Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
CARRERA INFORMTICA
SEMESTRE SEXTO
PERODO OCT-MARZ.2015
INTELIGENCIA ARTIFICIAL I
TEMA 2:
LA NATURALEZA DEL ENTORNO
AUTORA:
LUISA K. FARIAS CHICA
FACILITADORA:
ING. HIRAIDA SANTANA
INTRODUCCION
A continuacin vamos a tratar acerca del entorno de trabajo del agente
adems de hablar sobre cada una de sus propiedad ya que se despliega
algunas propiedades e aqu ms a fondo de ellos y nos olvidarnos de lo
principal la especificacin del entorno de trabajo denominado REAS.
En resumen, los agentes tienen una gran variedad de componentes, y estos
componentes se pueden representar de muchas formas en los programas de
agentes, por lo que, parece haber una gran variedad de mtodos de
aprendizaje. Existe, sin embargo, una visin unificada sobre un tema
fundamental. El aprendizaje en el campo de los agentes inteligentes puede
definirse como el proceso de modificacin de cada componente del agente, lo
cual permite a cada componente comportarse ms en consonancia con la
informacin que se recibe, lo que por tanto permite mejorar el nivel medio de
actuacin del agente.
Mantener
siempre el
Suelo
limpio. (R)
Sensores
Como
percibe el
ambiente el
agente, con
qu lo
percibe (S)
Entorno
sobre el
cual
actuar o
se mover
el agente
(E)
Actuadores
Herramientas
o elementos
para efectuar
el trabajo,
acciones a
realizar (A)
Sistema de
diagnstico
mdico
Rendimiento
Entorno
Actuadores
Sensores
(Metas)
(Ambiente)
(Acciones)
(Percepcione
s)
Paciente
saludable,
reduccin al
mnimo de
los costos y
de las
demandas.
Paciente,
hospital,
personal
Preguntas,
pruebas,
tratamientos
,
diagnsticos,
casos.
Sintoma,
evidencias y
respuestas
del paciente.
Impresora,
monitor
Teclado para
emitir dicha
informacin.
Entorno
de
trabajo
Observabl
e
Determinis
ta
Episdic
o
Esttic
o
Discret
o
Agente
Crucigra
ma
Totalment
e
Determinis
ta
Secuenci
al
Esttic
o
Discret
o
Individu
al
Ajedrez
con reloj
Totalment
e
Estratgic
o
Secuenci
al
Semi
Discret
o
Multi
Pker
Parcialmen
te
Estratgic
o
Secuenci
al
Esttic
o
Discret
o
Multi
decisiones racionales en dos tipos de casos en los que las metas son
inadecuadas. Primero, cuando haya objetivos conflictivos, y slo se
puedan alcanzar algunos de ellos (por ejemplo, velocidad y
seguridad), la funcin de utilidad determina el equilibrio adecuado.
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 xito en
funcin de la importancia de los objetivos.
Agentes que aprenden
Se han descrito programas para agentes que poseen varios mtodos
para seleccionar acciones. Hasta ahora no se ha explicado cmo
poner en marcha estos programas de agentes. Turing (1950), en su
temprano y famoso artculo, consider la idea de programar sus
mquinas inteligentes a mano. Estim cunto tiempo poda llevar y
concluy que Sera deseable utilizar algn mtodo ms rpido. El
mtodo que propone es construir mquinas que aprendan y despus
ensearlas. En muchas reas de IA, ste es ahora el mtodo ms
adecuado para crear sistemas novedosos. El aprendizaje tiene otras
ventajas, como se ha explicado anteriormente: permite que el agente
opere en medios inicialmente desconocidos y que sea ms
competente que si slo utilizase un conocimiento inicial.
Un agente que aprende se puede dividir en cuatro componentes
conceptuales. La distincin ms importante entre elemento de
aprendizaje y elemento de
actuacin es que el primero est
responsabilizado de hacer mejoras y el segundo se responsabiliza de
la seleccin de acciones externas. El diseo del elemento de
aprendizaje depende mucho del diseo del elemento de actuacin. La
crtica indica al elemento de aprendizaje qu tal lo est haciendo el
agente con respecto a un nivel de actuacin fijo. La crtica es
necesaria porque las percepciones por s mismas no prevn una
indicacin del xito del agente. Es por tanto muy importante fijar el
nivel de actuacin. Conceptualmente, se debe tratar con el como si
estuviese fuera del agente, ya que este no debe modificarlo para
satisfacer su propio inters. El ltimo componente del agente con
capacidad de aprendizaje es el generador de problemas. Es
responsable de sugerir acciones que lo guiaran hacia experiencias
nuevas e informativas. Lo interesante es que si el elemento de
actuacin sigue su camino, puede continuar llevando a cabo las
acciones que sean mejores, dado su conocimiento.
Los casos ms simples incluyen el aprendizaje directo a partir de la
secuencia percibida. La observacin de pares de estados sucesivos
del entorno puede permitir que el agente aprenda cmo evoluciona el
mundo, y la observacin de los resultados de sus acciones puede
permitir que el agente aprenda que hacen sus acciones.
CONCLUSION
En la IA el entorno de trabajo de un agente est determinado por las
REAS que significan Rendimiento, Entorno, Actuadores, y Sensores, en
el cual el diseo de un agente, debe ser siempre especificar el
entorno de trabajo, las propiedades de los entornos de trabajo que se
utilizan tcnicas de IA es muy grandes pero para poder identificarlas
existe un pequeo nmero de dimensiones en las que categorizar
estos entornos, las mismas que determinan, , el diseo ms adecuado
para el agente y la utilizacin de cada una de las familias principales
de tcnicas en la implementacin del agente, como son si el agente
es dinmico o esttico, determinista o estocstico, si es total o
parcialmente observable, etc.
BIBLIOGRAFA
Russell, S, y Norving P. 2004. Inteligencia Artificial Un Enfoque
Moderno. 2da ed. Cap. 2. Pg. 37-62.
http://poiritem.wordpress.com/2009/11/16/6-4-2-agentes-inteligentes-y-lanaturaleza-de-su-entorno/