SISTEMAS INTELIGENTES

Y MACHINE LEARNING
Semana 4
Mg. Alexander D. Gallardo Reyes
Dudas sobre la clase anterior
 Logro de la sesión

Al finalizar el estudiante comprende la Metodología de

Desarrollo, análisis de toma de decisiones y decisiones
basadas en variables continuas a partir de los conceptos
revisados para implementarlos en la vida real y lenguaje
Python
 AGENDA

• Metodología de Desarrollo de los Agentes Inteligentes.

• Análisis en la toma de decisiones

• Decisiones basado en variables continuas

• Pandas en Python
Recogemos conocimientos previos
 Conocimientos previos

https://www.youtube.com/watch?v=YxgdD7P3uzU
 Utilidad
La metodología de desarrollo para agentes inteligentes con sensores y actuadores permite la
creación de sistemas autónomos capaces de percibir su entorno y tomar decisiones en tiempo real.
Su utilidad radica en la optimización de procesos industriales, la automatización de tareas en la
domótica y la mejora de la interacción en entornos inteligentes.
El análisis en la toma de decisiones es clave para su autonomía y eficiencia. A través del
procesamiento de datos en tiempo real, estos agentes pueden interpretar su entorno, identificar
patrones y optimizar sus respuestas mediante algoritmos de inteligencia artificial. Esto les permite
adaptarse a condiciones cambiantes, reducir errores y mejorar la precisión en sus acciones
Las decisiones basadas en variables continuas son fundamentales en áreas como la automatización
industrial y la inteligencia artificial. Una utilidad clave es la optimización de procesos, donde los
agentes inteligentes analizan datos en tiempo real, ajustando parámetros como temperatura,
velocidad o presión para mejorar la eficiencia y reducir costos. Además, en el aprendizaje
automático, el análisis de variables continuas permite mejorar la precisión de modelos predictivos,
facilitando decisiones más informadas en sectores como la salud, la economía y la ingeniería.
Iniciamos

Los Agentes Inteligentes y la

toma de decisiones

Formemos Grupos
https://miro.com/welcomeonboard/MjYwK0dIaDZLWUtwVGtP
Wkk0ZC9jaHRUUFd0VncxWTN1VVgyMXdjbzFHdGorNG54QVgr
bWFjb2RDUEU2eDhDdXJMNGovR3oxZkJpNzZlL2hicUZIN0s0ME
h1c3Q1QU9jRmxiTWJsZnloalR6b1RldnF0T25lYk1zcVhhZkY4RW
ZBS2NFMDFkcUNFSnM0d3FEN050ekl3PT0hdjE=?share_link_id
=942439698260
 Metodología de Desarrollo para Agentes
Inteligentes con sensores y actuadores
La metodología de desarrollo para agentes inteligentes con sensores y actuadores es clave en la
automatización y optimización de procesos en diversas áreas, como la domótica, la robótica y la
industria 4.0. El desarrollo de estos agentes sigue un enfoque basado en la integración de sensores y
actuadores inteligentes, permitiendo la recopilación de datos en tiempo real y la toma de decisiones
autónomas.
Arquitectura del sistema: Se define la estructura del agente, incluyendo
los sensores para la percepción del entorno y los actuadores para la
ejecución de acciones.
Procesamiento de datos: Se emplean algoritmos de inteligencia artificial
para analizar la información obtenida por los sensores y generar
respuestas adecuadas.
Comunicación y conectividad: Se integran protocolos de comunicación
para la interacción entre agentes y sistemas externos.
Optimización y aprendizaje: Se implementan técnicas de aprendizaje
automático para mejorar el desempeño del agente con el tiempo.
 Fases en la Metodología de Desarrollo
La metodología de desarrollo para agentes inteligentes con sensores y actuadores suele dividirse en
varias fases clave para garantizar un diseño eficiente y funcional consta de seis fases principales:

1. Conceptualización: Se define el problema y los objetivos del sistema

multiagente, estableciendo los requisitos y el alcance del proyecto.
2. Análisis: Se identifican los agentes, sus roles y las interacciones
necesarias para cumplir con los objetivos del sistema.
3. Diseño: Se especifica la arquitectura del sistema, incluyendo la
estructura de los agentes, sus capacidades y la comunicación entre ellos.
4. Codificación y pruebas: Se implementan los agentes y se realizan
pruebas para verificar su correcto funcionamiento.
5. Integración: Se incorporan los agentes en el entorno de aplicación,
asegurando su compatibilidad con otros sistemas.
6. Operación y mantenimiento: Se supervisa el desempeño del sistema
y se realizan mejoras continuas para optimizar su funcionamiento.
 Conceptualización
Objetivo:
• Identificar cada componente del sistema, su conformación, las funcionalidades que provee, las actividades que realiza y las
interacciones que se producen entre ellos.

Producto
• El producto de esta fase es un documento de conceptualización, el cual contiene el análisis del problema, la descripción de los
componentes del sistema, la especificación de los servicios y de las actividades para prestar los servicios ofrecidos por cada
componente del sistema considerado como un agente y la descripción general de las relaciones entre los componentes del sistema

Flujo de Trabajo
 Análisis
Objetivo:
• Especificar los modelos de agente, tareas, inteligencia, coordinación y
comunicación del sistema multiagente propuesto.

Aspectos Claves:
• Se identifican los tipos de agentes que participarán en el sistema,
clasificándolos según sus capacidades y funciones
• Se establecen las responsabilidades de cada agente dentro del sistema,
asegurando una distribución eficiente de tareas.
• Se diseñan los mecanismos de comunicación y coordinación entre agentes,
permitiendo la colaboración y el intercambio de información.
• Se estudian las condiciones del entorno en el que operarán los agentes,
considerando factores como sensores disponibles, restricciones físicas y objetivos
del sistema

Producto
• El producto principal de esta fase es un documento de análisis contentivo de
los modelos de agentes, tareas, inteligencia, coordinación y comunicación del Flujo de Trabajo
SMA.
 Diseño
Objetivo:
• Elaborar un diseño detallado de los componentes y de la plataforma del SMA
Aspectos Claves:
• Definición de la arquitectura: Se especifica la estructura del sistema, incluyendo los agentes, sensores y actuadores, así como su distribución en
el entorno.
• Modelado de agentes: Se determinan las características de cada agente, como su nivel de autonomía, capacidad de aprendizaje y reglas de
comportamiento

• Diseño de comunicación: Se establecen los protocolos de intercambio de

información entre agentes, asegurando una coordinación eficiente.
• Interacción con el entorno: Se define cómo los agentes perciben y actúan
sobre su entorno mediante sensores y actuadores.
• Optimización del rendimiento: Se diseñan estrategias para mejorar la
eficiencia del sistema, considerando aspectos como el consumo energético y
la velocidad de procesamiento.
Producto
• El producto principal de esta fase consiste en un documento de diseño que
describe la estructura del SMA, la especificación detallada de los
componentes de dicha estructura y de la plataforma del SMA
Flujo de Trabajo
 Codificación y Pruebas
Objetivo:
• Implementar el SMA a partir del modelo de diseño generado en la fase de diseño.
• Diseñar y ejecutar el plan de pruebas a objeto de verificar que el comportamiento
externo del SMA satisface los requisitos establecidos en la fase de análisis

Aspectos Claves:
• Implementación del código: Se traduce el diseño en código utilizando lenguajes de
programación adecuados para agentes inteligentes, como Python, Java o lenguajes
específicos de sistemas multiagente
• Pruebas unitarias: Se verifica el funcionamiento de cada agente de manera individual,
asegurando que sus sensores y actuadores respondan correctamente
• Pruebas de integración: Se evalúa la interacción entre agentes, comprobando la comunicación
y coordinación dentro del sistema.

• Validación del comportamiento: Se realizan simulaciones para analizar cómo los agentes
responden a diferentes escenarios y condiciones del entorno.

• Optimización y depuración: Se identifican errores y se ajustan parámetros para mejorar la

eficiencia y precisión del sistema.

Producto
• El producto principal de esta fase consiste en un sistema de ingeniería orientado a
agentes. Flujo de Trabajo
 Integración y Mantenimiento
Objetivo:
• La integración es clave para garantizar la compatibilidad y el funcionamiento conjunto de todos los componentes del sistema
• La operación y mantenimiento garantiza el correcto funcionamiento del sistema a lo largo del tiempo y optimizar su desempeño

Aspectos Claves:
• Interconexión de agentes: Se establecen los protocolos de comunicación entre los agentes, asegurando que puedan intercambiar información de
manera eficiente
• Pruebas de interoperabilidad: Se realizan pruebas para comprobar que los agentes pueden operar en conjunto sin conflictos ni errores de
comunicación
• Optimización del rendimiento: Se ajustan parámetros para mejorar la eficiencia del sistema, reduciendo tiempos de respuesta y consumo de
recursos
• Validación en entornos reales: Se implementa el sistema en su entorno de aplicación para evaluar su desempeño en condiciones reales
• Monitoreo en tiempo real: Se supervisa el comportamiento de los agentes y la interacción con el entorno para detectar posibles fallos o mejoras.
• Mantenimiento predictivo: Se emplean técnicas de análisis de datos para anticipar problemas y evitar interrupciones en el sistema
• Actualización y mejora: Se implementan ajustes en los algoritmos de inteligencia artificial y en la comunicación entre agentes para optimizar su
rendimiento.
• Evaluación de desempeño: Se analizan métricas clave para medir la eficiencia y la efectividad del sistema en su entorno de aplicación.
Ejemplos de aplicación - Metodologia
La metodología de desarrollo para agentes inteligentes con sensores y
actuadores se encuentra en la Industria 4.0, específicamente en la integración de
sensores y actuadores inteligentes mediante la tecnología IO-Link (Tecnología de
comunicación que conecta sensores y actuadores a un sistema de
automatización).
En este caso, las fábricas han implementado sistemas multiagente donde
sensores recopilan datos en tiempo real sobre variables como temperatura,
presión y velocidad de producción. Los agentes inteligentes analizan esta
información y toman decisiones para optimizar el rendimiento de las máquinas,
reduciendo costos y mejorando la eficiencia operativa. Los actuadores, a su vez,
ejecutan las acciones necesarias para ajustar los parámetros de producción
según las decisiones tomadas por los agentes.
Este enfoque ha permitido una mayor automatización y flexibilidad en la
manufactura, mejorando la calidad de los productos y reduciendo el desperdicio
de materiales
Ejemplos como empresas Siemens, ABB, automóviles autónomos Tesla, Hogares
inteligentes, robótica medica entre otros utilizan sensores y actuadores.
 Análisis en la toma de decisiones
Los agentes inteligentes dependen de la capacidad de tomar decisiones basadas en la información que captan los sensores y
las acciones que ejecutan los actuadores. Este análisis se basa en algoritmos que pueden ir desde reglas simples hasta
inteligencia artificial avanzada

Precisión de los Datos Prioridad y Tiempo de

Procesamiento de Datos Modelos de Decisión Retroalimentación
Sensores Respuesta

• La calidad y fiabilidad de • Los agentes inteligentes • Reglas predefinidas: Son • Algunos sistemas utilizan • En situaciones críticas, los
los datos capturados por suelen utilizar técnicas de modelos simples donde las datos de retorno de los agentes deben tomar
los sensores es crucial para procesamiento en tiempo acciones están actuadores para ajustar la decisiones rápidas y
la toma de decisiones. Un real para analizar la condicionadas por reglas estrategia. Por ejemplo, si priorizar ciertas acciones.
sensor defectuoso o mal información capturada por "si-entonces". Ejemplo: si un actuador no ejecuta Los algoritmos deben ser
calibrado puede los sensores. Dependiendo un sensor de proximidad una acción correctamente, optimizados para
proporcionar información de la complejidad, esto detecta un obstáculo, el el sistema puede recalibrar proporcionar respuestas en
errónea que afecte al puede incluir desde actuador debe detener el sus decisiones. tiempo real cuando se
rendimiento del agente simples reglas lógicas hasta movimiento del agente requiere alta velocidad,
redes neuronales • Aprendizaje automático: como en vehículos
profundas Modelos de IA que autónomos o drones
permiten que los agentes
tomen decisiones más
complejas. Un agente
autónomo puede utilizar
datos históricos y modelos
predictivos para optimizar
sus decisiones.
 Decisiones basado en variables continuas
Antes de continuar veamos sobre las variables discretas y continuas:

Característica Variables Discretas Variables Continuas

Toman valores específicos y Pueden tomar cualquier
Definición
separados valor dentro de un rango
Número de personas, cantidad Altura, temperatura, tiempo,
Ejemplos
de autos vendidos velocidad, distancia
Se pueden expresar con
Naturaleza Se expresan en números enteros
decimales
Método de medición Se cuentan Se miden
Representación Diagramas de barras, gráficos de Histogramas, funciones
gráfica puntos matemáticas

Distribuciones de
Distribuciones de probabilidad
probabilidad continuas
Uso en estadística discretas (como la binomial o de
(como la normal o la
Poisson)
exponencial)
 Decisiones basado en variables continuas
Las decisiones basadas en variables continuas en agentes inteligentes implican procesar y analizar datos que pueden tomar cualquier
valor dentro de un rango, en lugar de valores discretos específicos. Esto es común en situaciones donde las decisiones deben
adaptarse a cambios graduales en el entorno.

Ejemplos de sensores y actuadores

EXISTIRAN SENSORES Y ACTUADORES QUE UTILICEN
VARIABLES DISCRETAS?
• Sensor de presencia – Detecta si hay un objeto en un
área determinada (ejemplo: sensores de seguridad en
puertas automáticas).
• Sensor de contacto – Activa una respuesta binaria al
presionar (ejemplo: botones táctiles en dispositivos
electrónicos).
• Sensor de nivel – Indica si un tanque está lleno o
vacío (ejemplo: sensores de nivel en sistemas de
almacenamiento de agua).
• Relés eléctricos – Activan o desactivan circuitos
eléctricos (ejemplo: interruptores de luz inteligentes).
• Solenoides – Controlan el movimiento de piezas
mecánicas de manera binaria (ejemplo: cerraduras
electrónicas).
• Motores paso a paso – Se mueven en posiciones fijas
sin ajuste progresivo (ejemplo: impresoras
matriciales).
 NumPy - Python
Es una biblioteca fundamental para la computación científica en Python. Está diseñada para trabajar
con arreglos multidimensionales y proporciona funciones matemáticas avanzadas para operaciones
rápidas y eficientes.
• Velocidad: Los arreglos ndarray de NumPy son mucho más rápidos que las listas de Python
• Operaciones matemáticas avanzadas: Tiene funciones para álgebra lineal, estadísticas,
transformaciones y más
• Integración con otras bibliotecas: Se complementa con Pandas, Matplotlib y Scipy, facilitando
análisis de datos y visualización
• En machine learning y análisis de datos, trabajar con arreglos y
matrices es esencial. NumPy proporciona herramientas avanzadas
para álgebra lineal, transformaciones matemáticas y estadísticas
• Las listas de Python ocupan más espacio porque cada elemento
almacena información adicional sobre su tipo y referencia. Los
arreglos de NumPy usan tipos homogéneos, lo que reduce el
consumo de memoria.
 NumPy - Python

Estructura Modificable Ordenada

Elementos Acceso por Optimizada • Las listas y tuplas son útiles cuando necesitas almacenar
repetidos índice para cálculos secuencias de datos y acceder por índice.
Lista (list) Sí Sí Sí Sí No
• Los diccionarios son ideales para pares clave-valor y búsquedas
Tupla (tuple) No Sí Sí Sí No rápidas.
Diccionario Sí (claves y No (claves • Los conjuntos son buenos para eliminar duplicados y verificar
No No No
(dict) valores) únicas) pertenencia.
Conjunto (set) Sí No No No No
• Los arreglos de NumPy son los mejores para cálculos
Arreglo NumPy matemáticos y procesamiento de datos a gran escala.
Sí Sí Sí Sí Sí
(ndarray)

• La función import en Python se usa para cargar módulos

y bibliotecas externas en un programa. Es una de las
funciones más esenciales, ya que permite acceder a
funciones y clases definidas en otros archivos o paquetes.
• La función array() en NumPy se usa para crear arreglos
multidimensionales (vectores, matrices, etc.). Es la base
para trabajar con datos numéricos de manera eficiente
en Python. Convierte listas, tuplas o estructuras similares
en arreglos Numpy
NumPy - Python
 Pandas
Pandas - Python
Es una librería basada en Numpy que ofrece estructuras de datos y herramientas para
realizar operaciones básicas de análisis de datos, tales como su obtención, indexación,
limpieza, transformación, combinación y selección.
• Manejo de estructuras de datos: proporciona Series (datos unidimensionales) y
DataFrames (tablas bidimensionales, similares a una hoja de cálculo).
• Carga y manipulación de datos: permite leer y escribir archivos en múltiples formatos
como CSV, Excel, JSON y bases de datos SQL.
• Filtrado y selección de datos: facilita operaciones como
selección de filas y columnas, filtrado por condiciones y
transformación de datos.
• Operaciones estadísticas y matemáticas: integra funciones
para calcular estadísticas básicas, agrupaciones y
operaciones avanzadas sobre grandes conjuntos.
 Porque Pandas y Numpy?
• Etiquetas y nombres de columnas: Los DataFrames permiten asignar nombres a las columnas y etiquetas a los índices, lo
que hace que los datos sean más fáciles de entender y manipular.
• Manipulación de datos estructurados: Mientras que los arrays de NumPy son ideales para cálculos matemáticos, los
DataFrames permiten una amplia gama de operaciones como filtrado, agrupación y fusión de datos con facilidad.
• Manejo de datos heterogéneos: Un array de NumPy solo puede contener un tipo de dato, mientras que un DataFrame de
Pandas puede contener diferentes tipos en distintas columnas (por ejemplo, números, texto, fechas).
• Integración con fuentes de datos: Los DataFrames tienen métodos integrados para leer y escribir datos desde archivos CSV,
bases de datos SQL y otros formatos populares.
• Operaciones avanzadas de análisis: Pandas simplifica muchas tareas comunes en ciencia de datos, como el manejo de
valores nulos, el cálculo de estadísticas descriptivas y la manipulación de fechas.
en proyectos de análisis de datos.

En resumen, NumPy es excelente para cálculos

numéricos de alto rendimiento, pero Pandas está
diseñado para facilitar el análisis y manipulación de
datos estructurados. Usar ambos en conjunto es una
estrategia poderosa.
 Series - Pandas
Las Series en Pandas son una de las estructuras de datos fundamentales de la biblioteca. Se pueden
pensar como una columna de datos en un DataFrame o como un array de una dimensión con
etiquetas de índice:
• Es un array unidimensional con índices asignados
• Puede contener cualquier tipo de datos: números, cadenas, valores booleanos, fechas
• Soporta operaciones matemáticas y funciones estadísticas de manera eficiente
• Se pueden acceder a los elementos por su índice, similar a los diccionarios de Python
• Por defecto, el indice se crea automaticamente
empezando en 0 y con paso 1
• Los elementos de una serie se pueden acceder con el
indice usando [ ]
• Al crear una serie se pueden especificar sus indices
Series - Pandas
 DataFrame - Pandas
Un DataFrame es una estructura de datos bidimensional en Pandas que se asemeja a una tabla con
filas y columnas. Es una herramienta fundamental en el análisis de datos, ya que permite almacenar,
manipular y visualizar información de manera eficiente.
• Cada columna representa una variable o característica específica.
• Cada fila contiene una observación o instancia de los datos.
• Puede contener diferentes tipos de datos (números, texto, fechas, etc.).
• Se puede crear a partir de archivos CSV, Excel, bases de datos o diccionarios de Python.
Ejercicios Aplicativos
En la plataforma Blackboard se encuentra la practica en laboratorio
¿Qué hemos aprendido?

• ¿Qué no sabía antes de la sesión?

• ¿Qué aprendí en esta sesión?
• ¿Cómo lo aprendí?
• ¿De qué modo este tema me
ayudará en lo personal y profesional?
• ¿Qué conclusiones encuentras en la
sesión del día de hoy?
 Conclusiones
• La Metodología de Desarrollo para Agentes Inteligentes con sensores y actuadores es un enfoque estructurado que permite
diseñar sistemas capaces de percibir su entorno y actuar sobre él de manera autónoma. Estos agentes combinan sensores para
la adquisición de datos y actuadores para la ejecución de acciones, lo que los hace fundamentales en la Industria 4.0 y en
aplicaciones como la domótica, la robótica y la automatización industrial.

• El uso de variables continuas en la toma de decisiones permite a los agentes inteligentes adaptarse mejor a cambios graduales
en su entorno, mejorando su precisión y eficiencia. Este enfoque es clave en aplicaciones como la robótica, la automatización
industrial y los sistemas de control óptimo2. La integración de estos modelos con técnicas avanzadas, como el aprendizaje
automático, potencia la capacidad de los agentes para tomar decisiones óptimas en escenarios complejos.

• El uso de NumPy y Pandas en el análisis de datos es fundamental para la eficiencia y precisión en la manipulación de
información. NumPy destaca por su capacidad para manejar arreglos multidimensionales y realizar cálculos matemáticos
avanzados, lo que lo convierte en una herramienta esencial para el procesamiento numérico. Por otro lado, Pandas facilita la
manipulación y análisis de datos estructurados mediante su poderosa estructura de DataFrame, permitiendo operaciones
como filtrado, agrupación y transformación de datos
 Material Complementario - Lecturas
Lecturas

• https://www.redalyc.org/pdf/925/92513102003.pdf
• https://github.com/datosgobar/taller-analisis-datos-101/blob/master/1%20-
%20Introducci%C3%B3n%20a%20pandas%20%2B%20numpy%20%2B%20matplotl
ib.ipynb
 Material Complementario - Videos

Videos
• https://www.youtube.com/watch?v=YxgdD7P3uzU
• https://www.youtube.com/watch?v=ludqgCJe1aI&list=PLqKbnrdMO6Pyv
pJDV7ohw7pTAF2b120z2