IA

Unidad I: Introduccin.
Concepto de Inteligencia Artificial Es la ciencia e ingeniera de investigar y construir maquinas que hagan cosas que requieren de inteligencia hechas por las personas Ciencia que estudia el comportamiento inteligente, a fin de formular una Teora de la Inteligencia que explique la conducta de seres naturalmente inteligentes, que gue la creacin de seres artificiales capaces de manifestar dicho proceder inteligente (Gmez et al., 1997) Dificultades para definirla: Existe una dificultad para definir la IA ya que resulta difcil entender y explicar la naturaleza de la inteligencia y el aprendizaje. Tambin se desconoce si existen mecanismos o procesos bsicos comunes en los comportamientos inteligentes, o si el conocimiento que se tiene es suficiente para reproducir artificialmente a la inteligencia. 1) La tendenciosidad (fin subjetivo) con que se trata el concepto de inteligencia. 2) La dificultad de admitir la cuantificacin de la inteligencia. 3) Una vez que se programa una funcin mental, la gente pronto deja de verla como un pensamiento real. 4) Todo comportamiento inteligente necesita conocimiento previo (ya sea innato o adquirido). IA ciencia e IA ingeniera. IA como ciencia estudia la mente. IA como ingeniera es una ciencia que estudia el comportamiento inteligente, a fin de formular una Teora de la Inteligencia que explique la conducta de seres naturalmente inteligentes, que gue la creacin de seres artificiales capaces de manifestar dicho proceder inteligente. IA como ingeniera construye maquinas inteligentes. La IA como ingeniera trata de construir artefactos que tengan una conducta inteligente, tiene como meta de trabajo construir sistemas reales que funcionen y desarrollen las funciones que realizan los seres inteligentes. Antecedentes histricos: En 1943 se publicaron 3 artculos tericos relativos a lo que ahora se denomina ciberntica. En el primero se sugera distintas formas de otorgar fines y propsitos a las maquinas, en el segundo, se puso de manifiesto de que modo las maquinas podan emplear conceptos de lgica y abstraccin y demostr como cualquier ley de entrada-salida poda modelizarse con una red neural. El ultimo, propuso que las maquinas empleasen modelos y analogas en la resolucin de problemas. Estas ideas no se pusieron en practica hasta mediados de los 50, en los que el nivel de capacidad y flexibilidad de las computadoras permitieron la programacin de procesos de tal complejidad. A mediados de 1.956, un grupo de investigadores se reuni en Darmouth para discutir la posibilidad de construir mquinas genuinamente inteligentes. En ese ao dieron lugar a la aparicin de ese dominio de conocimiento acadmico y cientficamente reconocido como Inteligencia Artificial bautizado por McCarthy. Despus de esta reunin c/u sigui con trabajos independientes y as definieron dos escuelas que hoy en da constituyen los dos enfoques que imperan en la I.A.: el modo de simulacin y el de ejecucin. En el primer modo sus representantes (Newell y Simon) pretenden emular el cerebro, incluida su estructura. En el segundo, sus integrantes (McCarthy y Minsky) buscan crear sistemas cuyo comportamiento sea tal que, si lo llevase a cabo una persona sera considerada inteligente. Ambos enfoques son necesarios debido a que el primero

con es estudio y desarrollo de sistemas inteligentes con simuladores, da la oportunidad de alcanzar nuevos niveles de complejidad en las teoras del conocimiento. Principales campos de aplicacin: tradicionales y novedosos. Tareas de percepcin visual. Reconocimiento de lenguaje natural (habla, escritura, traduccin, ). Control de robots. Juegos (ajedrez, backgammon, damas,). Ingeniera (diseo, deteccin de fallos, planificacin de manufacturacin,). Sistemas expertos: (deduccin basada en reglas) conocimiento como un conjunto de re reglas simples, para guiar el dialogo y deducir conclusiones. Demostracin automtica de teoremas Programacin automtica: programador y programa actan de manera determinada Anlisis cientficos (matemticas, geometra, lgica, clculo, demostracin de propiedades, ). Medicina (diagnsticos, asesoramientos,...). Anlisis financieros. Otros. Inteligencia humana: caractersticas del comportamiento inteligente y facultades de un ser inteligente. Caractersticas (comportamiento inteligente): No est condicionado por mecanismos innatos. Las situaciones nuevas se dominan sin necesidad de aplicar mecanismos de pruebaerror. La consideracin de situaciones e interrelaciones para hallar la solucin a un problema se realizan a nivel de operaciones mentales.

Facultades de un ser inteligente: Comunicacin: pueden encontrar significado en mensajes ambiguos y aun contradictorios. Conocimiento interno: conocen acerca de si mismos, por ejemplo, saben cuando necesitan algo, o lo que piensan de algo. Conocimiento del entorno: saben encontrar y utilizar informacin del mundo exterior, saben cmo utilizar experiencias pasadas. Intencionalidad: el comportamiento est dirigido por metas saben que quieren y crean un plan para conseguirlo. Creatividad: implica usar conocimiento y habilidades de una manera nueva e inesperada, implica descubrimiento e invencin. Utilizacin de smbolos: saben decodificar mensajes verbales, visuales, etc., a fin de obtener un contenido. Razonamiento e Inferencia: son capaces de resolver problemas a partir de informacin incierta e incompleta. Razonar es la capacidad de derivar inferencias.

Interaccin con el entorno: presentan una intensa interaccin con su medio exterior.

PENSA EJEMPLOS QUE TENGAN O SEAN APLICACIONES Q SE CONSIDEREN INTELIGENTES

Unidad II: El problema y su representacin.

Definicin de problema Una persona se enfrenta a un problema cuando desea algo y no conoce inmediatamente que accin, o serie de acciones, debe ejecutar para conseguirlo (Pazos Sierra). Ej: realizar un juego, demostrar un teorema, realizar un algoritmo. Condiciones que dan existencia a un problema: Debe existir al menos un individuo (hombre o mquina) a quien atribuirle el problema. El individuo debe tener al menos dos cursos de accin alternativos (debe poder seleccionar un comportamiento). Debe haber al menos dos resultados posibles de su seleccin y uno de ellos con mayor aceptacin (debe existir al menos un objetivo). La eleccin de una solucin debe repercutir de diferente forma (medida en eficiencia y/o efectividad). El individuo ignora cul es el mejor curso de accin pero desea conocerlo.

Complejidad (condiciones que aumentan la complejidad). No recae en un individuo sino en un grupo. El entorno es dinmico y los cambios afectan la efectividad de los cursos de accin. El nmero de los cursos de accin alternativos aunque finito es muy grande. Las metas pueden ser mltiples y hasta incompatibles. Las acciones son ejecutadas por otro grupo ajeno al problema. Las decisiones tomadas afectan a otros grupos que pueden reaccionar bien o mal.

Formulacin del Problema Definicin formal (E, O, M) E: representa conjunto de expresiones que se suponen estn presentes en el dominio del problema desde el principio. El problema implica expresiones de informacin. E engloba expresiones representando: tanto objetos, piezas de material suposiciones, axiomas, definiciones, hechos, etc. O: en los problemas orientados a la accin, es el conjunto de todas las operaciones y transformaciones permitidas a efectuar sobre E. En problemas de extraccin de conclusiones se llaman reglas de inferencia. Existen 2 tipos de O: las destructivas y las constructivas.

M: es la expresin terminal cuya existencia se desea conseguir en el dominio del problema. Aunque en principio puede existir un problema con varias metas, este siempre podra verse como varios problemas, tantos como metas, con los mismos E y O.

Pasos para definir formalmente un problema: Definir el ambiente del problema. Espacio de estados. Definir los estados iniciales a partir de los que se implementar la bsqueda. Definir los estados objetivos, condiciones de fin de bsqueda. Definir el conjunto de operadores, reglas y condiciones de aplicacin.

Caractersticas Intrnsecas de los Problema Descomposicin: (descomposicin de problemas en conjuntos de subproblemas independientes menores o mas fciles de resolver). Usando esta tcnica de descomposicin de problemas, problemas muy grandes y/o complejos pueden ser fcilmente resueltos. Reversibilidad: Puedo ignorar o deshacer lo ejecutado? Hay casos en que es posible la recuperacin ante errores, es decir el problema es reversible, efectuando acciones adicionales. o Ignorable: En los que los pasos dados hacia la solucin pueden ignorarse. Por ejemplo, para deshacer un lema intil para la demostracin de un teorema no se necesitan acciones adicionales. o Recuperables: Pueden deshacerse pasos dados hacia la solucin, consumiendo recursos. Por ej. el caso del 8 puzzle se debe guardar el orden en que se efectuaron las operaciones y que operaciones se pueden deshacer si fuera necesario. o Irrecuperable: No pueden deshacerse pasos dados hacia la solucin. Por ej. en el ajedrez, si el programa hace un mal movimiento y se da cuenta de esto mas tarde, lo que debe hacer es intentar jugar lo mejor posible a partir de la situacin actual Determinismo / UNIVERSO: Se conocen las consecuencias exactas de la ejecucin de cada accin? (consecuencia cierta, consecuencia incierta) Bondad de la solucin: la solucin es absoluta o relativa?(alguna solucin, mejor solucin) Solucin meta /Solucin estado: la solucin es ruta o meta? (busco un camino, busco un estado)

FALTA Cuando un problema se vuelve complejo?? Definicin de Representacin: estructura + proceso de interpretacin Criterios de evaluacin: Transparencia = fcil identificacin del conocimiento? Claridad = representacin directa del conocimiento? Naturalidad = representacin similar a lo original? Eficiencia = fcil acceso? Adecuacin = representa todo lo necesario? Representacin de un problema: estructura de datos que contiene al problema en una forma que hace posible su solucin (Borrajo et al., 1999) rbol de espacio de estados: definicin y pautas de construccin. Es la estructura que se construye partiendo desde un estado inicial cualquiera, sobre el que se aplican todas las combinaciones de operaciones vlidas. Pautas de construccin: No deben generarse ciclos. No todos los nodos hojas del rbol son estados objetivos. Puede existir ms de una rama que conduzca a la meta.

Los nodos objetivos pueden aparecer a diferentes niveles. Los rboles poseen distintos factores de ramificacin.

Pasos para la construccin: Se parte de un nodo raz que representa el estado inicial o condiciones de inicio del problema. Luego de l se desprenden nuevos estados a los que se arriba a travs de la aplicacin de los operadores vlidos. El paso anterior se repite para cada uno de los nodos generados, generndose el rbol de estados. Esta iteracin termina cuando todos los estados metas o estados finales son generados.

Tipos de representaciones: redes semnticas, marcos, guiones y sistemas de produccin. Definicin, caractersticas y ejemplos. Red Semntica: Es una representacin grfica conformada por nodos que denotan objetos y enlaces que representan relaciones entre objetos. o Caractersticas: Razonamiento: Se produce de manera directa a travs de los enlaces entre conceptos. Problema: Razonamientos incorrectos. Ejemplo:
PUEDE

Caminar Willy Ballena

ES-UN ES-UN

Mamfero
ES-UN

ES-UN

Mono

Alex

Razonamiento correcto Alex puede caminar

Razonamiento incorrecto Willy puede caminar

Marcos: Consiste en una serie de ranuras donde cada uno de ellas representa una propiedad o atributo del objeto definido a travs del marco. o Caractersticas: Razonamiento: Se produce de manera directa a travs de la herencia y de la equiparacin de marcos. Problema: Definicin de valores por defecto en ranuras. o Ejemplo:
MUEBLE Material:[madera, metal] Color:[marrn, negro, azul, rojo] Altura mxima: 2 metros SILLA-ma Material: madera Color: si-necesito (preg-color) Patas: 4 Apoyabrazos: 0

Subclase

SILLA Altura mxima: 1 metro Patas: [1..4] Apoyabrazos:[0,2] Utilidad: asiento

Instancia

Guiones: Es una estructura que representa una serie de sucesos estndares, es decir denota una secuencia de acciones. o Caractersticas: Razonamiento: Se produce de manera directa a travs de la seleccin del guin ms apropiado. Problema: Situaciones imprevistas. o Ejemplo: Guin: Atencin-biblioteca Roles: Alumno, Bibliotecario Estado inicial: Bibliotecario en mostrador Alumno ingresando a Biblioteca Estado final: Alumno se retira con libro Escena 1: Alumno pide libro * Alumno saluda a Bibliotecario * Alumno solicita libro * Bibliotecario busca libro en biblioteca Escena 2: Bibliotecario entrega libro * Bibliotecario regresa con libro * Bibliotecario entrega libro al Alumno * Alumno se retira con libro

Reglas de produccin: Son estructuras que poseen un lado izquierdo (parte condicional) denominado antecedente, y un lado derecho (parte de accin) denominado consecuente IF (condicin/es) THEN (accin/es) o Caractersticas: Razonamiento: Se produce a travs de la equiparacin y del encadenamiento de reglas. Problema: Ejemplo: IF nota < 6 AND asistencia < 0.70 THEN reprobado IS TRUE IF reprobado IS TRUE AND asistencia-recuperatorio IS ausente THEN condicin-alumno IS libre

FALTA De cada uno de los formas de representacin cuales son los problemas o inconvenientes q tiene cada una de ellas, como se soluciona, cuando y en q tipo de problema son aconsejable utilizar c/u Mtodos de Bsqueda (aplicados a problemas de bsqueda) QUE SON, COMO SE UTILIZAN O APLICAN, VENTAJAS Y DESVENTAJAS DE C/U Problema Ejemplo

Una persona debe viajar desde la ciudad S a la ciudad G pero desconoce la ruta a seguir para lograr su objetivo.

Se desea trayectoria que con uno final: Solucin factible) Aplicar mtodos de bsqueda.

encontrar una vincule un nodo inicial obvia (no siempre es explorar todas las trayectorias posibles.

Clasificacin: Mtodos no informados / Dbiles o ciegos: o Amplitud: Se elige la primera alternativa (por convencin la de ms a la izquierda) y se explotan los nodos hacia derecha, respetando el nivel, hasta alcanzar la meta o hasta que ya no sea posible expandir ms nodos.

Profundidad: Se elige la primera alternativa (por convencin la de ms a la izquierda) y se sigue hacia abajo hasta alcanzar la meta o hasta que ya no sea posible expandir ms nodos. En este ltimo caso se reinicia la bsqueda en el antecesor ms cercano que posea hijos sin explorar.

Mtodos heursticos / Fuertes o Informados: o Ascenso en colina: Se procede como en la bsqueda en profundidad pero considerando para explotar aquel nodo que de acuerdo con la informacin adicional resulte ser el ms prometedor en esa rama y nivel. El procedimiento contina hasta alcanzar la meta o hasta que ya no sea posible expandir ms nodos. En este ltimo caso se procede de igual manera con el segundo nodo ms prometedor de la misma rama y nivel.

En Haz: Se procede como en la bsqueda en profundidad pero considerando para explotar los w nodos que de acuerdo con la informacin adicional resulten ser los ms prometedores en esa rama y nivel. El procedimiento contina hasta alcanzar la meta o hasta que ya no sea posible expandir ms nodos. En este ltimo caso se reemplaza el nodo por el siguiente mejor considerando la misma rama y nivel.

Primero el Mejor: La bsqueda se efecta desde el mejor nodo an no explotado, sin interesar su ubicacin dentro del rbol parcialmente desarrollado, es decir, sin considerar su posicin en rama o nivel.

Unidad III: Ingeniera del conocimiento.

Ingeniera del conocimiento. Se puede definir la Ingeniera del Conocimiento como el conjunto de principios, mtodos y herramientas que permiten aplicar el saber cientfico y de experiencia a la utilizacin de los conocimientos y de sus fuentes, mediante invenciones o construcciones tiles para el hombre. La INCO encara el problema de construir sistemas computacionales con pericia, aspirando primero a adquirir los conocimientos de distintas fuentes y, en particular, a educir los conocimientos de los expertos y luego a organizarlos en una implementacin efectiva. Sistemas basados en conocimiento La principal caracterstica de los SBC es el cuerpo de conocimientos que acumula durante la Construccin del sistema. Estos conocimientos son explcitos y estn organizados para simplificar la toma de decisiones. Un sistema basado en conocimiento es un sistema computarizado capaz de resolver problemas en el dominio en el cual posee conocimiento especfico. Decimos que un programa de computacin est basado en conocimiento cuando el conocimiento que utiliza est expresado en una forma directamente comprensible por nosotros, y adems, el conocimiento as expresado juega un papel formal, pero causal y esencial en el comportamiento del programa. Esto es porque est expresado de una forma comprensible por nosotros. Los problemas fundamentales en la construccin de Sistemas basados en conocimientos son: La adquisicin de los conocimientos : cmo trasladar los conocimientos humanos, tal y como existen corrientemente en los textos y las mentes de los expertos en un dominio, a una representacin abstracta efectiva, denominada conceptualizacin La representacin de los conocimientos: es decir, cmo representar los conocimientos en trminos de estructuras de informacin que una maquina pueda procesar. La generacin de inferencias: lo que equivale a decir como hacer uso de esas estructuras abstractas de informacin para generar informacin til en el contexto de un caso especfico. Definicin de Sistemas Expertos (SE) Un sistema experto es un programa de computacin basado en conocimiento que emula a un experto humano en la resolucin de problema significativo en un dominio especfico. Tipos de conocimiento involucrado Llamamos experto a alguien que tiene una gran cantidad de conocimiento que le permite resolver ciertos problemas de manera ms eficaz que la mayora de las personas. Este conocimiento es generalmente de os tipos: pblico y privado. El conocimiento pblico incluye las definiciones, hechos y teoras que podemos encontrar normalmente en los libros de textos y manuales de la especialidad. Pero los expertos poseen fundamentalmente conocimiento privado que no se encuentra en la literatura publicada. El conocimiento privado, es lo que permite al experto resolver problemas, reconocer rpidamente cual es el enfoque ms apropiado para encararlos, manejarse efectivamente con datos incompletos e inexactos o planos de errores. Es el que se adquiere principalmente con la experiencia. Comprender, adquirir y reproducir este tipo de conocimiento es la tarea central en la construccin de sistemas expertos. Personas involucradas en la construccin de un SE. Los sistemas expertos son construidos por equipos en los que colaboran expertos del dominio e ingenieros del conocimiento. Una vez construidos son consultados por los usuarios y se interrelacionan con otros sistemas y otras fuentes o destinos de datos.

En el desarrollo de un sistema experto juega un papel central el experto del dominio. En principio, podemos decir que si no existe experto humano no podemos construir un sistema experto. Los sistemas expertos no crean conocimiento, lo encapsulan y vuelven reutilizable. El ingeniero del conocimiento es un profesional dedicado a una nueva disciplina cuyo objeto es ayudar al experto humano a comprender el conocimiento que realmente utiliza para resolver un problema, y encontrar una adecuada representacin formal de este conocimiento, para construir un sistema experto. Reglas de produccin: Definicin, tipos de encadenamiento de reglas, conflictos y resolucin de los mismos, ejemplos. Definicin: Una regla consiste de una condicin de activacin y una accin, por lo que estas reglas renen informacin relativa a las condiciones de disparo y a los efectos resultantes del disparo. Son llamadas Reglas de Produccin o tambin Reglas de Inferencia. Las reglas de produccin son del tipo: SI Premisa ENTONCES Conclusin (SI A ENTONCES B). Donde tanto las premisas como la conclusin, no son ms que una cadena de hechos conectados por Y o por O. Tipos de encadenamiento posibles para las reglas de produccin. Existen dos tipos de encadenamientos posibles: hacia adelante y hacia atrs: Cuando el encadenamiento es hacia adelante el encadenador de reglas parte de los datos suministrados por el usuario, que almacena en la memoria de trabajo, determina para cuales reglas son verdaderos todos los antecedentes, obtiene entonces como conclusin el consecuente de una o todas estas reglas, agrega esta conclusin a la memoria de trabajo, y reinicia el ciclo. En algn momento eventualmente se obtienen como conclusin los valores de las expresiones que constituyen el objetivo, entonces el sistema termina su trabajo indicando las conclusiones a las que ha llegado. Tambin puede suceder que sin obtener estos valores el sistema no pueda seguir trabajando porque no hay nuevas reglas para activar, entonces termina indicando que no tiene informacin suficiente para cumplir con su objetivo en este caso particular. Cuando el encadenamiento es hacia atrs el encadenador de reglas parte del objetivo, determina cuales reglas concluyen una respuesta para el mismo, elige de alguna manera alguna de estas reglas, procura ahora de la misma forma determinar el valor de cada uno de sus antecedentes, si fracasa en la determinacin del valor de algn antecedente o el valor que obtiene no es el requerido por la regla recomienza el anlisis con otra reglas que tenga el mismo consecuente. Eventualmente en algn momento encuentra alguna regla que le indica que debe solicitar datos al usuario, en este caso lo hace y los almacena en la memoria de trabajo.

Ejemplo de razonamiento que aplica encadenamiento hacia Adelante. Ejercer ciudadana Mayor de edad Nativo No tener antecedentes

Postulable

Voluntad

Postulacin

Ganar eleccin Diputado

Ejemplo de razonamiento que aplica encadenamiento hacia Atrs.

Diputado

Postulacin

Ganar eleccin

Ejercer ciudadana

Postulable Mayor de edad

Voluntad Nativo No tener antecedentes

Conflictos y resolucin de las reglas de produccin. (Ver parte 2 y 3 de la gola) JAJAJA GRACIAS X LA GOLA JAJAJA Los conflictos surgen ante situaciones en las cuales mas de una regla se puede Para la resolucin de conflictos se aplican Estrategias de control. Estrategias de control: especifican el orden en que las reglas se comparan con la base de datos y la forma de resolver los conflictos que surjan cuando varias reglas pueden ser aplicadas a la vez. Sistemas Expertos vs. Experto Humano Experiencia Natural

Experiencia Artificial

Razones para preferir la experiencia natural o artificial: Los expertos humanos son creativos. El SE La experiencia artificial permanece. La experiencia natu tiende a comportarse de manera rutinaria. es perecedera. Los expertos humanos son capaces de aprender La experiencia artificial es fcil de transferir o y adaptarse a condiciones cambiantes ajustando reproducir. La transferencia de conocimientos de sus estrategias de acuerdo a las nuevas un ser humano a otro es un proceso laborioso, situaciones. Los SSEE no estn adaptados para la lento y caro denominado educcin. adquisicin de nuevos conocimientos, conceptos y La experiencia artificial genera resultados reglas. reproducibles ms consistentes y completos que Los expertos humanos examinan todos los los expertos humanos. Un ser humano puede aspectos de un problema y ven de que manera tomar distintas decisiones ante idnticas estn relacionados con la cuestin principal. Los situaciones. SSEE tienden a centrarse en el propio problema, Un ser humano en una situacin lmite, puede ignorando resultados relevantes para el problema olvidar, por presiones de tiempo o estrs, alguna bsico, pero separados del mismo. regla importante. Un SE no cae en estos errores. Los expertos humanos, y en general los seres humanos poseen sentido comn. Dada la gran La experiencia artificial es fcil de documentar. cantidad de conocimientos de sentido comn Documentar la experiencia es difcil y consume existentes, no hay un modo fcil de incorporarlos tiempo. en un SE. Cuando a un SE se le plantean La experiencia artificial tiene un costo cuestiones que no pueden responder, o para las relativamente reducido. Los expertos humanos se que no existe respuesta, no tiene el sentido comn hacen valer exigiendo honorarios altos. de abandonarlas inmediatamente. Puede La experiencia artificial es ubicua. La escasez y el malgastar mucho tiempo buscando a travs de los costo de los expertos humanos hacen que la datos y reglas una solucin. Cuando no encuentra experiencia este normalmente centralizada y la solucin puede pensar que es debido a que sus consecuentemente no pueda usarse in situ, los conocimientos son incompletos, y pedir SSEE, por su bajo costo y su facilidad de informaciones adicionales para completar la base reproduccin, son ubicuos. de datos.

Sistemas Expertos vs. Sistemas Convencionales Sistemas Convencionales Son producto de la Ingeniera de Software

Sistemas Basados en Conocimientos Son Producto de la Ingeniera del Conocimiento

Segn el tipo de problema al que se aplica: Problemas Sistemticos y procedimentales. Su Problemas heursticos y declarativos. Su materia prima principal son los datos, procesos material de trabajo son los conocimientos y algoritmos. humanos. Se aplican en dominios relacionados con el Se aplican a problemas que requieren de tratamiento eficaz de datos o procesos inteligencia y conocimientos especializados. complicados. Segn las diferencias metodolgicas y estructurales: Se parte de un conjunto casi completo de Los procedimientos y conocimientos especificaciones. Los datos, el funcionamiento necesarios son acervo personal de los esperado y las tcnicas de resolucin se expertos en el dominio de aplicacin, por eso conocen de antemano y, muchas veces estn no pueden especificarse de antemano. documentadas. Se utilizan conocimientos heursticos y se En los problemas de Ingeniera de Software se manipulan smbolos y conceptos. Requieren manejan datos y conocimientos una estructura declarativa, que permita procedimentales. separar los conocimientos expertos de los mecanismos de razonamiento que los manejan. Segn la tcnica de programacin empleada: Son procedimentales, sofisticados, secuenciales y rgidos, y tienden a reflejar ordenadamente el dominio para el cual fueron escritos. Por lo que son deterministas y no poseen redundancias. Los programas tradicionales carecen de la habitual auto-sabidura humana sobre las tcnicas que emplean y por lo tanto, no pueden razonar acerca de, o explicar sus propios mecanismos. Los programas complejos son intiles para codificar experiencia o como medio para comunicarla.

Los SBC son declarativos, elementales, paralelos y flexibles. Los SBC centran su atencin sobre hechos, creencias y/o teoras heursticas.

Arquitectura de un SE: Componentes bsicos, definicin y modo de operacin de cada uno. Componentes bsicos: Memoria de trabajo Base de conocimientos Motor de Inferencias

Activador de Reglas

Trazador de Explicaciones

Motor de Inferencia Aserciones Base de Conocimiento Datos Conclusiones Memoria de Trabajo

Definicin y modo de operacin de cada uno: Memoria de Trabajo: Es cualquier elemento (como notas en hojas de papel o SISTEMA EXPERTO registraciones en su propia memoria) donde el experto acumula informacin vinculada con este problema concreto. Esta vinculada a una consulta concreta, y generalmente no se conserva ms que durante el transcurso de la misma. Por lo general dicha informacin se acumula como (objeto, atributo, valor) por ejemplo (gato, color, blanco). Base de Conocimiento: Es un elemento permanente pero especfico de un sistema experto determinado. Est compuesta de aserciones y reglas, que implementan el conocimiento pblico y privado que el sistema utiliza. En los sistemas basados en reglas el conocimiento se representa a travs de reglas de la forma antecedente (o condiciones) y consecuente (o conclusiones). El formato bsico de una regla es: Si condicin 1 y condicin 2 y...........condicin n Entonces Conclusin 1 y conclusin 2 y......conclusin n Las condiciones llamadas tambin antecedentes de la regla, son todo aquello que debe verificarse para que la regla se dispare. La parte de las conclusiones o acciones, indica lo que va a obtenerse al dispararse la regla. Por lo general implican modificaciones a la memoria de trabajo (agregando, modificando o eliminando elementos). Motor de inferencia: Consiste de un activador de reglas y un trazador de explicaciones. El activador de reglas es el mdulo que encadena las distintas reglas entre s para poder concluir, combinando el conocimiento contenido en la base con los datos que suministra el usuario, los valores que tienen aquellas expresiones que son objetivo del sistema. El encadenamiento puede realizarse hacia adelante o hacia atrs. El trazador de explicaciones es el mdulo que va almacenando en la memoria de trabajo, para cada conclusin registrada, las indicaciones necesarias para poder

Reglas

Explicaciones

explicar como se obtuvo, por ejemplo el rtulo de la regla que permiti hacerlo o la leyenda porque usted me lo dijo. El trazador de explicaciones es tambin el encargado de brindar explicaciones cada vez que el usuario lo requiere. El motor de inferencia cumple tambin otras funciones, como la administracin del dilogo con el usuario. El motor de inferencia efecta en realidad un proceso de tres fases: o Etapa 1: identificar todas las reglas cuyos antecedentes se verifican por el contenido de la memoria de trabajo, conformndose el conjunto conflicto. o Etapa 2: aplicar una estrategia de seleccin que resuelva el conflicto y determine cual es la regla a dispararse. o Etapa 3: disparar la regla seleccionada. Este ciclo, conocido como reconocimiento y accin, se repite hasta obtener el estado objetivo. Sin embargo, puede darse el caso en que el ciclo concluya sin cumplir el objetivo por no contar con informacin suficiente. Razonamiento Inexacto y Factores de Certeza Los datos suministrados por el usuario pueden ser inexactos, tambin lo pueden ser las reglas que utiliza el experto. Una correcta administracin de estas inexactitudes requiere que se pueda calcular el grado de exactitud de cada conclusin en funcin del grado de exactitud de las reglas utilizadas, y de los datos suministrados. Una forma clsica de re representar la exactitud consiste en calificar el grado de certeza de un dato, de una regla o de una conclusin en una escala numrica de - 100 a 100. Aceptando este criterio la utilizacin de una escala numrica para calificar los distintos grados de certeza, llamados en este caso factores de certeza, hay diferentes formas de calcular sus combinaciones y acumulaciones. Si los antecedentes de una regla estn unidos por una conjuncin, el factor de certeza del conjunto de ellos es el mnimo de los FC individuales. Si estn unidos por la disyuncin se puede considerar que el FC del conjunto es el mayor de los FC individuales. Software utilizable para construir un SE. Lenguajes de programacin convencionales: Su principal inconveniente es que todos los elementos del sistema deben desarrollarse partiendo de la nada. Lenguajes de programacin de Inteligencia Artificial: Lisp y Prolog. o LISP: es un lenguaje de programacin simblico que representa y manipula la informacin almacenada en forma de listas. Una lista es una forma sencilla, pero flexible de representar el conocimiento. Permite implementar estructuras de representacin del conocimiento como marcos y redes semnticas. Su principal inconveniente frente a otras herramientas de desarrollo podra radicar en el tiempo de aprendizaje. Es un lenguaje procedural. o PROLOG: Es un lenguaje declarativo. Al disear un programa se da al ordenador un conjunto de hechos y reglas que describen sus relaciones. Prolog incorpora una mquina de inferencias con encadenamiento regresivo. Su estructura es ideal para implementar sistemas expertos. La programacin en este lenguaje es un proceso que consta de dos etapas: en primer lugar se describen hechos que definen los objetos de la base de conocimientos, asignndole caractersticas; en segundo lugar se definen las reglas que establecen las relaciones entre objetos.

Lenguajes de programacin orientada a objetos: Smalltalk, C++, KEE. Los lenguajes basados en objetos son adecuados para el desarrollo de sistemas expertos por su enorme potencial de modelizacin del mundo real. El establecimiento de jerarquas, por un lado, y la descomposicin de sistemas complejos en objetos que se relacionan enviando mensajes, por otro, permite modelar comportamientos inteligentes. Los lenguajes de programacin orientado a objetos son ampliamente utilizados en inteligencia artificial porque: o Reflejan muchas de las ideas del paradigma de representacin del conocimiento basada en marcos, tales como concentrar en una nica estructura de datos, llamada objeto, propiedades relacionadas con la misma entidad separando datos de procedimientos. o Permiten estructurar el conocimiento en jerarquas de conceptos relacionados mediante un mecanismo de herencia o La programacin es muy modular, la modularidad se alcanza mediante los mecanismos de transmisin de mensajes y el encapsulamiento de datos; esto ayuda al prototipaje cuando los requerimientos son desconocidos y las especificaciones incompletas o incorrectas.

Shells Un shell de un sistema experto es un sistema completamente desarrollado, pero con una base de conocimiento vaca. El shell contiene un motor de inferencias, una interfaz de usuario, un dispositivo de explicacin y un dispositivo adecuado para entrar a la base de conocimientos. La mayora de los sistemas expertos se han desarrollado haciendo uso de shells y no de lenguajes, debido a que eliminan la programacin, simplificando de esta forma el proceso de creacin del sistema.

Metodologas de construccin de SE. (Una sola metodologa basta): Definicin de etapas y actividades. Metodologa de Durkin. Fase 1: Asesoramiento: Durante esta etapa se trata de determinar si la construccin del sistema experto es posible, justificada y apropiada. Luego se definen los objetivos del proyecto, las caractersticas principales y recursos necesarios (inclusive personal) y se identifican las fuentes de conocimiento auxiliar. Fase 2: Adquisicin del conocimiento. Es el proceso de extraer el conocimiento que posee el experto del dominio, los conceptos claves y mtodos de resolucin del problema que este aplica. Fase 3: Diseo. Una vez que se cuenta con los conocimientos del experto se debe definir la estructura y organizacin de ese conocimiento. Tambin se definen los mtodos de procesamiento a aplicar, se construye un pequeo sistema a fin de entender mejor el problema, este prototipo es sometido a la opinin del experto de lo cual pueden surgir modificaciones. Fase 4: Testeo.

Esta no es una tarea separada, es un proceso continuo dentro del desarrollo. Con cada entrevista con el experto se agrega nuevo conocimiento al existente, debiendo realizarse nuevos testeos. El objetivo principal del testeo es validar la estructura del sistema y su conocimiento. Fase 5: Documentacin. Satisface la necesidad de compilar toda la documentacin existente sobre el proyecto, datos que luego podran ser requeridos tanto por usuarios como por desarrolladores. Debe explicarse como opera el sistema y es conveniente la inclusin de un diccionario de conocimiento. Fase 6: Mantenimiento. Luego de que el sistema fue desarrollado y se encuentra en funcionamiento se requiere un mantenimiento peridico. El conocimiento no es algo esttico sino que crece, se actualiza, cambia y esto debe reflejarse en el sistema.

Desarrollo posible, justificado y apropiado.

En Sntesis: La construccin de un SE es posible si: 1. 2. 3. 4. 5. Existe un experto. El o los expertos pueden articular sus conocimientos. Los expertos concuerden en sus soluciones. El problema no contiene componentes fsicos. La tarea no depende excesivamente del sentido comn. 6. La tarea no es demasiado difcil. 7. Si el conocimiento es preciso y no requiere investigacin previa.

En Sntesis: La construccin de un SE es justificable si: 1. 2. 3. 4. 5. 6. 7. El problema tiene real significado. La pericia se perder. La pericia es escasa. La pericia es necesaria en distintos lugares. La pericia es necesaria en horarios muy amplios. La pericia en necesaria en lugares hostiles. Se requiere consistencia en las recomendaciones a travs del tiempo y del espacio.

En Sntesis: La construccin de un SE es apropiada si: 1. No resulta sencillo un enfoque convencional. 2. La solucin es de naturaleza esencialmente simblica. 3. Son ms importante las reglas heursticas y el conocimiento privado. 4. Los problemas no son demasiado simples. 5. La solucin tiene importancia prctica y concreta.

Test de Viabilidad (de Nico.. revisar) PARA QUE? Y CUANDO UTILIZAR El mtodo propuesto es de tipo mtrico, usa ponderaciones, como mtrica utiliza la media armnica e incorpora la manipulacin de valores lingsticos. Hasta ahora, la mayora de los tests utilizaban nicamente valores numricos para describir sus caractersticas. Pero muchas veces resulta difcil dar un valor numrico porque el cerebro humano piensa, en primer lugar, con valores lingsticos en vez de con valores numricos. Por ejemplo, para describir una temperatura se puede decir, hace mucho calor, lo que significara que la temperatura est entre 30 y 45 grados, pero resulta imposible dar los grados exactos, sin termmetro. Para paliar este problema, se ha pensado en el tratamiento de valores lingsticos como poco, mucho, nada, etc. Al principio los tests que proponan este tipo de valores no guardaban la verdadera naturaleza lingstica de aquellos valores, sino que asociaban a cada valor lingstico un valor numrico. El problema de los valores lingsticos es que no se pueden hacer clculos directamente con ellos. Una representacin posible de valores lingsticos es mediante intervalos difusos, con los que, adems, se pueden definir operaciones bsicas de clculo. Se propone un mtodo que integra tres tipos de valores para las caractersticas: booleanos (que podrn tomar los valores s o no, (est, o no, presente)) numricos (en el intervalo [x, y]) lingsticos Proceso de Educcin de Conocimientos. (?) QUIEN LA HACE, AQUIEN, FINALIDAD, Q SE EXTRAE Y LA INDUCCION QUE ES PARAQUE, Q SE EXTRAE O SE TOMA Tcnicas para adquisicin el conocimiento (ver resumen nico) La adquisicin y modelizacin del conocimiento de una manera eficaz puede ser la tarea que ms tiempo requiera y que ms dificultades presente dentro del proceso de ingeniera del conocimiento. Existen numerosas tcnicas y herramientas de ayuda. Tcnicas de extraccin (conocimientos pblicos) Estudio de documentacin Anlisis estructural de textos Tcnicas de educcin (conocimientos privados) Entrevistas abiertas Entrevistas cerradas Cuestionarios Observacin de tareas Anlisis de casos raros Ciclo de Educcin Preparacin (tema a tratar, granularidad, tcnica a utilizar, preparacin de material) Realizacin (repasar sesin anterior, explicar objetivos perseguidos, aplicar tcnica de educcin elegida) Trascripcin Anlisis (identificacin de conceptos y relaciones, revisin) Evaluacin (objetivos alcanzados, planificacin) Proceso evolutivo de un SE (preguntar) Versin preliminar: es el primer desarrollo, el resultado del primer enfoque efectuado. Prototipo de demostracin: tiende a demostrar la factibilidad tcnica del sistema. Maneja un solo caso y por lo general contiene entre 50 y 100 reglas.

Prototipo de investigacin: maneja numerosos casos y tiene por objetivo distinguir los lmites del sistema. Prototipo de campo: maneja eficientemente muchos casos, tiene una adecuada interface con el usuario y por lo general contiene entre 500 y 1000 reglas. Modelo de produccin: es seguro y eficiente, est recodificado en lenguaje de bajo nivel. Generalmente incluye entre 500 y 2000 reglas. Sistema comercial: es exacto en un 95% de los casos y contiene aproximadamente 300 reglas.

Proceso evolutivo de un SE. El proceso de desarrollo en cinco fases distintas Fase Descripcin Identificacin Determinar las caractersticas del problema Conceptualizacin Disear estructuras para organizar el conocimiento Formalizacin Disear estructuras para organizar el conocimiento Implementacin Formulacin de las reglas que incorporen conocimiento Prueba Validacin de las reglas En la fase de identificacin, el experto describe distintos casos y el ingeniero del conocimiento formula una descripcin preliminar del problema. El experto en el dominio sugerir cambios en la misma, suministrando ejemplos adicionales que aclaren los aspectos ms significativos del problema. El ingeniero del conocimiento modifica su descripcin preliminar y la presenta al experto en el dominio para que sugiera nuevos cambios, hasta que ambos llegan al convencimiento de que la descripcin es adecuada. Una vez identificado el problema a resolver, debe analizarse el problema con mayor profundidad (etapa de conceptualizacin). En esta etapa el ingeniero del conocimiento suele crear un diagrama del problema en el que representa grficamente las relaciones existentes entre los objetos y los procesos. Al igual que en la etapa de identificacin, se produce un proceso iterativo entre el experto y el ingeniero del conocimiento hasta que ambos estn de acuerdo en que los conceptos claves y las relaciones existentes entre ellos estn adecuadamente conceptualizados. En el proceso de formalizacin, el problema se conecta con las tcnicas de desarrollo apropiadas. En el supuesto de un sistema experto basado en reglas, el ingeniero de conocimiento debe desarrollar un conjunto de reglas hasta que representen el conocimiento del experto adecuadamente. Despus de realizada la formalizacin se implementa el sistema en el ordenador elegido utilizando las herramientas y tcnicas especificadas a fin de obtener un primer prototipo del sistema. Cuando el prototipo se ha perfeccionado suficientemente, pasa a la fase de prueba. El proceso de prueba se considera superado cuando las soluciones propuestas por el sistema sean tan vlidas como las del experto humano. Metodologa de Enfoque Evolutivo. Esta metodologa de diseo y desarrollo de SE comprende cuatro fases: Fase 1: Identificacin de la aplicacin y concepcin de la solucin En esta fase se trata de determinar si la construccin de un SE para la resolucin de un problema especfico, dentro de un dominio en particular resulta: Desarrollo del Sistema Experto SI el desarrollo es POSIBLE Y el desarrollo es JUSTIFICADO Y el desarrollo es APROPIADO Y si tendr xito en su construccin

ENTONCES desarrollar el sistema experto. El desarrollo de un sistema experto es POSIBLE si se verifica la siguiente regla: Regla de Plausibilidad: SI existen verdaderos y genuinos expertos Y pueden proporcionar la experiencia necesaria Y son cooperativos Y concuerdan en sus soluciones Y son capaces de articular sus mtodos y procedimientos de trabajo Y se dispone de suficientes casos de prueba Y la tarea no es muy difcil Y la tarea est adecuadamente estructurada Y la tarea no requiere sentido comn Y la tarea solo exige habilidad cognoscitiva ENTONCES es POSIBLE el desarrollo y la construccin del sistema experto. El desarrollo de un sistema experto es JUSTIFICADO si se verifica la siguiente regla: Regla de Justificacin: Si se necesita experiencia en ambientes hostiles o poco gratificantes O hay escasez de experiencia humana O esa experiencia es necesaria en distintos y distantes lugares O hay prdida de dicha experiencia O se espera una alta tasa de recuperacin de la inversin O no existen soluciones alternativas O el enfoque de la programacin convencional no es posible o satisfactorio ENTONCES es JUSTIFICADO la construccin de un sistema experto El desarrollo de un sistema experto es APROPIADO si se verifica la siguiente regla: Regla de Adecuacin: SI la naturaleza de la tarea es tal que bsica y permanentemente requiere manipulacin simblica y soluciones heursticas Y la complejidad de la tarea no es elemental Y por su alcance, es o puede reducirse a un tamao manejable Y tiene un valor prctico Y no necesita investigacin bsica para encontrar soluciones Y la cantidad de conocimiento requerido es suficientemente grande como para que se necesite usar una base de conocimientos Y los efectos de su introduccin pueden planificarse Y el proyecto de construccin de un sistema experto no est en el camino crtico de otros proyectos ENTONCES es APROPIADA la construccin del sistema experto. Para que la tecnologa alcance el xito esperado, adems de estas reglas netamente tcnicas existen otros factores que deben ser considerados. El desarrollo de un sistema experto ser EXITOSO si verifica la siguiente regla: Regla de xito: SI los directivos estn mentalizados de la importancia y eficiencia de la tecnologa Y tienen expectativas realistas Y apoyan decididamente al proyecto Y hay cambios mnimos en los procedimientos habituales y estndares Y los usuarios finales no rechazan a priori la construccin del SE Y los resultados no estn influenciados por los cambios polticos

Y el dominio es lo suficientemente estable Y las metas del proyecto global estn adecuadamente integradas Y se efecta una adecuada transferencia de tecnologa ENTONCES el XITO del proyecto est garantizado Fase 2: Desarrollo de prototipo Luego de que se ha verificado la factibilidad de la construccin del SE se continua con la Fase 2, es decir con el desarrollo del prototipo. Es importante destacar que durante el proceso de desarrollo del SE no aparecen algunos inconvenientes que generalmente surgen durante la implementacin del sistema. La construccin rpida de un prototipo es una forma de determinar la plausibilidad de producir un desarrollo de SE, ya que el ingeniero del conocimiento puede explorar las tcnicas de implementacin, especificar la interfaz del usuario, encontrar los errores de implementacin y mostrar los requerimientos de los usuarios. Esta forma de trabajo se denomina paradigma del prototipo. El desarrollo del/os prototipo/s puede verse como un conjunto altamente interdependiente y solapado de etapas, que son tan interactivas que establecer una secuencialidad de las mismas sera un grave error metodolgico. [Pazos Sierra - Mat Hernndez] Esta fase est compuesta de las etapas que a continuacin se explican: Etapa 1: Diseo conceptual El ingeniero del conocimiento y el experto de campo, producen una identificacin completa del problema a resolver, incluyendo: tipo de problema y alcances caractersticas del problema caractersticas de los datos del problema objetivos del sistema casos de prueba soluciones que aporta el sistema usuarios finales y servicios a prestar a los mismos tipos de conocimiento involucrados y sus fuentes recursos necesarios (recursos humanos, equipos, etc). definiendo la estructura conceptual del sistema. Etapa 2: Adquisicin estructurada del conocimiento La adquisicin estructurada del conocimiento consiste en una combinacin del mtodo estructurado de adquisicin de conocimiento con distintos enfoques de extraccin del conocimiento. Etapa 3: Representacin del conocimiento Se comienza a conceptualizar el conocimiento adquirido en la Etapa 2, definiendo conceptos y sus interrelaciones, para ello se tiene en cuenta los componentes del conocimiento: Nombre, los conceptos son denotados por su nombre Descripcin, se describen las propiedades y/o funciones de un concepto Organizacin, se crean categoras de conceptos, generalmente con un mismo tipo de propiedad o de funcin. Relacin, se determinan las entidades que deben incluirse en las relaciones entre categoras de conceptos. Limitacin, se deben especificar con precisin las propiedades de los conceptos de tal manera de limitar el rango de valores, relaciones y estructuras organizacionales con las que el sistema trabajar.

Luego de la conceptualizacin del conocimiento, se procede a la formalizacin del conocimiento. El ingeniero del conocimiento formaliza el conocimiento transformndolo en reglas dentro del marco de un determinado lenguaje o herramienta de construccin de SE. Etapa 4: Implementacin Una vez que se ha formalizado el conocimiento en reglas es transportado a un programa de construccin de SE, lo que incluye: contenido, se refiere a las estructuras de datos, reglas de inferencia y estrategias de control forma, est condicionada por el lenguaje de programacin escogido integracin, se combinan de manera adecuada las estructuras de datos con reglas y estrategias de control La ejecucin de esta etapa debe hacerse rpidamente porque una de las razones para implementar el prototipo inicial consiste en verificar la efectividad de las decisiones inherentes al diseo tomadas durante las primeras etapas del desarrollo. Etapa 5: Validacin En esta etapa se busca descubrir los errores del sistema, como por ejemplo, omisin de conceptos y relaciones, incorrecto nivel de abstraccin, complejos mecanismos de control. Este tipo de errores pueden producir un ciclo entre las distintas etapas del desarrollo, permitiendo un replanteo del problema, una reformulacin de conceptos; el rediseo de estructuras de conocimiento, un refinamiento de las reglas y las estrategias de control. Para poder detectar tales errores es necesario someter al prototipo a diferentes casos de pruebas, las cuales apunten al alcance establecido inicialmente para el sistema. Fase 3: Ejecucin y construccin del SE completo. Esta fase comprende cinco etapas: Etapa 1: Implementacin de la estructura central o ncleo del sistema completo. Aunque el prototipo sea exitoso, puede producirse un replanteo del diseo de la base de conocimiento y a veces del desarrollo en su totalidad. En algunas situaciones puede ser necesario modificar las representaciones planteadas inicialmente para las reglas. Etapa 2: Expansin de la base de conocimiento Se puede lograr una expansin de la base de conocimiento, a travs de un incremento en el nmero de reglas y en el nmero de casos tratables por el sistema. Estas nuevas reglas permitirn al sistema un manejo de problemas adicionales que no fueron contemplados inicialmente. Etapa 3: Adecuacin de la interfaz a las necesidades del usuario final El ingeniero del conocimiento debe adaptar la interfaz desarrollada durante la creacin del prototipo, teniendo en cuenta las necesidades del usuario final. El sistema debe contribuir con el usuario, para que a ste le resulte fcil y natural la formulacin de preguntas, el seguimiento de la lgica empleada por el sistema para resolver una situacin especfica y para la obtencin de cualquier detalle que desee del sistema. Etapa 4: Monitorizacin de las prestaciones y evaluacin del rendimiento del sistema. Una vez que el sistema ha sido construido en su totalidad y su funcionamiento es satisfactorio, es decir alcanza las expectativas iniciales, este debe ser sometido a casos de prueba con personas expertas y con personas no expertas, a los fines de controlar que cumpla con todos los requerimientos que fueron planteados en la etapa de creacin del prototipo.

Etapa 5: Mantenimiento de la base de conocimiento Una vez que el sistema ha pasado por todas las pruebas de control, debe determinarse un plan o proyecto de software, que permita verificar, incrementar, transferir y mantener la base de conocimiento cuando sea necesario incluir el tratamiento de nuevos problemas. Fase 4: Alcanzar la integracin, mantenimiento en rgimen de produccin y asimilacin de tecnologa. En esta Fase deben incluirse los procedimientos necesarios para lograr que el sistema experto funciona de manera coordinada con otros sistemas existentes, se entiende sistemas convencionales o sistemas expertos dentro de la organizacin. Esta fase comprende cinco etapas: Etapa 1: Establecimiento de interfaces del SE con distintos sistemas. Es necesario construir elementos que permitan la transferencia de datos e informacin desde otros sistemas de hardware, sistemas de bases de datos o de personas al SE. Etapa 2: Transportabilidad Esta etapa est muy relacionada con la etapa de integracin. Se refiere bsicamente a la posibilidad de que el cdigo en el que fue construido el sistema experto pueda ser recodificado en otro lenguaje para poder transferir su funcionamiento a otro computador, si esto fuera necesario para alcanzar una integracin adecuada. Etapa 3: Mejoras de las prestaciones del sistema global resultante Hay que tener en cuenta puntos como: los tiempos de respuesta y la facilidad transaccional el perfeccionamiento de las interfaces para ayudar al funcionamiento y al manejo del sistema en su totalidad por los usuarios finales. Etapa 4: Mantenimiento del sistema En esta etapa se debe establecer el personal que se har cargo del mantenimiento del sistema y adems, flexibilizar el sistema para su adaptacin a otros entornos. Etapa 5: Organizacin de la transferencia de tecnologa En esta etapa, el ingeniero del conocimiento debe asegurar que los expertos, los usuarios y el personal que va a estar en contacto con el SE, lo comprendan. Luego de que se ha efectuado esta transferencia de informacin y de conocimientos puramente tecnolgicos, el ingeniero del conocimiento puede abandonar el proyecto, dejando al sistema experto en manos de los usuarios. Tipos principales de SE. Clasificacin de los sistemas expertos teniendo en cuenta las caractersticas que resuelven: De diagnstico: detectan funcionamientos incorrectos. De diseo: realizan configuraciones que satisfagan ciertos objetivos. De capacitacin: sirven para adiestramiento de nuevo personal. De control: dirigen adaptativamente un sistema. De reparacin: combina el diagnstico con el remedio adecuado. De planeamiento: disea acciones.

Unidad IV: Sistemas Inteligentes Artificiales.

Redes neuronales (RN): Definicin y estructura. Definicin: Son sistemas de procesamiento de informacin que constan de un nmero de procesadores simples, muy interconectados y con organizacin jerrquica, llamados neuronas, que son anlogas a las neuronas biolgicas del cerebro o redes neuronales biolgicas (RNB), las cuales interactan con los objetos del mundo real del mismo modo que lo hace el sistema nervioso biolgico, tambin son capaces de aprender de la misma forma que lo hacen las personas. Sus similitudes con las RNB son las siguientes: El procesamiento es realizado a travs de varios elementos simples: las neuronas Las seales se transmiten a travs de conexiones entre neuronas Cada conexin tiene un peso asociado que influye sobre la seal transmitida Estructura: Las redes neuronales son modelos que intentan reproducir el comportamiento del cerebro. Los elementos de esta son: 1) La neurona artificial 2) Estados de activacin 3) Funcin de salida o de transferencia 4) Formas de conexin entre neuronas 5) Funcin o regla de activacin 6) Regla de aprendizaje 1) La neurona artificial: Neurona Real Cualquier modelo de red neuronal consta de dispositivos elementales de proceso: las neuronas. A partir de ellas, se pueden generar representaciones especficas, de tal forma que un estado conjunto de ellas puede significar una letra, un nmero o cualquier otro objeto. Se pueden encontrar 3 tipos de neuronas: Neuronas de Entrada: Son aquellas que reciben estmulos externos, relacionados con el aparato sensorial, que tomar la informacin de entrada, esta informacin se transmite a ciertos elementos internos que se ocupan de su procesado. Neuronas Ocultas: Puesto que no tiene relacin directa con la informacin de entrada ni con la de salida estos elementos se denominan unidades ocultas. Es en la sinapsis y neuronas correspondientes a este segundo nivel donde se genera cualquier tipo de representacin interna de la informacin. Neuronas de Salida: Una vez finalizado el perodo de proceso la informacin llega a estas unidades de salida, cuya misin es dar la respuesta del sistema. El trabajo de la neurona es simple y nico, y consiste en recibir las entradas de las clulas vecinas y calcular un valor de salida, el cual es enviado a todas las clulas restantes. Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas provienen de la misma fuente (que puede ser otras capas de neuronas) y cuyas salidas se dirigen al mismo destino (que puede ser otra capa de neuronas).

X1 X2 ... Xn

W1 W2 Net/F/f Wn Y
Regla de propagacin:

Net=Xi*Wi Funcin de activacin: F (a(t), Net)=a(t+1) Funcin de salida: f(a(t+1))=Y Estado de activacin: a(t) Umbral: 2) Estados de activacin: Cada neurona i-esima est caracterizada en cualquier instante por un valor numrico denominado valor o estado de activacin Ai(t). Todas las neuronas que componen la red se hallan en cierto estado. Estado de reposo o excitado, a los que denominaremos estados de activacin y a cada uno de los cuales se le asigna un valor. Los valores de activacin pueden ser continuos (se le asigna un valor entre [0, 1] o en el intervalo [-1,1] ) o discretos (toman un conjunto pequeo de valores o bien valores binarios), limitados o ilimitados. Es necesario saber qu criterios o reglas siguen las neuronas para alcanzar tales estados de activacin. Esto depende de dos factores: Es necesario tener idea del mecanismo de interaccin de neuronas. El estado de activacin estar fuertemente influenciado por tales interacciones, ya que el efecto que producir una neurona sobre otra ser proporcionar la fuerza, peso o magnitud de la conexin entre ambas. Por otro lado la seal que enva cada una de las neuronas a sus vecinas depender de su propio estado de activacin. 3) Funcin de salida o de transferencia: Asociado a cada unidad, existe una funcin de salida F(i), que transforma el estado actual de activacin en una seal de salida Y(i). Dicha seal es enviada a travs de los canales de comunicacin unidireccionales a otras unidades de la red; en estos canales la seal se modifica de acuerdo con la sinapsis (el peso, Wji ) asociada a cada uno de ellos segn una determinada regla. Existen 4 funciones de transferencia que determinan diferentes tipos de neuronas: a. Funcin escaln o umbral: nicamente se utilizan cuando las salidas de la red son binarias. La salida de una neurona se activa slo cuando el estado de activacin es mayor o igual que cierto valor umbral. Las redes formadas por este tipo de neuronas son fciles de implementar en hardware. f(x)= f(x)= 1 si x >= 0 si x < 1 si x >= -1 si x <

b. Funcin lineal y mixta: responde a la expresin f(x) = x. En las neuronas con funcin mixta si la suma de las seales de entrada es menor que un lmite inferior, la activacin se define como 0 ( -1). Si dicha suma es mayor o igual que el lmite superior, la activacin es 1. Si la suma de entrada esta comprendida entre ambos lmites, superior e inferior, entonces la activacin se define como una funcin lineal de la suma de las seales de entrada. Esta funcin equivale a no aplicar funcin de salida. Se usa muy poco.

f(x)= x c. Funcin continua o Signoidal: para la mayora de los valores del estimulo de entrada, el valor dado por la funcin es cercano uno de los valores asintticos. Entonces el valor de salida est comprendido en la zona alta o baja del signoide. Al Igual que la funcin mixta es apropiada cuando se desea informacin analgica como salida. 1 si x > f(x)= 0 si - <= x <= -1 si x < - d. Funcin Gaussiana: mapeos que suelen requerir dos niveles ocultos utilizando neuronas con funciones sigmoidales, algunas veces se puede realizar con un solo nivel en redes con neuronas de funcin gaussiana. Son ms adaptativas que las funciones sigmoidales. f(x)= 1/1+e^(-x) 4) Formas de conexin entre neuronas: Se refiere a la manera en que las salidas de las neuronas se convierten en entradas, las conexiones que unen a las neuronas que forman parte de una R.N.A. tienen asociado un peso, que es el que hace que la red adquiera conocimiento. Una neurona recibe un conjunto de seales que le dan informacin del estado de activacin de todas las neuronas con las que se encuentra conectada. Se considera que el efecto de cada seal es aditivo, de tal forma que la entrada neta que recibe una neurona net j es la suma del producto de cada seal individual por el valor de la sinapsis que conecta ambas neuronas: net j = w j i * y Esta regla es conocida como regla de propagacin y existen 2 tipos de propagacin Propagacin hacia delante: ninguna salida de las neuronas de una capa es entrada de neuronas de la misma capa o anteriores.

PROPAGACIN HACIA ADELANTE

Propagacin hacia atrs: las salidas pueden conectarse como entrada a neuronas de la misma capa o anteriores, e incluso a ella misma.

PROPAGACIN HACIA ATRS

5) Funcin o regla de activacin: Esta regla permite combinar las entradas con el estado actual de la neurona para producir un nuevo estado de activacin. Esta funcin F produce un nuevo estado de activacin en una neurona a partir del estado que exista y la combinacin de las entradas con los pesos de las conexiones. Por lo que la funcin F es la encargada de producir el nuevo estado de activacin ai(t+1) en cada neurona teniendo en cuenta el estado actual ai(t) y la combinacin de las entradas ponderadas Net. ai(t+1) = F(ai(t),Net) Generalmente se utiliza la funcin identidad por lo que: ai(t+1) = F(ai(t),Net) = Net 6) Regla de aprendizaje: En las R.N.A. se puede considerar que el conocimiento se encuentra representado en los pesos de las conexiones entre las neuronas. Todo proceso de aprendizaje implica cierto nmero de cambios en estas conexiones. En realidad, puede decirse que se aprende modificando los valores de los pesos de la red. Al igual que el funcionamiento de una red depende del nmero de neuronas de las que disponga y de como estn conectadas entre s, cada modelo dispone de su o sus propias tcnicas de aprendizaje. Simplificadamente, es un Proceso por el cual la red modifica sus pesos, creando, modificando o eliminando conexiones entre neuronas (Si Wi = 0 entonces conexin destruida). El proceso de aprendizaje finaliza cuando los pesos permanecen estables, es decir cuando no se producen cambios de t a t+1. Caractersticas de las redes neuronales Topologa o Arquitectura, mecanismos de aprendizaje, tipos de asociaciones entre E y S, representacin de las E y S Arquitectura de una Red Neuronal La arquitectura general de una red neuronal es la siguiente:

Capa de Entrada: N neuronas. Capa Oculta: M neuronas. Capa de Salida: 1 neurona.

Para definir totalmente una red neuronal no basta con escribir el comportamiento individual de sus componentes (neuronas), sino que hay que especificar, adems la interconexin existente entre ellas. stas se agrupan en capas, cada una de ellas con un conjunto de neuronas de nmero variable y comportamiento similar, constituyendo varias capas una red neuronal. Cada capa est conectada a la inmediata posterior total o parcialmente, excepto la ltima capa, que constituye la salida total de la red neuronal. Existen tres tipos de capas:

1. Capa de entrada: es la capa que recibe directamente la informacin proveniente de las fuentes externas a la red. El nmero y tipo de neuronas que constituyen esta capa, depende de los datos de entrada al problema. 2. Capas intermedias: son internas y no tienen contacto directo con el entorno exterior. Pueden ser ms de una, dependiendo del tipo y complejidad del problema que va a resolver la red. Mediante el tratamiento adecuado de estas capas se consiguen las propiedades de generalizacin, extraccin de caractersticas, adaptabilidad, etc., que hacen muy interesante el trabajo de las redes neuronales. 3. Capa de salida: transfieren informacin de la red hacia el exterior. El nmero de neuronas de esta capa depende del formato esperado de salida de la red. Las diferentes formas de distribuir, conectar e interrelacionar estos tres tipos de capas, junto al tipo de neuronas que constituyen cada una de ellas nos van a definir los diferentes paradigmas de red existentes.

Topologa:
Clasificacin de la Topologa Topologa: Monocapa Multicapa: Feedforward. Feedforward/ Feedback. La arquitectura de las redes neuronales consiste en la organizacin y disposicin de las neuronas en la red formando capas o agrupaciones de neuronas ms o menos alejadas de la entrada y salida de la red. En este sentido los parmetros fundamentales de la red son: el nmero de capas, el nmero de neuronas por capas, el grado de conectividad y el tipo de conexiones entre neuronas. Redes Monocapa: se establecen conexiones laterales entre las neuronas que pertenecen a la nica capa que constituye la red. Tambin pueden existir conexiones autorrecurrentes, es decir que la salida de una neurona se conecta a su propia entrada, aunque en algunos modelos esta recurrencia no se utiliza.

Redes Multicapa: son aquellas que disponen de conjuntos de neuronas agrupados en varios (2, 3, etc.) niveles o capas. En estos casos, una forma de distinguir la capa a la que pertenece una neurona consistir en fijarse en el origen de las seales que recibe a la entrada y el destino de la seal de salida. Normalmente, todas las neuronas de una capa reciben seales de entrada de otra capa anterior, mas cercana a la entrada de la red, y envan las seales de salida a una capa posterior, ms cercana a la salida de la red. A estas conexiones se las denomina conexiones hacia adelante o feedforward. Normalmente no existen conexiones autorrecurrentes ni laterales. Sin embargo, en un gran nmero de estas redes tambin existe la posibilidad de conectar las salidas de las neuronas de capas posteriores a las entradas de las capas anteriores. A estas conexiones se las denominan conexiones hacia atrs o feedback.

Mecanismos de aprendizaje. Mecanismos de aprendizaje: Es el proceso por el cual una red neuronal modifica sus pesos en respuesta a una informacin de entrada. Los cambios que se producen durante el proceso de aprendizaje se reducen a la destruccin, modificacin y creacin de conexiones entre las neuronas. En los modelos de redes neuronales artificiales, la creacin de una nueva conexin implica que el peso de la misma pasa a tener un valor distinto de cero. De la misma forma una conexin se destruye cuando su peso pasa a ser cero. Durante el proceso de aprendizaje, los pesos de las conexiones de la red sufren modificaciones, por tanto se puede afirmar que este proceso ha terminado (la red ha aprendido) cuando los valores de los pesos permanecen estables. Un aspecto importante respecto del aprendizaje es el conocer cmo se modifican los valores de los pesos; es decir, cules son los criterios que se siguen para cambiar el valor asignado a las conexiones cuando se pretende que la red aprenda nueva informacin. Estos criterios determinan lo que se conoce como la regla de aprendizaje de la red. Se suelen considerar dos tipos de reglas: las que responden a lo que se conoce como aprendizaje supervisado, y las correspondientes a un aprendizaje no supervisado. La diferencia fundamental entre ambos tipos estriba en la existencia o no de un agente externo (supervisor) que controle el proceso de aprendizaje de la red. Segn la existencia o no de un agente externo que controle el aprendizaje este puede ser: o Supervisado Aprendizaje por correccin de error. Aprendizaje por refuerzo. Aprendizaje estocstico. o No Supervisado Aprendizaje Hebbiano. Aprendizaje competitivo y cooperativo. Segn la capacidad de aprender durante el funcionamiento habitual o desconectando la red: o On Line o Off Line Aprendizaje Supervisado: se caracteriza porque el proceso de aprendizaje se realiza mediante un entrenamiento controlado por un agente externo que determina la respuesta que debera generar la red a partir de una entrada determinada. El supervisor comprueba la salida de la red y en el caso de que sta no coincida con la deseada, se proceder a modificar los pesos de las conexiones, con el fin de conseguir que la salida obtenida se aproxime a la deseada. En este tipo de aprendizaje se suelen considerar: - Aprendizaje por correccin de error: consiste en ajustar los pesos de las conexiones en la red en funcin de la diferencia entre los valores deseados y los obtenidos en la salida de la red; es decir, en funcin del error cometido en la salida. - Aprendizaje por refuerzo: en este tipo de aprendizaje la funcin del supervisor se reduce a indicar mediante una seal de refuerzo si la salida obtenida en la red se ajusta a la deseada, en funcin de ello se ajustan los pesos basndose en un mecanismo de probabilidades. - Aprendizaje estocstico: este tipo de aprendizaje consiste bsicamente en realizar cambios aleatorios en los valores de los pesos de las conexiones de la red y evaluar su efecto a partir del objetivo deseado y de distribuciones de probabilidad. Aprendizaje No supervisado: las redes con este tipo de aprendizaje no requieren influencia externa para ajustar los pesos de las conexiones entre sus neuronas. La red no

recibe ninguna informacin por parte del entorno que le indique si la salida generada en respuesta a una determinada entrada es o no correcta. - Aprendizaje hebbiano: consiste bsicamente en el ajuste de los pesos de las conexiones de acuerdo con la correlacin de los valores de activacin de las dos neuronas conectadas. - Aprendizaje competitivo y cooperativo: suele decirse que las neuronas compiten (y cooperan) unas con otras con el fin de llevar a cabo una tarea dada. Con este tipo de aprendizaje, se pretende que cuando se presente a la red cierta informacin de entrada, solo una de las neuronas de salida, o una por cierto grupo de neuronas, se active. Por tanto las neuronas compiten por activarse, quedando finalmente una, o una por grupo, como neurona vencedora, quedando anuladas el resto, que son forzadas a sus valores de respuesta mnimos Otro criterio que se puede utilizar para diferenciar las reglas de aprendizaje se basa en considerar si la red puede aprender durante su funcionamiento habitual o si el aprendizaje supone la desconexin de la red; es decir su inhabilitacin hasta que el proceso termine. El primer caso, se tratara de un aprendizaje On Line, mientras que el segundo es lo que se conoce como aprendizaje Off Line. Cuando el aprendizaje es Off Line, se distingue una fase de aprendizaje o entrenamiento y una fase de operacin o funcionamiento. Los pesos de las conexiones permanecen fijos despus de que termina la etapa de entrenamiento de la red. Debido precisamente a su carcter esttico, estos sistemas no presentan problemas de estabilidad en su funcionamiento. En las redes con aprendizaje On Line, no se distingue entre fase de entrenamiento y operacin, de tal forma que los pesos varan dinmicamente siempre que se presente una nueva informacin al sistema. En este tipo de redes, debido al carcter dinmico de las mismas, el estudio de la estabilidad suele ser un aspecto fundamental. Tipos de asociacin de las informaciones de entrada y salida Las redes neuronales son sistemas que almacenan cierta informacin aprendida; esta informacin se registra de forma distribuida en los pesos asociados a las conexiones entre neuronas. Por lo tanto, puede imaginarse una red como cierto tipo de memoria que almacena datos en forma estable, datos que se grabarn en dicha memoria y que podrn ser ledos a la salida como respuesta a cierta informacin de entrada, comportndose la red como lo que se conoce como memoria asociativo. Es decir cuando se aplica un estmulo, la red se responde con una salida asociada a dicha informacin de entrada. Existen dos formas de realizar esta asociacin entre entradas y salidas: La primera sera la denominada heteroasociacin, que se refiere al caso en que la red aprende parejas de datos [(Al, BI) , (A2, B2), ... , (AN, BN)] , de tal forma que cuando se presente cierta informacin de entrada A i, deber responder generando la salida asociada B i. La segunda se conoce como autoasociacin, donde la red aprende ciertas informaciones Al, A2, ... , AN, de tal forma que cuando se le presenta una informacin de entrada realizar una autocorrelacin, respondiendo con uno de los datos almacenados, el ms parecido al de entrada. Estos dos mecanismos de asociacin dan lugar a dos tipos de redes neuronales: Redes heteroasociativas: son aquellas que computan cierta funcin, que en la mayora de los casos no podra expresarse analticamente. Redes autoasociativas: son aquellas que se encargan de reconstruir una determinada informacin de entrada que se presenta incompleta o distorsionada, asocindole el dato almacenado ms parecido.

Representacin de la informacin de E/S Las redes neuronales pueden tambin clasificarse en funcin de la forma en que se representan las informaciones de entrada y las respuestas o datos de salida. Redes analgicas: Entrada analgica salida analgica. Redes hbridas: Entrada analgica salida binaria. Redes discretas: Entrada binaria salida binaria. Ventajas de las redes neuronales Las propiedades globales de las redes neuronales surgen de la conjuncin de componentes individuales sencillos. Las principales son: Paralelismo masivo: Una red neuronal est formada por unidades individuales cada una de las cuales se encarga de calcular una funcin elemental sin cooperar con las dems. Esto ofrece una ventaja frente al comportamiento secuencial ya que cada unidad de clculo puede ejecutarse en paralelo. Aprendizaje adaptativo: el sistema va modificando su comportamiento para ajustarlo a los datos que se le van proporcionando. Memoria asociativa distribuida: Un dato no se encuentra en un nico sitio, sino repartido en toda la estructura. Tolerancia a fallos: El sistema no deja de funcionar aunque se estropee una serie de componentes. El sistema se degrada con una funcin de error continuo. Reconstruccin de datos parciales: los datos de entrada no necesitan ser explicados rigurosamente. Cuando el conocimiento del problema no es total, resulta imprescindible la capacidad de procesamiento a partir de informacin parcial. Diferentes implementaciones CDO ES CONVENIENTE UTILIZAR C/U? O PROBLEMA Q PUEDEN PRESENTARSE, PROC DE APRENDIZAJE 0 COMO LO HACEN Modelo de RN: PERCEPTRN Fue el primer modelo de red neuronal artificial. Despert un gran inters en los aos 60, debido a su capacidad para aprender a reconocer patrones sencillos. Sin embargo, al constar slo de una capa de entrada y otra de salida con una nica neurona, tiene la capacidad de representacin bastante limitada. Reglas de aprendizaje del perceptron: el algoritmo de aprendizaje del perceptrn es de tipo supervisado, lo cual requiere que sus resultados sean evaluados y se realicen las oportunas modificaciones del sistema si fuera necesario. El algoritmo de aprendizaje con N elementos procesales de entrada y un nico elemento procesal de salida es el siguiente: 1. Inicializacin de los pesos y del umbral. 2. Presentacin de un nuevo par ( entrada , salida esperada) 3. Calculo de la salida actual Y (t) = f [ i w(t) x(t) - 0] Siendo f(x) la funcin de transferencia escaln 4. Adaptacin de los pesos 5. Volver al paso 2. El algoritmo es extensible al caso de mltiples neuronas en la capa de salida . el perceptron ser capaz de aprender a clasificar todas sus entradas, en un numero finito de pasos, si el conjunto de los patrones de entrada son linealmente separables. En tal caso, puede demostrarse que el aprendizaje de la red se realizara en un nmero finito de pasos. El perceptron multinivel o multicapa es una red de tipo feedforward compuesto de varias capas de neuronas entre la entrada y la salida. Esta red permite establecer regiones de

decisin mucho mas complejas que las de dos semi planos como haca el perceptron de un solo nivel. No se requieren mas de 4 capas en una red de tipo perceptron, pues, puede generar regiones de decisin arbitrariamente complejas. En ciertos problemas se puede simplificar el aprendizaje mediante el aumento del nmero de neuronas ocultas. Sin embargo, la tendencia es el nmero de la extensin de la funcin de activacin, en lugar del aumento de la complejidad de la red. REDES ADALINE Y MADALINE Ambas estructuras usan neuronas con funciones de transferencia escaln. La red Adaline esta limitada a una nica neurona de salida, mientras que Madaline puede tener varias. La diferencia fundamental respecto al perceptron se refiere al mecanismo de aprendizaje. Adaline y Madaline utilizan la denominada regla Delta de Hidrow Hoff o regla del mnimo error cuadrado medio. Aprendizaje de Adaline Utilizan un aprendizaje Offline con supervisor denominado LMS. Tambin se conoce como regla Delta porque trata de minimizar una delta o diferencia entre el valor observado y el deseado en las salidas de la red. La aplicacin del proceso iterativo de aprendizaje consta de los siguientes pasos: 1. se aplica un vector o patrn de entrada, x k en las entradas de Adaline. 2. Se obtiene la salida lineal y se calcula la diferencia con respecto a la deseada. 3. Se actualizan los pesos. 4. Se repiten los pasos del 1 al 3 con todos los vectores de entrada. 5. Si el error cuadrado medio es un valor reducido aceptable, termina el proceso de aprendizaje; si no, se repite otra vez desde el paso 1 con todos los patrones. Aplicaciones de la red Adaline La principal aplicacin de las redes Adaline esta en el campo de procesamiento de seales, para el diseo y realizacin de los filtros que eliminen el ruido en seales portadoras de informacin. Destaca su uso como filtros de ecualizacin adaptativos en modems de alta velocidad y canceladores adaptativos del eco para el filtrado de seales en comunicaciones telefnicas de larga distancia y comunicaciones va satlite. Algoritmos Genticos (AG): concepto y breve historia. Concepto: Como su propio nombre lo sugiere, los algoritmos genticos tienen un paralelo biolgico. Estos algoritmos comienzan con una coleccin de datos o patrones generados aleatoriamente y evolucionan posteriormente hacia una solucin mediante tcnicas de adaptacin de los patrones iniciales. La solucin no es necesariamente ptima, pero puede estar muy cerca de ella. Estructura: Los algoritmos genticos son una familia de mtodos de bsqueda adaptativa de soluciones, que reciben su nombre por su analoga con el cambio gentico que se produce en las poblaciones naturales. Los algoritmos genticos utilizan una representacin basada en las caractersticas de los individuos o sucesos mediante un conjunto de estructuras de conocimiento denominadas patrones. Cada patrn representa la presencia o ausencia (1, 0) de un conjunto de propiedades o caractersticas en un determinado individuo o ejemplo que permiten incrementar la experiencia del sistema al estudiarlo. Los patrones tambin tienen un peso asociado, denominado idoneidad el patrn, que recoge su representatividad o rendimiento en experiencias pasadas.

Principios Darwinianos sobre la evolucin por seleccin natural. Los individuos de una poblacin compiten, los ms fuertes tienen ms probabilidades de sobrevivir y de generar mayor nmero de descendientes Funcionamiento: Los algoritmos genticos siguen tres pasos en el proceso de nuevas experiencias: 1. 2. Actualizacin de los pesos de los patrones . Los pesos aumentan cuando clasifican adecuadamente un caso real y disminuyen en caso contrario. Aplicacin de operadores de bsqueda. Se utilizan tpicamente dos operadores, cruce y mutacin, que se aplican a los patrones de mayor peso para producir nuevos patrones. El cruce es anlogo al gentico, mientras que la mutacin introduce pequeas variaciones aleatorias. Por ejemplo, dados dos patrones representados por: X1 X2 X3 X4 X5 X6 X7 Yl Y2 Y3 Y4 Y5 Y6 Y7 Un ejemplo de cruce sera: XI X2 X3 X4 X5 Y6 Y7 Yl Y2 Y3 Y4 Y5 X6 X7 Una mutacin, por el contrario, provocara un cambio, por ejemplo: 0001110011 mediante mutacin sera 0001010011 3. Supresin de patrones ineficaces. Para mantener el tamao del conjunto de patrones, se reemplazan los de menor peso por los nuevos. De alguna manera, cada patrn compite con los dems para producir resultados en el siguiente ciclo o generacin. Los genes de los mejor adaptados se heredan a las generaciones siguientes

El funcionamiento del algoritmo es el siguiente: 1. 2. 3. 4. 5. Representacin del problema a resolver en una cadena de unos y ceros. La cadena tendr una longitud de unos diez bits a varios cientos. Generacin aleatoria de una poblacin de cadenas (patrones) de la longitud apropiada. El tamao de la poblacin estar comprendido entre 20 y 200 cadenas. Evaluacin de la representatividad o rendimiento de cada patrn. Funcin de evaluacin del rendimiento. Seleccin de los individuos para la nueva generacin basada en su rendimiento. Realizacin de cruces. Aleatoriamente se seleccionan dos individuos y un punto de cruce ( posicin de la cadena a partir de la que se van a intercambiar los bits). Se intercambian los bits a la derecha del punto de cruce, creando individuos modificados. La cantidad total de cruces realizados va a depender de la aplicacin. Realizacin de mutaciones. Se seleccionan aleatoriamente los patrones y las posiciones sobre las que realizar la mutacin. La mutacin cambia un 1 por un 0, y viceversa. La cantidad total de mutaciones depender tambin de la aplicacin.

6.

7.

Vuelta al paso nmero 3 y comienzo del ciclo otra vez. La poblacin tender a mltiples copias de una sola cadena que tenga un rendimiento ptimo o cercano a l.

Existe evidencia, tanto terica como emprica, que demuestra que, incluso en espacios de bsqueda muy amplios y complejos, los algoritmos genticos pueden localizar rpidamente estructuras de conocimiento efectivas empleando entre 50 y 100 patrones. Operadores Genticos 1) Seleccin: Decide quienes sern los individuos que se reproducirn. Existen varias estrategias: seleccin directa (los x mejores, los x peores, etc.), seleccin aleatoria (todos tienen igual probabilidad de ser elegidos), Aplicando el Principio de seleccin natural, los mejor adaptados (fitness mayor) deberan ser los seleccionados. Generalmente se elige un padre de acuerdo con su fitness y el otro padre aleatoriamente 2) Reproduccin: Produce el cruce de los individuos seleccionados Estrategia destructiva: los descendientes se insertan en la poblacin nueva aunque tengan menor fitness que sus padres Estrategia no destructiva: los descendientes se insertan en la poblacin nueva slo si tienen mejor fitness que sus padres Los mtodos de cruzamiento mas utilizados son: De un punto: se elige al azar un punto de ruptura en la cadena que representa el cromosoma de cada uno de los padres y se intercambian sus elementos. Si el punto de cruza est en el extremo de la cadena, el contenido del cromosoma de una de los padres pasa intacto al del hijo. Cadenas padre Hijos 11101 . 001000 11101010101 00001 . 010101 00001001000 De dos puntos: se eligen dos puntos aleatorios de ruptura para intercambiar. Cadenas padre 11 . 10100 . 1000 00 . 00101 . 0101 Hijos 11001011000 00101000101

3) Mutacin: Produce una variacin en la informacin gentica contenida en un cromosoma. Generalmente de efecta a travs del cambio de valor de un gen, luego de la operacin de reproduccin, y con una probabilidad de ocurrencia muy baja. Las razones para utilizar mutacin pueden ser tanto Desbloquear el Algoritmo o Enriquecer la diversidad Gentica. CDO UTILIZARLO, EJEMPLO DE APLICACIN MAS FAMILIAR DONDE PUEDAN EXPLICAR CANT DE DE MIEMBROS EN LA POBLACION, XQ EL GEN Y EL GENOTIPO ETC. Ejemplos de Aplicaciones Stockton y Quinn describen el programa GA Workbench para la determinacin de la cantidad ptima de pedido. El problema permite tratar situaciones complejas de inventario representando las cantidades de pedido en forma de cdigos genticos. Asistencia a viajantes. Construccin de horarios en grandes universidades, evitando conflictos de clases Redes bayesianas(RB): conceptos bsicos y caractersticas. Aplicaciones. Definicin: Las Redes Bayesianas son Grafos acclicos dirigidos que representan las relaciones de causalidad entre las variables de un dominio, se utilizan mucho en el caso de incertidumbre.

Razones que dan lugar a la Incertidumbre en IA:

Informacin Incompleta

Historia clnica incompleta, Paciente no recuerda. Paciente recuerda incorrectamente, miente, Hay sntomas que deben cuantificarse subjetivamente

Deficiencias de la Informacin

Informacin Errnea

Informacin Imprecisa

Caractersticas del Mundo Real

Mundo no Determinista

Cada ser humano es un Mundo no todos reaccionan igual Aun hay cosas que se desconocen e incluso desacuerdo entre mdicos. Hay informacin estimada subjetivamente

Modelo Incompleto Deficiencias del Modelo Modelo Inexacto

Ejemplo de Red Bayesiana simple

Ganar el puesto (GP)

Resultado Evaluacin (REV)

Resultado Entrevista (REN)

Estructura: En toda Red Bayesiana se cumplen los siguientes Trminos: 1) Los nodos de la red estn formados por un conjunto de variables aleatorias (generalmente de tipo discretas, pero si son continuas se las discretiza utilizando rangos)

Ganar el puesto (GP)

REV Aprobado (A) o Desaprobado (D) REN - 100 a 80 puntos = Muy bueno (MB), 50 a 79 puntos = Bueno (B) o 0 a 49 puntos = Malo (M)
Resultado Entrevista (REN)

Resultado Evaluacin (REV)

GP SI (S) o No (N)

2) Los nodos se conectan de a pares mediante flechas (el sentido de la flecha indica la influencia ejercida). En el ejemplo: REV se conecta con GP REN se conecta con GP entonces GP depende de REV y de REN 3) Para cada nodo hijo existe una tabla de probabilidad condicionada (cuantificando el efecto que ejercen sus padres sobre el) Tabla de probabilidades condicionadas Variables REV=A, REN=MB REV=A, REN=B REV=A, REN=M REV=D, REN=MB REV=D, REN=B REV=D, REN=M P(GP = SI) 1 0,80 0,60 0,40 0,20 0 P(GP = NO) 0 0,20 0,40 0,60 0,80 1

4) No existen ciclos de influencia (pueden existir bucles)

A A

Como se razona en RB Considerando nuestro ejemplo, podramos INFERIR el valor asumido por la VARIABLE DE SALIDA (GP) propagando las EVIDENCIAS (REV y REN). Para ello aplicamos el teorema de Bayes, las probabilidades de los nodos marginales (REV y REN) y las probabilidades condicionadas. Es decir, inferir,

P (GP=S/REV, REN) y P (GP=N/REV, REN) Pasos para construir una RB 1) Determinar cules son las Variables del dominio a incluir 2) Definir a que Tipo corresponde cada variable estableciendo tambin sus Valores posibles (discretizar variables si es necesario) 3) Definir la Topologa de la RB (determinando las relaciones causales existentes entre las variables) 4) Definir las Probabilidades condicionales Conociendo las probabilidades de los nodos marginales (nodos evidencia) ya se puede efectuar razonamiento probabilstico Ventajas: Proveen una representacin grfica de las relaciones de dependencia del dominio Permiten utilizar criterios objetivos (ej. informacin histrica) y subjetivos (ej. experiencia del experto del dominio) Permiten modelar la incertidumbre generando buenas predicciones con informacin incompleta Permiten inferencias bidireccionales (se puede predecir que valores de entrada son necesarios para obtener un determinado valor de salida) Desventajas: Definir la topologa de la red puede ser una tarea muy compleja, quizs generando un grafo que no modela al dominio En la identificacin de variables pueden haberse omitido algunas que resultan importantes Una mala estimacin de los valores posibles de asumir por las variables puede llevar a invalidar resultados Los resultados obtenidos son altamente sensibles a las probabilidades marginales y condicionales que se establezcan Aplicaciones SABER EXPLICAR LA UTILIDAD EN LAS APLICACIONES Y PORQUE USAR RB Y NO OTRAS TIPO AG RN ETC ETC OSEA VER CDO ES CONVENIENTE UNA U OTRA Algunas aplicaciones de Redes Bayesianas Diagnostico de Cncer Diagnostico de fallos de procesadores Diagnostico de problemas de impresora Proceso de descubrimiento del conocimiento(PDC): conceptos basicos y caracteristicas. Aplicaciones. (?) Razonamiento Basado en Casos (RBC): conceptos bsicos y caractersticas. Aplicaciones. Implica razonar haciendo uso de casos o experiencias previas: sugerir una solucin a un problema o situacin nueva sugerir adaptaciones para soluciones que no resultaron eficaces proponer cambios para prevenir posibles fracasos criticar una solucin en progreso

RBC: resolver un problema nuevo recordando una situacin similar previa y reutilizando su informacin y conocimiento Principios de sostienen al enfoque de RBC 1) El mundo es regular, por ello problemas similares tienen soluciones similares (Soluciones para problemas anteriores similares son tiles puntos de partida para dar nuevas soluciones a problemas) 2) Los tipos de problemas con que alguien puede encontrarse tienden a recurrir (Los problemas futuros sern probablemente similares a los actuales) Ejemplo: Un doctor atiende a un paciente que presenta una combinacin inusual de sntomas Si este doctor trat a un paciente previo con sntomas similares, probablemente recordar el caso y propondr el diagnstico dado en aquel momento como solucin para el nuevo problema. Ahora bien, El diagnstico anterior es correcto para este otro paciente?, la respuesta es que no podemos afirmarlo con certeza, primero hay que validarlo para no impedir la consideracin de otros probables diagnsticos. Sin embargo, el caso previo facilit la generacin de una respuesta por lo que el RBC es una estrategia de razonamiento efectiva. FALTA DESARROLLO, Q SE AMPLIE EL TEMA CON EJM CONCRETOS Q PUEDAN EXPLICAR.. O SEA Q ENTIENDA XQ UNO U OTRO TIPO DE AG Agentes inteligentes (AI) y sistemas multiagentes (SMA): agentes de software, conceptos bsicos y caractersticas. Aplicaciones.

Definicin. Un agente (AI) es software que percibe su ambiente mediante sensores y que responde o acta en tal ambiente por medio de efectores (AIMA).
Caractersticas Algunas de las caractersticas que en la literatura se suelen atribuir a los agentes en mayor o menor grado para resolver problemas particulares son: 1) Continuidad Temporal: se considera un agente un proceso sin fin, ejecutndose continuamente y desarrollando su funcin. 2) Autonoma: un agente es completamente autnomo si es capaz de actuar basndose en su experiencia. El agente es capaz de adaptarse aunque el entorno cambie severamente. Por otra parte, una definicin menos estricta de autonoma sera cuando el agente percibe el entorno. 3) Sociabilidad: este atributo permite a un agente comunicar con otros agentes o incluso con otras entidades. 4) Racionalidad: el agente siempre realiza lo correcto a partir de los datos que percibe del entorno. 5) Reactividad: un agente acta como resultado de cambios en su entorno. En este caso, un agente percibe el entorno y esos cambios dirigen el comportamiento del agente. 6) Pro-actividad: un agente es pro-activo cuando es capaz de controlar sus propios objetivos a pesar de cambios en el entorno.

7) Adaptatividad: est relacionado con el aprendizaje que un agente es capaz de realizar y si puede cambiar su comportamiento basndose en ese aprendizaje. 8) Movilidad: capacidad de un agente de trasladarse a travs de una red telemtica. 9) Veracidad: asuncin de que un agente no comunica informacin falsa a propsito. 10) Benevolencia: asuncin de que un agente est dispuesto a ayudar a otros agentes si esto no entra en conflicto con sus propios objetivos. Estructura de los agentes inteligentes El cometido de la IA es el diseo de un programa de agente : una funcin que permita implantar el mapeo del agente para pasar de percepciones a acciones. Este programa se ejecutar en algn tipo de dispositivo de cmputo, al que se denominar arquitectura. La relacin entre agentes, arquitectura y programas podr resumirse de la siguiente manera: Agente = arquitectura + programa Antes de proceder al diseo de un programa de agente, es necesario contar con una idea bastante precisa de las posibles percepciones y acciones que intervendrn, qu metas o medidas de desempeo se supone lleve a cabo el agente, as como del tipo de ambiente en que tal agente operar. Ejemplos de Aplicaciones Los tipos principales usados hoy en da son: Robots de bsqueda en el WorldWideWeb (araas), programas que vagan por la web, coleccionando pginas Web; la nica inteligencia que tienen es la capacidad de seguir punteros en la Web sin perderse, o meterse en bucles infinitos, y saber distinguir una pgina de otras cosas que hay en la Web, como grficos y sonidos. Jerarqua: conducido mediante tabla. Agentes-filtro de correo electrnico y de noticias de USENET : clasifican noticias textuales o correo electrnico de acuerdo con una serie de caractersticas, por ejemplo, mensajes procediendo de un autor determinado o de una lista de correo. Casi todos los programas de correo electrnico incluyen alguna cosa de este estilo, o sea que malamente se les puede calificar ya de agentes. Jerarqua: conducido mediante tabla.