Inteligencia Artificial: aproximaciones, historia y sistemas de resolución de problemas

RESUMEN

Introducción a la Inteligencia Artificial

7

1.1 ¿Qué es la Inteligencia Artificial? 7 1.1.1 Pueden 7 1.1.2 Máquinas 7 1.1.3 Pensar. 7 1.2 Aproximaciones a la IA 8 1.2.1 Basadas en procesamiento de símbolos. 8 1.2.2 Aproximaciones subsimbólicas 8 1.3 Breve historia de la IA 8 1.4 Mundo especial para agentes con IA 9 1.5 Sistemas que resuelven problemas de la IA 9 Los problemas de la Inteligencia Artificial 9 Las suposiciones subyacentes 10 ¿Qué es una técnica de IA? 10 1.5.1 Acciones que debe llevar a cabo el sistema. 11 1.5.2 Definición del problema mediante una búsqueda en espacio de estados 11 1.5.3 Sistemas de producción. 11 1.5.4 Análisis del problema. 11 1.5.5 Características de los sistemas de producción 12

Búsqueda y planificación

2.1 Técnicas de búsqueda a ciegas 13 2.1.1 Explosión combinatoria 13 2.1.2 Ramificación y acotación 13 2.1.3 Búsqueda primero en anchura 13 2.1.4 Búsqueda primero en profundidad 13 2.2 Técnicas de búsqueda heurística 14 2.2.1 Generación y prueba 14 2.2.2 Escalada o remonte de colinas 15 Escalada simple 15 Escalada por la máxima pendiente 15 2.2.3 Búsqueda el primero mejor 15 Transformación del espacio de configuraciones 16 2.2.4 Reducción de problemas 16 2.2.5 Verificación de restricciones 16 2.2.6 Análisis de medios y fines 17 2.3 Búsqueda en problemas de juegos 17 2 13 Estrategia de control 132.3.1 Juegos de dos jugadores 17 2.3.2 El procedimiento minimax 17 2.3.3 El procedimiento alfa-beta 17 2.4 Búsqueda con sistemas evolutivos 18 2.4.2 Algoritmos genéticos 18 2.4.3 Poblaciones 18 2.4.4 Operadores genéticos 18 Selección 19 Crossover 19 Mutación 19 Migración 19 2.4.5 Función de evaluación 19 Convergencia 19 Convergencia prematura 19 Finalización lenta 19 Algoritmo genético canónico 19 2.5 Planificación 19 2.5.2 Componentes de un sistema de planificación 19 2.5.3 Planificación mediante una pila de objetivos 20 2.5.4 Planificación no lineal mediante fijación de restricciones 20 2.5.5 Planificación jerárquica 20 2.5.6 Sistemas reactivos 20

Representación del conocimiento y razonamiento

3.1 El problema de la representación del conocimiento 21 3.1.1 Correspondencia entre conocimiento y representación del conocimiento 21 3.1.2 Propiedades de un buen sistema de representación del conocimiento 21 3.1.3 Modelos de representación del conocimiento 21 Espectro sintáctico-semántico de la representación 21 3.1.3.1 Conocimiento relacional simple 21 3.1.3.2 Conocimiento heredable. 22 3.1.3.3 Conocimiento deductivo 22 3.1.3.4 Conocimiento procedimental 22 3.1.4 Problemas de la representación del conocimiento 22 3.1.5 El problema del marco 23 3.2 Lógica simbólica 23 3.2.1 La lógica y el lenguaje 23 3.2.1.1 Introducción 23 3.2.1.2 Naturaleza del argumento. 23 33.2.1.3 Verdad y validez 23 3.2.1.4 Lógica simbólica 24 3.2.2 Argumentos que contienen enunciados compuestos 24 3.2.2.1 Enunciados simples y compuestos 24 3.2.2.2 Enunciados condicionales 25 25 3.2.2.3 Formas de argumentos y tablas de verdad 3.2.2.4 Formas sentenciales 26 3.2.3 El método de deducción 27 3.2.3.1 Prueba formal de validez 27 3.2.3.2 La regla de reemplazo 28 3.2.3.3 Demostración de la invalidez 28 3.3 Lógica de predicados 29 3.3.1 Introducción y concepto de semidecidible 29 3.3.2 Representación de hechos simples en lógica 29 3.3.3 La representación de las relaciones instancia y es-un 30 3.3.4 Representación de funciones calculables y predicados computables 30 3.3.5 Método de resolución. 30 3.3.6 Conversión a forma clausal 30 Algoritmo de conversión a forma clausal 30 3.3.7 Las bases de la resolución 31 3.3.8 Resolución en lógica proposicional 31 Algoritmo de resolución de proposiciones 31 3.3.9 El algoritmo de unificación 31 3.3.10 Resolución en lógica de predicados 31 Algoritmo de resolución 31 3.4 Representación del conocimiento mediante reglas 32 3.4.1 Comparación entre conocimiento procedimental y conocimiento declarativo 32 3.4.2 Programación lógica 32 3.4.3 Diferencia entre razonamiento hacia delante y hacia atrás 33 3.4.3.1 Sistemas de reglas encadenadas hacia atrás 33 3.4.3.2 Sistemas de reglas encadenadas hacia adelante 33 3.5 Razonamiento bajo incertidumbre 33 3.5.1 Razonamiento no monótono 34 3.5.1.1 Razonamiento por defecto 34 3.5.1.2 Razonamiento minimalista 34 3.5.2 Razonamiento estadístico 35 3.5.2.1 Factores de certeza 35 3.5.2.2 Redes bayesianas. 36 43.5.2.3 Teoría de Dempster-Shafer 36 3.6 Estructuras de ranura y relleno débiles 36 3.6.1 Redes semánticas 36 3.6.2 Marcos (frames) 36 3.7 Estructuras de ranura y relleno fuertes 37 3.7.1 Dependencia conceptual 37 3.7.2 Guiones 37 3.7.3 CYC 37

Ingeniería del conocimiento

4.1 PROLOG (Programación lógica) 38 4.1.2 ¿Para qué sirve PROLOG? 38 38 4.1.4 Inteligencia Artificial 38 4.2 Relación con la lógica 38 4.2.1 Hechos 38 4.2.2 Variables 39 4.2.3 Reglas 39 4.2.4 Cláusulas 39 4.2.5 Preguntas 39 4.2.6 Conjunciones y backtracking 39 4.3 Estructura de un programa PROLOG 40 4.3.1 Composición de un programa. Cláusulas. Predicados. Dominios. 40 4.4 Ingeniería del conocimiento 40 4.4.1 Organización de una base de conocimientos 41 4.4.2 Encontrando el experto 41 4.4.3 Verificaciones de la base de conocimientos 41 4.5 Definición de sistema experto 42 4.5.1 Definición funcional 42 4.5.2 Definición estructural 42 4.6 Armazones de sistemas expertos 43 4.7 Aplicaciones de los sistemas expertos. 43 4.7.1 Ventajas de la aplicación de sistemas expertos 42 4.1.3 Lenguaje procedural vs. lenguaje declarativo

Redes neuronales

44 5.1 Modelos conexionistas 44 5.1.1 Origen del paradigma de computación conexionista 44 5.3 Redes neuronales artificiales ...... 44 5.3.1 Definición de red neuronal ...... 44 5.3.2 Estructura de las redes neuronales. 44 5 5.3.3 Comparación entre RNB y RNA. 45 5.3.4 Formas de interconexión de las RNA. 46 5.3.5 Características de las RNA 46 5.4 Ventajas y desventajas de las RNA 46 5.4.1 Ventajas que ofrecen las RNA 46 5.4.2 Desventajas que ofrecen las RNA 47 5.5 Mecanismos de aprendizaje 5.5.1 Aprendizaje supervisado 5.5.2 Aprendizaje no supervisado 47 5.6 El perceptrón 48 5.6.1 Aprendizaje del perceptrón 48 5.6.2 La separación lineal y el problema del XOR 48 5.7 Redes de Hopfield. 48 5.8 Máquinas de Boltzman 49 5.9 Redes recurrentes 49 6 47

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

¿Qué es la Inteligencia Artificial?

La Inteligencia Artificial (IA) tiene por objeto el estudio del comportamiento inteligente en las máquinas. El comportamiento inteligente supone percibir, razonar, aprender, comunicarse y actuar en entornos complejos.

• Una de las metas a largo plazo de la IA es el desarrollo de máquinas que puedan hacer estas cosas igual, o quizá mejor, que los humanos.
• Otra meta de la IA es llegar a comprender ese tipo de comportamiento, sea en las máquinas, en los humanos o en otros animales.

La cuestión básica de la IA es ¿pueden pensar las máquinas? Alan Turing expresó esta misma cuestión, formulada en términos más adecuados para su comprobación empírica, en lo que se conoce como Test de Turing.

Pueden las máquinas pensar

¿Queremos decir que las máquinas pueden pensar ya ahora, o que algún día podrán pensar? ¿ Queremos decir que las máquinas podrían ser capaces de pensar, o lo que perseguimos es una implementación real de una máquina pensante?

Máquinas y el pensamiento

Aunque una máquina hecha de proteínas puede pensar, quizá una hecha de silicio no sería capaz de hacerlo. Un filósofo, John Searle, cree que la materia de la que estamos hechos es fundamental para la inteligencia. Para él, el pensamiento sólo puede ocurrir en máquinas muy especiales -las máquinas vivientes hechas de proteínas. La hipótesis del sistema físico de símbolos de Newell y Simon está en oposición directa a las creencias de Searle. Esta hipótesis establece que un sistema físico de símbolos dispone de los medios necesarios y suficientes para desarrollar una actividad general inteligente. Un aspecto importante de esta hipótesis es que no importa de qué esté hecho el sistema físico de símbolos: decimos que la hipótesis de Newell y Simon es neutral respecto al sustrato. Una entidad inteligente podría estar hecha de proteínas, de relés mecánicos, de transistores o de cualquier otra cosa, con tal que sea capaz de procesar símbolos. Otros pensadores creen que no es importante si las máquinas están hechas de silicio o de proteínas; piensan que el comportamiento inteligente es resultado de lo que ellos llaman procesamiento subsimbólico, es decir, procesamiento de señales, no de símbolos. Otras hipótesis sobre el tipo de máquinas que podrían pensar son:

• Procesamiento de información en paralelo.
• Uso de lógica difusa.
• Uso de neuronas artificiales realistas.

El concepto de pensar

En lugar de definir esta palabra, Turing propuso un test, mediante el cual pudiera decidirse si una máquina en particular es o no inteligente: En el test participan un hombre (A), una mujer (B) y un interrogador (C). El interrogador permanece en una sala, separado de los otros dos, pero pudiendo comunicarse con ellos mediante un teletipo. El objetivo del test para el interrogador es determinar cuál de los otros dos es el hombre y cuál la mujer. Para ello, el 7interrogador puede plantear preguntas a A y B. El objetivo de A en el juego es intentar que C haga una identificación errónea. El objetivo de B es ayudar al interrogador.

Aproximaciones a la IA

Aproximaciones basadas en procesamiento de símbolos

Se sustentan sobre la hipótesis del sistema físico de símbolos de Newell y Simon. Un miembro destacado de esta familia de aproximaciones es el que se basa en la aplicación de operaciones lógicas sobre bases de conocimiento declarativo. Este estilo de IA representa el "conocimiento" sobre un problema del dominio mediante sentencias declarativas, a menudo basadas en sentencias de la lógica de predicados, o equivalentes. Para deducir consecuencias a partir de este conocimiento, se aplican técnicas de inferencia lógica. Encontramos tres niveles:

• Nivel del conocimiento: se especifica el conocimiento necesario para los objetivos de la máquina.
• Nivel simbólico: se representa este conocimiento mediante estructuras simbólicas (por ejemplo, listas escritas en LISP), y se especifican operaciones sobre dichas estructuras.
• Nivel de implementación: se implementan las operaciones de procesamiento de símbolos.

Muchas de estas aproximaciones utilizan el diseño descendente, comenzando por el nivel del conocimiento, continuando hacia abajo.

Aproximaciones subsimbólicas

Siguen usualmente el diseño ascendente, comenzando por el nivel más bajo, y continuando hacia arriba. En los niveles más bajos, el concepto de señal es más apropiado que el concepto de símbolo. Según defensores de estas aproximaciones, habrá que seguir los pasos evolutivos de la inteligencia humana para conseguir máquinas inteligentes. Las redes neuronales son un ejemplo de máquinas basadas en aproximaciones subsimbólicas. También se incluyen procesos que simulan ciertos aspectos de la evolución biológica: cruzamiento, mutación y reproducción de los organismos mejor adaptados. Otras aproximaciones ascendentes se basan en la teoría del control y en el análisis de sistemas dinámicos. A medio camino entre las aproximaciones ascendentes y descendentes se encuentran aquellas basadas en autómatas situados. Se propuso un lenguaje de programación para especificar, en un alto nivel de abstracción, el comportamiento de un agente, así como un compilador para generar la circuitería necesaria.

Breve historia de la IA

El término "Inteligencia Artificial" fue acuñado por McCarthy, al usarlo como título de una conferencia en 1956. El primer paso hacia la Inteligencia Artificial fue dado por Aristóteles cuando comenzó a codificar ciertos estilos de razonamiento deductivo que él llamó silogismos. El siguiente gran paso fue dado por George Boole, quien desarrolló los fundamentos de la lógica proposicional. Luego, Gottlieb Frege creó lo que hoy se conoce como cálculo de predicados. Los lógicos del siglo XX formalizaron y clarificaron lo que puede ser hecho y lo que no puede ser hecho mediante sistemas lógicos y computacionales. Más tarde, en los años '60 y primeros de los '70, el esfuerzo se centró en explorar diversas representaciones de problemas, técnicas de búsqueda y heurísticas generales aplicables en programas de 8