PDF de programación - Introducción a la Inteligencia Artificial

Introducción a

la Inteligencia Artificial

Introducción

(cid:122) Entender (construir) agentes

inteligentes.

(cid:122) Origen del nombre: 1956. Iniciada por

uso de ordenadores.
» Aunque durante más de 2000 años los

filósofos estudiaron: memoria, aprendizaje,
razonamiento, etc.

(cid:122) Disciplinas relacionadas con

Inteligencia Artificial (IA):
» Percepción, Razonamiento lógico,

Resolución de Problemas, Demostración
de Teoremas, Diagnósticos de
Enfermedades, Ajedrez, etc.

1

2

1

Definición de IA, I

Definición de IA, II

(cid:122) 1) Sistemas que actúan como el

hombre.
» Test de Turing (1950). Comportamiento

inteligente.
– Incapacidad de diferenciar entre respuestas del

ordenador y repuestas humanas.

– Supondría:

(cid:122) Procesamiento del Lenguaje Natural.
(cid:122) Representación del Conocimiento.
(cid:122) Razonamiento Automático.
(cid:122) Aprendizaje Automático.

» Test total de Turing.

– Se permitiría interacción física entre persona y

ordenador.
– Supondría:

(cid:122) Visión (para percibir objetos).
(cid:122) Robótica (para mover objetos).

3

(cid:122) 2) Sistemas que piensan como el

hombre.
» Teorías de funcionamiento de la mente

humana:
– Campos de visión
– Lenguaje Natural
– Aprendizaje

» Se buscan modelos de IA compatibles con

técnicas experimentales en Psicología.

4

2

Definición de IA, III

Definición de IA, IV

(cid:122) 3) Sistemas que piensan

racionalmente.
» Desarrollo de Lógica Formal a finales del

siglo XIX y principios del XX.

» trata de crear sistemas inteligentes

utilizando la Lógica Formal.
– Del estilo de los silogismos de Aristóteles:

(cid:122) “Sócrates es un hombre.
(cid:122) Todos los hombres son mortales,
(cid:122) luego Sócrates es mortal”

» Hacia 1965, había programas que

resolvían problemas formulados en Lógica
(supuestos memoria y tiempos suficientes).

» Inconvenientes:

– Necesaria una representación del conocimiento

informal (o difuso). Uso de probabilidades.

– Explosión combinatoria de posibilidades.

5

(cid:122) 4) Sistemas que actúan racionalmente.

» Uso de agentes: percepción + actuación.
» Se necesita resolver situaciones, que el

pensamiento racional no puede por sí solo
hacer:
– Acciones reflejas: “retirar la mano del fuego”.

» El estudio de IA como agentes racionales

tiene dos ventajas:
– Es más general que el “pensamiento racional”.
– Es más cercano al método científico que el
comportamiento y el pensamiento humanos.

6

3

Campos relacionados con

IA, I

Campos relacionados con

IA, II

(cid:122) Filosofía (desde 428 a.C.).

» Teorías de razonamiento, aprendizaje, etc
» Platón, Sócrates, Aristóteles
» Descartes (s. XVI). Distinción entre “mente” y

“materia”.

» Leibniz (s. XVII). Materialismo.
» Francis Bacon (s. XVI). Empirismo.
» Bertran Russell (s. XIX). Positivismo lógico.

(cid:122) Matemáticas (desde 800).

» Teorías formales de Lógica, Probabilidad, Teoría de

la Decisión.

» Noción de algoritmo de Al-khowarazmi (matemático

árabe, s. IX)
» Boole (1815)
» Frege (1848). Lógica de primer orden.
» Hilbert (1862). En 1900, presentó “23 problemas

para el siglo XX”.

» Gödel (1906).

– Teorema de incompletitud (1931).

(cid:122) En Lógica de Primer Orden con aritmética

inductiva hay fórmulas ciertas no
demostrables.
(cid:122) Psicología (desde 1879).

» Teorías para estudiar la mente. Psicología cognitiva.
– Craik (1943). Etapas de un agente basado en el

conocimiento:

(cid:122) Transformación del estímulo a una

representación interna.

(cid:122) Derivación de las representaciones internas.
(cid:122) Traducción de las representaciones internas

a acciones.

(cid:122) Lingüística (desde 1957).

– Teorías acerca de la estructura y significado del

lenguaje.

(cid:122) Informática (desde 1940).

– Herramientas para hacer realidad IA

7

8

4

Historia de la IA, I

Historia de la IA, II

(cid:122) Gestación de la IA (1943-1956).

» Neuronas artificiales. McCulloch y Pitts (1943).
» Programas de ajedrez. Shannon y Turing (1951).
» Nombre IA (1956). John McCarthy en un “workshop”

en Dartmout.

» General Problem Solver (puzzles).
» Geometry Theorem Prover. IBM, 1959.
» LISP. Creado por John McCarthy en 1958. MIT.
» Algoritmo de resolución de Robinson (1965).
» Algunos problemas se atacan desde muchos puntos

de vista (como el “mundo de bloques”):

– Visión. Propagación de Restricciones. Lenguaje

Natural. Planificación.

(cid:122) Entusiasmo (1952-1969).
(cid:122) Realismo (1966-1974).

» El algoritmo de resolución produce una explosión

combinatoria al tratar muchos axiomas.

» Traducción automática es difícil.

(cid:122) Sistemas basados en el conocimiento (1969-1979).

– Nuevas expectativas.
– Programa DENDRAL (1969). Obtiene una

fórmula molecular a partir de su fórmula
elemental y del bombardeo con electrones.
– Sistemas expertos. Aplicación a diagnosis

médica.

(cid:122) IA se relaciona con la industria (1980-1988).
(cid:122) Recientemente (desde 1987).

» Reconocimiento de habla. Planificación.

9

10

Agentes, I

Agentes, II

(cid:122) Agente: percepción + actuación.

» Agente racional: persigue éxito en sus

objetivos

» Ejemplos de agentes racionales:

– Sistema de diagnosis médicas.

(cid:122) Percepciones: síntomas, respuestas

pacientes

(cid:122) Acciones: tratamientos, pruebas, preguntas
(cid:122) Objetivos: la salud del paciente,

minimización de costes

(cid:122) Entorno: el paciente, el hospital

– Controlador de una refinería.

(cid:122) Percepciones: temperatura, presión
(cid:122) Acciones: abrir, cerrar válvulas, ajustar

temperatura

(cid:122) Objetivos: maximizar la pureza, seguridad
(cid:122) Entorno: una refinería

– Un tutor interactivo de inglés.

(cid:122) Percepciones: palabras escritas
(cid:122) Acciones: crear ejercicios,
sugerencias, correcciones
(cid:122) Objetivos: maximizar las
calificaciones del alumno

(cid:122) Entorno: un conjunto de estudiantes

– Un taxista automático.

(cid:122) Percepciones: cámaras, velocímetro,

micrófono

(cid:122) Acciones: mover el volante, acelerar,

frenar, hablar al pasajero

(cid:122) Objetivo: seguridad, rapidez,

legalidad, comodidad

(cid:122) Entorno: carreteras, autopistas

11

12

5

6

Agente simple

(cid:122) Algoritmo:

función agente-simple (percepción)
“return” una acción

;;;;; variable global

memoria
memoria = actualiza-memoria(memoria, percepción)
acción = elige-mejor-acción(memoria)
memoria = actualiza-memoria (memoria, acción)
“return” acción

(cid:122) Observaciones:

» Se debería mantener una secuencia de

percepciones en memoria (no siempre es
posible)

» Se deberían tener criterios externos de
éxito (la medida del desempeño no es
parte de la descripción del agente)

13

Agente de búsqueda en

tablas

(cid:122) Implementa un mapa ideal de comportamiento
(cid:122) Dificultad en conseguir que el agente razone
(cid:122) Algoritmo:

función agente-de-búsqueda-en-tablas (percepción)
“return” una acción

;;;;;;;;;;;;;
percepciones
tabla

variables globales
;lista inicialmente vacía
;indexada por lista de
percepciones

añade-percepción-al-final-de-

percepciones(percepción, percepciones)

acción = busca(percepciones, tabla)
“return” acción

(cid:122) Inconvenientes:

» Tabla enorme (y difícil de generar).
» Agente sin autonomía (si el entorno

cambia, la tabla también debería hacerlo).
14

Agente reflejo simple

Un agente reflejo con

estado

(cid:122) Es imposible construir una tabla de búsqueda

para cualquier secuencia de percepciones.

(cid:122) Se mantiene un estado del mundo
(configurado por las percepciones).

(cid:122) Incorporan el uso de reglas:

» Si “coche-de-enfrente-frena” entonces “frenar”

– (resume información y especifica comportamiento)

(cid:122) Algoritmo:

función agente-reflejo-simple (percepción)
“return” una acción

;;;;; variable global

reglas
;;; se genera descripción abstracta de la percepción
estado = interpreta (percepción)
;;; selecciona regla que cumple descripción estado
regla = selecciona-regla (estado, reglas)
acción=aplica-regla(regla)
“return” acción

(cid:122) El uso de reglas ayuda en la toma de

decisiones del agente

(cid:122) Algoritmo:

funcion agente-reflejo-con-estado (percepción)
“returns” una acción

;;;variables globales

estado, reglas
;;; se actualiza la descripción interna del estado que
;;; mantiene el agente
estado = actualiza-estado (estado, percepción)
regla = selecciona-regla (estado, reglas)
acción=aplica-regla(regla)
estado = actualiza-estado (estado, acción)
“return” acción

15

16

7

8

Otros agentes

Tipos de entorno

(cid:122) Agente basado en el objetivo

» La información del objetivo es relevante
» Combinación de información sobre objetivo con

información de sus posibles acciones

– Ejemplo: En una intersección, es posible “izquierda”,

“derecha” o “recto”, pero importa el objetivo (no es
únicamente un agente reflejo).

» Búsqueda y Planificación (campos de IA).

– Caso simple: Acción implica objetivo
– Caso complejo: Varias acciones implican objetivo

(cid:122) Agentes basados en utilidad:

» Utilidad(estado)=grado de preferencia o satisfacción

(cid:122) Episódico/no-episódico

(cid:122) Accesible/no-accesible:

» ¿el agente tiene acceso al estado completo del

entorno?

– Si: no necesita mantener un estado interno del

mundo. Uso de sensores. (aspiradora)

– No: (8- puzzle)

(cid:122) Determinista/no-determinista:

» ¿el estado siguiente del entorno está

completamente determinado por el estado actual y
la cadena de acciones elegidas por el agente?

– (D: 8- puzzle; ND: control refinería)

» Episodios: procesos percepción-acción

independientes en el tiempo

– (E: robot selector de componentes; NE: ajedrez)

(cid:122) Estático/dinámico/semidinámico:

» ¿el entorno puede cambiar mientras el agente

decide?

– Semidinámico: estático + penalización por retraso en

la toma de decisión (ajedrez, análisis imágenes)

(cid:122) Discreto/continuo

» ¿número finito