PDF de programación - Introducción a la Inteligencia Artificial (IA)

Introducción a

la Inteligencia Artificial

(IA)

1

1

Introducción

(cid:122) J.McCarthy: “It is the science and engineering

of making intelligent machines, especially
intelligent computer programs […] using
computers to understand human intelligence”
» Entender y construir agentes inteligentes
» Ver:

http://www.aaai.org/AITopics/html/reference.html#on
line

(cid:122) Orígenes

» Desde la antigüedad: estudio de la memoria, el

aprendizaje, el razonamiento, etc.

» Aproximaciones a la IA con la 2ª Guerra Mundial.
» Denominación Inteligencia Artificial: J. McCarthy en
conferencia Dartmouth de 1956 J. McCarthy, M. L.
Minsky, N. Rochester, and C.E. Shannon.

(cid:122) Disciplinas relacionadas con Inteligencia

Artificial:
» Percepción (visión, PLN), razonamiento lógico,

resolución de problemas, demostración automática,
aprendizaje, representación de conocimiento, etc.

2

2

Historia de la IA, I

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

» Neuronas artificiales. McCulloch y Pitts (1943).
» Programas de ajedrez. Shannon y Turing (1951).

Leonardo Torres Quevedo (1914).
» General Problem Solver (Puzzles).
» Geometry Theorem Prover. IBM, 1959.
» LISP. Creado por John McCarthy en 1958. MIT.
» Algoritmo de resolución de Robinson (1965).
» Mundo de bloques:

– Visión.
– Propagación de Restricciones.
– Lenguaje Natural.
– Planificación.

3

3

Historia de la IA, II

(cid:122) Entusiasmo (1952-1969)

» M.Minsky: Búsqueda heurística. Aprendizaje (1968)
» T.Winograd: Comprensión de LN (1972)
» P.Winston: Mundo de bloques (1970/75)

(cid:122) Realismo (1966-1974)

» Intratabilidad computacional de las soluciones
» Sistemas basados en el conocimiento (1969-1979).

– DENDRAL (1969): Buchanan et al. Estructura molecular.
– SHRDLU (1971): Winograd.
– MYCIN (1974): Buchanan et al. Diagnóstico médico.

Incertidumbre.

(cid:122) IA moderna

» IA en la industria (1980-1988).

– Sistemas Expertos comerciales (década de los 90)
– Minería de datos (década de los 90).

(cid:122) Recuperación de Información (Salton, Spärk-Jones).

» Redes neuronales

– Explotación de métodos teóricos de mediados de siglo.

(cid:122) Mecánica estadística (Hopfield), modelos de memoria

de Rummelhart, redes topológicas (Kohonen).

» Aprendizaje Automático
» Representación del conocimiento. Tecnologías.

– Redes Bayesianas (Pearl 1988)
– Agentes (SOAR Newell et al. 1987)
– Inteligencia distribuida / colectiva, Redes Sociales, Web

Crawling, , Robots (mascotas, autónomos (DARPA)),
domótica, etc.

4

4

Campos relacionados con

IA, I

(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”.

5

5

Campos relacionados con

IA, II

» 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

6

6

Propósito de la IA

PENSAR
como

SER
HUMANO
2.
Máquinas con
mente

ACTUAR
como

1.
Androides

SER
RACIONAL
3.
Modelos para
procesos
naturales
4.
Diseño de
máquinas con
comportamient
o inteligente

7

7

Definición de IA, I

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

hombre.
» Test de Turing. Computing machinery and

intelligence, Mind, 59, 433:460, 1950.

» Comportamiento inteligente

– Incapacidad de diferenciar entre respuestas del

ordenador y repuestas humanas.

– Supone:

(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.

– Supone:

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

8

8

Definición de IA, II

(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.

9

9

Definición de IA, III

(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.

10

10

Definición de IA, IV

(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.

11

11

Agentes, I

(cid:122) Agente: percepción + actuación.

» Agente racional: persigue éxito en sus

objetivos

» Ejemplos de agentes racionales:

descripciones PAGE
– 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

12

12

Agentes, II

– 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

13

13

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)

14

14

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).
15

15

Agente reflejo simple

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

para cualquier secuencia de 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

16

16

Un agente reflejo con

estado

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

(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

17

17

Otros agentes

(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”, per