inteligencia artificial unidad 1

UNIDAD 1 | INTELIGENCIA ARTIFICIAL
1
Inteligencia artificial
Unidad 1
1.1 El propósito de la IA y su evolución
histórica.
1.2 Las habilidades cognoscitivas según la
psicología. Teorías de la inteligencia
(conductismo, Gardner, .
1.3 El proceso de razonamiento según la
lógica (Axiomas, Teoremas,
demostración).
1.4 El modelo de adquisición del
conocimiento según la filosofía.
1.5 El modelo cognoscitivo.
1.6 El modelo del agente inteligente.
1.7 El papel de la heurística.

2
HISTORIA DE LA INTELIGENCIA ARTIFICIAL
Reconocido en general como el primer trabajo de IA, fue realizado por
Warren McCulloch y Walter pitts(1943). Abrevaron de tres fuentes: conocimientos
sobre la filosofía básica y funcionamiento de las nuevas neuronas en el cerebro, el
análisis formal de la lógica proposicional de Russel y Whitehead y la teoría de la
computación de turing. Propusieron un modelo constituido por neuronas
artificiales, en el que cada una de ellas se caracterizaba por estar “encendida” o
“apagada”; el “encendido” se daba como respuesta ala estimulación producida por
una cantidad suficiente de neuronas vecinas. El estado de una neurona se veía
como “equivalente, de hecho, a una proposición que propusiera sus estímulos
adecuados. Por ejemplo, mostraron que cualquier función calculable podría
calcularse mediante cierta red de neuronas interconectadas y que todos los
conectores lógicos se podían lograr utilizando sencillas estructuras de red.
McCulloch y pitts también insinuaron la posibilidad de aprendizaje por parte de
redes definidas para tal propósito. Donald Hebb (1949) demostró una cenilla regla
de actualización para modificar las intensidades delas conexiones entre neuronas,
de manera que ocurriera el aprendizaje.
Los trabajos de McCulloch y Pittss son, si bien esto es discutible, los
precursores de la tradición logicisista en IA así como de la tradición conexionista.
A principios de la década de los 50, Claude Shannon (1950) y Alan Turing (1953)
se ocupaban de escribir programas de ajedrez para computadoras convencionales
al estilo de Von Neumann. Simultáneamente, dos estudiantes de posgrado del
departamento de matemáticas de Princeton, Marvin Minsky y Dean Edmonds,
construyeron la primera computadora de red neuronal en 1951. La SNARC, ese
era su nombré, utilizaba 3000 bulbos y un mecanismo de piloto automático
obtenido de los desechos de un avión bombardero B-24 para simular una red de
40 neuronas. Los asesores del doctorado de Minsky veian con escepticismo el que
este tipo de trabajo pudiera considerarse como matemáticas. Neumann formaba
parte de los asesores y se dice que su opinión fue: “si no lo es actualmente, algún
día lo será.” Es irónico que Minsky mismo hiciera la demostración de teoremas
que contribuyeron a desechar buena parte de las investigaciones sobre redes
neuronales de la década de los 70.

3
Princenton acogía a otra de las figuras señeras de la IA, John McCarthy.
Luego de graduarse, McCarthy se paso a Dartmouth college, que se erigiría en el
lugar de nacimiento oficial de este campo.MCCarthy logro convencer a Minsky,
Claude Shannon y Nathaniel Rochester para que le ayudaran a congregar
investigadores estadounidenses interesados en la teoría de los autómatas, las
redes neuronales y el estudio de la inteligencia. Organizaron un taller de dos
meses en Dartmouth, en el verano de 1956. En total hubo diez asistentes,
incluidos Trenchard More de Princeton, Arthur Samuel de IBM y Ray Solomonoff y
Oliver Selfridge de MIT.
Dos investigadores del Carnegie tech, Allen y Herbert Simón, acapararon la
atención. Si bien los demás tenían algunas ideas y, en algunos casos, programas
para aplicaciones de terminadas como el juego de damas, Newell y Simón
contaban ya con un programa de razonamiento, el teórico lógico (TL), del que
Simón afirmaba:” hemos inventado un programa de computación capaz de pensar
de manera no numérica, con lo que ha quedado resuelto el venerable problema
de la dualidad mente-cuerpo. Al termino del taller, el programa ya era capaz de
demostrar gran parte de los teoremas de Russell yWhitehead. Se dice que Russell
se manifestó complacido cuando Simón le mostro que el programa había
producido la demostración de un teorema mas corta que una de principia. Los
editores del Journal of Symbolic Logic (revista de lógica simbólica) resultaron
menos impresionados; rechazaron un artículo cuyos autores eran Newell, Simon y
el teórico lógico.
Si bien l taller de Dartmouth no produjo ningún avance notable, si contribuyo
a que todos los personajes importantes se conocieran. Durante los siguientes 20
años el campo estuvo dominado por estos personajes, así como por sus
estudiantes y colegas del MIT, UCM, Stanford y la IBM. Quizás lo último que
resulto del taller fue el consenso en adoptar el nuevo nombre propuesto por
McCarthy para este campo: inteligencia artificial

4
Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia
(conductismo, Gardner,
Definición y alcance de la ciencia cognitiva
Defino la ciencia cognitiva como un empeño contemporáneo, de base empírica,
por responder a interrogantes epistemológicos de antigua data, en particular los
vinculados a la naturaleza del conocimiento, sus elementos componentes, sus
fuentes, su evolución y difusión.
Yo la aplicaré principalmente a los esfuerzos por explicar el conocimiento humano.
Me interesa saber si las cuestiones que intrigaban a nuestros antepasados
filosóficos pueden recibir una respuesta concluyente, o deben reformularse de una
manera más provechosa, o desechárselas para siempre. Hoy en día la ciencia
cognitiva tiene la clave para responder a esto.
Existen cinco aspectos que considero de importancia fundamental.
 Si todos, o la mayoría, están presentes, puede presumirse sin vacilación
que estamos ante una ciencia cognitiva; en cambio si una disciplina sólo
presenta unos pocos de estos rasgos o ninguno, quedará fuera de mi
definición de ciencia cognitiva.
 Ante todo está la creencia de que al referirnos a las actividades cognitivas
de los seres humanos, es necesario concebir representaciones mentales y
postular un nivel de análisis totalmente separado del nivel biológico o
neurológico del nivel sociológico o cultural. Este nivel de análisis se llama
“nivel de representación”, y su materia prima son los símbolos, reglas,
imágenes etc. Este nivel es indispensable para toda la variedad de las
conductas, acciones y pensamientos humanos.
 Está la creencia de que para la comprensión de la mente humana es
esencial la computadora. No sólo resulta indispensable para llevar a cabo
estudios de diversa índole, sino que constituye el modelo más viable de
funcionamiento de la mente humana.
 La computadora actúa como una “prueba de existencia”, es decir que si es
posible sostener que una máquina construida por el hombre razona, tiene
metas, revisa y corrige su conducta, transforma información, por cierto los
seres humanos merecen ser caracterizados de la misma manera.
 El grado en que una disciplina está próxima a la ciencia cognitiva puede
medirse, con seguridad, por el grado en que está ligada a las
computadoras.
 Estas dos primeras características incorporan creencias centrales en la
ciencia cognitiva actual. Se consideran los supuestos nucleares.
 Las tres siguientes conciernen a procedimientos metodológicos.
 El tercer rasgo es su deliberada decisión de restar énfasis a ciertos factores
como ser los afectos y las emociones, elementos históricos y culturales y el

5
papel del contexto. La ciencia cognitiva sería impracticable si se quisieran
tomar en cuenta todos estos elementos individualizadores.
 El cuarto rasgo es que los científicos cognitivistas tienen el convencimiento
de la gran utilidad de los estudios interdisciplinarios (en particular
la filosofía, psicología, inteligencia artificial, lingüística, antropología y
la neurociencia), pero tienen la esperanza de que algún día las fronteras
entre ellas puedan eliminarse.
 La quinta característica es la afirmación de que un ingrediente clave de la
ciencia cognitiva es el conjunto de inquietudes que los epistemólogos
tradicionales griegos han debatido durante largo tiempo. Esto se explica
afirmando que los interrogantes tradicionales pueden servirnos como un
lógico punto de partida para nuestras indagaciones actuales.
2. - EL DESAFIO AL CONDUCTISMO
El desafío al conductismo
Los conductistas (corriente predominante desde principios de siglo) enunciaron
dos proposiciones para los investigadores:
 Debían limitarse estrictamente a los métodos públicos de observación que
cualquier hombre de ciencia fuera capaz de aplicar y de cuantificar. Los elementos
de una disciplina debían ser muy observables.
 Los interesados en una ciencia del comportamiento debían centrarse
exclusivamente en la conducta y no en la mente, el pensar o la imaginación.
Tampoco se concebían construcciones mentales como el símbolo, la idea, el
esquema etc.
Un elemento decisivo era la creencia en la supremacía y el poder determinante
del medio.
Consideraban que los individuos no actuaban de la manera en que lo
hacían a raíz de sus propias ideas, sino que actuaban en respuesta a diversas
fuerzas y factores presentes en su medio.
Durante las décadas del '20 '30 y '40 va apareciendo una creciente conciencia por
parte de muchos científicos. Dicen que con los cánones conductistas se estaba
volviendo imposible el estudio científico de la mente.
Advirtieron que para alcanzar nuevas intelecciones ( ) acerca del cerebro o de las
computadoras, era imprescindible enfrentar frontalmente al conductismo.
Teoría de la Información
Shannon llegó a establecer la noción clave de la T. De la Información: puede
concebirse a la información totalmente independiente del contenido o la materia

6
específica de que se trate, como una decisión singular entre dos alternativas
admisibles. La unidad básica de información (el bit) es la cantidad de información
requerida para seleccionar un mensaje entre dos alternativas aquí probables.
3. - LAS PRIMERAS DECADAS DE LA CIENCIA COGNITIVA
La paradoja computacional
La aplicación rigurosa de los métodos y modelos extraídos del ámbito
computacional ha llevado a los científicos a comprender en que aspectos los seres
humanos no se asemejan a las computadoras.
El desafío de las ciencias cognitivas
Es fundamental que la misma establezca su autonomía y que demuestre en que
terrenos son válidos los enfoques computacionales y representacional.
4. - CONCLUSION: LA PARADOJA COMPUTACIONAL Y EL
DESAFIO COGNOSITIVO
Con respecto al modelo del nivel de representación, quien quisiera
prescindir de este elemento, se vería obligado a explicar el lenguaje, la resolución
de problemas, la clasificación y otros problemas semejantes, estrictamente en los
términos del análisis neurológico y cultural; pero los descubrimientos de los
últimos 30 años harían imposible esta tarea.
Con respecto a la paradoja computacional, esta nos sugiere que el cuadro
que nos pinta la ciencia cognitiva acerca del proceso de la cognición, es muy
distinto de esa imagen ordenada, precisa y gradual que predominó en los
fundadores de este campo. El pensar humano se nos aparece mucho más
desaliñado, intuitivo y sometido a representaciones subjetivas... no como un
cálculo puro. Tal vez la computadora sea capaz de modelar estos procesos, pero
el resultado final tendrá poco parecido a la visión canónica de la cognición
implícita en las descripciones de inspiración computacional //?? (Será que la
computadora no puede modelar como lo hace nuestra mente).
El desafío cognitivo
La meta última de la ciencia cognitiva debe ser dar una descripción
coherente de la forma en que los seres humanos obtienen sus productos
simbólicos más significativos: cómo llegan a componer sinfonías, a escribir
poemas, a inventar máquinas o a construir teorías.

7
El proceso de razonamiento según la lógica (Axiomas, Teoremas,
demostración).
La teoría de las inteligencias múltiples es un modelo propuesto por Howard
Gardner en el cual la inteligencia no es vista como algo unitario, que agrupa
diferentes capacidades específicas con distinto nivel de generalidad, contrario a
esto es vista como un conjunto de inteligencias múltiples, distintas e
independientes. La inteligencia es definida como la capacidad cerebral por la que
conseguimos penetrar en la comprensión de las cosas eligiendo el mejor
camino.(Antunes, 2006) La formación de ideas, el juicio y razonamiento son actos
esenciales e indicadores de la inteligencia. Haciendo un contraste a esta definición
Howard Gardner empezó definiendo la inteligencia como la capacidad de resolver
problemas o crear productos que son valorados en uno o más contextos
culturales. Dos décadas después ofrece una definición más refinada y define las
inteligencias múltiples como un potencial biopsicológico para procesar información
que se puede activar en un marco cultural para crear problemas o crear productos
que tienen valor para una cultura (Gardner,1999) Este cambio en las definiciones
es importante ya que nos indica que las inteligencias no son algo tangible ni
concreto, una cultura y todas sus actividades son factores determinantes para
desarrollar y mostrar unas capacidades potenciales en un individuo.
Gardner reconoce que la brillantez académica no lo es todo. Establece que para
desenvolverse óptimamente en la vida no basta con tener un gran expediente
académico. Hay personas de gran capacidad intelectual pero incapaces de, por
ejemplo, elegir correctamente a sus amigos; por el contrario, hay personas menos
brillantes en el colegio que triunfan en el mundo de los negocios o en su vida
personal. Triunfar en los negocios, o en los deportes, requiere ser inteligente, pero
en cada campo se utiliza un tipo de inteligencia distinto. No requiere poseer una
inteligencia ni mejor o peor, ni mayor o menor, pero sí distinta. No existe una
persona más inteligente que otro simplemente sus inteligencias pertenecen a
campos diferentes.

8
Anteriormente existía la percepción de que se nacía inteligente o no, y la
educación no podía cambiar ese hecho. Tanto es así que en épocas muy
cercanas a los deficientes psíquicos no se les educaba, porque se consideraba
que era un esfuerzo inútil.
Considerando la importancia de la psicología de las inteligencias múltiples,
ha de ser más racional tener un objeto para todo lo que hacemos, y no solo por
medio de estas inteligencias. Puesto que deja de lado la objetividad, que es el
orden para captar el mundo.
Gardner hace la analogía de que al igual que hay muchos problemas
también existen varias inteligencias. Junto a su equipo de “Harvard” han definido y
establecido ocho tipos de inteligencias.
Tipos de inteligencia:
 Inteligencia lingüística- Radica en la competencia de usar las
Palabras de una forma creativa y eficaz, tanto en las expresiones orales como
escritas. Supone siempre, tener una gran habilidad en el uso de la sintaxis, la
fonética, la semántica y los usos pragmáticos del lenguaje.
 Inteligencia lógica-matemática- utilizada para resolver problemas de lógica y
matemáticas. Es la inteligencia que tienen los científicos. Se corresponde con
el modo de pensamiento del hemisferio lógico y con lo que la cultura occidental
ha considerado siempre como la única inteligencia.
 Inteligencia espacial- Es la destreza en la percepción de imágenes, internas y
externas, recrearlas, transformarlas y modificarlas, además de recorrer el
espacio, hacer que los objetos lo recorran y producir o decodificar las
informaciones gráficas. Es propia del llamado pensamiento tridimensional.

9
 Inteligencia musical -Es la capacidad de las personas para percibir, discriminar,
expresar y transformar las diversas formas musicales. Implica tener una gran
sensibilidad para el ritmo, el tono y el timbre de la música.
 Inteligencia Corporal Cinética- Se trata de la habilidad de utilizar el cuerpo para
la expresión de ideas y sentimientos. Esta inteligencia supone tener destrezas
de coordinación, equilibrio, flexibilidad, fuerza y velocidad.
 Inteligencia intrapersonal-Esta organizada en torno a la destreza de construir
una percepción muy precisa respecto de sí mismo, de organizar, planificar y
dirigir su propia vida. Incluye conductas de autodisciplina, de auto comprensión
y de autoestima.
 Inteligencia interpersonal- Comprende la desenvoltura de entender a los otros y
relacionarse eficazmente con ellos. Incluye una gran sensibilidad para entender
las expresiones faciales, la voz, los gestos, las posturas, para responder
adecuadamente. Disfrutan del trabajo en equipo.
 Inteligencia naturalista - Comprende la facilidad de distinguir, clasificar y utilizar
elementos del entorno, del medio ambiente,. Comprende las habilidades de
observación, experimentación, reflexión y preocupación por el entorno.

10
RAZONAMIENTO LOGICO
La práctica de los razonamientos deductivos en el proceso de desarrollo del
pensamiento lógico matemático es muy importante. Constituye una herramienta
fundamental para el trabajo en la matemática y otras ciencias.
¿QUÉ ES LA LÓGICA?
La lógica es aquella ciencia que va en búsqueda de las formas de los
razonamientos correctos, es decir, de las leyes del deducir correctamente. En este
sentido es legítimo afirmar que la lógica es la teoría de la deducción, en cuanto
estudia las reglas de las inferencias correctas.
La lógica hace explícitas estas leyes, las ordena en sistemas axiomáticos y prueba
sus capacidades y límites.
Teoría deductiva
Designamos bajo este nombre toda teoría que se fundamenta en dos principios:
Definiciones y demostraciones.
En su desarrollo debe cumplir básicamente las siguientes condiciones:
Enunciar explícitamente los términos primitivos con ayuda de los cuales se
propone definir los demás términos de la teoría.
Enunciar explícitamente las relaciones primitivas. Con la misma esencia anterior,
son relaciones que el hombre pone en la base de su conocimiento.
Teoría Deductiva.
Enunciar explícitamente las proposiciones primitivas, con ayuda de las cuales se
propone demostrar otras proposiciones de la teoría. Estas proposiciones primeras
se denominan Axiomas y relacionan entre sí los términos primitivos y las
relaciones primitivas.
Que las relaciones enunciadas entre los términos sean únicamente relaciones
lógicas, permaneciendo independientes del sentido concreto o interpretación que
pueda darse a los términos.

11
Axioma o postulado.
Es una proposición primitiva que se admite como cierta. En la construcción de una
teoría axiomática se ha de partir de un conjunto de axiomas, escogidos de tal
forma que dicho conjunto ha de ser: compatible, suficiente, independiente.
 Analicemos estas características:
 Compatibilidad: Dos axiomas no pueden formular en ellos, ni producir en
sus resultados derivados, relaciones contradictorias.
 Suficiencia: Toda proposición verdadera ha de ser deducible dentro del
sistema.
Independencia: Ningún axioma ha de poderse deducir de otros.
Estableciendo el sistema de axiomas (que por cierto, no tienen porque ser
"evidentes"), se comienza a construir la teoría enunciando y demostrando los
teoremas.
Teorema
Es una proposición que ha de demostrarse cierta, mediante un
razonamiento lógico a partir de los axiomas o de otros teoremas previamente
justificados.
Se afirma que un teorema (por ejemplo, el teorema de Pitágoras) es válido si es
recabado o deducido correctamente de las premisas (constituidas, en nuestro
caso, por los postulados de Euclides).
La demostración
El proceso demostrativo consiste básicamente en:
A partir de unas proposiciones dadas que llamaremos premisas, obtener otra
proposición que llamaremos conclusión mediante la aplicación de unas reglas
lógicas.
Para demostrar que una proposición específica es un teorema en una teoría
deductiva dada procedemos así:
1.-Se enuncian explícitamente los axiomas de la teoría.

12
2.-Se fijan las reglas que validan el proceso demostrativo, estas reglas se
denominan reglas de validez y se reducen a las siguientes:
Regla de validez 1: Todo axioma puede figurar en cualquier paso de una
demostración.
Regla de validez 2: Si P=>Q figura en una demostración y P también figura en la
misma demostración, entonces se puede concluir Q en la demostración. Esta regla
universal se conoce con el nombre de Modus Ponens.
Regla de validez 3: Si dos proposiciones son equivalentes se puede sustituir la
una por la otra en cualquier parte de una demostración. Esta regla se conoce con
el nombre de sustitución por equivalencia.
3. Efectuar una demostración de una proposición específica Q, consiste en
obtener la proposición Q como la última en el proceso demostrativo por aplicación
reiterada de las reglas de validez 1, 2 y 3.
Fundamentos de la lógica
 Inferencia = razonamiento formalmente válido
Razonamiento: tipo de pensamiento que consiste en obtener una conclusión a
partir de unas premisas.
Formal: atención a la forma (abstracción del contenido).
Válido: si las premisas son verdaderas, la conclusión también lo será (->
deductivo)
Surge como propuesta para la formalización de razonamiento aproximado, para
tratar conocimiento de sentido común.

13
Lógica difusa
La lógica difusa es una metodología que proporciona una manera simple y
elegante de obtener una conclusión a partir de información de entrada vaga,
ambigua, imprecisa, con ruido o incompleta, en general la lógica difusa imita como
una persona toma decisiones basada en información con las características
mencionadas.
Lógica difusa en inteligencia artificial
Método de razonamiento de maquina similar al pensamiento humano, que puede
procesar información incompleta o incierta, característico de muchos sistemas
expertos.
Con la lógica difusa se puede gobernar un sistema por medio de reglas de
“sentido común” las cuales se refieren a cantidades indefinidas. En general la
lógica difusa se puede aplicar tanto a sistemas de control como para modelar
cualquier sistema continuo de ingeniería, física, biología o economía.
La lógica proporciona:
Un lenguaje base para la representación del conocimiento.
 Modelos para el razonamiento
Prolog es:
Una sintaxis para la construcción de sistemas expertos.
Una herramienta basada en el lenguaje de la lógica, con muchas versiones:
Prolog- 10(1975- 79), Prolog II (1981) …
SICStus, GNU Prolog, SWI Prolog, Ciao Prolog.

14
Modelos de Adquisición Según La Filosofía
La Adquisición de Conocimientos (AC) es el proceso de recolección de
información, a partir de cualquier fuente (experto, libros, revistas, informes),
necesaria para construir un Sistema Basado en Conocimiento. La AC no es un
paso concreto en la metodología de desarrollo de un SBC, sino más bien una
tarea que se produce en paralelo a todas las etapas de construcción de estos
sistemas (identificación, conceptualización, formalización, validación,
mantenimiento).
 La adquisición de conocimientos es la tarea más importante en el desarrollo de
SBC.
 Sin embargo, esta actividad es de momento un campo experimental en el que la
IA tiene poco o nada que decir.
 No existe ningún método completamente automático de Adquisición de
Conocimiento.
La conceptualización de aprendizaje se abordara en perspectiva de los modelos
mentales sobre el razonamiento y el pensamiento, por cuanto el aprendizaje tiene
que ver con la representación del conocimiento conceptual y la categorización,
toda vez que con ello se introduce la pregunta por las categorías que
corresponden a nuestros esquemas conceptuales y si estas reflejan estructuras en
el mundo que son independientes de la capacidad humana de formar conceptos.
Modelos de adquisición sobre lenguaje
El interés por los aspectos cognoscitivos del lenguaje surge como reacción contra
la tendencia que concedía un lugar privilegiado a los aspectos sintácticos en el
estudio del lenguaje infantil.
Modelos in natitas
Se relanzan las tesis inspiradas en supuestos racionalistas mostrándose una
decidida predilección por las explicaciones in natitas y una propensión a defender
la especificad del lenguaje.

15
El modelo cognoscitivo.
Se centra en los procesos de pensamiento y en la conducta que refleja estos
procesos. Es la base de una de las cinco perspectivas del desarrollo humano
aceptadas mayoritariamente (las otras 4 son la perspectiva psicoanalítica, la
perspectiva del aprendizaje, la perspectiva evolutiva/socio biológica y la
perspectiva contextual). El proceso cognoscitivo es la relación que existe entre el
sujeto que conoce y el objeto que será conocido y que generalmente se inicia
cuando el este logra realizar una representación interna del fenómeno convertido
en objeto del conocimiento. El desarrollo cognitivo es el producto de los esfuerzos
del niño por comprender y actuar en su mundo. Se inicia con una capacidad innata
de adaptación al ambiente. Consta de una serie de etapas que representan los
patrones universales del desarrollo. En cada etapa la mente del niño desarrolla
una nueva forma de operar. Este desarrollo gradual sucede por medio de tres
principios interrelacionados: la organización, la adaptación y el equilibrio.
Según Jean Piaget, el desarrollo humano parte en función de los reflejos arcaicos,
el niño nace con estos esquemas básicos que le sirven para entrar en relación con
el medio. (El primer esquema básico del hombre, es el acto de chuparse el dedo
pulgar dentro del vientre materno), con esto se da origen al nacimiento del
Desarrollo Cognitivo. El Desarrollo Cognitivo, es el esfuerzo del niño por
comprender y actuar en su mundo. Por otra parte, también se centra en los
procesos del pensamiento y en la conducta que estos reflejan. Desde el
nacimiento se enfrentan situaciones nuevas que se asimilan; los procesos en sí,
se dan uno tras otro, siendo factores importantes en el desarrollo, el equilibrio y
el desequilibrio, ambos impulsan el aprendizaje y se produce la acomodación del
conocer. El equilibrio está presente desde la edad fetal, y son reflejos que le
permiten su supervivencia en el medio; en cambio el desequilibrio, se produce
cada vez que el niño vive una situación nueva, que no conoce ni sabe. Asimismo,
la acomodación se realiza cada vez que el niño asimila algo lo acomoda a los
sucesos que vive para acomodar su aprendiz cognitivo. El desarrollo de las
funciones que nos permite conocer, da a lugar a los Procesos Cognitivos.

16
MODELO COGNITIVO DE UN ROBOT

17
EL MODELO DEL AGENTE INTELIGENTE
Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales
percepciones y responder o actuar en su entorno de manera racional, es decir, de
manera correcta y tendiendo a maximizar un resultado esperado.
En este contexto la racionalidad es la característica que posee una elección de ser
correcta, más específicamente, de tender a maximizar un resultado esperado.
Este concepto de racionalidad es más general y por ello más adecuado
que inteligencia (la cual sugiere entendimiento) para describir el comportamiento
de los agentes inteligentes. Por este motivo es mayor el consenso en
llamarlos agentes racionales.
Un agente inteligente puede ser una entidad física o virtual. Si bien el término
agente racional se refiere a agentes artificiales en el campo de la Inteligencia
Artificial, también puede considerarse agentes racionales a los animales incluido el
hombre.
Los agentes inteligentes se describen esquemáticamente como un sistema
funcional abstracto. Por esta razón, los agentes inteligentes son a veces llamado
Agentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones
del mundo real como sistemas informáticos, los sistemas biológicos, o de
organizaciones. Algunas definiciones de agentes inteligentes hacen énfasis en su
autonomía por lo que prefieren el término agente inteligente autónomo. Y otros (en
particular, Russell y Norvig (2003)) considera conducta dirigida a objetivos como la
esencia de lo inteligente y prefieren un término tomado de la economía "Agente
Racional".
En Ciencias de la Computación el término agente inteligente puede ser usado para
referirse a un agente de software que tiene algo de inteligencia,
independientemente de si no es un agente racional por definición de Russell y
Norvig. Por ejemplo, programas autónomos utilizados para asistencia de un
operador o de minería de datos (a veces denominado robots) son también
llamados "agentes inteligentes".

18
¿Qué son los agentes?
Hay numerosas definiciones de lo que es un agente, y ninguna acido aceptada
plenamente por la comunidad científica pero probablemente la más simple es: un
agente es una entidad que percibe y actúa sobre su entorno.
Podemos también decir que un agente es todo aquello que puede considerarse
que percibe su ambiente mediante sensores y que responde o actúa en tal
ambiente por medio de efectores. Los agentes humanos tienen ojos, oídos y otros
órganos que les sirven de sensores, así como manos, piernas, boca y otras partes
de su cuerpo que les sirven de efectores. En el caso de los agentes robóticos, los
sensores son sustituidos por cámaras y telémetros infrarrojos y los efectores son
reemplazados mediante motores. En el caso de un agente de software, sus
percepciones y acciones vienen a ser las cadenas de bits codificados. En la figura
1 observamos el diagrama de un agente genérico. Interesa diseñar agentes que
logren un buen desempeño en su ambienté.
Podemos proponer una posible definición de agente: un agente es un sistema
informático situado en un entorno, donde en general existen más agentes, dentro
del cual actúa de forma autónoma y flexible, recibiendo información externa y
ejecutando acciones para intentar modificar su contexto en el sentido de acercarse
ala consecución de los objetivos que tiene marcados.

19
Diferencia entre agentes inteligentes y software convencional. Hay dos principales
características que distinguen a los agentes inteligentes del desarrollo de software
Tradicional y estas son la inteligencia y la agencia.
1. La dimensión de inteligencia se refiere al grado en el cual la aplicación utiliza
razonamiento, aprendizaje y otras técnicas para interpretar la información o
conocimiento al cual tiene acceso.
Se puede decir que hay tres niveles de formas de inteligencia:
 La forma más modesta de inteligencia permite al usuario expresar sus
preferencias.
 Una forma intermedia podría formalizar un conjunto de reglas de
razonamiento que combinadas con conocimiento a corto y largo plazo,
siguiendo un proceso de inferencia puede conducir a la toma de alguna
acción.
 Y un nivel superior es la capacidad del agente de modificar su capacidad de
razonamiento en la base nuevo conocimiento derivado de muchas fuentes,
es decir, aprender.
2. La agencia es el grado en el cual el agente puede percibir su entorno y actuar
en el. Define al agente, en otras palabras, para que un programa sea un agente
debe poseer autonomía, habilidad social, reactividad y pro actividad.
Características de un Agente Inteligente. Un agente inteligente es un sistema
informático capaz de tener un comportamiento autónomo, flexible en algunos
ambientes. Cuando se dice flexible se refiere a: reactivo, pro-activo y social. Visión
esquemática de un Agente Inteligente, entendiendo por flexible que sea:
 Reactivo: El agente es capaz de responder a cambios en el entorno en
que se encuentra situado.
 Pro-activo: a su vez el agente debe ser capaz de intentar cumplir sus
propios planes u objetivos.
 Social: debe de poder comunicarse con otros agentes mediante algún
tipo de lenguaje de comunicación de agentes.
 Autonomía: actúan sin la intervención directa de los usuarios. Tienen
control sobre sus acciones y estados internos.

20
Como se ve en este caso, se ha identificado una serie de características o
apellidos que de por sí debe tener un agente. Atendiendo a esta idea, para poder
asociar a una herramienta el término «agente» debe ser capaz de cumplir los
requerimientos anteriormente expuestos.
Aplicando estas características al agente de información de ejemplo: ¿sería
reactivo? Se puede pensar que sí a juzgar por el hecho de que el agente debería
reaccionar frente a los mandatos que le indicamos, además debe poder reaccionar
frente a posible eventos que le lleguen de la red. ¿Sería proactivo?,
evidentemente que sí, un agente debería auto plantearse su curso de acción para
poder realizar todas sus tareas adelantándose a las peticiones de su usuario. Por
último se debe pensar si un este agente sería social. Esta característica desde
punto de vista no sería básica en una definición general de agente, no obstante, sí
que se puede claramente identificar una conducta social en nuestro ejemplo si se
observa que debería poder comunicarse con infinidad de recursos en la red y, por
qué no, con otros agentes existentes en la misma. Pero, en definitiva, ¿cuáles son
las características básicas y de qué más características se dispone para poder
calificar a un agente? A continuación se presentan algunas de las características
que en la literatura se suelen atribuir a los agentes en mayor o menor grado para
resolver problemas particulares.
 Continuidad Temporal: se considera un agente un proceso sin fin,
ejecutándose continuamente y desarrollando su función.
 Racionalidad: el agente siempre realiza «lo correcto» a partir de los datos
que percibe del entorno.
 Adaptabilidad: está relacionado con el aprendizaje que 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: asunción de que un agente no comunica información falsa a
propósito.
 Benevolencia: asunción de que un agente está dispuesto a ayudar a otros
agentes si esto no entra en conflicto con sus propios objetivos.

21
No existe un consenso sobre el grado de importancia de cada una de estas
propiedades para un agente. Sin embargo, se puede afirmar que estas
propiedades son las que distinguen a los agentes de meros programas.
Clasificación delos Agentes Inteligentes. Los agentes inteligentes pueden
clasificarse de acuerdo a como este mapea internamente las percepciones en
acciones para alcanzar el objetivo para el cual fue diseñado:
 Agente de mapeo simple.
 Agente informado de lo que sucede en el ambiente.
 Agente basado en metas.
 Agente basado en utilidad.
¿Por qué utilizar agentes?
El origen por el cual la tecnología de los agentes inteligentes surge es por la
necesidad de aplicarlos a los sistemas complejos, donde la aplicación de las
técnicas existentes ha fracasado o es muy difícil de comprender o mantener. Los
agentes inteligentes surgen como una alternativa para dar solución a situaciones
que la Programación Orientada a Objetos (OO) no puede resolver eficientemente.
Este paradigma constituye en la actualidad un área de profunda investigación, lo
que trae como consecuencia que existan un gran número de criterios acerca de
qué son los agentes y sus características fundamentales.
La necesidad de construir aplicaciones complejas compuestas de multitud de
subsistemas que interaccionan entre sí, es el marco de la distribución de la
inteligencia en diversos agentes. En este tipo de sistemas, la utilización de
agentes y técnicas multiagente permite la gestión inteligente de un sistema
complejo, coordinando los distintos subsistemas que lo componen e integrando
objetivos particulares década subsistema en un objetivo común.

22
Dentro de este campo emergente es importante clarificar la diferencia entre un
sistema basado en agentes y un sistema multiagente. Un sistema basado en
agentes, es aquel que utiliza el concepto de agente como mecanismo de
abstracción pero podría ser implementado con estructuras software tradicionales,
sin embargo un sistema multiagente es aquel que se diseña e implementa
pensando en que estará compuesto por varios agentes que interactuarán entre sí,
de forma que juntos permitan alcanzar la funcionalidad deseada.
En este caso se exige un esfuerzo de abstracción en el diseño, identificar
mecanismos de aprendizaje, coordinación, negociación, etc.
Funciones básica de la Tecnología de Agentes. Por tanto, desde un punto de vista
del usuario, un agente se puede considerar para llevar a cabo las siguientes
funciones:
 Ejecución de Tareas: la capacidad de realizar tareas son las destrezas que
el agente posee para lograr sus objetivos.
 Conocimiento de su entorno: el conocimiento del entorno debe de ser
introducido o construido por el desarrollador. Algunos agentes además
adquieren su conocimiento por aprendizaje.
 Capacidad de Comunicación: se distinguen dos tipos de comunicación, la
interacción con el usuario, y la que se refiere a comunicación inter-agente.

23
SISTEMAS MULTI-AGENTES.
Una de las características más importantes de los agentes es la capacidad que
tienen de interactuar entre sí, de ahí que se empleen en la resolución de
problemas en entornos distribuidos y que los sistemas se conciban como
comunidades de agentes que persiguen los mismos objetivos.
Un Sistema Multi-Agente (SMA) podrá definirse entonces como grupos de agentes
que interaccionan entre sí para conseguir objetivos comunes.
Cuando se define un Sistema Multi-Agente hay que tener en cuenta las
características:
 Un entorno.
 Un conjunto de objetos, estos objetos se encuentran integrados con el
ambiente. Dichos objetos son pasivos, pueden ser creados, modificados y
destruidos por agentes.
 Un conjunto de agentes que representan las entidades activas del sistema.
 Un conjunto de operaciones que hacen posible el trabajo de los agentes
sobre los objetos.
Según esta definición la influencia de un agente sobre otros no solo está dada por
la comunicación explícita entre ellos, sino también por su actuación en el entorno
en que se encuentran. Esto aumenta la complejidad en el desarrollo de SMA, ya
que exige estudiar el entorno en que se desenvuelven para detectar qué acciones
realizadas por un agente pueden afectar a otros.
A un sistema que tiene varios agentes inteligentes se le llama sistema multiagente.
Los agentes en este tipo de sistemas deben interactuar entre ellos. Las
interacciones más habituales son informar o consular otros agentes y esto les

24
permite a los agentes “hablar” entre ellos, saber que hace cada uno de ellos y
razonar sobre el papel que juega cada uno en el sistema.
Los agentes se comunican entre sí por medio del Lenguaje de Comunicación de
Agentes (ACL) que es una ontología que define un vocabulario en común.
Ingeniería de software orientada a agentes.
La complejidad que encierra el desarrollo de SMA, sobre todo cuando es muy
grande, hace necesario el uso de metodologías que estructuren el proceso de
acuerdo con las prácticas de ingeniería de software.
Dentro del paradigma de agentes una de las áreas de mayor investigación es
precisamente la de Ingeniería de Software. Las características que distinguen a
los agentes aumentan la complejidad en la construcción de los sistemas y hay que
tener en cuenta elementos que las metodologías orientadas a objetos (OO) no
sustentan como son la autonomía y la pro actividad.
A raíz de esta situación han surgido un grupo de metodologías que respaldan el
desarrollo de SMA. Estas metodologías provienen de dos vertientes
fundamentales: las que surgen completamente nuevas y las que extienden
metodologías que ya existían.
En el primer caso se encuentran las metodologías desarrolladas en gran medida
sobre bases de agentes. En sentido general estas metodologías no han alcanzado
un nivel de madurez elevado ni están probadas lo suficiente, ya que proponen
métodos innovadores para el desarrollo de software, lo que representa una mayor
dificultad para los analistas. Entre estas están Vowel Engineering, Tropos y GAIA
que propone cómo realizar un análisis basado en roles del sistema multi-agente.
También están las que utilizan bases conocidas como PASSI, MESSAGE/UML,
esta última proveniente de la OO, y Mase que propone agentes como extensiones

25
de objetos y proporciona la herramienta AgentTool para análisis, diseño e
implementación.
Actualmente existen un gran número de metodologías que apoyan la construcción
de SMA, pero no se ha logrado una estandarización, cada una propone una forma
diferente de abordar el problema según los criterios de sus desarrolladores. Entre
las metodologías más estudiadas se pueden mencionar: GAIA, Mase, Tropos,
Passi, MESSAGE/UML y MAS-CommonKADS que extiende la metodología
CommonKADS, para sistemas expertos, a agentes, utilizando estructuración
orientada a objetos y lenguajes de especificación de protocolos como SDL.
TROPOS es una nueva metodología de desarrollo de software orientada a
agentes. Se basa en dos características principales:
 Las nociones de agente, objetivo, plan y nivel de conocimiento de otros
conceptos se utilizan de manera uniforme en todo el proceso de desarrollo
de software.
 Se le asigna un papel fundamental para el análisis y la especificación de los
requisitos cuando se analiza el sistema con respecto a su medio ambiente.
Prometheus es una metodología para el desarrollo de agentes inteligentes, en la
cual se define un lenguaje de modelado relativamente sencillo.
Finalmente INGENIAS del grupo GRASIA de la UCM, extiende la metodología
MESSAGE y proporciona un conjunto de herramientas para modelar y generar
código de sistemas multi-agente. Utiliza el AUML como lenguaje de modelado.
Para la representación de los elementos que contienen los diferentes modelos que
propone, utiliza los meta-modelos. Esta metodología no cubre todo el proceso de
desarrollo del software y sólo abarca las etapas de Análisis y Diseño. En Ingenias
se concibe al SMA como la representación computacional de un conjunto de
modelos. Para especificar cómo tienen que ser estos, se definen meta-modelos.
Los meta-modelos dan una visión detallada de cómo debe ser el SMA; cada uno
de ellos constituirá una descripción a alto nivel de los elementos que componen el
modelo. Ellos están orientados a representar gráficamente aspectos concretos del
sistema de forma incremental y flexible.
 Meta-modelo de Agente.
 Meta-modelo de Tareas y Objetivos.
 Meta-modelo de Organización.
 Meta-modelo de Interacción.
 Meta-modelo de Entorno.

26
Una buena herramienta para el trabajo con agentes es el Java Agent Development
Framework (JADE). Es una herramienta de desarrollo de sistemas multi-agente
completamente implementada en Java. JADE incluye un ambiente de ejecución
donde los agentes viven, un conjunto de librerías para desarrollar agentes y un
conjunto de herramientas gráficas que permiten monitorizar y administrar los
agentes que están corriendo en la plataforma.
Aplicaciones de los agentes inteligentes.
Los SMA se emplean fundamentalmente en estas áreas:
 Control de tráfico aéreo
 Gestión bibliotecaria
 Agentes personales para viajes
 Gestión cultural y de servicio
 Control automático
 Robótica
 Gestión de procesos
 Comercio electrónico
 Servicios de Internet: recuperación y extracción de información
Existen casos de ejemplos complejos en los cuales se pueden encontrar sistemas
o áreas de aplicación donde la orientación basada en agentes resulta
especialmente prometedora ofreciendo nuevas perspectivas y posibilidades.
Numerosas aplicaciones basadas en este nuevo paradigma vienen ya siendo
empleadas en infinidad de áreas. Podemos destacar dos áreas como serian las
Aplicaciones industriales y las comerciales.
.
Dentro del marco de las aplicaciones industriales, la tecnología basada en agentes
es considerada muy apropiada para el desarrollo de sistemas industriales
distribuidos. Dentro de esta línea podríamos destacar aquellas aplicaciones que se
encargan de:
 Control de procesos: gestión autónoma de edificios inteligentes en cuanto a
su seguridad y consumo de recursos, gestión del transporte de electricidad
(ARCHON), control de un acelerador de partículas, monitorización y
diagnóstico de fallos en plantas industriales, como por ejemplo: nucleares o
refinerías.
 Producción: aspectos como la planificación y scheduling de la producción o
fabricación de productos, serían tratados desde la perspectiva de agencia.

27
Se ha aplicado con éxito, por ejemplo, a sistemas encargados de las fases
de ensamblaje, pintado, almacenamiento de productos, etc.
Por otro lado, también está siendo empleado en aplicaciones comerciales, sobre
todo a nivel de aplicaciones de red, tanto en Internet como en redes corporativas,
entre las que podemos distinguir:
Gestión de información: como por ejemplo el filtrado inteligente de correo
electrónico (Agentware e InfoMagnet), de grupos de noticias o la recopilación
automática y de información disponible en la red (Letizia, AT1, BullsEye, Go- Get-
It, Got-It, Surfbot y WebCompass). Tareas para las cuales el agente necesita ser
capaz de almacenar, aprender y manipular las preferencias y gustos de cada
usuario, así como sus cambios. La imposibilidad en ocasiones de gestionar todo
tipo de información suministrada por la red ha provocado que el agente se
especialice en la búsqueda de determinados tipos de documentos (CiteSeer). Otra
posible línea sería la planificación de la agenda personal, en otras palabras,
disponer de una secretaría virtual o asistente personal.
 Comercio electrónico: En este caso la tecnología se emplea para
proporcionar el entorno virtual donde realizar posibles operaciones
comerciales (compra-venta de productos) o también para realizar tareas de
búsqueda de productos (comparando precios, consultando disponibilidad)
todo ello de manera automatizada. Actualmente, los usuarios pueden
comprar y vender artículos comunes como libros y CD’s de música. El
empleo de agentes aumentará el impacto del comercio electrónico en un
futuro muy cercano, revelando asimismo cómo los agentes basados en la
web pueden proporcionar un enorme poder añadido a los consumidores.
 Monitorización: proporcionan al usuario la información cuando sucede un
determinado acontecimiento; por ejemplo cuando la información ha sido
actualizada, trasladada de lugar o borrada (WBI de IBM, BullsEye y Smart
Bookmarks). Este tipo de agentes permite tener alerta a un usuario frente a
eventos en la red interesantes para el mismo. La forma en que este tipo de
agentes sirve la información a su usuario puede ser el indicar únicamente
qué página o páginas han cambiado y desde cuando ha sucedido esto o
llegar a bajarse el texto de las páginas actualizadas, filtrando en este caso
imágenes, gráficos y demás.
 Mediador de diferentes fuentes de información: se están realizando
esfuerzos en la línea de desarrollar agentes que permitan interoperar a
diferentes fuentes de información independientemente del sistema en que
se hayan desarrollado.

28
Otra área de interés son las aplicaciones médicas, donde la idea es disponer de
agentes que realicen de forma autónoma tareas que pueden ser automatizadas en
un hospital, como por ejemplo: la monitorización de pacientes en cuidados
intensivos, empleado para monitorizar y controlar a pacientes ingresados en
unidades de cuidados intensivos y la atención al paciente, estos sistemas se
encargarían de seguir el tratamiento de un paciente controlando todos los
Aspectos relativos ala enfermedad que tenga el mismo. También es posible
encontrar aplicaciones dentro del área del entretenimiento como pueden ser
juegos (la aplicación de esta tecnología en juegos permite disponer de juegos más
sofisticados, con características inteligentes donde se pueden incorporar
personajes virtuales que pueden funcionar de forma casi autónoma) y el teatro
interactivo y cine, donde se permite a un usuario interpretar el papel de un
personaje en una obra donde el resto de los personajes pueden ser virtuales.
Como puede observarse, las aplicaciones son múltiples, sin embargo, el empleo
de agentes es aún limitado. El desarrollo a nivel industrial y/o empresarial de
agentes requiere de técnicas que reduzcan el riesgo inherente en toda nueva
tecnología. Dos maneras de reducir dicho riesgo son:
 Presentar la nueva tecnología como una extensión incremental de métodos
ya conocidos y probados.
 Proveer herramientas de ingeniería explícitas que den soporte a métodos
aceptados por la industria encargada del desarrollo de tecnologías.
La aceptación de métodos en la industria y/o la empresa depende de la existencia
de herramientas que soporten el análisis, especificación y diseño de agentes
inteligentes.
Actualmente no existen todavía formalismos para poder especificar de forma
suficiente el desarrollo de sistemas basados en agentes. A nivel conceptual la
terminología deberá estar más aceptada, ampliándose de esta forma los campos
de aplicación, así como la cantidad de sistemas disponibles dentro de cada
campo. Cabe resaltar que los objetivos de los proyectos industriales son más
amplios y complejos que los esfuerzos en investigación en el ámbito académico.

29
Usos de los agentes.
 Representación virtual. Se comunican en lenguaje natural y suplen a los
comerciales.
 Como asistentes personales. Nos ayudan como lo haría un ayudante.
 Negociador en mercados electrónicos. Localiza una subasta en internet,
aprende cómo va la oferta y realiza una compra por nosotros.
 Agente de búsqueda de información o rastreador. Rastrean en las redes de
ordenadores en busca de información solicitada. Son parametrizables por el
usuario aprenden de sus hábitos, rastrean la red e informan por correo
electrónico de novedades que consideran pueden ser de interés para el
usuario. o Agente secreto o espía. Monitorizan una página Web identificada
previamente por el usuario e informan cuando se producen cambios en
dicha página.
Algunas aplicaciones actuales son:
 Masfits: proyecto europeo que persigue real de un programa informático
que permite participar en subastas de pescado a través de la Red.
 Leo, Marc y Sisa son algunos bots que han sido utilizados por Schweppes,
Siemens u Olympus para mejorar su marketing y soporte al cliente.
 Creada por la compañía francesa Cybion, la plataforma Agentland ofrece
numerosos agentes inteligentes disponibles de forma gratuita o de prueba.
Organizados en diferentes categorías, los hay que ayudan al internauta en
la búsqueda de información o a mejorar la navegación... e incluso se
ofrecen las herramientas para que el propio internauta desarrolle su agente
inteligente.
 Agents Inspired que utiliza agentes inteligentes en la herramienta Habitat-
Pro “un sistema experto en la personalización a partir de los gustos
subjetivos de los clientes”, comenta Andreu Pérez, director general de la
compañía. “Asociando indicadores o atributos subjetivos a los productos y
servicios que ofrecen, la aplicación utiliza la tecnología para crear modelos
de los clientes y conocer sus preferencias”.
 Por su parte, soco cuenta con GETsee, una solución de agregación
inteligente que en su uso más básico permite a los usuarios ahorrar tiempo
de navegación recopilando información de fuentes dispersas. Pero además,
ofrecen un asesoramiento inteligente, ofreciendo múltiples servicios y
herramientas de análisis.

30
El papel de la heurística
Se denomina heurística a la capacidad de un sistema para realizar de forma
inmediata innovaciones positivas para sus fines. La capacidad heurística es un
rasgo característico de los humanos, desde cuyo punto de vista puede describirse
como el arte y la ciencia del descubrimiento y de la invención o de resolver
problemas mediante la creatividad y el pensamiento lateral o pensamiento
divergente.
Función heurística
Supondremos que tenemos una función de evaluación heurística, f, que nos
ayudara a decidir cual es el mejor nodo para expandir (mas adelanté se
comprenderá por que hemos colocado un << sombrero>> sobre f.
pronunciaremos a f como << f sombrero>>). Adoptaremos el convenio según el
cual f tomara valores pequeños en los nodos mas prometedores. Por tanto, es
una función real definida sobre las descripciones de los estados.
2. se expandirá el nodo n para el que se obtenga el menor valor f(n), de esta
forma, la selección de nodos a expandir no sigue ningún patrón de finido (a lo
largo de este capitulo consideremos que la expansión de un nodo generara todos
sus sucesores).
3. sede terminara el proceso cuando el nodo a expandir sea un nodo objetivo.
En la mayoría de los casos, siempre es posible encontrar una buena función de
evaluación para la búsqueda primero el mejor. Por ejemplo, en el problema puzle
de ocho piezas podemos usar como medida de lo << bueno>> que es un estado
el número de fichas que están des colocadas:
F(n) = numero de ficha descolocadas (comparadas con la configuración objetivo)
Si usamos esta función heurística el procedimiento de búsqueda que acabamos
de definir, obtendremos el grafo de la figura 9.1. El número situado cerca de cada
nodo indica el valor de la función heurística en dicho nodo.

31
En este ejemplo se puede ver la necesidad de influir en el proceso de búsqueda
para forzar la vuelta atrás en la exploración de otros caminos más prometedores (y
evitar de esta forma que una heurística excesivamente optimista nos lleve por
caminos poco prometedores). Con este fin, se añade un << factor de
profundidad>> a la función f, con lo que ahora se define como f(n) = g(n) + h(n),
donde g(n) es una estimación de la profundidad del nodo n ( es decir, la longitud
del camino mas corto desde el nodo inicial a n), y h(n) es la evaluación heurística
en el nodo n. si, al igual que en el párrafo anterior, h(n) es el numero de fichas
descolocadas (comparadas con la configuración objetivo) y g(n) es la profundidad
del nodo n en el grafo de búsqueda, el proceso de búsqueda producirá el grafo de
la figura9.2 (los números que están próximos a los nodos equivalen a la suma g(n)
+ h(n). como se puede ver, en este caso la búsqueda del nodo objetivo es mas
directa (exceptuando el nodo marcado con un circulo).
Estos ejemplos nos platean d dos preguntas importantes. Primera, ¿como
seleccionamos la función de evaluación que guie el proceso de búsqueda primero
el mejor? Segunda, ¿ cuales son las propiedades de la búsqueda primero el
mejor?, ¿ encuentra siempre buenos caminos hacia el objetivo?

32
Funciones heurísticas
El problema de las ocho placas tiene justo el nivel de dificultad que lo hace
interesante. Una solución típica consta de 20 pasos, aunque esto variara
dependiendo del estado inicial. El factor de ramificación es aproximadamente de
tres (cuando la placa vacía esta en medio, hay cuatro posibles desplazamientos;
cuando esta en una esquina, dos; cuando esta en uno de los bordes, tres). Es
decir, búsqueda exhaustiva de profundidad 20 haría una búsqueda a través de 320
=3.5 x 109
estados. Si se lleva un registro de los estados que se repiten, la
cantidad anterior disminuye considerablemente, ¡puesto que habrá solo 9! = 360
880 arreglos diferentes de nueve cuadros. Sigue siendo un número grande de
estados, por lo que procede encontrar una buena función heurística. Para en
contar la soluciones mas breves hay que tener una función heurística que nunca
sobreestime la cantidad de pasos necesarios para al cansar la meta. La siguiente
son dos candidatas.

33
Ejemplo típico del problema de las ocho placas.
 h1= la cantidad de placas que están en lugar incorrecto. En la figura 4.7
ninguna delas ocho placas esta en la posición meta, por lo que el estado de
partida tendría h1 = 8.h1 es una heurística aceptable puesto que es
evidente que cuando en placa esta en el lugar incorrecto habrá que
desplazarla por lo menos una vez.
 h2= la suma de las distancias que separa a las placas de sus posiciones
meta. Puesto que las placas no se desplazan a través de diagonales, la
distancia que se considere es la suma de las distancias verticales y
horizontales. A esta se le denomina a veces distancia en cuadras de ciudad
o distancia de Manhattan. h2 también es aceptable puesto que todo
movimiento acercara a la placa asolo un paso de la meta. Las ocho placas
en el momento de partida tienen una distancia de Manhattan de:
h2 = 2+3+2+1+2+2+1+2=15
El efecto, en el desempeño, de la exactitud heurística
Una forma de caracterizar la calidad de una heurística es mediante el factor de
ramificación efectiva b*. Si la cantidad total de nodos expandida por A* para un
problema determinado es N, y la profundidad de la solución es d, entonces b* es el
factor de ramificación que de vera tener un árbol uniforme de profundidad d para
que pueda contener N nodos. Por lo que:
N = 1+b*+ (b*)2
+…+ (b*)d
.
Por ejemplo, si A* encuentra una solución en la profundidad cinco y utilizando 52
nodos, el factor de ramificación efectiva es de 1.91. por lo general, el factor de
ramificación efectiva correspondiente a una heurística determinada permanece
muy constante a través de una amplia gama de problemas, por lo que las
mediciones experimentales de b* realizadas en un reducido conjunto de
problemas puede servir de guía sobre la utilidad global de la heurística. En una
heurística bien diseñada. El valor de b* se aproxima a 1, lo que da cabida a la

34
resolución de problemas bastante grandes. Para probar las funciones de solución
es 2,4,…,20, y se resuelven utilizando la búsqueda A*, con h1 y h2, asi como
mediante la búsqueda por profundización interactiva no informada, en la figura 4.8
se puede observar la cantidad promedio de nodos expandida mediante cada una
delas estrategias anteriores y el factos de ramificación correspondiente. Los
resultados muestran que h2 es mejor que h1 y que la búsqueda no respaldada
con información es peor.
Vale la pena preguntarse si h2 siempre es mejor que h1. La respuesta es si.
Es fácil deducir con base en las definiciones de ambas heurísticas que para todo
nodo n, h2(n) ≥h1 (n). Se dice que h2 domina a h1. El dominio se traduce
directamente en eficiencia: una A* que utilice h2 expandirá menos nodos, en
promedio, que una A* que utilice h1.
Costo de búsqueda Factor de ramificación efectivo
d IDS A*(h1) A*(h2) IDS A*(h1) A*(h2)
2
4
6
8
10
12
14
16
18
20
22
24
10
112
680
6384
47127
364404
3473941
-
-
-
-
-
6
13
20
39
93
227
539
1301
3056
7276
18094
39135
6
12
18
25
39
73
113
211
363
676
1219
1641
2.45
2.87
2.73
2.80
2.79
2.78
2.83
-
-
-
-
-
1.79
1.48
1.34
1.33
1.38
1.42
1.44
1.45
1.46
1.47
1.48
1.48
1.79
1.45
1.30
1.24
1.22
1.24
1.23
1.25
1.26
1.27
1.28
1.26
Figura4.8 comparación de los costos de búsqueda y delos
factores de ramificación efectivos de la BUSQUEDA-POR
PROFUNDIZACION-INTERACTIVA y los algoritmos A*,
correspondientes A h1 y h2. Los datos se promediaron entre
100 resultados posibles del problema de las ocho placas,
correspondientes a longitudes de solución diversas.

35
Como inventar funciones heurísticas
Se ha visto hasta hora que tanto h1 como h2 son heurísticas que funcionan bien
en el caso del problema de las ocho placas y que, de las dos, h2 es la mejor. Pero
todavía no sabemos como inventar una función heurística. (¿Como podría
hacerse una con h2? ¿Seria capaz una computadora de inventar tal heurística?
Las funciones h1 y h2 son estimaciones de la longitud de la ruta que falta en el
problema de las ocho placas, pero también se les puede considerar como
longitudes de ruta perfectamente precisas de versiones mas sencillas del
problema. Si se cambiaran las reglas del problema de manera que una placa se
pudiera desplazar a cualquier parte, en vez de hacerlo al cuadro adyacente vacio,
h1 daría la cantidad precisa de pasos necesarios de la solución mas breve. Así
mismo, si una placa pudiese desplazarse un cuadro en cualquier dirección,
incluso en un cuadro ocupado, h2 diría cual es la cantidad exacta de pasos de la
solución mas corta. A los problemas es que se imponen menos restricciones a los
operadores se les llaman problemas relajados. Es frecuente que el costo de la
solución de un problema relajado constituya una buena heurística del problema
original.
Si se escribe la definición de un problema en lenguaje formal, es posible construir
automáticamente el problema relajado. Por ejemplo, si los operadores del
problema de las ocho placas se caracterizan de la manera siguiente:
Una palca puede pasar del cuadro A al B si A esta junto a B y B esta vacio.
Para generar tres problemas relajados solo hay que eliminar una o más de las
condiciones:
(a) se puede mover una placa del A al cuadro B si A esta junto a B.
(b) se puede mover una placa del A al cuadro B si B esta vacio.
(c) Se puede mover una placa del cuadro A al cuadro B.
Recientemente se creo un programa llamado ABSOLVER, mediante el que se
generan automáticamente heurística a partir de la definición de un problema,

36
empleado el método del “problema relajado” así como algunas otras técnicas
(preditis,1993). ABSOLVER produjo una nueva heurística para el problema de las
ocho placas mejor que todas las obtenidas hasta en toces y ofreció la primera
heurística útil para el famoso problema del cubo de Rubick.
Uno delos problemas relacionados con la generación de nuevas funciones
heurísticas es la imposibilidad de obtener una quesea evidentemente la “mejor”.
Si para un problema determinado existe un grupo de heurística aceptable,
h1,…hm, y si ninguna de ellas domina a las otras ¿cual es la que se debe elegir?
Resulta que no es necesario elegir. El mejor de los mundos se obtiene al definir:
h(n) = máx. (h1)(n),…,hm8n)).
En esta heurística combinada se utiliza aquella función que sea mas precisa para
el nodo en cuestión. Puesto que las heurísticas componentes son aceptables, h
también lo es. Además, h domina cada una de las heurísticas que la constituyen.
Otra forma de inventar una buena heurística es utilizando información
estadística. Para ello, se efectúa una búsqueda a través de diversos problemas
de adiestramiento, como por ejemplo las 100 configuraciones es cogidas al azar
del juego de las ocho fichas, y se obtienen las estadísticas correspondientes. Por
ejempló, se obtienen el resultado de que cuando h2(n) = 14, resulta que 90% de
las veces la distancia real a la meta es 18. Y así, cuando enfrentemos el problema
“real” en vez de usar el valor de 14 reportado por h2(n), se utilizara el de 18.
Desde luego que cuando se utiliza información probabilística como lo anterior,
aunque se renuncia a la garantía de la admisibilidad, por otra parte se expandirán
menos nodos en promedio.
Muchas veces existe la posibilidad de tomar rasgos de un estado que forma parte
de su función de evaluación heurística, aun cuando no sea fácil determinar en que
consiste tal contribución. Por ejemplo, en el ajedrez la meta es dar jaque mate al
oponente, y entre los rasgos característicos figuran la cantidad de piezas de cada
tipo que pertenecen a cada lado, la cantidad de ellas reciben el ataque de las
contrincantes, etcétera. Normalmente, se supone a la función de evaluación como
una combinación lineal de los valores de los rasgos. Incluso cuando no se tiene
idea de la importancia de cada rasgo, o incluso si un rasgo es bueno o malo, aun
así se puede emplear un algoritmo de aprendizaje con el fin de obtener
coeficientes razonables de cada rasgo, como se demuestra en el capitulo 18. En el
caso del ajedrez, por ejemplo, un programa puede aprender que la reina del

37
jugador debe alcanzar un levado coeficiente positivo, en tanto que el peón del
contrincante, uno pequeño y negativo.
Otro factor no considerado hasta el momento es el costo de búsqueda que
implica la aplicación real de una función heurística a un nodo. Hasta ahora se ha
puesto que el costo del computo de la función heurística es aproximadamente al
mismo que el de la expansión de un nodo, por lo que es conveniente reducir el
mínimo la cantidad de nodos expandidos. Sin embargo, si la complejidad de la
función heurística es tal que el cálculo de su valor para un nodo tarda tanto como
la expansión de cientos de nodos, habrá una reconsideración. Después de todo,
es muy sencillo confiar en una heurística perfectamente precisa, si se deja que
esta realice, digamos, la totalidad de una búsqueda preferente por amplitud “a
hurtadillas”. Esto permite reducir a un mínimo la cantidad de nodos expandidos en
una búsqueda real, aunque no reducirá al mínimo el costo general de la búsqueda.
Una buena fusión heurística es aquella que es eficiente así como precisa.

38
BIBLIOGRAFÍA
Inteligencia artificial un enfoque moderno
Stuart Rusell . Peter Norvig
Colección de inteligencia artificial de prentice hall
Inteligencia artificial
Una nueva síntesis
NILS J. NILSSON
Stanford University
http://es.wikipedia.org/wiki/Teor%C3%ADa_de_las_inteligencias_múltiples
http://html.rincondelvago.com/gardner_los-cientificos-cognotivistas.html
http://www.itescam.edu.mx/principal/webalumnos/sylabus/asignatura.php?clave_a
sig=SCB-0416&carrera=ISC0405001&id_d=60
http://intart.wetpaint.com/page/Modelo+cognitivo+de+un+robot+3
http://es.wikipedia.org/wiki/Desarrollo_cognitivo
http://leaenbinario.blogspot.com/2009/04/que-es-un-agente-inteligente.html
http://www.depi.itch.edu.mx/apacheco/expo/html/ai12/

inteligencia artificial unidad 1

Recommandé

Recommandé

Contenu connexe

Tendances

Tendances (20)

En vedette

En vedette (17)

Similaire à inteligencia artificial unidad 1

Similaire à inteligencia artificial unidad 1 (20)

Plus de JosepSalvadorSotoObregon

Plus de JosepSalvadorSotoObregon (6)

Dernier

Dernier (20)

inteligencia artificial unidad 1