UNIDAD 2 REPRESENTACION DEL CONOCIMIENTO Y RAZONAMIENTO

MAPAS CONCEPTUALES

TIPOS DE AGENTES Y AMBIENTES

AGENTE INTELIGENTE

Un agente es todo aquello que pueda considerarse que percibe su ambiente mediante sensores 

y que responde o actúa en tal ambiente por medio de susefectores.

1.  AGENTE DE REFLEJO SIMPLE: Las acciones que realiza son en base a percepciones.
2. AGENTES BIEN INFORMADOS DE TODO LO QUE PASA:   Guarda estados internos para ejecutar una acción.
3. AGENTE BASADO EN METAS: A demás de los estados necesitan información de las metas detalladas combinándolas para realizar la acción.
4. AGENTE BASADOS EN UTILIDADES: Se obtiene un conjunto de metas para poder encontrar utilidad que sirva al ambiente.   

AMBIENTE

Aporta percepciones al agente quien ejerce acciones sobre el ambiente.

• ACCESIBLES Y NO ACCESIBLES: Es accesible si los sensores detectan todos los aspectos relevantes a la elección de una acción.

• DETERMINISTAS Y NO DETERMINISTAS: son deterministas cuando el estado actual esta completo y por tanto las acciones son escogidas por el agente

• EPISODICOS Y NO EPISODICOS: Es un ambiente episódico que dependerá de las acciones producidas en los episodios anteriores. Son más sencillos ya que el agente no piensa por adelantado.

• ESTATICOS Y DINAMICOS: Se denomina dinámico cuando el agente se encuentra deliberando modificaciones, de lo contrario se  dice que es estático.

• DISCRETOS Y CONTINUOS: se denomina discretas cuando la cantidad de acciones distintas y claramente discernibles, y continuas cuando los rangos de valores son continuos.

   

HISTORIA DE LA INTELIGENCIA ARTIFICIAL

HISTORIA DE LA INTELIGENCIA ARTIFICIAL.

Génesis de la inteligencia artificial (1943-1956)

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 fisiología básica y funcionamiento de las neuronas en el cerebro, el análisis formal de la lógica proposicional de Russell 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”; en el encendido se daba como respuesta a la 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”.

Entusiasmo inicial, grandes esperanzas (1952-1969)

A principios de 1952, Arthur Samuel escribió una serie de programas para el juego de damas, los que a la postre aprendieron el juego a nivel de torneo. De paso, echo por la tierra la idea de que las computadoras solo pueden hacer lo que se les dice, puesto que su programa aprendió rápidamente a jugar mejor que su creador. El programa fue demostrado en la televisión en febrero de 1956 y produjo una honda impresión. Como Turing, Samuel tenía dificultadas para obtener tiempo de cómputo. Trabajaba en las noches y empleaba máquinas que todavía estaban en etapa de prueba en la planta de fabricación de IBM.

John McCarthy se pasó de Darmouth al MIT, y en el año histórico de 1958 hizo tres contribuciones cruciales. En el laboratorio de IA del MIT Memo No.1, McCarthy definió el lenguaje de alto nivel Lips, que se convertiría en el lenguaje de programación más antiguo que se utiliza actualmente. Con el Lips McCarthy ya tenía la herramienta que necesitaba, pero aún existía el grave problema de los escasos y costosos recursos de cómputo. Para resolverlo, él y otros en el MIT que formaron Digital Equipment Corporation, y que se convertiría en el segundo más importante fabricante de computadoras del mundo, gracias a sus minicomputadoras de tiempo compartido.

Minsky supervisaba el trabajo de unos estudiantes, quienes eligieron problemas limitados cuya solución parecía requerir de la inteligencia. Estos dominios limitados vinieron a ser conocidos como micromundos. El programa SAINT de James Slagle (1963a) fue capaz de resolver problemas de integración de forma cerrada comunes en los cursos de cálculo de primer año de licenciatura. El programa de Bertram Raphael SIR Semantic Iformation Retrieval (recuperación de información semántica) (1968) pudo aceptar aseveraciones de entrada de un subgrupo en inglés muy restringido y produjo las correspondiente respuestas.

Rosenblatt demostró el famoso teorema de convergencia de perceptrón, con lo que su algoritmo de aprendizaje podía ajustar las intensidades de conexión de un perceptrón para que correspondiera a cualquier dato de entrada, siempre y cual tal correspondencia fuese factible.

Una dosis de realidad (1966-1974)

Si bien términos tales como “futuro previsible” acepta un amplio margen de interpretación, algunas de las predicciones hechas por Simon fueron más concretas. En 1958, predijo que el lapso de 10 años una computadora llegaría hacer campeona de ajedrez, y sería posible realizar mediante la maquina la demostración de un nuevo e importante teorema matemático.

El primer tipo de obstáculo se originó en los antiguos programas, los cuales contaban con poco o ningún conocimiento de la materia objeto de estudio; lograban resultados gracias a la realización de sencillas manipulaciones sintácticas.

El segundo obstáculo fue el de la intratabilidad de muchos de los problemas que se estaban intentado resolver mediante IA. La mayoría de los primeros programas de IA se basaban en la representación de las características básicas de un problema y se sometían a prueba de diversos pasos, hasta que se llegara encontrar aquella combinación de estos que produjeran la solución esperada.

El tercer obstáculo derivó de las limitaciones a las estructuras básicas que se utilizaban en la generación de la conducta inteligente. Un caso específico era la imposibilidad de capacitar un perceptrón de dos entradas a discernir si estas eran diferentes.

Sistemas basados en el conocimiento: ¿clave del poder? (1969-1979)

La naturaleza de la resolución de problemas durante la primera década de la investigación en IA residía en un mecanismo de búsqueda de propósito general en el que se entrelazaban pasos de razonamiento elementales para encontrar así soluciones completas. La trascendencia de DENDRAL fue la de ser el primer sistema de conocimiento intensivo que logra funcionar: sus funcionamientos se basaban en importantes cantidades de reglas para propósitos especiales. En sistemas diseñados posteriormente se incorporó también lo fundamental de lo propuesto para el EC de McCarthy: la nítida separación del conocimiento y la parte correspondiente al razonamiento. 

Teniendo presente esta lección, Feigenbaum y otros, en Stanford, dieron inicio al proyecto de Programación Heurística, PHH, dedicado a determinar el grado con el que la nueva metodología de los sistemas expertos podía aplicarse a otras áreas de la actividad humana.

En primer lugar, a diferencia de las reglas de DENDRA, no se contaba con un modelo teórico desde el cual se pudieran deducirse las reglas de MYCD. En segundo lugar, las reglas deberían reflejar  la incertidumbre inherente al conocimiento médico.

La IA se convierte en una industria (1980-1988)

El primer sistema expreso comercial, R1, inicio sus actividades en Digital Equipment Corporation. El programa se utilizaba en la elaboración de pedidos de nuevos sistemas de computación. Para 1986 representaba para la compañía ahorros estimados en 40 millones de dólares al año. En 1988, el grupo de inteligencia artificial de la DEC había distribuido ya 40 sistemas expertos, y esperaba tener más.

En la floreciente industria de la IA figuraban también compañías tales como Camegie Group Inference, Intellicorp y Teknowledge, las que disponían de herramientas de software necesarias para construir sistemas expertos, así como compañías de hardware como Lips Machines, inc; Texas  Instruments, Symbolics y Xerox, en donde se construían estaciones de trabajo optimizadas para el diseño de programas en Lips. Más de un centenar de compañías construyeron sistemas de visión robótica para uso industrial. En suma, en esta industria las ventas pasaron de ser unos cuentos millones el 1980 a veinte mil millones de dólares en 1988.

El regreso de las redes neuronales (1986 al presente)

Si bien en la ciencia de la computación se ha hecho a un lado el campo de los redes neuronales luego de la publicación del libre de Minsky y Papert, se ha continuado trabajando en otros campos, especialmente en física. Podría equiparse a los grandes grupos formados por simples neuronas con los grandes conglomerados formados por átomos que constituyen a los sólidos.

Algunos anticiparon la llegada de un “invierno para la IA”, acompañado de una severa reducción de fondos para patrocinarlas actividades de la IA.

Acontecimientos recientes (1987 al presente)

En años recientes se ha podido atestiguar u cambio tanto en contenido como en metodología en las investigaciones de la IA. Actualmente es más común construir sobres las teorías totalmente novedosas, tomar como base rigurosos teoremas o sólidas evidencias experimentales más que de la intuición, y demostrar la utilidad de las aplicaciones en el mundo real más que crear ejemplos de juguete.

Un buen modelo de lo anterior es el campo de la comprensión del lenguaje. En la década de los 70 se sometió a prueba una gran variedad de arquitecturas y enfoques. Muchos de ellos fueron poco ad hoc y resultaban endebles, y fueron probados en unos cuantos ejemplos elegidos específicamente. En años recientes en el área los enfoques prevalecen basados en los modelos de Markov ocultos, MMO. Son dos las características de los MMO que tienen relevancia en esta explicación. Primera se basan en una rigurosa teoría matemática, lo que ha permitido a los investigadores del lenguaje basarse en décadas de resultados de investigaciones  matemáticas hechas en otros campos. En segundo lugar, los modelos han sido generados mediante un proceso de aprendizaje basado en un gran volumen de datos del lenguaje real. Lo anterior garantiza un sólido desempeño; en severas pruebas de ciego, los MMO logran cada vez mejores calificaciones. La tecnología del lenguaje y su campo vinculado de la comprensión de caracteres manuscritos actualmente están en transición hacia una generalizada cantidad de aplicaciones industriales y de consumo.

Otra área que al parecer se ha beneficiado con la formalización es la planeación. La aparición de Probabilistic Reasoning and Intelligent Systems, Judea Pearl (1988), señaló la bienvenida al uso de la probabilidad y de la teoría de decisiones en IA, como secuela del resurgimiento del interes por la utilización y cuyo epítome fue el articulo “In defense of Probability” de Peter Cheeseman (1985). La invención del formalismo de red de creencia obedece a la necesidad de poder razonar eficientemente ante una combinación de evidencias inciertas.                                                                                                                                                                                                                                                                    

Inteligencia Artificial

LOS FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL.

La inteligencia artificial es un campo joven, es heredada de diversas ideas, puntos de vista y técnicas de otras disciplinas. Durante más de 2000 años de tradición en filosofía han surgido teorías formales relacionadas con la lógica, probabilidad, toma de decisiones y la computación. La psicología ofrece herramientas que permiten la investigación de la memoria human, así como un lenguaje científico para expresar las teorías que se van obteniendo. La lingüística ofrece teorías sobre la estructura y significado del lenguaje. Por último la ciencia de la computación, de IA que se toman las herramientas que permiten que la IA sea una realidad.

Todo empieza con el nacimiento de Plantón en 428 a. C. La temática de su obra es diversa: política, matemáticas, física, astronomía y diversas ramas de la filosofía. El filósofo Hubert Dreyfus (1979, p. 67) afirma que “Bien podría afirmarse que la historia de la inteligencia artificial comienza en el año 450 a. C.”.

Sócrates deseaba un algoritmo que le permitiera diferenciar la piedad de la impiedad. Aristóteles dio un paso más a formular con mayor precisión las leyes que gobiernan la parte racional de la mente. Concibió un sistema informal de silogismos para el razonamiento adecuado, los que en principio permiten generar mecánicamente conclusiones, asumiendo ciertas premisas iniciales. Aristóteles consideraba que no todas las partes de la mente estaban gobernadas por procesos lógicos. Consideraba también la noción de una razón intuitiva.

El siguiente paso consiste en considerar la mente como un sistema físico. René Descartes (1596-1650), dice que para contar con un estudio claro de la diferencia entre mente y materia y los problemas que originan. No obstante ser un denodado defensor de la capacidad del razonamiento, Descartes propuso la noción de dualismo. Sostenía que existe una parte de la mente que está al margen de la naturaleza, exenta de la influencia de las leyes físicas. Por el contrario, consideraba que en los animales no había tal dualidad; se les podría concebir como si fueran máquinas.

Una alternativa al dualismo es el materialismo, que consideraba que todo el mundo funciona sujeto a leyes físicas. Es posible optar por una posición intermedia, la que permite aceptar que la mente tiene una base física, es decir, procesos mentales y conciencia forman parte del mundo físico, pero inherentemente no se les puede llegar a aprehender, están más allá de la comprensión racional.

El movimiento empírico se caracteriza por el aforismo de John Locke (1632-1704): “Nada existe en la mente que no haya pasado antes por los sentidos”, David Hume (1711-1776) con el Tratado de la Naturaleza Humana propone lo que actualmente se conoce como principio de la inducción: Las reglas generales se obtienen por contacto con repetidas asociaciones entre sus elementos. Bertrand Rusell (1872-1970) le dio más formalidad a esta teoría e introdujo el positivismo lógico. Esta doctrina sostiene que todo el conocimiento se puede caracterizar mediante teorías relacionadas, en última instancia, con oraciones de observaciones, que corresponda con entradas sensoriales. Con la teoría de la confirmación Rudolf Carnap y Carl Hempel intentaron definir el tipo de conexión que existe entre otras oraciones de observación y otras teorías de carácter más general: en otras palabras, de comprender cómo se puede obtener conocimiento a partir de la experiencia.

Los principales métodos del SGP conjuntan la heurística del análisis de medios y fines. Aunque no podrá definir que hay que hacer cuando existen varias acciones mediante las que se puede obtener lo que se desea.

En 1930, Kurt gödel (1906-1978), mediante su teorema de incompletez demostró que en cualquier lenguaje que tuviera la capacidad suficiente para expresar las propiedades de los números naturales, existen aseveraciones verdaderas indecidibles: no es posible definir su validez mediante ningún algoritmo.