Una primera clase
puede ser resuelta usando algún tipo de procedimiento determinista cuyo éxito
esté garantizado. A este procedimiento se le llama de computación. La resolución
por computación normalmente sólo se aplica a aquellos tipos de problemas para
los que existan tales procedimientos, como en matemáticas.

Se puede con frecuencia traducir los métodos usados para resolver estos
problemas de manera fácil, a un algoritmo que pueda ser ejecutado por una
computadora. No obstante, a pesar de que pocos problemas reales se prestan a
soluciones computables, deben ser situados en la segunda categoría, que
consiste en problemas que se resuelven con la búsqueda de una solución. Este es
el método de resolución de problemas.

3.5.1 Algoritmos de búsqueda no informados.

Los algoritmos de búsqueda no informados, también conocidos como algoritmos

de búsqueda ciegos, son estrategias de búsqueda en inteligencia artificial (IA) que
no cuentan con información sobre el espacio de búsqueda:
1.No tienen conocimientos específicos del dominio

2.No poseen heurísticas específicas del problema

3.Se basan en la estructura del espacio de búsqueda para encontrar la solución

4.Resuelven la búsqueda de forma sistemática

Los algoritmos de búsqueda no informados son más ineficientes en tiempo y

memoria que otros métodos.

3.5.2 Algoritmos de búsqueda informados.

Los algoritmos de búsqueda informados en inteligencia artificial (IA) son métodos

que ayudan a las máquinas a realizar búsquedas más precisas y eficientes. Esto
se logra al incluir información sobre el estado objetivo en los algoritmos.

Los algoritmos de búsqueda de IA exploran un conjunto de posibles soluciones

para encontrar la mejor respuesta a una búsqueda. Para ello, evalúan datos y
documentos indexados para comprender búsquedas en lenguaje natural.

Algunos ejemplos de algoritmos de búsqueda informados son Graph Search y

Greedy Search.

En general, los algoritmos de búsqueda pueden ser informados o no informados.

Los algoritmos no informados, también conocidos como ciegos, suelen ser menos
eficientes en tiempo y memoria que otros métodos.

3.6 Planificación y toma de decisiones

La planificación y toma de decisiones en IA son procesos críticos que permiten a

los sistemas de IA alcanzar objetivos y resolver problemas complejos.

Planificación

La planificación en IA implica encontrar una secuencia de acciones que permitan

alcanzar un objetivo. Los tipos de planificación más comunes son:

1. Planificación lineal: Secuencia de acciones fijas.

2. Planificación condicional: Secuencia de acciones basada en condiciones.

3. Planificación dinámica: Secuencia de acciones que se adapta a cambios en el

entorno.
Toma de decisiones

La toma de decisiones en IA implica elegir la mejor acción posible en un momento

dado. Los tipos de toma de decisiones más comunes son:

1. Toma de decisiones determinista: Elección de acción basada en reglas fijas.

2. Toma de decisiones probabilista: Elección de acción basada en probabilidades.

3. Toma de decisiones bajo incertidumbre: Elección de acción en situaciones de

incertidumbre.

3.6.1 Algoritmos de planificación

Algunos algoritmos de planificación comunes en IA:

Algoritmos de Planificación Clásicos

1. Algoritmo de Dijkstra: encuentra el camino más corto entre dos nodos.

2. Algoritmo de A*: encuentra el camino más corto entre dos nodos con
heurísticas.

3. Algoritmo de Bellman-Ford: encuentra el camino más corto entre dos nodos con
pesos negativos.

4. Algoritmo de Floyd-Warshall: encuentra el camino más corto entre todos los

pares de nodos.

3.6.2 Manejo de la incertidumbre

Algoritmos de Planificación con Incertidumbre

1. Algoritmo de Planificación Probabilista (PP): planifica con probabilidades.

2. Algoritmo de Planificación con Incertidumbre (PU): planifica con incertidumbre.

3. Algoritmo de Planificación con Riesgo (PR): planifica con riesgo.

3.6.1 Planning algorithms

Some common planning algorithms in AI:

Classical Planning Algorithms

1. Dijkstra's algorithm: finds the shortest path between two nodes.

2. A* algorithm: finds the shortest path between two nodes with heuristics.

3. Bellman-Ford algorithm: finds the shortest path between two nodes with
negative weights.

4. Floyd-Warshall algorithm: finds the shortest path between all pairs of nodes.

3.6.2 Handling uncertainty

Planning algorithms with uncertainty

1. Probabilistic Planning Algorithm (PP): plans with probabilities.

2. Planning Algorithm with Uncertainty (PU): plans with uncertainty.

3. Planning Algorithm with Risk (PR): plans with risk.

TRADUCCION A INGLES

3.1INTRODUCTION

3.2 Logic and Symbolic Artificial Intelligence.

Symbolic Artificial Intelligence, also known as Good Old-Fashioned AI (GOFAI), uses

human-readable symbols representing real-world entities or concepts, as well as logic
(mathematically provable logical methods) in order to create “rules” for the concrete
manipulation of those symbols, resulting in a rule-based system.

In short, symbolic AI consists of explicitly incorporating human knowledge and behavioral

rules into computer programs.

3.2.1 Propositional and predicate logic

Propositional logic and predicate logic are two levels of abstraction used to formalize
human knowledge in the field of artificial intelligence (AI):

Propositional logic

It is based on declarative statements that can be true or false, but not both at the same time.
For example, “1 + 1 = 3” is a false proposition.
Predicate logic

It is based on predicates that provide additional information about the subject of a sentence.
Predicates can represent complex relationships using symbols such as variables and
predicates.

In AI, logical reasoning is fundamental for machines to process information, make

decisions and solve problems.

3.2.2 Rule-based systems and expert systems

Rule-based systems and expert systems are two types of artificial intelligence (AI) systems
that are used to make decisions and solve complex problems.

Rule-Based Systems (RBS)

A RBS is a system that uses a set of predefined rules to make decisions. These rules are
based on the experience and knowledge of experts in a specific domain.

Characteristics:

1. fixed and predefined rules

2. Rule-based decision making

3. No machine learning required

4. Easy to implement and maintain

Expert Systems (ES)

An SE is a system that simulates the reasoning and decision making of a human expert in a
specific domain.

Characteristics:

1. Explicit and tacit knowledge 2.

2. Reasoning and decision making

3. Automatic learning

4. User friendly interface

3.3 Knowledge representation

Knowledge representation in artificial intelligence (AI) is an area that deals with
representing knowledge in such a way that it is possible to infer conclusions from it. The
goal is to enable intelligent systems to perform tasks that normally require human
intelligence.

3.3.1 Semantic networks

A semantic network or network representation scheme is a form of linguistic knowledge

representation in which concepts and their interrelationships are represented by a graph. In
case there are no cycles, these networks can be visualized as trees. Semantic networks are
used, among other things, to represent conceptual and mental maps.

In a graph or semantic network the semantic elements are represented by nodes. Two
semantic elements between which the semantic relationship that represents the network is
admitted to exist, will be linked by a line, arrow or link or edge. Certain types of non-
symmetric relationships require directed graphs that use arrows instead of lines.

3.3.2 Ontologies.

Ontologies, in Artificial Intelligence, are conceptual structures created by experts to

represent knowledge in an explicit and formal way that can be processed by machines.
Areas of knowledge such as Medicine, Social and Human Sciences, Exact Sciences and
Engineering have applied ontologies with different objectives, among which are
information classification, content recommendation and semantic interoperability.

3.4 Reasoning and inference mechanisms.

Reasoning and inference mechanisms in AI are techniques used to reach logical

conclusions and make informed decisions. Some of the most common mechanisms are
presented below:

Reasoning Mechanisms.

1. Propositional Logic: Uses logical rules to reach conclusions.

2. Predicate Logic: Uses predicates to describe properties and relationships.

3. Fuzzy Logic: Handles uncertainty using fuzzy logic.

4. Inductive Reasoning: Generalizes patterns and rules from examples.

5. Deductive Reasoning: Reaches logical conclusions from premises.

Inference Mechanisms

1. Logical Inference: Uses logical rules to reach conclusions.

2. Bayesian Inference: Uses probabilities to update beliefs.

3. Bayesian Network Inference: Uses networks to model probabilistic relationships.

4. Fuzzy Logic Inference: Uses fuzzy logic to handle uncertainty.

5. Machine Learning Inference: Uses algorithms to learn patterns.

3.4.1 Deductive, inductive and abductive reasoning.

Deductive, inductive and abductive reasoning are three modes of reasoning that can be
applied in artificial intelligence (AI):

Deductive reasoning.

It is based on a major premise that is an axiom, i.e., a truth that needs no demonstration. A
theoretical understanding is applied to a specific context to reach a conclusion.

Inductive reasoning

It builds on existing knowledge to form a valid argument from the bottom up. Isolated
knowledge and information are accumulated to arrive at a proposition.

Abductive reasoning

Used to reach a conclusion when there is insufficient evidence or information available.

The best possible explanation for a given phenomenon or situation is sought, even if it is
not necessarily valid.

3.5 Problem solving and search strategies

Problem solving is fundamental to most applications of Artificial Intelligence (AI). In fact,

the ability to solve problems is often used as a measure of intelligence, both for humans and
computers. There are mainly two classes of problems. A first class can be solved using
some kind of deterministic procedure whose success is guaranteed. This procedure is called
computational. Computational problem solving is usually only applied to those types of
problems for which such procedures exist, as in mathematics.

The methods used to solve these problems can often be easily translated into an algorithm
that can be executed by a computer. However, although few real problems lend themselves
to computable solutions, they must be placed in the second category, which consists of
problems that are solved by searching for a solution. This is the problem solving method.

3.5.1 Uninformed search algorithms.

Uninformed search algorithms, also known as blind search algorithms, are search strategies
in artificial intelligence (AI) that do not have information about the search space:

1. They have no domain-specific knowledge

2. They have no problem-specific heuristics

3. They rely on the structure of the search space to find the solution

4. They solve the search systematically

Uninformed search algorithms are more time- and memory-inefficient than other methods.

3.5.2 Informed search algorithms.

Informed search algorithms in artificial intelligence (AI) are methods that help machines
perform more accurate and efficient searches. This is achieved by including information
about the target state in the algorithms.

AI search algorithms explore a set of possible solutions to find the best answer to a search.
To do this, they evaluate data and indexed documents to understand natural language
searches.

Some examples of informed search algorithms are Graph Search and Greedy Search.

In general, search algorithms can be informed or uninformed. Uninformed algorithms, also

known as blind, are typically less time and memory efficient than other methods.

3.6 Planning and Decision Making

Planning and decision making in AI are critical processes that enable AI systems to achieve
goals and solve complex problems.

Planning

Planning in AI involves finding a sequence of actions that will achieve a goal. The most
common types of planning are:

1. Linear planning: Sequence of fixed actions.

2. Conditional planning: Sequence of actions based on conditions.

3. Dynamic planning: Sequence of actions that adapts to changes in the environment.

Decision Making

Decision making in AI involves choosing the best possible action at a given time. The most
common types of decision making are:

1. Deterministic decision making: Choice of action based on fixed rules.

2. Probabilistic decision making: Choice of action based on probabilities.

3. Decision making under uncertainty: Choice of action in situations of uncertainty.