DESARROLLO DEL TEMARIO

Introduccin
La Inteligencia: permite tener la habilidad de:
Tener actitudes mentales (creer, deseo, intencin)
Aprender (habilidad de adquirir nuevos conocimientos)
Resolver problemas (habilidad de romper problemas complejos en
pequeos)
Comprender
Planificacin y prediccin de consecuencias por acciones
contempladas
Conocer sus limitaciones de conocimiento y habilidades
Deducir diferencias entre situaciones aparentemente similares
Ser original (adquirir sus nuevas propias ideas y conceptos)
Generalizar (encontrar situaciones comunes de situaciones
superficialmente distintas)
Percibir y modelar el mundo externo
Comprender y usar los lenguajes y utilitarios de smbolos
relacionados.
Inteligencia Artificial: Es simplemente una va para crear
computadoras pensando inteligentemente
reas de la IA: Varias son las reas entre ellas tenemos:

Juegos Inteligentes
Los programas de juegos han alcanzado gran desarrollo hoy en da,
llegando a ganar a expertos en el tema como es el caso del ajedrez
(eje: ID3 genera programas de ajedrez, MEPHISTO IV: programa de
ajedrez)
ANEXO (tres en raya) MIN-MAX (simulacin)
MN-MAX (SIMULACIN)
- Algunos antecedentes para la explicacin del mtodo:
o Estado inicial: que incluye la posicin inicial en el
tablero y una indicacin de a quien le toca jugar
o Operadores: quienes definen que jugadas estn
permitidas a un jugador
o Prueba Terminal: que define el termino del juego, es
decir, los estados donde termina el juego
o Utilidad: conocida como funcin resultado, donde
asigna un valor numrico al resultado obtenido en un
juego
- Lo que se trata es hacer que MAX encuentre una estrategia
que conduzca a un estado Terminal ganador, independiente
de lo que haga MIN

grafico pag. 133 (inteligencia artificial)

donde se observa un rbol de bsqueda parcial del juego del

tres en raya y al final en cada nodo hoja un numero que
representa el valor de utilidad del estado Terminal desde el
punto de vista de MAX y malos para MIN
- de ah que nace el algoritmo MN-MAX que sirve para
obtener la estrategia mas optima para MAX, posee 5 pasos:
o Generacin de todo el rbol de juego, completamente
hasta alcanzar los estados terminales
o Aplicacin de la funcin de utilidad a cada estado
Terminal y obtencin de su valor respectivo
o Uso de la utilidad de los estados terminales para
calcular la utilidad de los nodos del siguiente nivel
superior en el rbol de bsqueda.
- Es as que si la utilidad que estamos calculando
del nivel superior es cuando le toca jugar a MIN
se deber escoger o poner la menor utilidad (en
referencia que estamos buscando el algoritmo
de MAX) de los nodos descendientes,
- En cambio, si la utilidad que estamos calculando
del nivel superior es cuando le toca jugar a MAX
se deber escoger o poner la mayor utilidad (en
referencia que estamos buscando el algoritmo
de MAX) de los nodos descendientes
o Continuacin de esta transferencia de utilidad en
direccin a la raz, una capa a la vez
o Finalmente si los valores transferidos llegan a la parte
superior del rbol, en este sitio MAX elige la jugada
que le permita obtener el valor mas alto, esta decisin
se la conoce como decisin min-max
PODA ALFA-BETA (SIMULACIN)
-

Si se nota en la bsqueda anterior, se debe barrer todos los

nodos del rbol de bsqueda, lo cual es valido para casos de
pocos nodos, pero si el rbol es demasiado grande es
recomendable buscar un algoritmo correcto sin tener que
explorar todo, esto se denomina PODA y especficamente
Poda-alfa-beta que se aplica al rbol mn-max estndar
Donde har la misma jugada pero elimina las ramas que no
le representan alternativas positivas y no influyan en la
decisin final
Recurdese que la bsqueda mn-max es preferente por
profundidad, es decir, que en todo momento es necesario
considerar todos los nodos que estn en una sola ruta del
rbol
o Sea el valor mejor opcin encontrada hasta entonces
en un punto dentro de la ruta MAX
o el valor mejor opcin encontrada hasta entonces en
un punto dentro de la ruta MIN (valor mas bajo)

o estos dos valores anteriores irn variando a lo largo de

la bsqueda, en donde se encuentra un subrbol que
es peor valor que y y se lo elimina.

Procesamiento de lenguaje natural

Lenguaje Natural Lenguaje natural es el sistema de comunicacin
entre el hombre y el ordenador
PLN es la rea de IA que hace que los ordenadores lean, hablen y
entiendan en lenguaje de las personas. Este tipo de programas
denominados proceso de lenguaje natural.
Facilitar la comunicacin hombre-computadora por medio del
lenguaje humano, o lenguaje natural
producir sistemas informticos que posibiliten dicha comunicacin,
por medio de la voz o del texto

disciplina tan antigua como el uso de las computadoras (aos 50),

de gran profundidad, y con aplicaciones tan importantes como la
traduccin automtica o la bsqueda de informacin en Internet

Niveles de Procesamiento de Lenguaje Natural

Estos son utilizados para la explicacin de la arquitectura de un
sistema de PLN.
Nivel Fonolgico: cmo las palabras se relacionan con los
sonidos que representan.
Nivel Morfolgico (lxico): Cmo las palabras se construyen a
partir de unidades de significado mas pequeas llamadas
morfemas.
Ejemplo: Rpida + Mente = Rpidamente.
Sufijo (ando, endo) trabajando
Raz (ar, ir) salir
Prefijo (in) incomodar.
Nivel Sintctico: cmo las palabras pueden unirse para formar
oraciones, mediante reglas gramaticales tenemos:
Frase nominal: FN (nombre), (articulo, nombre), (articulo,
nombre, adjetivo), etc.
Frase Verbal: FV (Verbo), (Verbo, complemento), (verbo,
nombre), (verbo, adverbio, nombre) etc.
Nivel Semntico: trata del significado de las palabras y de cmo
los significados se unen para dar significado a una oracin
Ejemplo: de una oracin con artculo, nombre, verbo; se la define
reglas por el orden de las palabras.
ANEXO (anlisis gramatical grafico)
Nivel Pragmtico: Cmo las oraciones se usan en distintas
situaciones y de cmo el uso afecta al significado de las oraciones.
Se suele reconocer un subnivel recursivo: discursivo, que trata de
cmo el significado de una oracin se ve afectado por las
oraciones inmediatamente anteriores.
El problema de la Ambigedad
Uno de los grandes problemas del PLN se produce cuando una
expresin en LN posee ms de una interpretacin.
Este problema de la ambigedad se presenta en todos los niveles
del lenguaje, sin excepcin. Ejemplo:
"Juan vio a Mara, con el telescopio
"Juan vio a Mara con el telescopio
Al presentarse en todos los niveles del lenguaje, se tienen que
desarrollar programas (en lenguaje formal) para solucionarlos en
cada caso.
Arquitectura de un sistema de PLN
Conocidos los niveles del lenguaje, el siguiente paso es la
elaboracin de la arquitectura del sistema de PLN, o sea, como va la
computadora a interpretar y analizar las oraciones que le sean
proporcionadas, basndose en el siguiente esquema:
El usuario le expresa a la computadora que es lo que desea hacer.
5

La computadora analiza las oraciones proporcionadas, en el

sentido morfolgico y sintctico, es decir, si las frases contienen
palabras compuestas por morfemas y si la estructura de las
oraciones es correcta.
El siguiente paso, es analizar las oraciones semnticamente, es
decir saber cual es el significado de cada oracin, y asignar el
significado de estas a expresiones lgicas (T o F).
Luego se realiza el anlisis pragmtico de la instruccin,
obtenindose la expresin final.
Una vez obtenida la expresin final, el siguiente paso es la
ejecucin de esta, para obtener as el Resultado y poder
proporcionrselo al usuario.

Dificultades en el PLN
Deteccin de separacin entre las palabras En la lengua hablada,
no se suelen hacer pausas entre palabra y palabra. Mientras que
en la lengua escrita, idiomas como el idioma chino mandarn
tampoco tienen separaciones entre las palabras
Ambigedad semntica Cualquier palabra puede tener varios
significados, se selecciona el significado que tiene un mayor
sentido dentro del contexto
Ambigedad sintctica La gramtica de lenguas naturales tienen
normalmente ambigedades estructurales, pudindose construir
distintos rboles sintcticos. Para escoger el ms apropiado, a
menudo, hay que tener en cuenta informacin semntica y
contextual
Informacin pragmtica Una oracin, a menudo, no significa lo
que realmente se est diciendo. Elementos tales como la irona
tienen un papel importante en la interpretacin del mensaje
Recepcin imperfecta de datos Acentos extranjeros, regionalismos
o dificultades en la produccin del habla, errores de
mecanografiado o expresiones no gramaticales.
Aplicaciones del PLN
Traduccin automtica: la traduccin correcta de un lenguaje a
otro, tomando en cuenta lo que se quiere expresar en cada
oracin, y no solo palabra por palabra. Ejemplo Babiln,
Recuperacin de la informacin: Se da una instruccin en LN y el
computador responde lo referente al tema
Extraccin de Informacin y Resmenes: Programas que tienen
capacidad de crear un resumen de un documento
Resolucin cooperativa de problemas: Cooperar con los humanos
para la solucin de problemas complejos, proporcionando datos e
informacin, debiendo existir una excelente interactividad
Tutores inteligentes: Es una aplicacin acadmica, ya que se
refiere a la enseanza asistida por computadora, con capacidad de
evaluar al educando y tener la capacidad de adaptarse a cada tipo
de alumno
Reconocimiento de Voz: El reconocimiento de voz puede tener dos
posibles usos: para identificar al usuario o para procesar lo que el
6

usuario dicte, existiendo ya programas comerciales, que son

accesibles por la mayora de los usuarios, ejemplo: ViaVoice.
Robtica
El objetivo de esta rea es que los ordenadores interaccionen con el
mundo exterior desarrollndoles capacidades sensoriales (SHRDLU
robot que puede mover bloques, hablar y otras funciones mas)
Una maquina puede hacer el trabajo de 100 hombres, pero ninguna
maquina puede hacer el trabajo de un hombre extraordinario.
Robot, un manipulador reprogramable de uso general con sensores
externos e internos que puede realizar diferentes tareas especficas.

La robtica es un rea formada por:

Mecnica: Diseo, Anlisis Esttico y Dinmico
Microelectrnica: Transmitir informacin
Informtica: Programas, coordinacin mecnica
Locomocin y manipulacin: ligados con componentes mecnicos
Percepcin: ligada con dispositivos que proveen informacin
Razonamiento: seleccionan acciones que deben tomar para
realizar una tarea
Ambientes Preparados y ambientes no predecibles.
Leyes de la Robtica:
Primera Ley: Un robot no puede daar a un humano
Segunda Ley: Deben obedecer al humano excepto cuando este en
contra de la primera ley
Tercera Ley: Proteger su existencia siempre y cuando no este en
conflicto con la 1 y la 2 ley.
Morfologa del Robot:

Clasificacin de los Robots:

De acuerdo a:
Generacin
o Robots Play-back, regeneran una secuencia de
instrucciones grabadas, ejemplo: robot utilizado para
recubrimiento de spray o soldadura por arco. Estos robots
comnmente tienen un control de lazo abierto.

o Robots controlados por sensores, estos tienen un

control en lazo cerrado de movimientos manipulados, y
hacen decisiones basados en datos obtenidos por
sensores.

o Robots controlados por visin, donde los robots

pueden manipular un objeto al utilizar informacin desde
un sistema de visin.

o Robots controlados adaptablemente, donde los

robots pueden automticamente reprogramar sus
acciones sobre la base de los datos obtenidos por los
sensores.

o Robots con inteligencia artificial, donde los robots

utilizan las tcnicas de inteligencia artificial para hacer
sus propias decisiones y resolver problemas.

10

A su nivel de inteligencia
o Dispositivos de manejo manual, controlados por una
persona.
o Robots de secuencia arreglada.
o Robots de secuencia variable, un operador puede
modificar la secuencia fcilmente.
o Robots regeneradores, el operador humano conduce el
robot a travs de la tarea.
o Robots de control numrico, el operador alimenta la
programacin del movimiento, hasta que se ensee
manualmente la tarea.
o Robots inteligentes, los cuales pueden entender e
interactuar con cambios en el medio ambiente.
A su nivel de control
o Nivel de inteligencia artificial, el programa aceptar
un comando como "levantar el producto" y
descomponerlo dentro de una secuencia de comandos de
bajo nivel basados en un modelo estratgico de las
tareas.
o Nivel de modo de control, los movimientos del sistema
son modelados, para lo que se incluye la interaccin
dinmica entre los diferentes mecanismos, trayectorias
planeadas, y los puntos de asignacin seleccionados.
o Niveles de servosistemas, los actuadores controlan los
parmetros de los mecanismos con el uso de una
retroalimentacin interna de los datos obtenidos por los
sensores, y la ruta es modificada sobre la base de los
datos que se obtienen de sensores externos. Todas las
detecciones de fallas y mecanismos de correccin son
implementadas en este nivel.
A su nivel de lenguaje de programacin: La clave para una
aplicacin efectiva de los robots, es el desarrollo de lenguajes
de alto nivel. Existen muchos sistemas de programacin de

11

robots, aunque la mayora del software ms avanzado se

encuentra en los laboratorios de investigacin
o Sistemas guiados, en el cual el usuario conduce el
robot a travs de los movimientos a ser realizados.
o Sistemas de programacin de nivel-robot, en los
cuales el usuario escribe un programa de computadora al
especificar el movimiento y el sensado.
o Sistemas de programacin de nivel-tarea, el usuario
especifica la operacin por sus acciones sobre los objetos
que el robot manipula.
Categoras de los Robots:
Cartesiano (horizontal, vertical),

Cilndrico (rota en un eje),

Esfrico Polar(rotacin esfrica: rotacin, angular, lineal),

12

Brazo Articulado (movilizacin en todo sentido)

Grados de libertad:
Es el nmero y tipo de movimientos del robot

13

se obtiene observando los movimientos del brazo y de la

mueca
tanto en el brazo como la mueca se encuentra la variacin de
tres grados de libertad
en la mueca pueden existir los siguientes grados:
o giro (hand rotate)
o elevacin (wrist flex)
o desviacin (wrist rotate)
en el brazo los grados de libertad dependen de su anatoma o
configuracin.
Sensores de Robots:
Posicin y proximidad: Internos o externos.
Velocidad y aceleracin.
Dimensiones y entornos de objetos
Sensores de Temperatura, Presin (Presductores), etc.
Sensores Optoelctricos: led, fotodiodos, fototransistores
Galgas Extensiomtricas: medir fuerza, material flexible

14

Sensores de proximidad: inductivos, capacitivos, triangulacin

Sensores Elctricos: Estado de motores de corrientes continuas
Sensores Electromecnicos: tacmetros, transductores de
vibracin, sensores de efecto Hall
Sensores Ultrasnicos.
Efectores:
dispositivos que producen efectos en el entorno bajo el control
del robot
herramientas para ejecucin
es el actuador
Formas de comunicarse con el Robot:
reconocimiento de palabra discreta y continua, reconocimiento
por parte del robot de cierto grupo de palabras discretas
(lenguaje natural)
ensear y reproducir(propiocepcion), se lo hace en tres pasos
o se lo dirige lentamente al robot con control manual
o edicin y reproduccin del movimiento enseado
o si es correcta la enseanza se ejecuta a una velocidad
apropiada y de forma repetitiva
lenguajes de programacin de alto nivel, los conocidos son el
AL (Universidad de Stanford) y al AML (IBM).
Enviando estmulos a los sensores.
Metodologa del diseo de un Robot
El proyecto consta bsicamente de cuatro etapas; Etapa de
Investigacin, Etapa de Sntesis Informativa, Etapa de Diseo y
Construccin, Etapa de pruebas, calibracin y control.
I. Etapa de Investigacin
a) Adquisicin de Bibliografa.
b) Bsqueda de las fuentes de informacin
especficas de aquellos elementos que constituyen el prototipo.
c) Investigacin de las variables que intervienen en
el proceso de control del prototipo.
d) Adquisicin y estudio del software para el
desarrollo e implementacin de los algoritmos de control.
II. Etapa de Sntesis de la Informacin Se basa en la
etapa anterior y da como resultado una serie de
elementos que son necesarios para el desarrollo de las
siguientes etapas de el proyecto.
III. Etapa de Diseo y Construccin Se aplica toda la
informacin que se recaba y consulta, y que el diseo
del prototipo requiere para el cumplimiento de los
objetivos planteados anteriormente. En base a estos

15

lineamientos se construyen las piezas que conforman el

prototipo, con el material y componentes adecuados.
IV. Etapa de Pruebas, Calibracin y Control sta es la
etapa final, se adoptan las medidas necesarias para
alcanzar los objetivos planteados. Se aplican los
algoritmos de control y se prueban hasta conseguir el
resultado esperado.
Para que sirven los Robots:

fabricacin y manejo de materiales

o en actualidad existen 600.000 robots, de los cuales el
70% estn en USA, Japn y Francia
o industria automotriz, microelectrnica
o presencia en la construccin para mover objetos muy
pesados con precisin y eficiencia
o esquila de ovejas(Australia) (automticos, percepcin
sensorial, retroalimentacin tctil)

Mensajero
o Mviles
o En edificios, hospitales, al fondo de mar
o Sus requerimientos son pedidos a travs de terminales
de computo
o Gran disponibilidad
o Confiabilidad
o Monitoreo
Ambiente peligrosos
o Disminucin de riesgos para la vida humana
o Mantenimiento rutinario a plantas nucleares
o Eliminacin de residuos txicos

16

o Rescate a profundidad
o Exploracin minera
o No debern producir dao a los seres humanos presentes
en el entorno
Tele presencia y Realidad Virtual
o Sitios remotos y/o imaginarios
o Para diversin
o Robots teleoperador para dar solucin al desarmado de
bombas
o Ingenieros y arquitectos utilizan para mostrar sus
proyectos en detalle
o Mdicos especialistas que consultan e intervienen
quirrgicamente a miles de kilmetros
o Sentido de tacto remoto

Ampliacin de capacidades humanas

o Duplicar extremidades humanas perdidas

17

Videos

o Perros lazarillos
o Visin artificial
o Los brazos binicos y las articulaciones artificiales. En los
Estados Unidos ya hay 85.000 rodillas mecnicas,
120.000 caderas y 70.000 hombros. Parte de ellos ya
cuentan con sistemas robticos para su implantacin.
o En Israel estn perfeccionando un sistema de
retroalimentacin continuo, proveniente de los sensores
implantados en los nervios del hombro del miembro
amputado, que produce una respuesta inmediata a la
comunicacin elctrica de un nervio, en la misma forma
en que se comporta el sistema nervioso. Eso permite que
el brazo binico (que encierra una mini computadora)
funcione suavemente, casi como uno normal.
Redes Neuronales

Neurona
-

El tejido nervioso est constituido por clulas nerviosas, fibras

nerviosas y la neuroglia,

La clula nerviosa se denomina neurona, las hay neuronas

bipolares, con dos prolongaciones de fibras y multipolares, con
numerosas prolongaciones. Pueden ser neuronas sensoriales,
motoras y de asociacin

Se estima que en cada milmetro del cerebro hay cerca de

50.000 neuronas.

El cuerpo de la neurona o Soma contiene el ncleo, el cual se

encarga de todas las actividades metablicas de la neurona y
recibe la informacin de otras neuronas vecinas a travs de las
conexiones sinpticas.

Las dendritas son las conexiones de entrada de la neurona.

El axn es la "salida" de la neurona y se utiliza para enviar

impulsos o seales a otras clulas nerviosas. que forman
sinpsis con el soma o axones de otras clulas. Esta unin
puede ser "inhibidora" o "excitadora" segn el transmisor que
las libere.

La Red Neuronal

18

El sistema de neuronas biolgicas esta compuesto por neuronas

de entrada (sensores) conectados a una compleja red de
neuronas "calculadoras" (neuronas ocultas), las cuales, a su
vez, estn conectadas a las neuronas de salidas que controlan,
por ejemplo, los msculos.

Los sensores pueden ser seales de los odos, ojos, etc. las
respuestas de las neuronas de salida activan los msculos
correspondientes.

En el cerebro hay una gigantesca red de neuronas

"calculadoras" u ocultas que realizan la computacin necesaria.
De esta manera similar, una red neuronal artificial debe ser
compuesta por sensores del tipo mecnico o elctrico.

Funcionamiento de las sinapsis

-

Cientos de datos fluyen por los nervios hasta cada sinapsis,

donde son procesados. Una vez analizada y tratada la
informacin esta sale ya transformada por los canales
nerviosos

En los seres vivos no pueden permitirse el lujo de la

especializacin ya que si algo se rompe otro elemento debe
hacerse cargo de la funcin. Por eso cada sinapsis es
simultneamente una compuerta Ad, Or, Not etc.

Una sinapsis suma las tensiones de los impulsos entrantes.

Cuando se sobrepasa un determinado nivel de tensin; el
llamado umbral de indicacin; esta se enciende, esto es deja
libre el camino para que pasen los impulsos.
o Si el umbral de indicacin de tensin es demasiado bajo,
la sinapsis es como una puerta lgica del tipo Or, pues en
tal caso pocos impulsos bastan para que tenga lugar la
conexin.
o En cambio cuando el umbral de indicacin es alto, la
sinapsis acta como una puerta And, ya que en ese caso
hace falta que lleguen la totalidad de los impulsos para
que el camino quede libre.
19

o Tambin existen conducciones nerviosas que tienen la

particularidad de bloquear el paso apenas llegan los
impulsos. Entonces la sinapsis hace la funcin de una
compuerta inversora. Esto demuestra la flexible del
sistema nervioso.
REDES REURONALES ARTIFICIALES
La Neurona Artificial
-

Un circuito elctrico que realiza la suma ponderada de las

diferentes seales que recibe de otras unidades iguales y
produzca en la salida un uno o un cero segn el resultado de la
suma con relacin al umbral o nivel de disparo,

a funcin de transferencia para la activacin o disparo de la

neurona puede ser:
o de umbral lgico
o de limitacin duracin
o de funcin tipo.

Se produce un entrenamiento, cuando se presenta un mismo

tipo de ambiente varias veces y cierto numero de neuronas se
activan, esto produce un refuerzo, la red queda entrenada y
con el peso de conexiones definido. As, se puede cargar a la
neurona con los valores predeterminados.

20

Redes Neuronales Artificiales

Son construidos imitando el proceso de aprendizaje biolgico humano
inteligente, auto modificacin, y aprendizaje por creacin de
inferencias, proveen un aprendizaje por experiencia dinmica.
Funcionan con la interconexin de neuronas que ejecutan clculos
dando resultados que son transmitidos a otras neuronas a lo largo de
todas las vas. Esos resultados o seales son igualmente procesados
y enviados a otras si los resultados del proceso lo permiten. Si la
entrada esta inhibida es seal negativa y si es exitosa es valor
positivo. Si la suma de valores positivos y negativos superan el
threshold Level (Umbral), la neurona puede enviar seal a otras,
este proceso se conoce con el nombre firing (encendiendo).
Estructuras de conexin de atrs hacia delante

21

Hay tres tipos de capas de neuronas: de entrada, ocultas y de salida.

Entre dos capas de neuronas existe una red de pesos de conexin

que pueden ser de los tipos: Hacia delante, hacia atrs, lateral y de
retardo.

Conexiones hacia delante: los datos de las neuronas de una

capa inferior son propagadas hacia las neuronas de la capa
superior.
Conexiones hacia atrs: llevan los datos de las neuronas de
una capar superior a otras de la capa inferior.
Conexiones laterales: ejemplo es el circuito(winner-takes-all, el
ganador toma todo que cumple un papel importante en la
eleccin del ganador.
Conexiones con retardo: se incorporan en las conexiones para
implementar modelos dinmicos y temporales, es decir,
modelos que precisan de memoria.

Entrenamiento
Redes Neuronales Supervisadas y no Supervisadas
Las redes neuronales se clasifican comnmente en trminos de sus
correspondientes algoritmos o mtodos de entrenamiento:
Redes de Pesos Fijos:
- no existe ningn tipo de entrenamiento.
Redes de entrenamiento Supervisado:
-

modelos de redes ms desarrolladas desde el inicio.

Los datos para el entrenamiento estn constituidos por
varios pares de patrones de entrenamiento de entrada y de
salida.

22

El hecho de conocer la salida implica que el entrenamiento

se beneficia la supervisin de un maestro.
Dado un nuevo patrn de entrenamiento, por ejemplo,
(m+1)-simo, los pesos sern adaptados de la siguiente
forma:
Wij(m+1) = Wij(m) + Wij(m)
un diagrama esquemtico de un sistema de entrenamiento
supervisado:

tienen 2 fases:
Fase de Prueba:
los parmetros de diseo de la red neuronal se han
obtenido a partir de unos patrones
representativos de las entradas que se
denominan patrones de entrenamiento.
Los resultados pueden ser tanto calculados de una
vez como adaptados iterativamente, segn el
tipo de red neuronal, y en funcin de las
ecuaciones dinmicas de prueba.
Una vez calculados los pesos de la red, los valores
de las neuronas de la ltima capa, se comparan
con la salida deseada para determinar la validez
del diseo.
Fase de Aprendizaje:
Aprenden por la actualizacin o cambio de los
pesos sinpticos que caracterizan a las
conexiones.
Los pesos son adaptados de acuerdo a la
informacin extrada de los patrones de
entrenamiento nuevos que se van presentando.
Normalmente, los pesos ptimos se obtienen
optimizando (minimizando o maximizando) bajo
una funcin determinada

23

ejemplos tpicos (supervisados) son:

o red perceptron: en la fase de entrenamiento
determina funciones discriminantes, que dictaminan
las regiones de decisin
o red adaline: usa la frmula de aproximacin basada
en el criterio del error cuadrtico medio lineal.
Minimizar E = Mm=1(y(m) t(m))2

Redes de entrenamiento No Supervisado

- El conjunto de datos de entrenamiento consiste slo en los
patrones de entrada
- Por lo tanto, la red es entrenada sin el beneficio de un
maestro
- La red aprende a adaptarse basada en las experiencias
recogidas de los patrones de entrenamiento anteriores.
- El diagrama esquemtico es similar al supervisado sino sin
el Maestro (teacher), pero igual con retroalimentacin.
- Ejemplos tpicos (no supervisados) son:
o Regla de Aprendizaje de Hebb: consiste en reforzar
el peso que conecta dos nodos que se excitan
simultneamente
o Regla de Aprendizaje Competitiva: si un patrn
nuevo se determina que pertenece a una clase
reconocida previamente, entonces se da la inclusin
de este nuevo patrn a esta clase. Si el patrn de la
entrada se determin que no pertenece a ninguna de
las clases reconocidas anteriormente, entonces la
estructura y los pesos de la red neuronal sern
ajustados para reconocer la nueva clase.

SMA MAS SISTEMAS MULTIAGENTES

Agente: Es un Sistema computacional que opera de forma
autnoma, con capacidad de reaccionar dinmicamente a estmulos
externos y comunicarse entre s y que posee conocimientos e
intencionalidad para resolver problemas especficos.

24

Agente Inteligente: es aquel que emprende la mejor accin posible

en una situacin dada.
Percibe su ambiente mediante sensores y que responde mediante
efectores
en el caso de agentes de software sus percepciones o acciones
son las cadenas de bits codificados
estos agentes deben poseer conocimiento.
Agente racional: aquel que hace correcto las cosas, es decir, con
mejor desempeo (como y cuando hacer).
Secuencia de percepciones: todo lo que el agente haya percibido
hasta el momento, como una historia.
Agente inteligente racional ideal: en todos los casos de secuencia
de percepciones, deber hacer todas las acciones que favorezcan a
tener el mximo rendimiento, basndose en evidencias aportadas
por la secuencia de percepcin y de todo el conocimiento
incorporado en el agente.
Tipos de Agentes
Existen varios tipos de agentes, como podemos observar de acuerdo
al manejo de programas se consideran cuatro tipos de agentes:
Agente de reflejo simple:
basados en reglas de condicin-accin o situacin-accin, o
reglas si-entonces;
toma una accin de acuerdo a una conexin
el agente establece conexin entre percepciones y acciones
ejemplo: si el carro de adelante frena, se prende la luces de
alto, la cmara capta y entonces debe frenar (regla condicin25

accin: SI el carro de adelante est frenado ENTONCES empiece

a frenar)
grfico (pag 43- figura 2.7) (los rectngulos son estado internos
en un momento dado de la decisin del agente, los valos son
informacin de base)

Agente bien informado de todo lo que pasa:

no siempre los sensores no informan acerca del estado del
mundo
si se produce una percepcin el agente debe tener un cierto
tipo de estado interno que no es demasiado extenso
el agente necesita actualizar algo de informacin en el estado
interno que permita diferenciar entre estados del mundo que
generan la misma entrada de percepciones
esta actualizacin de informacin es de dos tipos:
de como evoluciona el mundo, independiente de los agentes
de como afecta al mundo las acciones que puede tomar el
agente
ejemplo: si se quiere cambiar de carril y se ve por retrovisor si
existe carros atrs, se debe tener cuidado si existe carros en el
ngulo que el espejo no ve, y que luego de tomar la accin en
que afectara al mundo, se dejara vaco el espacio que antes
ocupaba el carro, etc
(grafico pag 45 figura 2.9)

Agente basado en metas:

26

no siempre basta con tener informacin del estado actual del

ambiente, sino tambin que sucedera si hago tal o cual cosa?
se requiere de cierta informacin sobre su meta (situaciones
deseables)
el agente debe combinar la informacin anterior con esta
nueva informacin y como resultado se producirn las posibles
acciones que se emprendan
se habla de agente reflejo donde se permiten elegir aquellas
acciones que permitan alcanzar la meta
en situaciones sencillas en fcil elegir, pero en situaciones
mayores es necesario tener mtodos de bsqueda y
planificacin que ayudaran a encontrar la secuencia de
acciones que permitan alcanzar las metas de un agente
es mas flexible que el anterior, ya que permite dirigirse a varios
destinos, modificando su conducta.
ejemplo: si esta en una autopista y hay una Y, se debe decidir
por donde ir izquierda o derecha dependiendo cual sea su meta
(grfico pag. 46 figura 2.11)

Agente basado en utilidad:

las metas no bastan para determinar una conducta de alta
calidad (velocidad, seguridad, confiables, etc.)
de acuerdo a tal o cual resultado se sentir mayor felicidad
que traducido a nuestra rea se dice que es Utilidad (calidad de
ser til)
Utilidad es una funcin que correlaciona un estado y un
nmero real mediante el cual se caracteriza el correspondiente
grado de satisfaccin
esta utilidad se ve implicada al momento que el agente debe
elegir entre varias metas, entonces debe medir la posibilidad
de tener xito considerando la importancia de las diferentes
metas
(grfico pag. 48 figura 2.12)

27

Propiedades de los Ambientes

Accesible y no accesible
o Si el aparato sensorial del agente le permite tener acceso al
estado total de un ambiente
o si sus sensores detectan todos los aspectos relevantes a la
eleccin de una accin
o no necesita de que el agente mantenga un estado interno
para estar al tanto que sucede en el mundo
o ejemplos de accesible: un sistema de anlisis de imgenes,
capta todos los aspectos relevantes; ajedrez; backgammon
o ejemplos de no accesible: conducir un taxi; sistema de
diagnostico medico.
Determinista y no determinista
o Si el estado siguiente de un ambiente se determina
completamente mediante el estado actual y las acciones
escogidas por los agentes
o es un punto de vista mejor que el anterior, visto desde el
agente
o ejemplos son los mismos de los casos de accesibles y no
Episdicos y no episdicos
o la experiencia del agente se divide en episodios (partes)
o cada episodio consta de un agente que percibe y acta
o la calidad actuacin depender del episodio mismo ya que
no depende de las otras partes o episodios
o ejemplo, tenemos el sistema de anlisis de imgenes donde
se tiene episodios de captura de imagen, interpretacin de
imagen, edicin de imagen, manipulacin de imagen
Estticos y dinmicos
o dinmico, cuando existe la posibilidad de que el ambiente
sufra modificaciones mientras el agente se encuentra
deliberando (cuando pasa el tiempo) (ejemplo: conducir un
taxi, diagnostico medico)
o esttico, cuando no varia el ambiente mientras el agente se
encuentra deliberando, (ejemplo: ajedrez sin reloj)
o existe otro tipo que es la mezcla de los dos anteriores donde
bsicamente no vara los aspectos principales del ambiente
y no modifica la calificacin asignada al agente, estos se
denominan semidinmico (ejemplo: el ajedrez con reloj,
varia el tiempo pero no importa para tomar una accin)

28

Discretos y continuos
o discreto, si existe una cantidad limitada de percepciones y
acciones distintas y claramente discernibles (ejemplo: el
ajedrez)
o continuo, la cantidad ilimitada de percepciones y acciones
distintas (ejemplo: el conducir un taxi, anlisis de
imgenes).

En SMA se intenta dividir los problemas en subproblemas cada vez

ms sencillos de resolver
Los agentes, tienden a un planteamiento en el que mltiples agentes
autnomos interactan, se coordinan y todo ello de una forma
adaptativa
Porque usar SMA:
Al ser un solo agente existe problemas de escalabilidad y prdida
de eficiencia
Es mejor dividir, consiguiendo as modularidad, flexibilidad,
robustez, modificabilidad, escalabilidad

conocimiento concentrado: ya que si aparecen problemas en el

manejo de un solo agente que concentra todo el conocimiento,
se propagan a todo el sistema
distribucin de la carga, de este modo, los agentes de un SMA
pueden disearse como componentes autnomos que actan
en paralelo para resolver problemas de mbito general
Para problemas excesivamente complejos
Interconexin con otros mecanismos clsicos, como son los
sistemas expertos.
Caractersticas de los agentes:
Intencionalidad: Declaracin de metas y medios para llegar a
ellas.
Racionalidad: Capacidad de evaluar y realizar acciones a
ejecutar.

29

Compromiso: Planificacin de las tareas coordinado y negociado

entre agentes.
Adaptabilidad: Control comportamientos de acuerdo con las
funciones que ejecuta.
Clasificacin de los agentes:
Estticos o Mviles segn su movilidad.
Deliberativos y Reactivos de acuerdo con su capacidad de
reaccin.
Autnomos o no, si operan sin necesidad de intervencin
humana.
En IA los agentes de mayor inters son los autnomos, pues
presentan caractersticas que los acercan al comportamiento
humano, tales como: racionalidad, habilidad social, cooperacin,
capacidad de aprendizaje, reactividad y proactividad

Caractersticas principales de SMA

La no existencia de benevolencia, los agentes son menos
vulnerables a desviaciones del objetivo principal por las
influencias externas.
La obtencin de Mltiples metas, capacidad de resolver
problemas y enfrentar el problema de varias formas.
La Autonoma permite seleccionar la mejor manera para
cumplir con sus objetivos.
La Heterogeneidad hace necesaria la existencia de un sistema
de comunicacin que permita la interaccin entre los diferentes
agentes.
Estructura organizacional de los SMA
Estructura Centralizada: Un agente controla la interaccin entre
los otros agentes.
Estructura Horizontal: Todos los agentes estn en el mismo
nivel, por lo tanto no hay agentes controladores.

30

Estructura Jerrquica
o Formal. Cuando un agente de menor nivel solo puede
recibir ordenes del agente de su nivel inmediatamente
superior
o Informal. Cuando puede recibir ordenes de cualquier
agente de un nivel superior al suyo.
Estructura Ad Hoc : Es una mezcla de las anteriores y eso le
da una caracterstica de dinamismo. Los diferentes grupos de
agentes se ajustan entre ellos.

Pilares de los SMA

Cooperacin
Cooperacin compartiendo tareas y resultados Con los
resultados generados por los dems agentes, un agente
realiza sus propias tareas.
Cooperacin por delegacin Agente supervisor divide una
tarea en subtareas, asigna a sus agentes para ejecutarlas, y las
integra para
hallar solucin global.
Cooperacin por ofrecimiento: El agente supervisor divide
una tarea en subtareas las ubica, en una lista esperando que
los agentes del sistema se ofrezcan a realizarlas dependiendo
de sus habilidades. El supervisor elige entre los ofrecimientos y
las distribuye.
Coordinacin
Coordinacin Global: Cuando el SMA determina y planifica las
acciones de los diferentes agentes.
Coordinacin Individual: El SMA da autonoma a los agentes,
es decir cada agente decide qu hacer y resuelve localmente
los conflictos que detecte con otros agentes.
Control
Provee apoyo en la implementacin de mecanismos de
coordinacin.
El control puede ser considerado desde el punto e vista local y
global.
Si se asigna mucho control global aumentara el tiempo de
computo, mientras que cuando se desborda control local se
pierde eficiencia en operacin.
Planificacin
Incluye factores importantes en el tiempo de ejecucin:
o Recursos computacionales,
o Disponibilidad de los Agentes,
o Tiempo de ejecucin empleado por cada agente.
Esta informacin se obtiene del sistema de informacin
histrica
Proceso
o Inicialmente recibe la Informacin del Problema
o Subdivide en tareas
o Busca qu agente(s) puede(n) realizarlas

31

o
o
o
o
o

Negocia con ste las caractersticas de la ejecucin

Se crea el cronograma de trabajo
Se confirman las caractersticas de la ejecucin
Se asignan tareas a los agentes
Luego, durante la ejecucin del trabajo, el agente
planificador realizar auditorias peridicas con el fin de
verificar la correcta ejecucin del sistema.

Sistemas Expertos:
Es un sistema informtico que simula el proceso de aprendizaje, de
memorizacin, de razonamiento, de comunicacin, y de accin de un
experto humano en una determinada rama de la ciencia,
suministrando, de esta forma, un consultor que puede sustituirse con
unas ciertas garantas de xito.
Papel de SE: son relacionados con el papel que juega el experto
humano
como suministradores de informacin
resolviendo problemas
explicando (razones)
Componentes de un SE:
Los elementos ms importantes de un sistema experto son:
Experto Humano: Es quien aporta el conocimiento en el rea de
inters
Ingeniero del Conocimiento: Esta persona interpreta este
conocimiento en forma tal que hace capaz que el sistema asimile.
Estos dos anteriores van hablar lenguajes distintos,
Multitud de preguntas de IC al EH,
IC no se contentar con las respuestas, exigiendo razones,
IC controlara la coherencia del conocimiento en su conjunto
EH queda mas especializado, por orden de ideas,
Subsistema de control de la coherencia:
Sirve para mantener coherencia con el conocimiento,
Es un nuevo concepto puesto en SE, muchos SE algunos de los
sistemas actuales no disponen del mismo,
permite forma mas ordenada,
mas fiable,
avisar de las imperfecciones antes sealadas,
para evitar que existan reglas que se contradigan,
el sistema debe suministrar informacin para que controle
incoherencias,
evita que pase la informacin mala a la base del conocimiento,
Subsistema de Adquisicin del conocimiento:
encargado de recibir los elementos de conocimiento,
comprobar que sean elementos nuevos (aun no en Base del
Conocimiento)
el conocimiento de 2 tipos:

32

abstracto: validez general (reglas, espacios probabilisticos),

forma parte del sistema (eje: todas las diferentes
enfermedades, nombres, tratamientos...)
concreto: validez particular, no forma parte del sistema, es
efmero, es decir se destruye (eje: sntomas de un paciente
en particular)
Base del Conocimiento:
Elemento que almacena el conocimiento abstracto
Pone el conocimiento a disposicin del motor de inferencia para su
tratamiento
La memoria de trabajo:
es la que almacena el conocimiento concreto
igualmente almacena todos los procedimientos de los diferentes
sistemas y subsistemas
es de carcter transitorio o cambiante
El motor de inferencia:
Es el corazn de todo sistema experto
Su funcin es aplicar el conocimiento abstracto al conocimiento
concreto
Con la accin de sacar conclusiones
(eje: el diagnostico de una paciente, consiste en analizar los
sntomas (concreto) y detectar la enfermedad que posee
mediante el anlisis de diferentes sintomatologas (abstracto))
Subsistema de demanda de informacin:
Se recurre a este subsistema cuando el conocimiento concreto es
muy limitado y que no se puede sacar conclusiones fiables
Completa ese conocimiento para proceder de nuevo a la
reelaboracin y repetir este ciclo hasta conseguir conclusiones
validas
Interfase de Usuario:
Permite que el usuario introduzca informacin al sistema
Se debe usar hardware (ratones, pantallas grficas, a color, etc.) y
software (mens, Windows, grficos, etc). Para que sea
atractivo al usuario.
Subsistema de ejecucin de ordenes:
para realizar acciones pertinentes luego de haber sacado las
conclusiones
(eje: Un sistema de control de una central nuclear puede producir
apertura de ciertas vlvulas, la activacin de alarmas, etc)
Subsistema de explicacin:
De igual manera luego de tener las conclusiones, el usuario puede
pedir razones
Que por medio de los procesos hechos por el motor de inferencia,
comunique al usuario el forma ordenada los hechos
Es recomendable tener un mecanismo de eleccin que permita
elegir el nivel de contenido de explicacin (mas detallada o no)
Subsistema de propagacin de la incertidumbre:
Por su complejidad es el elemento mas dbil de los SE

33

Entenderlo en el sentido que la propagacin de la incertidumbre

es normalmente incorrecto, dando como resultado que las
conclusiones no son muy fiables
Existen medidas como probabilidades, factores, de certeza, teora
de la evidencia, lgica difusa (veremos mas adelante)
Bsicamente, lo que se hace es asociar a cada hecho una cierta
medida de incertidumbre (probabilidad)
Subsistema de aprendizaje:
Es uno de los elementos ltimamente incorporados
Dan el concepto de que los SE son capaces de aprender
(demostrado)
Dos tipos aprendizaje:
Aprendizaje Estructural:
Relacionado con la estructura del conocimiento (reglas,
espacios probabilisticos, etc)
La incorporacin de nuevas reglas a la base del
conocimiento constituye aprendizaje estructural
Aprendizaje Parametrico:
Se refiere a los parmetros de la base del conocimiento
La determinacin de probabilidades en los hechos
constituyen aprendizaje parametrico
Se pueden manipular estas probabilidades (desde hacerle
nula para evitar el hecho, para luego si la hiptesis es
incorrecta simplemente modificar los parmetros
(probabilidades) para incluir al hecho) (eje: medico)
Subsistema de experiencias:
Es la inclusin de la base de datos de experiencias existentes
sobre el tema en el cual se esta aplicando el SE
Se puede decir que un SE se podra generar sin la necesidad de un
Experto Humano (contradictorio con el concepto), partiendo de
datos o experiencias recogidas por no expertos, con garantas
casi iguales como si se lo hiciese con un experto humano.
Funciones de un SE:
Los elementos anteriores nos sirven para definir claramente las
funciones de un SE, siendo la mejor forma de entender que es lo
realmente hay detrs de estos sistemas y conocer sus posibilidades.
Adquirir conocimiento
Almacenar conocimiento
Razonar e inferir
Demandar nueva informacin
Aprender
Propagar incertidumbre
Asistir al experto a dar informacin coherente
Explicar las conclusiones
Realizar ciertas acciones como consecuencia del razonamiento
Controlar la coherencia del conocimiento del sistema
A estas se le pueden ir adicionando mas conforme avance la
tecnologa que en esta rea es bien agresiva.
Etapas de desarrollo de un SE:
Definicin del problema a resolver (Anlisis)
34

 No escatimar tiempo
trabajar con precisin

Bsqueda de un EH o de los datos o experiencia

EH que este en condiciones de resolver el problema con
posibilidades de xito (abierto)
En algunos casos bastara con bases de datos, experiencias
que sustituirn al EH
prcticamente en todos los casos se cambian algunos
aspectos que ya se definieron en la primera etapa, por
orientaciones del EH
Diseo del SE
Donde se incluyen las estructuras para almacenamiento
del conocimiento, motor de inferencia, los sistemas de
explicacin, interfase con el usuario, etc
Se dejaran ventanas abiertas para acceso a informacin
estadstico y de control.
Eleccin del grado de intervencin del usuario
Seleccin de la herramienta, concha o lenguaje de desarrollo
la etapas 4 y 5, muy necesarias en su eleccin para evitar
esfuerzos intiles,
por otro lado son caras las herramientas o conchas,
el uso de conchas es mas fiable por su control de calidad
desarrollo de un prototipo
prueba del prototipo
las etapas 6 y 7, se convierten en un ciclo de repeticin
hasta que se obtengan resultados apetecidos
refinamiento y generalizacin
relacionado con la anterior, aqu se van puliendo defectos
o incluyendo nuevos casos no contemplados en el diseo
inicial
mantenimiento
actualizacin
Las dos ultimas etapas son muy importantes para obtener un
producto de calidad y/o con xito comercial
En estas etapas habr que atender las demandas de los
clientes, resolviendo sus problemas,
actualizando el sistema con nuevos avances.
Tipos de SE:
Entre los SE que se destacan estn los:
basados en Reglas
basados en Probabilidades
Comparacin de elementos en los dos sistemas:

35

Elementos
Base del Conocimiento

Modelo Probabilistico
Abstracto: Estructura
Probalisitica
Concreto: hechos
Motor de Inferencia
Evaluacin de
probabilidades
Subsistema de explicacin Basado en probabilidades
condicionales (Por
condiciones especiales
como edad, sexo, etc, que
tienen historial de que esto
ya haya ocurrido antes)
Adquisicin conocimiento Espacio probabilistico,
Parmetros

Subsistema aprendizaje

Modelo Basado en Reglas

Abstracto: Reglas
Concreto: Hechos
Encadenamiento hacia
atrs y hacia adelante
Basados en reglas activas

Reglas, factores de
certeza(medida de certeza
que se tiene de un hecho.
Una de las medidas de la
Incertidumbre)
Cambio en la estructura del Nuevas reglas
espacio probabilistico
Cambio en los factores de
Cambio en los parametros certeza
(historial)

Estrategias de representar el conocimiento:

La eleccin de que tipo de representacin depende del tipo de
problema que pretende resolver el SE, pues no hay una estrategia
que sirva para todos los casos, pero si se debe tener la mejor
eleccin porque la eficiencia del sistema depende de la estrategia
usada. Las mas frecuentes representaciones de conocimiento son:
Redes Semnticas:
Es el sistema de representacin mas general de todos y mas
antiguo
es una coleccin de objetos, tambin llamados
nodos(representan objetos)
unidos mediante arcos o enlaces formando una red
(representan relaciones entre esos objetos) (es, tiene,
colabora, etc)
Estos elementos llevan asociado una etiqueta o palabra, en
el caso de los nodos un nombre, y en los enlaces es un verbo.
Grfico sobre red semntica (cargos de una empresa)

Ternas objeto-atributo-valor:
es un caso especial de la red semntica,
donde existen tres nodos: objetos, atributos y valores y se
suprimen los enlaces

Hay ocasiones donde se aade a las ternas un factor de

certeza que sirve para medir la confianza que se tiene de

que la terna sea correcta
En otras ocasiones se suprime el atributo y se trabaja solo
con parejas objeto-valor
(grfico sobre Terna objeto-atributo-valor)
36

 Reglas:
Las reglas se usan para representar relaciones y constan de
dos partes: la premisa y la conclusin

a su vez la premisa consta del condicional Si y de una

expresin lgica(constituida por una o varias ternas objetoatributo-valor unidas por los operadores y, o y no).
Alguna ocasiones, cuando el sistema amerita se forza a que
solo exista el operador lgico y y solo se maneje con
objeto-valor
la conclusin consta del adverbio entonces y de una
expresin lgica
Si luego de evaluar la premisa y esta resulta correcta,
entonces se hace que la expresin lgica de la conclusin sea
cierta
(Grfico de reglas sobre cargos de la empresa)

Marcos:
es otro de las formas de representar objetos y relaciones
casos particulares de redes semnticas
Un marco suministra toda la informacin existente sobre un
objeto
esta informacin puede ser declarativa o descriptiva y de
tipo indirecta, es decir directamente caractersticas del
objeto o dar procedimientos o reglas para determinarlas
Esta forma indirecta hizo popular su uso
(grfico de marco)

Expresiones Lgicas:

37

 La lgica es una disciplina que esta relacionada con la validez

de argumentos, determinar si unas conclusiones pueden

deducirse correctamente a partir de unos hechos
En la lgica se comparan los hechos o supuestos contra una
serie de patrones abstractos (modelos que estn
conformados por reglas que previamente han sido
comprobados y validados de una forma matemtica o formal)
Existen 2 tipos comunes de notaciones lgicas:
lgica proporcional:
es un sistema de lgica comn en el que las
proposiciones son expresiones que pueden ser
verdaderas o falsas, las mismas que estn unidas
por conectivos y, o, implica, equivalente y
se denominan expresiones compuestas
la lgica proporcional se ocupa de las expresiones
compuestas
Existen diferentes reglas para propagar la
veracidad de las expresiones dependiendo de los
conectivos. (eje: si X es verdadero y Y es falso, la
expresin compuesta X e Y es falso; Mientras X o
Y es verdadero. Otras reglas permiten inferencias
como, si X es verdadero y X implica a Y se puede
decir que Y es verdadero)
lgica de predicados:
es una extensin de lo anterior
la unidad fundamental es un objeto
las expresiones acerca del objeto se llaman
predicados (a veces los predicados expresan
relacin entre objetos)
(grfico de expresiones lgicas)
Sistemas Expertos Basados en Reglas:
Se va ha dar mayor importancia a la base del conocimiento y al
motor de inferencia
La Base del Conocimiento:
el centro de este tipo de sistemas lo constituye el conjunto de
reglas de la base del conocimiento, conocido con el nombre de
conocimiento abstracto
Cuando la premisas de algunas reglas coinciden en su totalidad o
parte con las conclusiones de otras, se llama lo que se produce
encadenamiento de reglas, es decir, las premisas de ciertas
reglas son conclusiones de otras
(grafico de ejemplo de reglas y reglas encadenadas)

38

Motor de Inferencia:
Las reglas sirven para obtener nuevos hechos y/o conclusiones,
partiendo de verdades o hechos iniciales
ya que si el hecho representado por una premisa es cierto, tambin
lo ser el hecho representado por la conclusin.
existen 2 tipos de conclusiones:
Conclusiones simples: aquellas que resultan de la aplicacin
de slo una regla
Conclusiones compuestas: aquellas que resultan del
encadenamiento de varias reglas
No siempre resulta la conclusiones del anlisis de un regla o
encadenamiento de reglas; en estos casos el motor de inferencia
podr optar por:
abandonar la regla por no poder concluir nada (luego de un
rango de interacciones)
preguntar, a travs del subsistema de demanda de
informacin, sobre la verdad o falsedad de las premisas y
continuar con el proceso hasta producir la conclusin
para obtener conclusiones se utilizan diferentes tipos de
estrategias de inferencia y control de razonamiento:
para las conclusiones simples:
modus ponens
estrategia ms comn
afirma que si se tiene la regla Si A es cierto
entonces B es cierto
Si se conoce que A es cierto, entonces puede
afirmarse que B es cierto, es una afirmacin
trivial por su familiaridad

modus tollens
estrategia bastante menos corriente que la
anterior

afirma si se sabe que B es falso, entonces

puede afirmarse que A es falso

39

 es curioso que algunos SE no incluyen este tipo

de estrategia de inferencia, a pesar que resulta
muy sencilla y prctica su aplicacin

Para conclusiones compuestas:

mecanismo de resolucin, consta de los siguientes
pasos

se sustituye las reglas por expresiones lgicas

equivalentes
se combinan stas entre si para dar una nueva
expresin lgica
se combina sta con la evidencia de los hechos
(Grafico de sustituir, combinar, tabla de verdad a, b) pagina 49
Un ejemplo de este mecanismo:
sustitucin de reglas por expresiones lgicas
Si llueve las calles de mojan = No
llueve o las calles se mojan
combinar expresiones lgicas
No llueve o se producen filtraciones
combinar con evidencias
evidencia es lluvia
Si llueve las calles de mojan
Si las calles de mojan se producen
filtraciones
la conclusin es: Se producen
filtraciones
(Tabla de verdad a, b, c) pagina 50)

tcnicas de razonamiento incierto: (lgica incierta)

(Grfico de implicaciones inciertas pag 52)

40

 Lgica clsica:
donde se parte que si la premisa de una

regla es cierta la conclusin tambin lo

ser.
Si A es cierto entonces B es cierto donde
A implica a B con probabilidad 1. (caso I del
grfico implicaciones inciertas)
este modelo tiene limitaciones, ya que
existen varios casos donde no siempre es
as (en el caso de enfermedades donde los
sntomas no necesariamente da cierta
enfermedad)
toda afirmacin es siempre segura
es una lgica de tipo determinista
Lgica incierta:
toda afirmacin debe ir acompaada de
una medida de incertidumbre, que expresa
la confianza que se tiene de que esa
afirmacin sea cierta
Incertidumbre (medida de la aleatoriedad
de algn suceso)
cuando se trabaja con implicaciones
inciertas, las afirmaciones hay que
entenderlas como posibles en vez de como
seguras
A implica B con una probabilidad P(B|A)
(probabilidad de B condicionada por A o
probabilidad de B supuesto que A es cierta)
(caso II del grfico implicaciones inciertas)
Para el caso de no implicacin A no implica
B puede tratarse como caso extremo de
implicacin A implica B con probabilidad
nula. (caso III del grfico implicaciones
inciertas)
El problema en estos casos es la
propagacin de la incertidumbre, para esto
se exponen medidas de incertidumbre:
Probabilidad:
Espacio probabilistico, consta de
2 elementos (U, A): un conjunto
41

U y una clase A de subconjuntos

de U. (ejemplo: el conjunto U es
la poblacin de pacientes y la
clase A constituida por
conjuntos que cumplen ciertas
condiciones (sntomasenfermedades))
Se dice que se tiene definido
una probabilidad en el espacio
probabilistico (U, A) si a cada
subconjunto de A se le asocia
un nmero real (entre 0 y 1) de
tal forma que se cumpla que la
probabilidad del conjunto
universal U siempre sea 1 y que
la probabilidad de cualquier
conjunto unin de conjuntos
disyuntos es la suma de sus
probabilidades
Existe tambin el caso especial,
y es la probabilidad condicional
P(A|E), (P= nmero de
elementos que pueda ocurrir (A
y E) / nmero de elementos que
ocurra E) (ejemplo: A aparece
un dos por lo menos en un
dado, E suma es 6; P(A|E)=2/5)
Factor de Certeza:
medida de certeza que se tiene
de un hecho o suceso, su valor
oscila entre (-1, 1)
medida de credibilidad: mide el
decremento relativo de
incredibilidad de una hiptesis A
debida a una evidencia o
informacin E. MC(A, E) = (P(A|
E) - P(A)) / (1 - P(A)) y si el valor
sale negativo se pone 0
medida de incredibilidad: mide
el decremento relativo de
credibilidad de una hiptesis A
debida a una evidencia o
informacin E. MI(A, E) = (P(A) P(A|E)) / P(A) y si el valor es
negativo se pone 0
FC(A|E) = MC(A, E) - MI(A|E)
(ejemplo complejo: pagina 117
y 89)
estrategias de encadenamiento
de estas depende la total eficacia del sistema
42

 en estas estrategias se debe tener presente:

procedimientos para decidir por donde

empezar, ya que tenemos los datos en la

Base de datos esttica y debemos tener
mecanismo que lo pongan a funcionar,
como es la forma de localizar reglas que
hagan referencia a un valor de un cierto
objeto.
adems, debe tener mecanismos para que
el sistema pueda decidir como continuar
cuando se le presenten varias alternativas
al mismo tiempo
las estrategias mas comunes: encadenamiento
hacia adelante y hacia atrs
Durante el proceso de evaluacin de las premisas o
conclusiones de las reglas, se da lo que se denomina concluir
una regla, se dice que esa regla se ha disparado o que esta
activa. Estas reglas sern tomadas en cuenta al momento
o forman parte de la base del subsistema de explicacin
existen bsquedas verticales y horizontales en un rbol de
reglas encadenadas
bsqueda vertical
es buscar primero los detalles, es decir
penetrando cada vez ms en los detalles
siguiendo una cadena de reglas
mas usado
insiste sobre el mismo tema hasta que obtiene
toda la informacin
ejemplo: realiza preguntas relacionadas con el
tema al mismo tiempo
similar a lo que un medico especialista hara
bsqueda horizontal
se barre todas las premisas de una regla, antes
de enterarse de ningn detalle
eficiente cuando una regla funciona y aparece
rpidamente el valor del objetivo
hay ocasiones que pregunta el sistema preguntas
aparentemente raras, debido a que mezcla temas
diferentes
ejemplo: hace preguntas fuera del tema; si esta
haciendo la pregunta de anlisis de sangre, le
empieza a preguntar como es el anlisis, como es
su respiracin, como es el color de su piel.
similar a lo que un medico general hara
Existe el razonamiento montono y no montono
montono, si los hechos de las reglas siempre tienen el
mismo valor en la sesin de consulta
no montono, si se permite variar los valores de los
hechos de las reglas durante la sesin de consulta; es

43

complejo esto porque se debe controlar si varia un

valor hacerlo tambin en sus derivados
Encadenamiento hacia adelante
en esta estrategia se diferencian claramente la
memoria de trabajo y la de la base del conocimiento,
en memoria de trabajo esta los datos que surgen en la
consulta, y en la base del conocimiento las reglas
estos dos tipo de informacin son comparados, que sus
resultados de esto pasan a incrementar el
conocimiento
esta estrategia se utiliza en problemas orientados a los
datos o de diagnostico, en donde se tiene unos hechos
(sntomas) y se quiere saber cuales son las
conclusiones (enfermedades) que pueden derivarse de
ellos
(grfico de encadenamiento hacia adelante pag 54)

Encadenamiento hacia atrs

esta estrategia se utiliza en problemas orientados al

objetivo (enfermedades), en donde se quiere saber que

hechos (sntomas) son necesarios para conseguirlos
(grfico de encadenamiento hacia atrs pag 53)

Temas Avanzados
Lenguaje Lisp
Lenguaje Prolog
Lenguaje Natural
Robtica
Redes Neuronales
MAS (sistemas multiagentes)
A-life
44

El aprendizaje (formas de aprendizaje de la maquina, por

experiencia, por retroalimentacin, por esfuerzo,
parametrico, estructural, etc.)
La percepcin (forma de obtener informacin relacionada
con el mundo que nos rodea (sensores))
La planificacin (planificacin de acciones y luego
ponerlos en practica)
El razonamiento (formas de razonamiento lgico,
razonamiento probabilistico, etc.)
Juegos inteligentes

45