Inteligencia Artificial

Captulo 1
Qu es Inteligencia Artificial

Dos dimensiones:

Procesos del pensamiento/razonamiento vs. comportamiento/accin;

xito acorde a los estndares humanos vs. xito acorde a un concepto ideal de inteligencia:
racionalidad.

Qu es Inteligencia Artificial

Segn lo dicho en el slide anterior tenemos:

Sistemas que piensan como humanos.

Sistemas que actan como humanos.

Sistemas que piensan racionalmente.

Sistemas que actan racionalmente.

Qu es Inteligencia Artificial

Sistemas que piensan como humanos

El esfuerzo de hacer que los computadores piensen, mquinas con mentes, en el ms amplio
sentido literal.

Sistemas que actan como humanos

El arte de desarrollar mquinas con capacidad para realizar funciones que cuando son realizadas
por personas decimos que requieren de inteligencia.

Sistemas que piensan racionalmente

El estudio de las facultades mentales mediante el uso de modelos computacionales.

Sistemas que actan racionalmente

La Inteligencia Computacional es el estudio del diseo de agentes inteligentes.

Discrepancia de enfoques
Enfrentamiento entre los enfoques centrados en los humanos y los centrados en torno a la racionalidad.
El enfoque racional implica una combinacin de matemticas e ingeniera.

Comportamiento humano: el enfoque de la Prueba de Turing

El computador supera la prueba si un evaluador humano no es capaz de distinguir si las respuestas, a una
serie de preguntas planteadas, son de una persona o no.

El computador debera tener las siguientes cualidades

Procesamiento de lenguaje natural.

Representacin del conocimiento.

Razonamiento automtico.

Aprendizaje automtico.

Y la interaccin fsica

Visin computacional.

Robtica.

Pensar como un humano: el enfoque del modelo cognitivo

Requiere de teoras cientficas de las actividades internas del cerebro (modelo cognitivo).

Requiere de alguna manera de identificacin de datos neurolgicos.

Experimentacin psicolgica.

Pensamiento racional: el enfoque de las leyes del pensamiento

El filsofo griego Aristteles fue uno de los primeros en intentar codificar la manera correcta de pensar,
es decir, un proceso de razonamiento irrefutable.

Estas leyes del pensamiento supuestamente gobiernan la manera de operar de la mente; su estudio fue el
inicio de un campo llamado lgica.

Actuar de forma racional: el enfoque del agente racional

Que perciba su entorno.

Que persista durante un perodo de tiempo prolongado.

Que se adapte a los cambios.

Agentes Racionales

Este curso es acerca del diseo de agentes racionales.

Un agente es una funcin de historias de percepcin a acciones:

f : P* A

Capitulo 2
Agentes y Ambientes
Un Agente es cualquier cosa capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio
utilizando actuadores.

La funcin agente mapea secuencia de percepciones a acciones

f : P A
La funcin agente ser representada internamente por el programa agente. Es una descripcin
matemtica abstracta.
El programa del agente se ejecuta en la arquitectura fsica para producir f

El Concepto de Racionalidad
Un agente racional es aquel que hace lo correcto en funcin de su conocimiento.

La Mtrica de Rendimiento se define de acuerdo a qu se quiere lograr en el ambiente, en lugar de qu debe de

realizar el agente.

Racionalidad
Qu es racional en un momento dado depende de cuatro cosas:

Mtrica de Rendimiento (Performance Measure),

Conocimiento previo sobre el ambiente,

Secuencia de percepciones (sensores).

DEF: Un agente racional elige cualquier accin que maximice el valor esperado de la mtrica de rendimiento
Racionalidad
Racionalidad : omniciencia

Un agente omniciente conoce el resultado de sus acciones.

Racionalidad : perfeccin

Racionalidad maximiza el rendimiento esperado, mientras la perfeccin maximiza el resultado

real.

Racionalidad
La definicin propuesta requiere:

Recoleccin de informacin/exploracin

Para maximizar recompensas futuras

Aprender de las percepciones

Extender el conocimiento previo

Ambientes
Para disear un agente racional debemos de especificar su ambiente de trabajo (task environment).
REAS (descripcin del ambiente):

Rendimiento

Entorno

Actuadores

Sensores

AGENTE INDIVIDUAL vs MULTIAGENTE

Si hay ms de un agente con funciones de rendimiento en el mismo entorno. Puede ser MULTIAGENTE COMPETITIVO
(ajedrez) o MULTIAGENTE COOPERATIVO o MULTIAGENTE PARCIALMENTE COOPERATIVO (varios taxistas por la
calle).

Totalmente vs. parcialmente observable: un ambiente es totalmente observable cuando los sensores pueden
detectar todos los aspectos que son relevantes para elegir la accin

Determinstico vs. estocstico: si el siguiente estado del ambiente es totalmente determinado por el estado
actual y la accin ejecutada por el agente entonces el ambiente es determinstico. Si el medio es determinista,
excepto para las acciones de otros agentes, decimos, que el medio es estratgico..

Episdico vs. secuencial: En un ambiente episdico la experiencia del agente puede ser dividida en pasos
atmicos donde el agente percibe y luego realiza una sola accin. La eleccin de la accin depende solo del episodio
mismo.

Sttico vs. dinmico: Si el ambiente puede cambiar mientras el agente est eligiendo una accin, entonces el
ambiente es dinmico. Semidinmico si el rendimiento del agente cambia inclusive cuando el ambiente sigue igual .

Discreto vs. contnuo: Esta distincin puede aplicar al estado del ambiente, la forma en que el tiempo es
manejado y las acciones/percepciones del agente.

Mono vs. multi-agente: Cuando el ambiente contiene a otros agentes quienes tambin maximizan alguna
mtrica de rendimiento que depende de las acciones actuales de los mismos

Tipos de Ambientes
El ambiente ms simple es:

Totalmente observable, determinstico, episdico, sttico, discreto y mono-agente.

La mayora de las situaciones son:

Parcialmente observables, estocsticos, secuenciales, dinmicos, contnuos y multi-agentes.

Tipos de Agentes
Cmo funciona internamente un agente?

Agente = arquitectura + programa

Todos tienen el mismo esqueleto:

Entradas = percepciones actuales

Salidas = accin

Programa = manipula las entradas para producir las salidas

Tipos de Agentes
Cuatro tipos bsicos de agentes se presentarn:

Agentes Reactivos Simples

Agentes Reactivos Basados en Modelos

Agentes Basados en Objetivos

Agentes Basados en Utilidad

Reactivos Simples
Gran reduccin en posibles situaciones de percepcin/accin.
Implementado a travs de reglas

Basado en Modelos
Para manejar ambientes parcialmente observables .

Mantiene estado interno

En el tiempo, actualiza el estado usando conocimiento del mundo

Cmo cambia el mundo.

Cmo las acciones afectan al mundo.

Basado en Objetivos
El agente precisa de un objetivo para saber qu situaciones son deseables.
Es tpico tema de investigacin en bsqueda y planificacin.

Basado en Utilidad
Ciertos objetivos pueden lograrse de diferentes formas.

Algunos son mejores, tienen ms utilidad.

Una funcin de utilidad mapea un (secuencia de) estado(s) a un nmero real.

Mejora en los objetivos:

Selecciona entre objetivos en conflicto.

Selecciona apropiadamente entre varios objetivos basando en las posibilidades de xito.

Aprendizaje
Todos los agentes previos describen mtodos para seleccionar acciones.

Sin embargo no explican el origen del programa.

Mecanismos de aprendizaje pueden utilizarse para lograr esta tarea.

Ensearles en lugar de instruirles.

Aprendizaje
Elemento de Aprendizaje: introduce mejoras en el performance element.

El Critic provee de retroalimentacin sobre el rendimiento del agente basado en un estndar fijo.

Elemento de Actuacin: selecciona acciones basndose en las percepciones.

Corresponde a los programas agentes previos.

Generador de Problemas: sugiere acciones que lleva a experiencias nuevas e informativas.

Exploracin vs. Explotacin

Capitulo 3
Agente Resolvedor de Problemas
Cuatro pasos para resolver problemas:

Formulacin de Objetivos

Formulacin del Problema

Qu estados y acciones considerar dado el objetivo

Buscar

Cuales son los estados exitosos del mundo

Determinar la posible secuencia de acciones que lleven a estados de valores

objetivo y luego elegir la mejor secuencia.

Ejecutar

Dar la solucin para realizar las acciones.

Un estado es (representacin de) una configuracin fsica.

Un nodo es una estructura de datos que pertenece a un rbol de bsqueda
Factor de ramificacin: nmero medio de descendientes de un nodo, o lo que es lo mismo,
el nmero medio de operadores aplicados a dicho camino.
Profundidad: longitud del camino ms corto desde el estado inicial a una meta. O la
longitud de secuencia ms corta de operadores que resuelven el problema .
Una estrategia es definida por medio del orden de expansin de los nodos.
El rendimiento de resolucin de problemas se mide de cuatro maneras:

Completitud: Encuentra siempre una solucin si existe?

Optimalidad: Siempre encuentra la solucin de menor costo?

Complejidad Temporal: Nmero de nodos generados/expandidos

Complejidad Espacial: Nmero de nodos almacenados en memoria durante la

bsqueda

La complejidad temporal y espacial son medidos en trminos de dificultad del

problema y definida por:

b: factor de ramificacin del rbol de bsqueda

d: profundidad de la solucin de menor costo

m: profundidad mxima del espacio de estados (puede ser )

Solo usa informacin disponible en la definicin del problema.

Cuando una estrategia puede determinar si un estado no-objetivo es mejor que otro
bsqueda heurstica.
Categoras definidas por el algoritmo de expansin son:

Bsqueda Primero en anchura

Bsqueda de Costo Uniforme

Bsqueda Primero en Profundidad

Bsqueda de Profundidad Ilimitada

Bsqueda Primero en Profundidad con profundidad iterativa

Bsqueda Bidireccional.

Bsqueda Primero en Anchura, un ejemplo

Expandir nodo ms cerca de la raz
Implementacin: frontera es una cola
Bsqueda Primero en Anchura; evaluacin
Dos lecciones:

Requerimientos de memoria son un mayor problema que el tiempo de ejecucin.

Los problemas de bsqueda con complejidad exponencial no pueden ser resueltos por
mtodos de bsqueda ciega, a no ser que sean instancias pequeas.

Bsqueda de Costo Uniforme

Extensin de BF-search:
Expandir nodo con el menor costo de camino
Implementacin:
cola ordenada por costo de camino.
UC-search es igual a BF-search cuando todos los costos son iguales.
Bsqueda Primero en Profundidad, un ejemplo
Expandir el nodo sin expandir ms profundo
Implementacin: frontera es LIFO (=pila)

 Bsqueda Bidireccional
Dos bsquedas simultneas desde el inicio y el objetivo.

Motivacin:

b d / 2 + b d / 2 b d

Estados Repetidos
Falla en detectar estados repetidos puede convertir a problemas solucionables en problemas sin solucin
Buscar con Informacin Parcial

problema sin sensores

El agente puede no tener idea de donde est; la solucin (si existe) es una secuencia.

problema de contingencia

Las percepciones proveen de nueva informacin acerca del estado actual; la solucin
es un rbol o poltica; muchas veces se intercala bsqueda y ejecucin.

Si la incertidumbre es causada por las acciones de otro agente: problema con

adversario.

problema de exploracin

Cuando los estados y acciones del ambiente son desconocidos