Tema 1

Razonamiento y Planificación Automática

Introducción a la toma de
decisiones
 Índice
Esquema 3

Ideas clave 4
1.1. ¿Cómo estudiar este tema? 4
© Universidad Internacional de La Rioja (UNIR)

1.2. Problemas de toma de decisiones 4

1.3. Arquitectura de un agente inteligente 15
1.4. Tipos de agentes inteligentes 31
1.5. Referencias bibliográficas 33

A fondo 35

Test 40
 © Universidad Internacional de La Rioja (UNIR)

Toma de decisiones

El problema de la Arquitectura de
toma de decisiones un agente Tipos de agentes

Agentes basados en
Elementos Arquitecturas
búsquedas y
para agente
planificación
Reactivos

Deliberativos

Híbridos

Razonamiento y Planificación Automática

Tema 1. Esquema
Esquema

3
 Ideas clave

1.1. ¿Cómo estudiar este tema?

En este tema estudiaremos los principios necesarios para entender el problema de

la toma de decisiones para los sistemas inteligentes. Describiremos la problemática
humana de la toma de decisiones y su influencia al construir agentes inteligentes.

Partiremos de las estrategias mentales que pueden ayudar a estructurar la toma de

decisiones y plantearemos los mecanismos tradicionales para estructurar los
problemas, dividiendo en etapas el proceso de definición del problema.

Completaremos los conceptos iniciales con la definición de agente inteligente y de

los tipos de agentes inteligentes que nos podemos encontrar según su
funcionalidad o servicio que ofrece. Presentaremos los distintos elementos que
componen estas arquitecturas y su utilidad.

1.2. Problemas de toma de decisiones

La complejidad en el proceso de toma de decisiones es evidente, ya que es

necesario evaluar y conocer las condiciones del entorno. Como guías podemos
emplear la intuición y las reglas, pero en ocasiones es necesario realizar un análisis
exhaustivo de la totalidad de los posibles escenarios. Es en este contexto cuando las
© Universidad Internacional de La Rioja (UNIR)

matemáticas aplicadas a la toma de decisiones pueden servir de ayuda.

Todos tenemos dificultades para tomar decisiones, especialmente cuando la

decisión debe tomarse frente a una situación de riesgo. En este tipo de casos, la

Razonamiento y Planificación Automática

4
Tema 1. Ideas clave
 intuición no suele ser una herramienta y las matemáticas son un buen recurso para
ayudar a tomar decisiones.

En la actualidad, existen varios desafíos que generan situaciones de riesgo

(terrorismo, crisis económico-financieras, ciberseguridad, cambio climático…) y la
toma de decisiones en estos casos es muy importante.

Cuando una situación necesita ser analizada y una decisión tomada, es necesario
asumir un riesgo; por tanto, es necesario evaluar e identificar el riesgo involucrado y
decidir cuáles son las medidas a adoptar para que este sea mínimo. La capacidad
que tenemos para tomar decisiones está relacionada con la asunción de riesgo, la
creatividad y la búsqueda de alternativas a los retos que aún no existen.

Los elementos para tener en cuenta en la toma de decisiones son:

 Efecto futuro: cómo afectará la decisión en el futuro. Cualquier decisión influye:

algunas lo hacen a corto plazo (decisiones de bajo nivel), pero otras influyen a
largo plazo (decisiones de alto nivel).
 Reversibilidad: es el esfuerzo necesario para revertir una decisión y la velocidad
con la que una decisión puede revertirse. Cuando es difícil revertir, es mejor
realizar decisiones a alto nivel. Si es simple, será necesario tomar decisiones a
bajo nivel.
 Impacto: está relacionado con otras actividades y áreas que se ven afectadas por
la decisión tomada. El impacto puede ser: extenso (abarca varias áreas o
actividades y es recomendable aplicar decisiones a alto nivel) o localizado, único
(solo afecta a una o pocas áreas o actividades y se asocia con una decisión de
bajo nivel).
© Universidad Internacional de La Rioja (UNIR)

 Calidad: la ética, la legalidad, los principios que gobiernan el comportamiento, la

imagen y las relaciones laborales, entre otras, entran en juego en este punto.
Cuando muchos de estos factores están involucrados, es necesario tomar
decisiones a alto nivel. En cambio, cuando hay pocos implicados, es
recomendable tomar la decisión a bajo nivel.

Razonamiento y Planificación Automática

5
Tema 1. Ideas clave
  Periodicidad: este elemento se refiere a la frecuencia o excepcionalidad de una
decisión. Las decisiones excepcionales son de alto nivel, mientras que las
decisiones que deben ser tomadas con mayor frecuencia son decisiones de bajo
nivel.

La toma de decisiones a alto nivel requiere seguir un proceso de análisis serio,

buscar alternativas, planificar, ejecutar y evaluar. La toma de decisiones a bajo
nivel implica poco esfuerzo y es posible tomar este tipo de decisiones en poco
tiempo. En el mundo de planning, las decisiones de alto nivel se toman con
planificadores deliberativos, es decir planificadores que pueden emplear todo el
tiempo necesario para encontrar una solución. Por el contrario, en las decisiones a
bajo nivel se emplean planificadores reactivos. Los cuales son planificadores que
deben encontrar una solución en un tiempo muy corto.

Resumen de elementos de toma de decisiones de alto nivel y decisiones de bajo

nivel:

Alto Nivel Bajo Nivel

Afectan al futuro. No afectan al futuro.

Reversibilidad difícil. Reversibles.

Impacto amplio. Poco impacto.

Afectan a muchos factores Afectan a pocos factores
importantes de calidad. importantes de calidad.
Excepcionales. Frecuentes.

Tabla 1. Comparativa entre las decisiones de alto y bajo nivel.

Por otra parte, es posible clasificar las decisiones en dos tipos: decisiones
© Universidad Internacional de La Rioja (UNIR)

programadas y decisiones no programadas.

Las decisiones programadas son de rutina y se repiten periódicamente. Tienen que

ver con problemas bien definidos y no requieren un proceso de decisión complejo.

Razonamiento y Planificación Automática

6
Tema 1. Ideas clave
 Normalmente se administran con una secuencia de pasos, hay un método que es
capaz de manejar este tipo de decisiones y existen reglas que permiten dirigir el
pensamiento en una dirección específica definida. Por ejemplo: en una emergencia
en el hogar, llame al número de emergencia.

Las decisiones no programadas están relacionadas con condiciones o entornos

desconocidos, situaciones nuevas y no existen reglas o métodos establecidos que
puedan servir como guía. Este tipo de decisiones son exclusivas de la situación,
también única.

Las decisiones no programadas, en general, necesitan más tiempo para tomarse, ya

que hay múltiples variables que deben valorarse y ponderarse, y también la
información disponible es incompleta, ya que no es posible anticipar cuál será el
impacto en el resultado de la decisión tomada. Por ejemplo: frente al menú de un
restaurante que es la primera vez que visitamos.

En cuanto al problema, podemos diferenciar el problema estructurado del no

estructurado.

 Problema estructurado: el enunciado contiene toda la información necesaria

para poder resolverlo.
 Problema no estructurado: el enunciado no contiene toda la información que
sería necesaria para resolverlo. Es necesario que la persona que se enfrenta a él
busque información adicional para añadirla.

Etapas necesarias para la resolución de problemas

© Universidad Internacional de La Rioja (UNIR)

A continuación, vamos a hablar sobre las diferentes etapas necesarias para la

resolución de problemas.

Razonamiento y Planificación Automática

7
Tema 1. Ideas clave
 Primera etapa

Comprender la complejidad del problema es el objetivo de esta etapa. Analizaremos

el problema, sintetizándolo por medio del pensamiento hipotético-deductivo,
obteniendo una visión general del mismo.

 Identificar el problema.

Formularemos e intentaremos verificar la veracidad de una hipótesis que ilustre el

problema. La mayoría de las veces, en nuestro día a día, los problemas se presentan
de un modo claro y estructurado (en general, se encuentran a nuestro alrededor,
esperando ser descubiertos). Es importante tener una actitud activa y tener la
intención de hacer x o querer hacer y.

La visión correcta del problema es observar las tendencias, analizar la evolución de

los hechos y usar la creatividad para anticipar e imaginar qué es posible que suceda.
Es necesario tomar distancia al analizar los hechos, realizar un análisis con frialdad y
confiar en las experiencias pasadas para predecir lo que sucederá en el futuro, pero
sin que estas o los datos entren en conflicto con decisiones futuras. La materia
prima para tomar decisiones es la información y, cuanto mejor sea, mejor será la
calidad de la decisión.

La información es primordial en la toma de decisiones: a mayor calidad de esta,

mejor es la calidad de la toma de decisiones. La creatividad, la experiencia y la
intuición, junto con el conocimiento de las experiencias pasadas, ayudan a la hora
de elaborar las predicciones de lo que puede suceder en el futuro.
© Universidad Internacional de La Rioja (UNIR)

Todas estas claves deberán considerarse necesarias a la hora de crear mecanismos

automáticos para la toma de decisiones y resolución inteligente de problemas, ya
sea de forma natural o artificial.

Razonamiento y Planificación Automática

8
Tema 1. Ideas clave
 ¿Cómo identificar el problema?

En la siguiente tabla se muestran preguntas que sirven para ayudar a delimitar un

problema.

¿Dónde no está el
¿Dónde se encuentra el problema? problema?

Determinar los aspectos donde es visible la situación En qué aspectos no se

Origen que está provocando el problema. manifiesta el problema.

Número de personas afectadas y sus características En qué áreas no aparece el

Magnitud (edad, género, contexto socioeconómico…). problema.

Determinar el área geográfica (oficina, provincia,

A qué personas no afecta.
Lugar escuela…).

Determinar, del mismo modo, grupos de afectados y el Dónde no aparece el

Foco número de integrantes de los grupos. problema.
En qué momento o
Determinar si es un hecho puntual y reciente, si perdura
momentos no se produce
Historia y se alarga en el tiempo…
la situación problemática.
Tabla 2. Preguntas para delimitar un problema.

El análisis DAFO es otra técnica empleada para diseñar una estrategia para
determinar problemas. Se trata de realizar una valoración en grupo sobre el
presente y el futuro, valorando lo positivo y lo negativo.

Debilidades. Amenazas.
Fortalezas. Oportunidades.

Tabla 3. Análisis DAFO.

Por último, dentro de las técnicas para determinar problemas, vamos a describir la
reunión de discusión. Consiste en compartir ideas cuando se va a comenzar un
© Universidad Internacional de La Rioja (UNIR)

proyecto. Requiere una preparación previa concretando los temas que preocupan al
equipo, disponer a los asistentes en círculo para favorecer la comunicación y que
todos se vean las caras, no superar las dos horas de reunión y no complicarse
demasiado realizando los preparativos. Este tipo de técnica se emplea con mucha
frecuencia en la metodología Scrum.

Razonamiento y Planificación Automática

9
Tema 1. Ideas clave
 Puedes ver más sobre Scrum en el siguiente enlace:
https://proyectosagiles.org/que-es-scrum/

Como vemos, existen varias técnicas para delimitar problemas: preguntarse por el
origen, lugar, magnitud, foco o historia; ponerse en el lugar del cliente; análisis DAFO y
reunión de discusión..

 Explicar el problema.

Es necesario explicar el problema para definir dónde se origina, dónde ocurre, cómo
se produce y a quién afecta. Es hora de realizar tareas para profundizar en el
problema, comprenderlo y desarrollar una explicación satisfactoria basada en los
elementos que lo causan (las causas). De esta manera, será posible comenzar a
crear una estrategia para resolverlo.

Para explicar el problema, hay que ir más allá de los síntomas y poner el foco en los
aspectos que lo provocan: indagar las causas. Para lograr explicarlo se pueden
seguir los siguientes pasos:

• Valorar la importancia del problema: es clave determinar la importancia de un

problema con los criterios objetivos, haciendo un juicio de la importancia del
problema en nuestro objetivo.
• Definir límite: encontrar el límite concreto del problema. Los problemas se
originan de una manera difusa, mal definida. Antes de encontrar la solución,
debemos conocer bien el problema y definir cuál es y cuál no, y buscar el
objeto relacionado con el problema.
• Detectar las causas y las consecuencias: al reducir el problema (definir el
© Universidad Internacional de La Rioja (UNIR)

límite), también lo describimos. Pero es necesario detectar y analizar las

causas, ir al origen del problema, determinar y ayudar a predecir las
consecuencias.

Razonamiento y Planificación Automática

10
Tema 1. Ideas clave
 Existen varias técnicas para dar explicación a los problemas: clasificación ERIM de
problemas, método de los seis interrogantes, las veinte causas, diagrama de espina
de pez y mapas mentales.

• ERIM: se basa en clasificar los problemas según dos criterios (urgencia e

importancia), elaborando una matriz del tipo:

Urgente

+ -

Importante +

Tabla 4. Clasificación ERIM.

• Seis interrogantes sobre el problema: ¿cuál es?, ¿cómo sucede?, ¿por qué
ocurre?, ¿a quién afecta?, ¿dónde sucede? y ¿cuándo pasa?
• Las veinte causas: hay que crear una lista de los posibles elementos que
causan el problema, posteriormente se van eliminando causas para quedarse
con las veinte más importantes.
• Diagrama de espina de pez: también conocido como diagrama Ishikawa,
permite mostrar las causas de un problema, organizarlas y asignarles unos
pesos o valores. Consiste en una técnica llevada a cabo en varias sesiones
divididas en fases.

Primero, se debe dibujar un diagrama en blanco y luego escribir brevemente

el problema a analizar. Se identifican las categorías del problema que se
consideran apropiadas. Se determina una causa principal y se pregunta sobre
© Universidad Internacional de La Rioja (UNIR)

el origen de esa causa, esto ayudará a establecer causas secundarias cuya

consecuencia es la causa principal (análisis de dispersión). Se analizan en
detalle todas las causas, tanto principales como secundarias.

Razonamiento y Planificación Automática

11
Tema 1. Ideas clave
 Ejemplo de un diagrama de pez (causa-efecto) o diagrama Ishikawa:

Figura 1. Diagrama espina de pez.

Fuente: (Ishikawa, 1976)

• Mapas mentales: sirven fundamentalmente para crear ideas a partir del

análisis sistemático y detallado del problema. Los mapas mentales son una
forma de expresar un razonamiento radiante (desde el interior hasta el final).
La siguiente imagen muestra el mapa mental para hacer un DAFO.

Figura 2. Ejemplo de mapa mental para especificar un análisis DAFO.

© Universidad Internacional de La Rioja (UNIR)

Fuente: (Buzan, 1996)

Un problema bien definido: la capacidad de explicar el problema nos llevará a

construir definiciones consistentes y bien definidas, de tal manera que los agentes

Razonamiento y Planificación Automática

12
Tema 1. Ideas clave
 inteligentes puedan diseñarse con un objetivo claro, entendiendo correctamente
cuál es el objetivo final de su desempeño y su entorno real de desarrollo.

Deberemos, por tanto, crear definiciones de problemas que presenten

características que nos permitan trabajar con ellos de modo eficiente. Algunas
características o asunciones que se pueden tener en entornos simples (problemas
bien definidos) son:

• Discreto:

 Se puede concebir el mundo en estados.

 En cada estado hay un conjunto finito de percepciones y acciones.
• Accesible: el agente puede acceder a las características relevantes del
entorno.
 Puede determinar el estado actual del mundo.
 Puede determinar el estado del mundo que le gustaría alcanzar.
• Estático y determinista: no hay presión temporal ni incertidumbre.
 El mundo cambia solo cuando el agente actúa.
 El resultado de cada acción está totalmente definido y es previsible.

Segunda etapa

Crear una estrategia para resolver el problema que reduzca al mínimo los efectos
negativos y haga que sea posible alcanzar los logros.

Con el problema bien definido y delimitado, ingresamos en la fase que permite

encontrar las soluciones.
© Universidad Internacional de La Rioja (UNIR)

 Idear estrategias.

Existen muchas técnicas para encontrar estrategias y soluciones. Algunas de las

empleadas en la toma de decisiones estratégica pueden ser: brainstorming, 4x4x4,

Razonamiento y Planificación Automática

13
Tema 1. Ideas clave
 la pecera y seis sombreros para pensar. Son interesantes para reflexionar acerca de
la complejidad de la toma de decisiones.

 Elegir estrategia y tomar una decisión.

Para tomar una decisión, es necesario elegir de entre una serie de posibilidades
aquella que sea la más adecuada para resolver el problema. En este punto, es
necesario valorar las estrategias que han surgido, usando aquella metodología
elegida en la fase de idear estrategias y tomar la decisión. Para elegir hay que
valorar:

• Beneficios.
• Probabilidad de éxito.
• Dependencias internas y externas (¿depende de nosotros llevarlo a cabo o
depende de más personas?).
• Medios, materiales y personas que son necesarios para llevar a cabo la
estrategia.
• Estimación de tiempo necesario para poner en marcha la estrategia.
• Costes.

Desde el punto de vista de los agentes inteligentes, veremos que la estrategia a

utilizar dependerá mucho del problema al que nos enfrentemos, de ahí la
importancia de definir correctamente este.

Muchas técnicas son generalmente aplicables a muchos problemas, pero existen

técnicas que mejoran las posibilidades de éxito frente a ciertos problemas. Por
ejemplo, si tenemos que resolver un problema en el que el orden en el que se
© Universidad Internacional de La Rioja (UNIR)

toman las decisiones no es importante, pero sí el resultado final de ciertas variables,

son más eficientes las técnicas de CSP (Problema de Satisfacción de Restricciones)
(Manya, 2003) o los algoritmos genéticos. Si encontramos un conocimiento a priori
alto sobre el problema, pero una definición vaga de los predicados y términos
utilizados, deberíamos buscar modelos de inferencia difusos, etc.

Razonamiento y Planificación Automática

14
Tema 1. Ideas clave
 Por tanto, es cometido del especialista el conocer bien el problema antes de
plantear estrategias. El especialista debe saber también el mayor número de
técnicas posibles para emplear la más conveniente a cada problema.
 Diseñar intervención.

A continuación, deberemos planificar las acciones que se van a realizar,

determinando una hoja de ruta. Deberemos emplear el mejor diseño arquitectónico
posible para poder garantizar la mejor toma de decisiones, de modo eficiente y
organizado.

Tercera etapa

Consiste fundamentalmente en conseguir resolver el problema. Es la etapa en la

cual se implementa la estrategia óptima ejecutando la intervención. Por último, el
proceso de toma de decisiones se cerrará con una evaluación de logros que servirá
para mejorar y como aprendizaje.

1.3. Arquitectura de un agente inteligente

Definición de agente inteligente

De las múltiples interpretaciones y técnicas empleadas para construir sistemas que

resuelvan problemas, la inteligencia artificial es la disciplina derivada de los
conocimientos científicos e ingenieriles que estructura las metodologías, técnicas y
algoritmos que apoyan la resolución de estos problemas, intentando emplear
© Universidad Internacional de La Rioja (UNIR)

mecanismos sofisticados de razonamiento y usando de modo eficiente recursos y

conocimientos.

Dentro de la inteligencia artificial, la teoría de agentes inteligentes diseña los

sistemas de toma de decisiones por medio de la filosofía de inmersión de un

Razonamiento y Planificación Automática

15
Tema 1. Ideas clave
 elemento (agente) en un entorno, con el cual debe interactuar por medio de sus
sistemas de percepción (que le proporcionan información de estado de dicho
entorno) y sistemas actuadores (que le permiten modificar el estado para conseguir
un objetivo).

Es importante resaltar la definición de agente inteligente que emplearemos a lo

largo de este curso. Para nosotros, un sistema se considerará inteligente siempre
que intente obtener una meta por medio de un comportamiento racional.
Evitaremos las definiciones de inteligencia artificial «fuerte» que consideran
factores más allá de la racionalidad para clasificar un agente como inteligente, dado
que necesitaríamos de definiciones reflejo del comportamiento humano para
considerar estos agentes «fuertes».

Por nuestra parte, un agente será más inteligente cuanto más autónomo sea, es
decir, que necesite menos conocimiento a priori para encontrar una solución
racional a su problema. El concepto de conocimiento a priori surge de cualquier
información previa sobre el comportamiento del entorno que se le tenga que
proporcionar al agente para tomar decisiones. Todo conocimiento de este tipo que
le ofrezcamos a un agente le resta autonomía y, por tanto, capacidad de tomar
decisiones.

La racionalidad del agente se medirá a través de una medida de desempeño

(normalmente nos referiremos a ella como métrica o utilidad).
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

16
Tema 1. Ideas clave
 Figura 3. Representación gráfica de agente inteligente.

Elementos de un agente inteligente

En términos generales, un agente inteligente debe organizar su proceso de toma de

decisiones en tres fases principales:

Figura 4. Fases en las que un agente inteligente debe organizar su proceso de toma de decisiones.

 Sentir: le proporciona al agente la percepción del entorno. Esta información

tiene que ser procesada por el sistema de percepción que debe:

• Extraer en estructuras de datos la información percibida. Las estructuras de

datos deben ser «amigables» para el razonamiento.

© Universidad Internacional de La Rioja (UNIR)

• Procesar dichas estructuras extraídas para generar una representación

reducida de elementos relevantes para el razonamiento, conceptos de alto
nivel relacionados con el proceso de razonamiento del agente.

Razonamiento y Planificación Automática

17
Tema 1. Ideas clave
  Pensar: es el proceso de toma de decisiones racionales del agente. Empleando la
información disponible del sistema de percepción y la memoria interna del
agente, inicia un proceso deliberativo o reactivo en el cual debe:

• Razonar, extrayendo de los hechos relevantes observados y recordados

conclusiones nuevas, por ejemplo, de la posición de un nuevo agente respecto
a la antigua: su trayectoria.
• Decidir: empleando mecanismos para la toma de decisión de acciones (los
algoritmos tradicionales de búsqueda, planificación…).

 Actuar: por medio de sus sistemas actuadores, el agente interactuará con el

entorno para producir aquellos cambios que le permitan obtener un estado que
mejore su valoración del desempeño para alcanzar sus metas. Para ello deberá:

• Generar sus acciones de alto nivel en estructuras de datos que puedan ser
manejadas en el futuro, empleando árboles, grafos, etc.
• Convertir las acciones empleadas por el agente como resultado del
razonamiento en elementos entendibles por el sistema de actuadores (curvas
de animación, trazas de información del sistema, variable de estado…).

Arquitectura de un agente Inteligente

Una arquitectura de agentes es una metodología empleada para construir agentes.

Las arquitecturas de agente tienen un importante papel en el razonamiento
práctico. En ellas se especifica cómo el agente puede ser descompuesto en un
conjunto de módulos, y cómo estos módulos pueden interactuar. El conjunto total
de módulos y sus interacciones determinan las acciones y estados internos futuros.
© Universidad Internacional de La Rioja (UNIR)

(Wooldridge, 1994) proponen, una clasificación de arquitectura de agentes en tres

categorías principales:

 Arquitecturas deliberativas.
 Arquitecturas reactivas.

Razonamiento y Planificación Automática

18
Tema 1. Ideas clave
  Arquitecturas híbridas.

Arquitecturas de agentes deliberativos

Contienen una representación explícita y lógica del mundo, con lo cual las
decisiones (por ejemplo, acerca de las acciones a realizar) son hechas por medio de
un razonamiento lógico. Se basan en un razonamiento práctico, en el que se decide el
conjunto de acciones a realizar para conseguir los objetivos. No existe límite de tiempo
para calcular el conjunto de acciones.

Figura 5. Arquitectura de un Agente deliberativo.

Fuente: (Guzman, 2020).

 Ejemplos de arquitecturas deliberativas:

© Universidad Internacional de La Rioja (UNIR)

• Agentes basados en planificación (planning agents): la comunidad de

inteligencia artificial dedicada a la planificación, desde principios de los años
setenta, ha estado estrechamente relacionada con el diseño de agentes.
Parece razonable, entonces, que muchas de las innovaciones en el diseño de

Razonamiento y Planificación Automática

19
Tema 1. Ideas clave
 agentes provengan de esa comunidad. El objetivo es describir a los agentes
que pueden encontrar un curso de acciones que, cuando se ejecutan, logran
algún objetivo deseado.

• Belief, Desire & Intention (BDI) (Georgeff, Pell, Pollack, Tambe y Wooldridge,
1999): la descripción del estado de un agente de estas características se
realiza por medio de:

 Creencias: que representan el conocimiento que el agente tiene de sí

mismo y de su entorno. Estas creencias pueden ser incompletas y/o
incorrectas.
 Deseos: objetivos que el agente desea cumplir a largo plazo.
 Intenciones: subconjunto de las metas que el agente intenta conseguir.

Además de estos elementos básicos, los agentes BDI generan planes por medio
de explorar metas intermedias.

 Planes: combinación de intenciones. Las intenciones crean subplanes del

plan global del agente, de manera que el conjunto de todos los planes
refleja las intenciones del agente.
 Metas: subconjunto de los deseos que el agente puede conseguir. Han de
ser realistas y no tener conflictos entre ellas.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

20
Tema 1. Ideas clave
 Figura 6. Modelo BDI de agentes.
Fuente: Pavón (2006).

Arquitecturas de agentes reactivos

Una arquitectura para agente reactivo es aquella que no utiliza razonamiento

simbólico complejo. Pretenden resolver el problema puntual que se encuentran en
cada instante por medio de una toma de decisiones rápida.
© Universidad Internacional de La Rioja (UNIR)

Figura 7. Arquitectura de un Agente reactivo.

Fuente: (Guzman, 2020).

Razonamiento y Planificación Automática

21
Tema 1. Ideas clave
  Ejemplos:

• Sumbsumption architecture: consiste en una jerarquía de comportamientos

para la consecución de tareas. Cada comportamiento intenta tomar el control
del agente en cada instante. Capas menores representan comportamientos de
tipo más primitivo (tal como evitar obstáculos, por ejemplo) y tienen
precedencia sobre las capas superiores de la jerarquía.

• Arquitectura de red de agentes: Pattie Maes (Maes, 1990) ha desarrollado una

arquitectura de agentes en la cual un agente se define como un conjunto de

módulos de competencia. Estos módulos asemejan ligeramente el
comportamiento de la arquitectura subsunción. Cada módulo es especificado
por el diseñador en términos de pre- y poscondiciones, y un nivel de
activación, que da una indicación real de la relevancia del módulo en una
situación particular.

• Reactive execution model (Guzman, 2015): consiste en una arquitectura de

ejecución reactiva para el control de la ejecución de planes. Es independiente
del dominio y opera con unas estructuras precalculadas en tiempo de
ejecución.

Arquitecturas para agentes híbridos

Un enfoque totalmente deliberativo o reactivo no es adecuado para diseñar

agentes en entornos complejos. En este tipo de entornos, se necesitan sistemas
híbridos que intentan unir estos enfoques. Un enfoque obvio es construir un agente
compuesto por dos subsistemas o planificadores:
© Universidad Internacional de La Rioja (UNIR)

 Deliberativo, que contiene un módulo simbólico del mundo, que desarrolla

planes y efectúa decisiones de la manera propuesta por la inteligencia artificial
simbólica.

Razonamiento y Planificación Automática

22
Tema 1. Ideas clave
  Reactivo, que es capaz de reaccionar a eventos que ocurren en el ambiente sin
necesitar un razonamiento complejo. A menudo, al componente reactivo se le da
cierto grado de precedencia sobre el deliberativo, de tal manera que pueda
proveer una pronta respuesta a eventos ambientales importantes.

Este tipo de arquitecturas presenta controladores reactivos en los niveles de toma

de decisiones locales o inmediatas, delegando conductas planificadas a las capas
superiores con controladores de deliberación. Existen mecanismos para enviar
información entre capas, en muchos casos como entradas a capas inferiores que se
combinan con las percepciones recibidas en los sensores.

Veamos algunos ejemplos:

 Procedural Reasoning System (PRS): PRS (Georgeff, 1987) es una arquitectura

BDI, es decir, basada en creencias, deseos e intenciones, que incluye una librería
de planes, así como una explícita representación simbólica de las creencias,
deseos e intenciones.

Las creencias son hechos tanto derivados de la percepción del entorno como del
estado interno del agente. Estos hechos son expresados mediante lógica de
primer orden. Los deseos son representados como comportamientos del
sistema. La librería de planes del PRS contiene un conjunto de planes
parcialmente elaborados, llamados áreas de conocimiento (Kas, por sus siglas en
ingles), cada uno de los cuales se asocia con una condición para ser invocado.

Estas condiciones determinan cuando el KA debe ser activado. Los KAs pueden
ser activados por objetivos o por datos. Pueden ser también reactivos,
© Universidad Internacional de La Rioja (UNIR)

permitiendo que el PRS responda rápidamente a cambios en su ambiente. Las

intenciones son el conjunto actual de KAs.

 COSY (Burmeister, 1992): la arquitectura COSY es una arquitectura BDI. Aunque

está relacionada con agentes interactivos, también se considera una arquitectura

Razonamiento y Planificación Automática

23
Tema 1. Ideas clave
 híbrida que incluye elementos tanto de PRS (Georgeff, 1987) como de IRMA
(Bratman, 1987). Tiene cinco componentes principales:

• Sensores: reciben entradas perceptibles no comunicativas.

• Actuadores: permiten al agente realizar acciones no comunicativas.
• Comunicaciones: permiten al agente enviar mensajes.
• Cognición: es responsable de mediar entre las intenciones del agente y sus
conocimientos acerca del mundo, y de elegir una acción apropiada para
realizar.
• Intención: contiene objetivos a largo plazo, actitudes, responsabilidades y los
elementos de control que toman parte en el razonamiento y la toma de
decisiones del componente cognición.

Otros tipos de Arquitecturas

Arquitectura de tres capas (three-layer architecture)

Es posible agrupar los datos por niveles. Los robots móviles se basan en este tipo de
arquitectura.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

24
Tema 1. Ideas clave
 Figura 8. Modelos y arquitecturas de agentes.
Fuente: Pavón (2006).

Niveles:

 De control reactivos.
 Gobernar secuencias.
 Consumidores de tiempo.

Arquitecturas multicapa (multilayer architectures) (Albus y Barbera, 2005).

Arquitectura de modelo de referencia, múltiples capas de sistemas de control en

tiempo real. Generación de comportamiento, modelado del mundo, procesamiento
sensorial, juicio de valor.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

25
Tema 1. Ideas clave
 Figura 9. Modelos y arquitecturas de agentes.
Fuente: Pavón (2006).

Arquitectura triple torre:

Figura 10. Arquitectura triple torre.

Fuente: Pavón (2006).

Arquitecturas cognitivas

Su objetivo es definir las operaciones cognitivas y perceptivas básicas que posee la

© Universidad Internacional de La Rioja (UNIR)

mente humana. En teoría, cada tarea que los humanos pueden realizar debe
consistir en una serie de estas operaciones discretas. Los modelos formalizados
pueden usarse para refinar aún más una teoría integral de la cognición y, más
inmediatamente, como un modelo comercialmente utilizable.

Razonamiento y Planificación Automática

26
Tema 1. Ideas clave
 El Institute of Creative Technologies (s.f.) define la arquitectura cognitiva como:

«hipótesis sobre las estructuras fijas que proporcionan una mente, ya sea
en sistemas naturales o artificiales, y cómo funcionan juntas —junto con el
conocimiento y las habilidades incorporadas dentro de la arquitectura—
para producir un comportamiento inteligente en una diversidad de
entornos complejos».

Ejemplos:

 ACT-R: es una arquitectura cognitiva desarrollada principalmente por John

Robert Anderson en la Universidad Carnegie Mellon.

La suposición más importante de ACT-R es que el conocimiento humano se

puede dividir en dos tipos de representaciones irreductibles: declarativo y de
procedimiento.

Dentro del código ACT-R, el conocimiento declarativo se representa en forma de

fragmentos, es decir, representaciones de vectores de propiedades individuales,
cada una de ellas accesible desde una ranura etiquetada.

Los fragmentos se mantienen y se hacen accesibles a través de búferes, que son

el front-end de lo que son módulos, es decir, estructuras cerebrales
especializadas y en gran medida independientes.

Hay dos tipos de módulos:

• Módulo perceptivo-motor: encargado de la interacción con el entorno.

© Universidad Internacional de La Rioja (UNIR)

Gestiona el flujo de percepción y acción necesario para conectar al agente con

el mundo.

• Módulo de memoria: la memoria está dividida en dos tipos. Por un lado, la

memoria a largo plazo o memoria productiva, que contiene las reglas de

Razonamiento y Planificación Automática

27
Tema 1. Ideas clave
 producción y, por otro, la memoria a corto plazo (memoria de trabajo o
memoria declarativa), que contiene los hechos actuales del mundo.

Figura 11. Esquema simplificado de arquitectura cognitiva.

Fuente: Institute of Creative Technologies (s.f.)
© Universidad Internacional de La Rioja (UNIR)

Figura 12. Esquema de un sistema ACT-R.

Fuente: http://act-r.psy.cmu.edu/about/

Razonamiento y Planificación Automática

28
Tema 1. Ideas clave
  SOAR (Laird, Newell y Rosenbloom, 1987).: también creada en la Universidad de
Carnegie Mellon por Laird y Newell El objetivo final de una arquitectura cognitiva
es proporcionar una base para un sistema capaz de un comportamiento
inteligente general. Es decir, el objetivo es proporcionar la estructura subyacente
que permitiría a un sistema realizar toda la gama de tareas cognitivas, emplear
toda la gama de métodos de resolución de problemas y representaciones
apropiadas para las tareas, y conocer todos los aspectos de la tarea y su
rendimiento en ellos.

Para alcanzar este objetivo se desarrollan los bloques de construcción

computacionales fijos necesarios para los agentes inteligentes generales:
agentes que pueden realizar una amplia gama de tareas y codificar, utilizar y
aprender todo tipo de conocimientos para comprender la gama completa de
capacidades cognitivas que se encuentran en humanos, como la toma de
decisiones, la resolución de problemas, la planificación y la comprensión del
lenguaje natural. Es, a la vez, una teoría de lo que es la cognición y una
implementación computacional de esa teoría.
© Universidad Internacional de La Rioja (UNIR)

Figura 13. Arquitectura SOAR.

Fuente: Laird, Newell y Rosenbloom (1987)

Razonamiento y Planificación Automática

29
Tema 1. Ideas clave
 El diseño de SOAR se basa en la hipótesis de que todo comportamiento
deliberado orientado a objetivos puede ser entendido como la selección y
aplicación de operadores a un estado. Un estado es una representación de la
situación actual del problema a resolver, un operador transforma un estado
(realiza cambios en la representación) y un objetivo es un resultado deseado
para el problema.

SOAR se ejecuta continuamente intentando aplicar el operador actual y

seleccionar el siguiente operador (un estado puede tener solo un operador a la
vez), hasta que se logre el objetivo.

SOAR tiene memorias separadas (con diferentes modos de representación) para

la descripción de su estado actual y de su conocimiento procedural a largo plazo.
La memoria a corto plazo almacena los datos producidos por los sensores, los
resultados de inferencias intermedias sobre los datos más actuales, las metas
actualmente activas para el agente y los operadores (acciones y planes) que
están también activos.

Mientras que la memoria a largo plazo o memoria de producción mantiene el

conocimiento de responder a situaciones por medio de procedimientos que
almacenan el conocimiento específico para la resolución del problema. Esto lo
lleva a cabo por medio de reglas de inferencia y conocimiento para la selección y
aplicación de operadores frente a estados específicos.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

30
Tema 1. Ideas clave
 1.4. Tipos de agentes inteligentes

Figura 14. Tipos de agentes inteligentes.

Fuente: (Heredia, s.f.).

Puedes consultar el mapa conceptual completo y navegar a través de él para ver en

detalle los tipos de agentes inteligentes en:
http://cmapspublic.ihmc.us/rid=1LN08Q062-151SR17-
2805/tipos%20de%20agentes%20inteligentes.cmap
© Universidad Internacional de La Rioja (UNIR)

Figura 15. Tipos de agentes inteligentes.

Fuente: (Heredia, s.f.).

Razonamiento y Planificación Automática

31
Tema 1. Ideas clave
 Puedes consultar el mapa conceptual completo y navegar a través de él para ver en
detalle los tipos de agentes inteligentes en:
https://cmapspublic.ihmc.us/rid=1LNTSCHKK-LLS690-
2JGW/Tipos%20de%20Agentes%20Inteligentes.cmap

Agentes basados en búsquedas y planificación

Figura 16. Agentes basados en búsquedas y planificación.

Estos agentes resuelven el problema de alcanzar una meta u objetivo deseado en el

entorno en el que se encuentran por medio de la exploración del espacio de
estados. Para ello realizan una búsqueda de las posibles alternativas (acciones
disponibles) dado el estado en el que están. Con esta decisión simulan o estiman el
estado resultante del mundo al operar de esa manera e intentan encontrar qué
secuencia de acciones es la que les permite alcanzar la meta que desean.

Los algoritmos de búsqueda emplean la descripción del estado como punto de

© Universidad Internacional de La Rioja (UNIR)

partida para toda exploración, pero pueden tomar o no en consideración el hecho

de que los estados del mundo presentan estructura.

Empezaremos no teniendo en cuenta dicha estructura y presentaremos los

algoritmos generales de búsqueda en espacios de estados (amplitud, profundidad,

Razonamiento y Planificación Automática

32
Tema 1. Ideas clave
 A*, multiagentes…), y luego introduciremos aquellos modelos de razonamiento en
los cuales la estructura del estado nos permita alcanzar unos mejores modelos de
exploración del espacio de estados, acelerando el proceso de toma de decisiones.

1.5. Referencias bibliográficas

Albus, J. y Barbera, A. (2005). RCS: A cognitive architecture for intelligent multi

agent systems. Annual Reviews in Control, 29(1), 87-99.

Bratman, M. E. (1987). Toward an architecture for resource-bounded agents. SRI

and Stanford Univ., Stanford, CA, Centre for the Study of Language Information, (pp.
87-104).

Burmeister, B. &. (1992). Cooperative problem-solving guided by intentions and

perception. ACM SIGOIS Bulletin, (pp. 13(3), 10).

Buzan, T. &. (1996). El libro de los mapas mentales. Barcelona: Ediciones Urano.

Georgeff, M. P. (1987). Reactive reasoning and planning. AAAI, (pp. Vol. 87, pp. 677-
682).

Georgeff, M., Pell, B., Pollack, M., Tambe, M. y Wooldridge, M. (1999). The Belief-
Desire-Intention Model of Agency. Conferencia presentada en Intelligent Agents V,

Agent Theories, Architectures, and Languages, París.

Guzman, C. C. (2015). Reactive execution for solving plan failures in planning control
© Universidad Internacional de La Rioja (UNIR)

applications. Integrated Computer-Aided Engineering, 22(4), 343-360.

Heredia, C. (s.f.) Tipos de agentes inteligentes. Recuperado de

http://cmapspublic.ihmc.us/rid=1LN08Q062-151SR17-
2805/tipos%20de%20agentes%20inteligentes.cmap

Razonamiento y Planificación Automática

33
Tema 1. Ideas clave
 Ishikawa, K. (1976). Guide to Quality Control. Asian Productivity Organization.

Laird, J., Newell, A. y Rosenbloom, P. (1987). SOAR: An Architecture for General

Intelligence. Michigan: Carnegie-Mellon University. Recuperado de
https://pdfs.semanticscholar.org/c86e/4e9f058f06e2e452ff34c08b2f29b957acb9.p
df

Maes, P. (1990). Designing Autonomous Agents. Cambridge, MA: The MIT Press.

Manya, F. &. (2003). Técnicas de resolución de problemas de satisfacción de

restricciones. Revista Iberoamericana de Inteligencia Artificial, 7(19), 0.

Müller, J. (1996). The design of intelligent agents: a layered approach. Lecture Notes
in Computer Science, Vol. 1177. Berlín: Springer-Verlag.

Pavón, J. (2006). Agentes inteligentes. Modelos y arquitecturas de agentes.

Recuperado de
http://www.fdi.ucm.es/profesor/jpavon/doctorado/arquitecturas.pdf

USC Institute for Creative Technologies. (s. f.) Cognitive Architecture. Recuperado
de http://cogarch.ict.usc.edu/

Wooldridge, M. y. (1994). Agent Theories, Architectures and Languages: A Survey.

Intelligent Agents ECAI. Ámsterdam: Recuperado de
https://www.csee.umbc.edu/~finin/papers/atal.pdf.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

34
Tema 1. Ideas clave
 A fondo
Agentes de la información

Hípola, P. y Vargas-Quesada, B. (1999). Agentes inteligentes: definición y tipología: los

agentes de la información. El profesional de la información, 8(4), 13-21. Recuperado de:
http://eprints.rclis.org/18300/1/epi1999e%5B1%5D.pdf

Artículo que define, identifica y clasifica los agentes inteligentes. Se centra, sobre
todo, en los encargados de la recuperación de información.

Agentes inteligentes

Flores, E. (1997). Agentes inteligentes: el siguiente paso en la inteligencia artificial.

Revista de Información, Tecnología y Sociedad, 1. Recuperado de:
http://www.revistasbolivianas.org.bo/scielo.php?pid=S1997-
40442008000200026&script=sci_arttext

En este artículo puedes profundizar en los agentes inteligentes (qué son y qué
características tienen), además de ver algunas de sus aplicaciones.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

35
Tema 1. A fondo
 Arquitecturas de Agentes

Müller, J. P. (1999). Architectures and applications of intelligent agents: A survey. The

Knowledge Engineering Review,13(4), 353-380. Recuperado de:
https://www.researchgate.net/profile/Joerg_Mueller4/publication/231852564_Archite
ctures_and_applications_of_intelligent_agents_A_survey/links/02e7e53c82028e81d50
00000.pdf

En este artículo se presenta un overview de las diferentes arquitecturas

multiagentes que podemos encontrar y aplicaciones de los agentes inteligentes.

It's a Risky Life

David Ríos, titular de la cátedra AXA del ICMAT, presenta los vídeos It’s a risky life,
donde, en clave de humor, aborda conceptos matemáticos esenciales sobre la toma
de decisiones, el riesgo y la influencia que tienen en la sociedad actual.

Accede al vídeo a través del aula virtual o desde la siguiente dirección web:
https://www.youtube.com/watch?v=2OAaU5Vtjug&list=PLH_XnVAPg2hw5P0K5GX
© Universidad Internacional de La Rioja (UNIR)

W5yvH60xxI1ckn

Razonamiento y Planificación Automática

36
Tema 1. A fondo
 Técnicas para definir estrategias de resolución de problemas

Crea Business Idea (2010). Manual de la creatividad empresarial. España: Sudoe.

Recuperado de:
http://www.creabusinessidea.com/creativo_noticias_detalle.php?id=172

Ejemplos y técnicas de resolución de problemas en el ámbito de la toma de

decisiones empresariales.

Ejemplos adicionales de tipos de agentes

Universidad Politécnica de Madrid (2000). Informe técnico: Arquitecturas de agente.

Recuperado de: http://absta.info/u-niversidad-politcnica-de-madrid-anexo-i-informe-
tcnico-arqui.html?page=5

Puedes encontrar ejemplos de arquitecturas de agentes en el informe técnico del

Proyecto DAMMAD de 2000.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

37
Tema 1. A fondo
 Instituto de Tecnologías Creativas

USC. Institute for Creative Technologies. Recuperado de: http://cogarch.ict.usc.edu/

Página web del Instituto de Tecnologías Creativas de la University of Southern

California.

Bibliografía adicional

Bratman, M., Israel, D. y Pollack, M. (1988). Plans and resource-bounded practical

reasoning. Computational Intelligence, 4, 349-355.

Brenner, W., Zarnekow, R. y Wittig, H. (1998). Intelligent Software Agents. Berlín:

Springer.

Brooks, R. (1991). Intelligence without representation. Artificial Intelligence, 47(1-

3), 139-159.

Carver, N. y Lesser, V. R. (1992). The Evolution of Blackboard Control Architectures

© Universidad Internacional de La Rioja (UNIR)

(informe). Estados Unidos: Computer Science Department, University

Massachusetts.

Razonamiento y Planificación Automática

38
Tema 1. A fondo
 Chapman, D. y Agre, P. (1986). Abstract reasoning as emergent from concrete
activity. En Georgeff, M. y Lansky, A. (Eds.), Reasoning About Actions and Plans (pp.
411-424). San Mateo, CA: Morgan Kaufmann Publishers.

Ferber, J. (1999). Multi-agent systems: an introduction to distributed artificial

intelligence. Harlow: Addison-Wesley.

Genesereth, M. y Ketchpel, (1994). Software Agents. Communications of the

Association for Computing Machinery, 48-53.

Shoham, Y. (1993). Agent-oriented programming. Artificial Intelligence, 60, 51-92.

Weiss, G. (1999). Multiagent Systems. Massachusetts: The MIT Press.

Wooldridge, M. y Jennings, N. R. (1995). Modelos y arquitecturas de agente.

Intelligent Agents: Theory and Practice. The Knowledge Engineering Review, 10(2),
115-152.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

39
Tema 1. A fondo
 Test
1. ¿Todas las técnicas de inteligencia artificial son aplicables a todos los problemas?
A. Sí, existen algoritmos que resuelven todos los problemas.
B. No, debemos buscar la técnica que mejor se adapta a un problema de entre
las distintas que son aplicables.
C. Sí, los algoritmos genéticos resuelven todos los problemas.
D. No, cada problema es solo resuelto por un único algoritmo.

2. ¿Se dice que en un problema bien definido un estado es discreto?

A. Sí, se puede concebir el mundo en estados.
B. En cada estado hay un conjunto finito de percepciones y acciones.
C. Cada estado presenta una cardinalidad inferior a diez elementos.
D. A y B son correctas.

3. La percepción de un agente…
A. Proviene de los sensores.
B. Es creada exclusivamente por el agente.
C. Contiene información no alcanzable por los sensores.
D. Se descompone en acciones.

4. ¿En la fase de razonamiento de un agente?

A. Se deciden las acciones a realizar.
B. Se crean juicios e inferencias derivadas de las percepciones actuales y de
los hechos recordados.
C. Se filtran los valores percibidos por los sensores.
© Universidad Internacional de La Rioja (UNIR)

D. La A y la C son correctas.

Razonamiento y Planificación Automática

40
Tema 1. Test
 5. Un agente reactivo…
A. No incluye ningún tipo de modelo simbólico central del mundo.
B. Tiene procesos cognitivos con semejanzas biológicas.
C. No emplea la percepción dentro del modelo de razonamiento.
D. Funciona de modo asistido por el usuario.

6. La arquitectura SOAR:
A. Ejecuta continuamente intentando aplicar el operador actual y seleccionar
el siguiente operador.
B. Es una arquitectura reactiva.
C. Emplea un sistema de creencias para representar sus intenciones.
D. La B y C son correctas.

7. Las arquitecturas multicapa:

A. Tienen dos capas.
B. Tienen un sistema de percepción reactivo que toma los componentes de
actuación.
C. Suele tener una capa reactiva para gestionar los eventos de corto plazo.
D. Son cognitivas.

8. Los algoritmos de búsqueda…

A. Emplean la descripción del estado como punto de partida para toda
exploración.
B. Crean sistemas de restricciones.
C. Son reactivos.
D. La B y C son correctas.
© Universidad Internacional de La Rioja (UNIR)

9. ¿Qué arquitecturas se basan en modelos de la mente humana?

A. Arquitecturas reactivas.
B. Arquitecturas cognitivas.
C. Arquitecturas deliberativas.
D. Ninguna de las anteriores.

Razonamiento y Planificación Automática

41
Tema 1. Test
 10. La memoria interna del agente…
A. Almacena solo las percepciones de un instante determinado.
B. Guarda una secuencia episódica.
C. Almacena las acciones.
D. Ninguna de las anteriores.
© Universidad Internacional de La Rioja (UNIR)

Razonamiento y Planificación Automática

42
Tema 1. Test