LOS AGENTES Y SU ENTORNO

Un agente es quien tiene la virtud de obrar, de acuerdo a la

definición aportada por el diccionario de la Real Academia
Española (RAE).
Un agente es cualquier cosa, un sistema conformado por hardware
o software capaz de percibir su medioambiente mediante sensores
y actuar según su función de forma racional.
AGENTES DE SOFTWARE
Son aplicaciones informáticas (programa de computación) que
tienen la capacidad de decidir cómo debe actuar para alcanzar sus
objetivos.
Agentes Inteligentes
Ejemplo
· Una computadora que ejecuta un software de diagnóstico médico y muestra resultados
en una pantalla para ayudar a decidir a un médico.
CARACTERÍSTICAS DE UN AGENTE
Según Wooldridge 2005
Esta definición ve a un agente como un sistema de computación capaz de actuar de forma autónoma
y flexible en un entorno, entendiendo por flexible:
● Reactivo, el agente es reactivo cuando mantiene una interacción constante con su
ambiente, y responde a los cambios que ocurren en este. Ejemplo ambiente fijo: Un compilador
Pro-activo, es decir los comportamientos del agente está orientado a metas; no guiarse
solamente por los eventos; tomar la iniciativa y reconocer oportunidades.
● Social, es la habilidad de interactuar con otros agentes por medio de algún tipo de lenguaje
de comunicación de agentes, y quizás cooperar con otros.
Según Franklin
· Continuidad Temporal: Se considera un agente un proceso sin fin, ejecutándose
continuamente y desarrollando su función.
· Autonomía: Un agente es completamente autónomo si es capaz de actuar
basándose en su experiencia.
· Sociabilidad: Permite a un agente comunicar con otros agentes o incluso con otras
entidades.
· Racionalidad: El agente siempre realiza “lo correcto” a partir de los datos que
percibe del entorno.
· Reactividad: Un agente actúa como resultado de cambios en su entorno.
· Pro-actividad: Un agente es pro-activo cuando es capaz de controlar sus propios
objetivos.
· Adaptabilidad: Un agente es capaz de realizar y si puede cambiar su
comportamiento basándose en ese aprendizaje.
· Movilidad: Capacidad de un agente de trasladarse a través de una red telemática.
· Veracidad: Un agente no comunica información falsa a propósito
· Benevolencia: Un agente está dispuesto a ayudar a otros agentes si esto no entra en
conflicto con sus propios objetivos
.
AGENTE RACIONAL
Entendemos por agente racional, aquel que actúa con la intención de alcanzar el mejor resultado o,
cuando hay incertidumbre, el mejor resultado esperado.
Su racionalidad depende:
· La medida de rendimiento que define el criterio de éxito.
· Cuánto conoce el agente del ambiente en que opera.
· Las acciones que el agente esté en condiciones de realizar.
 · La secuencia de percepciones.
LA NATURALEZA DEL ENTORNO DE TRABAJO
La inteligencia artificial debe tomar en cuenta siempre el entorno en el que los agentes se
desenvolverán por lo cual se especifica el REAS y PAMA.
Ejemplo de REAS:
“Taxista automático”
● Rendimiento: Seguro, rápido, legal, viaje confortable, maximización del beneficio
● Entorno: Carreteras, otro tráfico, peatones, clientes.
●
● Actuadores: Dirección, acelerador, freno, señal, bocina, visualizador.
● Sensores: Cámaras, sonar, velocímetro, GPS, tacómetro, visualizador de la
aceleración, sensores del motor, teclado
Ejemplo PAMA:
“Taxista automático”
● Percepciones: Video, acelerómetro, instrumental del tablero, sensores del motor,
teclado.
● Acciones: Gestión del volante, acelerar y frenar, bocina, hablar/graficar
● Metas: Seguridad, llegar a destino, maximizar ganancias, obedecer las leyes,
satisfacción del cliente
● Ambiente: Calles urbanas, avenidas, tráfico, peatones, clima, tipo de cliente.
PROPIEDADES DE LOS ENTORNOS DE TRABAJO
Totalmente observable / Parcialmente observable
Es totalmente observable cuando los aspectos son todos detectados por los sensores y es
parcialmente observable cuando por razones como ruido o quizá sensores no muy exactos.
Determinista / Estocástico.
Un agente es estocástico cuando se basa en las probabilidades e incertidumbre de no saber lo que
ocurrirá en su entorno, es determinista cuando el medio está determinado por el estado actual.
Episódico / Secuencial
Un agente es episódico cuando su acción no determina una secuencia de acciones futuras, en
cambio es secuencial cuando sus acciones pueden cambiar el resto de acciones.
Estático / Dinámico.
Un agente es estático cuando el medio ambiente no cambia mientras se toma la decisión, y un
agente dinámico cambia su entorno de muchas maneras.
Discreto / Continuo
Un agente discreto es aquel en el que el tiempo, el medio y las percepciones que tiene no son
infinitos como lo haría un agente continuo.
Sin adversario / con adversarios racionales
Un agente Sin adversario es aquel que no depende de otro para cumplir con su medida de
rendimiento, con adversarios racionales depende también del rendimiento del otro agente.
ESTRUCTURA DE LOS AGENTES
El cometido de la IA es el diseño de un programa de agen-te: una función que permita implantar el
mapeo del agente para pasar de percepciones a acciones. Se da por sentado que este programa se
ejecutará en algún tipo de dispositivo de cómputo, al que se denominará arquitectura. Desde luego,
el programa elegido debe ser aquel que la arquitectura acepte y pueda ejecutar.
Agente = arquitectura + programa
TIPOS DE AGENTES
No Bien informados de lo que pasa
Tablas –intensivos: Se trata de una tabla bastante voluminosa para repetir la acción ya
experimentada antes.
Agentes de reflejo simple: Este tipo de agente no contiene internamente estados y sus procesos o
acciones que realiza son respuestas a la entrada de percepciones.
Bien informados de lo que pasa:
Agente reactivo simple con memoria: Con un estado interno usado para seguirle la pista a los
estados pasados.
Agentes meta-intensivos: Además de disponer de información sobre el estado, tienen una clase de
información sobre la meta que describe situaciones deseables.
Utilidad-intensivos: Basado en la utilidad, maximiza su propia función de utilidad.

SISTEMAS EXPERTOS
Los sistemas expertos son programas que aplican los conceptos de la inteligencia artificial, es decir
estos sistemas buscan capturar en un ordenador la experiencia de una persona experta en un área
determinada del conocimiento, de tal modo que una persona no experta pueda aprovechar esta
información.
Características de los sistemas expertos:

● Estructura

Los SE están compuestos por dos partes principales: el ambiente de desarrollo

y el ambiente de consulta, El primero es utilizado por el constructor para crear
los componentes e introducir conocimiento en la base de conocimiento.
el ambiente de consulta es utilizado por los no-expertos para obtener
conocimiento experto y consejos (Turban, 1995)

Subsistema de adquisición de conocimiento

Es la acumulación, transferencia y transformación de la experiencia para
resolver problemas de una fuente de conocimiento a un programa de
computadora para construir o expandir la base de conocimiento.
Base de conocimiento
Contiene el conocimiento necesario para comprender, formular y resolver
problemas. Incluye dos elemntos básicos: heuristica especial y reglas que
dirigen el uso del conocimiento para resolver problemas específicos en un
dominio particular
Base de hechos
Es una memoria de trabajo que contiene los hechos sobre un problema, alberga
los datos propios correspondientes a los problemas que se desean tratar
Motor de inferencia
Es el cerebro del SE, también conocido como estructura de control o
interpretador de reglas. Este componente es esencialmente un programa de
computadora que provee metodologías para razonamiento de información en la
base de conocimiento.
Subsistema de justificación
Se encarga de explicar el comportamiento del SE al encontrar una solución.
Permite al susario hacer preguntas al sistema para poder entender las lineas de
razonamiento que este siguio. Resulta especialmente beneficioso para usuarios
no expertos que buscan aprender a realizar algun tipo de tarea.
● Ventajas de los sistemas expertos

Las ventajas que se presentan a continuación son en comparación con los

expertos humanos:

❖ Están siempre disponibles a cualquier hora del día y de la noche, y de

forma interrumpida
 ❖ Mantiene el humor
❖ Pueden duplicarse
❖ Pueden situarse en el mismo lugar donde sean necesarios
❖ Permiten tener decisiones homogéneas efectuadas según las directrices que
se les fijen
❖ Son fáciles de programar
❖ Pueden perdurar y crecer en el tiempo de forma indefinida
❖ Pueden ser consultados por personas u otros sistemas informáticos
LÓGICA DIFUSA
La forma en que la gente piensa es, inherentemente, difusa. La forma en que percibimos el
mundo está cambiando continuamente y no siempre se puede definir en términos de
sentencias verdaderas o falsas. Consideremos como ejemplo el conjunto de vasos del
mundo, que pueden estar vacíos o llenos de agua. Ahora tomemos un vaso vacío y
comencemos a echar agua poco a poco, ¿en qué momento decidimos que el vaso pasa de
estar vacío a estar lleno? Evidentemente, hay dos situaciones extremas que reconocemos sin
ninguna duda, la primera cuando el vaso está completamente vacío, sin una sola gota de
agua en su interior, y la segunda cuando está completamente lleno, cuando no cabe ni una
sola gota más en él, pero una gota antes de estar completamente lleno, ¿diríamos que es
falso que el vaso está lleno?, observa que para afirmar su condición, en la frase anterior no
solo he usado el término lleno, sino que he añadido un modificador diciendo
completamente lleno. Si a un vaso lleno de agua le quito una gota de agua... ¿dejo de
considerarlo lleno y automáticamente pertenece para mí a otra clasificación?

Las definiciones de vaso completamente vacío y vaso completamente lleno son demasiado
estrictas como para que resulten interesantes en un razonamiento en el que se consideran
operaciones de llenado y vaciado de vasos, y entre los términos de lleno y vacío hay un área
que no está claramente definida de pertenencia a ninguno de esos extremos. En el lenguaje
natural que usamos en el mundo real hemos cubierto esta imprecisión por medio de una
jerarquía de términos intermedios junto con modificadores que permiten cubrir un espectro
más grande de áreas usando un número limitado de ellos, y podemos hablar de lleno, medio
lleno, completamente lleno, casi lleno, etc. Matemáticamente, los conceptos de sí/no,
verdadero/falso están representados por medio del concepto clásico de conjunto, pero
necesitamos extenderlo para poder representar este tipo de información más difusa.

1. REDES NEURONALES
RED NEURONAL BIOLÓGICA
Fue Ramón y Cajal (1888) quién descubrió la estructura celular (neurona) del sistema
nervioso. Defendió la teoría de que las neuronas se interconectaban entre sí de forma
paralela, y no formando un circuito cerrado como el sistema sanguíneo.
Una neurona consta de un cuerpo celular (soma) de entre 10 y 80 mm, del que surge un
denso árbol de ramificaciones (dendritas) y una fibra tubular (axón) de entre 100 mm y un
metro.

Fig.Nº2 Modelo simplificado de una neurona biologica.

De alguna forma, una neurona es un procesador de información muy simple:

· Canal de entrada: dendritas.
 · Procesador: soma.
· Canal de salida: axón.
Una neurona cerebral puede recibir unas 10.000 entradas y enviar a su vez su salida a varios
cientos de neuronas.
La conexión entre neuronas se llama sinapsis. No es una conexión física, si no que hay unos
2 mm de separación. Son conexiones unidireccionales, en la que la transmisión de la
información se hace de forma eléctrica en el interior de la neurona y de forma química entre
neuronas; gracias a unas sustancias específicas llamadas neurotransmisores.
No todas las neuronas son iguales, existen muchos tipos diferentes según el número de
ramificaciones de sus dendritas, la longitud del axón y otros detalles estructurales. Sin
embargo, como hemos visto, todas ellas operan con los mismos principios básicos.

RED NEURONAL ARTIFICIAL

Las redes neuronales (también conocidas como sistemas conexionistas) son un modelo
computacional basado en un gran conjunto de unidades neuronales simples (neuronas
artificiales), de forma aproximadamente análoga al comportamiento observado en los
axones de las neuronas en los cerebros biológicos. Cada unidad neuronal está conectada con
muchas otras y los enlaces entre ellas pueden incrementar o inhibir el estado de activación
de las neuronas adyacentes. Cada unidad neuronal, de forma individual, opera empleando
funciones de suma. Puede existir una función limitadora o umbral en cada conexión y en la
propia unidad, de tal modo que la señal debe sobrepasar un límite antes de propagarse a otra
neurona. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de
forma explícita, y sobresalen en áreas donde la detección de soluciones o características es
difícil de expresar con la programación convencional.

MODELO DE NEURONA ARTIFICIAL

El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o
neurona artificial, como un dispositivo que a partir de un conjunto de entradas, xi (i=1...n) o
vector
x,

genera una única salida y.

Fig.Nº3

1. ALGORITMOS GENÉTICOS
 Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Están basados en el proceso genético de los
organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la
naturaleza de acorde con los principios de la selección natural y la supervivencia de los más
fuertes, postulados por Darwin (1859). Por imitación de este proceso, los Algoritmos
Genéticos son capaces de ir creando soluciones para problemas del mundo real. La
evolución de dichas soluciones hacia valores óptimos del problema depende en buena
medida de una adecuada codificación de las mismas.

Introducción a la Representación del Conocimiento

 ¿Qué es la representación del conocimiento?
La representación del conocimiento es una de las áreas fundamentales de la Inteligencia
Artificial (AI).
● Se encarga de estudiar cómo el conocimiento puede ser representado simbólicamente y
manipulado automáticamente por programas de razonamiento.
● en términos más sencillos, es el área de AI que se encarga de estudiar cómo el
conocimiento contribuye al comportamiento inteligente.
Nosotros estudiaremos los simbolismos más utilizados para representar conocimiento, y
algunos de los procedimientos computacionales que se han desarrollado para razonar con
ellos.

I. EL CONOCIMIENTO
Como concepto básico, el conocimiento es un conjunto de representaciones abstractas que
se almacenan mediante la experiencia o la adquisición de conocimientos o a través de la
observación. En el sentido más extenso que se trata de la tenencia de variados datos
interrelacionados que al ser tomados por sí solos, poseen un menor valor cualitativo.
1.1. Tipos de conocimiento y rasgos que lo caracterizan

El conocimiento es El conocimiento expresa

● Función ● la herencia genética y la memoria

● Acción filogenética.
● Producto ● la adaptación ambiental social y cultural
● Resultado del desarrollo de la vida de de grupo.
un individuo ● la propia interacción del individuo en su
ambiente y su creatividad.

II. SISTEMAS DE REPRESENTACIÓN DEL CONOCIMIENTO

3.1. Formas Estructuradas

a) Redes asociativas

Las redes semánticas, fueron originalmente desarrolladas para representar el significado o

semántica de oraciones en inglés, en términos de objetos y relaciones. Actualmente, el
 término redes asociativas es más ampliamente utilizado para describirlas ya que no solo se
las usa para representar relaciones semánticas, sino también para representar asociaciones
físicas o casuales entre varios conceptos u objetos.
(Casas, 2013)
Las redes asociativas se caracterizan por representar el conocimiento en forma gráfica.
Agrupan una porción de conocimiento en dos partes: objetos y relaciones entre objetos. Los
objetos se denominan también nodos) elementos del conocimiento y las relaciones entre
nodos se denominan enlaces o arcos. Cada nodo y cada enlace en una red semántica, deben
estar asociados con objetos descriptivos.
(Bernal, 2010)
Ventajas de las Redes Asociativas
Las redes asociativas tienen dos ventajas sobre los sistemas basados en reglas y sobre los
basados en lógica:
1. Permiten la declaración de importantes asociaciones, en forma explícita y sucinta.
2. Debido a que los nodos relacionados están directamentente conectados, y no se
expresan las relaciones en una gran base de datos, el tiempo que toma el proceso de
búsqueda por hechos particulares puede ser significativamente reducido.

b) Estructuras frame

Típicamente llamadas Representación mediante planillas por su traducción al español, es

una estructura de datos apropiada para representar una situación estereotípica. Las plantillas
organizan el conocimiento en objetos y eventos que resultan apropiados para situaciones
específicas. Evidencia psicológica sugiere que la gente utiliza grandes plantillas para
codificar el conocimiento de experiencias pasadas, o conocimiento acerca de cosas que se
encuentran comúnmente, para analizar y explicar una situación nueva en su cotidiana
actividad cognoscitiva.
(Casas, 2013)

c) Representación orientada a objetos

Los objetos, son similares a las plantillas. Ambos sirven para agrupar conocimiento
asociado, soportan herencia, abstracción y el concepto de procedimientos agregados. La
diferencia radica en los siguiente:

1. En las plantillas, a los programas y a los datos se los trata como dos entidades,
relacionadas separadas. En cambio, en los objetos se crea una fuerte unidad entre los
procedimientos (métodos) y los datos.
2. Los demons de las plantillas sirven sólo para computar valores para las diversas
ranuras o para mantener la integridad de la base de conocimientos cada vez que una
acción de alguna plantilla, afecta a otra. En cambio, los métodos utilizados por los
objetos son más universales ya que proporcionan cualquier tipo general de
computación requerida y además soportan encapsulamiento y polimorfismo.
Ventajas de la Representación orientada a objetos
Los objetos, como forma de representación del conocimiento ofrecen las siguientes
ventajas:
1. Poder de abstracción.
2. Encapsulamiento o capacidad de esconder información.
3. Herencia, es decir pueden recibir características o propiedades de sus ancestros.
 4. Polimorfismo, que permite crear una interfaz común para todos los diversos objetos
utilizados dentro del dominio
5. Posibilidad de reutilización del código
6. Mayor facilidad para poder trabajar eficientemente con sistemas grandes

d) Representación basada en guiones

El guion es una herramienta en la que se especifica el desarrollo del llamado paso a paso,
considerando todas las alternativas posibles claramente identificadas con su correspondiente
acción a seguir.

En lo que respecta la inteligencia artificial es básicamente una estructura de conocimiento

que contiene una secuencia estereotipada de acciones. Aquí hay que entender “acción” en
sentido amplio, es decir, incluyendo también la conversación, el pensamiento, los actos de
voluntad y los sentimientos.

Los programas que utilizan guiones almacenan la información mediante los grafos de
dependencia conceptual. Sin embargo, la representación de guiones va más allá de la
representación de frases aisladas. A parte de que los guiones enlazan causalmente
secuencias de acciones, la diferencia principal consiste en que cada guión posee roles
correspondientes a las personas que intervienen.
Ventajas de la Representación basada en guiones
1. Lectura concreta y directa, pues toma temas breves en base a temas concretos
2. Capacidad de predecir eventos
3. No depende de ningún idioma
4. Alto grado de inferencia
5. Capacidad de integrar información de forma coherente

e) Representación basada en el modelo de dependencia conceptual

La dependencia conceptual intenta representar el significado de frases en lenguaje natural

de forma que se posibilite la derivación de conclusiones y que la representación sea
independiente del lenguaje utilizado en las declaraciones originales.

Una representación de dependencia conceptual no se constituye a partir de primitivas que

correspondan a palabras concretas de una declaración dada. Por el contrario, se utilizan
primitivas conceptuales que pueden combinarse para formar significados de palabras en
cualquier lenguaje.
Ventajas del modelo de dependencia conceptual
El modelo de dependencia conceptual facilita el razonamiento con el conocimiento
representado ya que:
1. Al descomponer el conocimiento en primitivas se necesitan menos reglas de
inferencia
2. Muchas inferencias están auto contenidas en la representación
3. La estructura inicial construida con la información disponible, facilita el enfoque de
atención del programa que debe entender las frases, ya que contiene huecos que
deberán rellenarse
3.2. Lógica simbólica formal
La lógica formal es la parte de la lógica que, a diferencia de la lógica informal, se dedica al
estudio de la inferencia mediante la construcción de lenguajes formales, sistemas
deductivos y semánticas formales. La idea es que estas construcciones capturen las
características esenciales de las inferencias válidas en los lenguajes naturales, pero que al
ser estructuras formales y susceptibles de análisis matemático, permiten realizar
demostraciones rigurosas sobre ellas.
La lógica formal no debe ser confundida con la lógica matemática, antes llamada lógica
simbólica, que es una subdisciplina de la lógica formal.

a) Lógica proposicional
La lógica proposicional sería el primer mecanismo para representar el conocimiento, este
mecanismo comienza con el uso de sentencias atómicas, las cuales son sentencias que no se
pueden dividir.

La sintaxis de la lógica proposicional nos indica que estas sentencias atómicas se

representan a través de letras, para poder comprender esto usaremos como ejemplo una
inteligencia artificial que se encarga de diagnosticar enfermedades.

Proposiciones
Una proposición es una oración declarativa o una expresión matemática que es verdadera o
es falsa, pero no ambas. De esta manera, una proposición tiene un valor de verdad, que
puede ser V, si es verdadera o puede ser F, si es falsa. Consideraremos exclusivamente
proposiciones matemáticas.
❖ Tautología: Se define tautología o validez a aquella fórmula que siempre es verdadera.
❖ Contradicción: Es una proposición que siempre es falsa para todos los valores de
verdad. Para cualquier valor de verdad de las proposiciones, sea cual sea el resultado
de la fórmula lógica estudiada siempre va a ser falso.
❖ Conjunción: Es aquella fórmula que es falsa o verdadera. Las expresiones de las que
depende la validez de los argumentos se definen constante lógicas.
a) Lógica de predicados

La principal debilidad de la lógica proposicional es su limitada habilidad para expresar

conocimiento. Existen varias sentencias complejas que pierden mucho de su significado
cuando se las representa en lógica proposicional. Por esto se desarrolló una forma lógica
más general, capaz de representar todos los detalles expresados en las sentencias, esta es la
lógica de predicados.
La lógica de predicados está basada en la idea de las sentencias realmente expresan
relaciones entre objetos, así como también cualidades y atributos de tales objetos. Los
objetos pueden ser personas, objetos físicos, o conceptos. Tales cualidades, relaciones o
atributos, se denominan predicados. Los objetos se conocen como argumentos o términos
del predicado.

Cuantificador universal
Las variables, también pueden ser cuantificadas. Los cuantificadores que típicamente se
utilizan en lógica de predicados son:
a) Indica que la fórmula bien formada, dentro de su alcance, es verdadera para todos los
valores posibles de la variable que es cuantificada. Por ejemplo:
"X....
Reglas de producción
Los sistemas basados en reglas son los más comúnmente utilizados. Su simplicidad y
similitud con el razonamiento humano, han contribuido para su popularidad en diferentes
dominios. Las reglas son un importante paradigma de representación del conocimiento.