3.3 Ingeniería del Conocimiento

Ingeniería del Conocimiento

La ingeniería del conocimiento es aquella disciplina moderna que forma parte de la Inteligencia Artificial y cuyo fin es el diseño y desarrollo de Sistemas Expertos. Para esto, se apoya en metodologías instruccionales y en las ciencias de la computación y de las tecnologías de la información, intentando representar el conocimiento y razonamiento humanos en un determinado dominio, dentro de un sistema artificial.

El trabajo de los ingenieros del conocimiento consiste en extraer el conocimiento de los expertos humanos en un determinado área, y en codificar dicho conocimiento de manera que pueda ser procesado por un sistema.

El problema es que el ingeniero del conocimiento no es un experto en el campo que intenta modelar, mientras que el experto en el tema no tiene experiencia modelando su conocimiento (basado en la heurística) de forma que pueda ser representado de forma genérica en un sistema.

La ingeniería del conocimiento engloba a los científicos, tecnología y metodología necesarios para procesar el conocimiento. Su objetivo es extraer, articular e informatizar el conocimiento de un experto.

Para saber más sobre el tema, dar click en la siguiente liga:

https://es.wikipedia.org/wiki/Ingenier%C3%ADa_del_conocimiento

3.2 Listas en Prolog

Listas

Es una secuencia ordenada de elementos que puede tener cualquier longitud. Los elementos de una lista pueden ser constantes, variables, estructuras, e incluso otras listas.

Por lo anterior las listas son una estructura de datos muy común en la programación lógica. Las listas en Prolog pueden considerarse como estructura recursiva que representa un tipo de árbol de búsqueda.

En Prolog, la lista será una estructura con dos componentes:

• La cabeza o primer argumento de la lista y la cola, es decir, el resto de la lista. El final de una lista se suele representar como una cola formada por una lista vacía la cual se representa con [].

Prolog utiliza una notación muy sencilla para representar las listas, la cual consiste en colocar los elementos de la misma, separados por comas (,) y todo este encerrado entre []; también se considera en Prolog la representación general de las listas, colocando una variable que representa la cabeza y otra la cola, separados por una línea vertical.  [X | Y]

Para saber más sobre el tema, dar click en la siguiente liga:

https://es.wikipedia.org/wiki/Prolog#Listas

3.1 Agente basado en el conocimiento

Agente basado en el conocimiento

                Un Agente Basado en Conocimiento (ABC) es aquel sistema que posee conocimiento de su mundo y que es capaz de razonar sobre las posibles acciones que puede tomar para cambiar el estado de su mundo. El ABC es un conjunto de sentencias, representado mediante un lenguaje de representación de conocimiento.

EL ABC consiste principalmente en:

Base del conocimiento:

• ·         Es un sistema de oraciones que representan hechos acerca del mundo, expresado en un algún lenguaje de representación del conocimiento.
• ·         Cada hecho está representado por una sentencia u oración
• ·         Siempre que se ejecuta el programa del agente basado en el conocimiento, suceden dos cosas:

o   El programa informa a la Base de Conocimiento lo que percibe.

o   El programa pregunta a la Base de Conocimiento qué hacer, luego graba la respuesta.

§  La pregunta se responde mediante el razonamiento lógico.

Motor de inferencia:  

Deduce nuevas oraciones o sentencias a partir de las oraciones almacenadas en la base de conocimiento y de las nuevas percepciones

Adición de nuevo conocimiento.

Para saber más sobre el tema, dar click en la siguiente liga: 

http://www.monografias.com/trabajos51/inteligencia-artificial/inteligencia-artificial.shtml

3.0 Cuantificadores de Lógica de Primer Orden

Cuantificadores

Considérese ahora la siguiente expresión matemática:

x > 3

Esta expresión no es ni verdadera ni falsa, y parece que no lo será hasta que no reemplacemos a la x por algún número cualquiera. Sin embargo, también es posible dar un valor de verdad a la expresión si se le antepone un cuantificador. Un cuantificador es un operador sobre un conjunto de individuos, se trata de un recurso expresivo que permite construir proposiciones sobre conjuntos o dicho de otra forma , un cuantificador es una expresión que afirma que una condición se cumple para un cierto número de individuos. En la lógica clásica, los dos cuantificadores más estudiados son el cuantificador universal y el cuantificador existencial. El primero afirma que una condición se cumple para todos los individuos de los que se está hablando, y el segundo que se cumple para al menos uno de los individuos. Por ejemplo, la expresión "para todo x" es un cuantificador universal, que antepuesto a "x < 3", produce:

Para todo x, x < 3

Esta es una expresión con valor de verdad, en particular, una expresión falsa, pues existen muchos números (muchos x) que son mayores que tres. Anteponiendo en cambio la expresión "para al menos un x", un cuantificador existencial, se obtiene:

Para al menos un x, x < 3

La cual resulta ser una expresión verdadera.

Adviértase ahora, sin embargo, que el valor de verdad de las dos expresiones anteriores depende de qué números se esté hablando. Si cuando se afirma "para todo x, x < 3", se está hablando sólo de los números negativos, por ejemplo, entonces la afirmación es verdadera. Y si al afirmar "para al menos un x, x < 3" se está hablando solamente de los números 3, 4 y 5, entonces la afirmación es falsa. En lógica, a aquello de lo que se está hablando cuando se usa algún cuantificador, se lo llama el dominio de discurso.

Esta maquinaria puede adaptarse fácilmente para formalizar oraciones con cuantificadores del lenguaje natural. Tómese por caso la afirmación "todos son amigables". Esta oración puede traducirse así:

Para todo x, x es amigable.

Y una oración como "alguien está mintiendo" puede traducirse:

Para al menos un x, x está mintiendo.

También es frecuente traducir esta última oración así:

Existe al menos un x, tal que x está mintiendo.

A continuación se formalizan ambas oraciones, introduciendo a la vez la notación especial para los cuantificadores:

Para todo x, x es amigable.	∀x A(x)
Existe al menos un x, tal que x está mintiendo.	∃x M(x)

Para saber más sobre el tema, dar click en la siguiente liga:

https://es.wikipedia.org/wiki/L%C3%B3gica_de_primer_orden#Cuantificadores

2.9 Lógica de Primer Orden

Lógica de primer orden

         La lógica de primer orden, también llamada lógica de predicados o cálculo de predicados, es un sistema formal diseñado para estudiar la inferencia en los lenguajes de primer orden. Los lenguajes de primer orden son, a su vez, lenguajes formales con cuantificadores que alcanzan sólo a variables de individuo, y con predicados y funciones cuyos argumentos son sólo constantes o variables de individuo.

         La lógica de primer orden tiene el poder expresivo suficiente para definir a prácticamente todas las matemáticas.

Para saber más sobre el tema, dar click en la siguiente liga:
https://es.wikipedia.org/wiki/L%C3%B3gica_de_primer_orden

2.8 Lógica Proposicional

Lógica proposicional

         La lógica proposicional o lógica de orden cero es un sistema formal cuyos elementos más simples representan proposiciones, y cuyas constantes lógicas, llamadas conectivas, representan operaciones sobre proposiciones, capaces de formar otras proposiciones de mayor complejidad.

         La lógica proposicional trata con sistemas lógicos que carecen de cuantificadores, o variables interpretables como entidades. En lógica proposicional si bien no hay signos para variables de tipo entidad, sí existen signos para variables proposicionales (es decir, que pueden ser interpretadas como proposiciones con un valor de verdad de definido), de ahí el nombre proposicional. La lógica proposicional incluye además de variables interpretables como proposiciones simples signos para conectivas lógicas, por lo que dentro de este tipo de lógica puede analizarse la inferencia lógica de proposiciones a partir de proposiciones, pero sin tener en cuenta la estructura interna de las proposiciones más simples.

Para saber más sobre el tema, dar click en la siguiente liga:
https://es.wikipedia.org/wiki/L%C3%B3gica_proposicional

2.7 Unificación

Unificación

La unificación se realiza, para cada predicado, de izquierda a derecha, y para cada conjunto de predicados, de arriba a abajo. Se pueden unificar variables con constantes, siempre que la variable no esté instanciada. Si la variable está instanciada, el hecho de hacer unificación entre ambas se corresponde con la situación de unificación de dos constantes. Para que dos constantes se puedan unificar ambas han de ser iguales.

Veamos en la Tabla 4 algunos casos que muestran elfuncionamiento de la unificación.

Variable no instanciada se intenta unificar con cualquier átomo ÉXITO X=5 Variable instanciada se intenta unificar con cualquier átomo distinto al valor que contiene FAIL X que contiene 5, X=6 Constante se intenta unificar con otra constante distinta FAIL 5=6 Expresiones se intentan comparar mediante símbolos de comparación que no "evalúan" y no coinciden totalmente, incluido el orden FAIL 5+3=3+5 Variable se intenta instanciar dos veces en la misma ejecución del programa. En el segundo intento de instanciación FAIL X=6, X=7

Tabla 4

Vemos que las instanciación es un caso de unificación en la que a una variable no instanciada se le asigna un valor.

También podemos observar que no es necesario definir los tipos de las variables locales usadas dentro de cada regla de inferencia. Cuando las variables se instancian a un valor, entonces todas las operaciones que se realicen con dicho valor deberán tener en cuenta el tipo especificado. Por ejemplo, si una variable se instancia al valor 5, todas las comparaciones posteriores se harán con números y no con átomos del tipo pepe, blas ó similar.

El proceso de unificación intenta casar un predicado con otro para comprobar si son absolutamente iguales, cuando es posible hacer sustituciones, éstas se realizan de manera que los predicados que se están unificando se tornen completamente iguales y proporcionen un resultado de ÉXITO.

Para saber más sobre el tema, dar click en la siguiente liga:

http://www.uhu.es/nieves.pavon/pprogramacion/temario/tema1/tema1.html#_Toc495042878

2.6 Backtracking

Vuelta atrás (backtracking)

         En los lenguajes de programación antes mencionados, las instrucciones se ejecutan normalmente en orden secuencial, es decir, una a continuación de otra, en el mismo orden en que están escritas, que sólo varía cuando se alcanza una instrucción de control (un bucle, una instrucción condicional o una transferencia).

         Los programas en Prolog se componen de cláusulas de Horn que constituyen reglas del tipo "modus ponendo ponens", es decir, "Si es verdad el antecedente, entonces es verdad el consecuente". No obstante, la forma de escribir las cláusulas de Horn es al contrario de lo habitual. Primero se escribe el consecuente y luego el antecedente. El antecedente puede ser una conjunción de condiciones que se denomina secuencia de objetivos. Cada objetivo se separa con una coma y puede considerarse similar a una instrucción o llamada a procedimiento de los lenguajes imperativos. En Prolog no existen instrucciones de control. Su ejecución se basa en dos conceptos: la unificación y el backtracking.

         Gracias a la unificación, cada objetivo determina un subconjunto de cláusulas susceptibles de ser ejecutadas. Cada una de ellas se denomina punto de elección. Prolog selecciona el primer punto de elección y sigue ejecutando el programa hasta determinar si el objetivo es verdadero o falso.

En caso de ser falso entra en juego el backtracking, que consiste en deshacer todo lo ejecutado situando el programa en el mismo estado en el que estaba justo antes de llegar al punto de elección.          Entonces se toma el siguiente punto de elección que estaba pendiente y se repite de nuevo el proceso. Todos los objetivos terminan su ejecución bien en éxito ("verdadero"), bien en fracaso ("falso").

Para saber más sobre el tema, dar click en la siguiente liga:
https://es.wikipedia.org/wiki/Prolog

2.5 Prolog

Prolog 

         Se trata de un lenguaje de programación ideado a principios de los años 70 en la Universidad de Aix-Marseille I (Marsella, Francia) por los estudiantes Alain Colmerauer y Philippe Roussel. Nació de un proyecto que no tenía como objetivo la traducción de un lenguaje de programación, sino la clasificación algorítmica de lenguajes naturales. Alain Colmerauer y Robert Pasero trabajaban en la parte del procesado del lenguaje natural y Jean Trudel y Philippe Roussel en la parte de deducción e inferencia del sistema. Interesado por el método de resolución SL, Trudel persuadió a Robert Kowalski para que se uniera al proyecto, dando lugar a una versión preliminar del lenguaje Prolog a finales de 19712 y apareciendo la versión definitiva en 1972.3 Esta primera versión de Prolog fue programada en ALGOL W.

         Inicialmente se trataba de un lenguaje totalmente interpretado hasta que, en 1983, David H.D. Warren desarrolló un compilador capaz de traducir Prolog en un conjunto de instrucciones de una máquina abstracta denominada Warren Abstract Machine, o abreviadamente, WAM. Desde entonces Prolog es un lenguaje semi-interpretado.

         Si bien en un principio se trataba de un lenguaje de uso reducido, la aparición de intérpretes del mismo para microordenadores de 8 bits (ej: micro-PROLOG) y para ordenadores domésticos de 16 bits (ej: Turbo Prolog de Borland, entre otros muchos) a lo largo de la década de 1980 contribuyó notablemente a su popularización.4 Otro importante factor en su difusión fue la adopción del mismo para el desarrollo del proyecto de la quinta generación de computadoras a principios de la década de los 80,5 en cuyo contexto se desarrolló la implementación paralelizada del lenguaje llamada KL1 y del que deriva parte del desarrollo moderno de Prolog.

         Las primeras versiones del lenguaje diferían, en sus diferentes implementaciones, en muchos aspectos de sus sintaxis, empleándose mayormente como forma normalizada el dialecto propuesto por la Universidad de Edimburgo,6 hasta que en 1995 se estableció un estándar ISO (ISO/IEC 13211-1), llamado ISO-Prolog.

Prolog se enmarca en el paradigma de los lenguajes lógicos y declarativos, lo que lo diferencia enormemente de otros lenguajes más populares tales como Fortran, Pascal, C o Java.

Para saber más sobre el tema, dar click en la siguiente liga:

https://es.wikipedia.org/wiki/Prolog

2.4 Búsqueda Heurística

Búsqueda Heurística

         Los métodos de búsqueda heurísticas (del griego heuriskein, que significa encontrar) están orientados a reducir la cantidad de búsqueda requerida para encontrar una solución. Cuando un problema es presentado como un árbol de búsqueda el enfoque heurístico intenta reducir el tamaño del árbol cortando nodos pocos prometedores. Estos métodos se llaman métodos fuertes porque ellos son más poderosos que los estudiados hasta aquí al incorporar conocimiento heurístico o heurística. Hay una contradicción entre generalidad y potencia en el sentido que los métodos débiles son esencialmente aplicables universalmente mientras que los fuertes son menos universales en su aplicabilidad y el conocimiento o heurística usada en un problema dado puede no ser totalmente aplicable o ser inaplicable en otro dominio o tarea.

         La Heurística no garantiza que siempre se tome la dirección de la búsqueda correcta, por eso este enfoque no es óptimo sino suficientemente bueno. Frecuentemente son mejores los métodos heurísticos que los métodos de búsquedas a ciegas. Las desventajas y limitaciones principales de la heurística son:

La flexibilidad inherente de los métodos heurísticos pueden conducir a errores o a manipulaciones fraudulentas.

         Ciertas heurísticas se pueden contradecir al aplicarse al mismo problema, lo cual genera confusión y hacen perder credibilidad a los métodos heurísticos.

Soluciones óptimas no son identificadas. Las mejoras locales determinadas por las heurísticas pueden cortar el camino a soluciones mejores por la falta de una perspectiva global. La brecha entre la solución óptima y una generada por heurística puede ser grande.

El significado técnico de la palabra heurística ha variado en la historia de la Inteligencia Artificial. En 1957, George Polya en su libro "How to solve it" usó este término para referirse al estudio de métodos para descubrir e inventar técnicas de solución de problemas.

En otras ocasiones se ha usado como un término opuesto a algorítmico. Por ejemplo, Newell, Shaw y Simón plantearon en 1993 "Un proceso que puede resolver un problema dado, pero no ofrece garantía de hacerlo, es llamado una heurística para ese problema".

Para saber más sobre el tema, dar click en la siguiente liga: http://www.monografias.com/trabajos75/busqueda-heuristica/busqueda-heuristica.shtml#ixzz49XkGMbpG

2.3 Búsqueda Ciega

Búsqueda Ciega

Búsqueda por anchura:

En esta búsqueda todos los nodos que están en la profundidad d del árbol de búsqueda se expanden antes de los nodos que estén en la profundidad d+1.

• Si son varias las soluciones, este tipo de búsqueda permitirá siempre encontrar primero el estado meta más próximo a la raíz.
• En esta búsqueda el tiempo y la cantidad de memoria necesaria crece exponencialmente con respecto a la profundidad.
• Es óptima y completa.

Búsqueda por profundidad:

En esta búsqueda siempre se expande uno de los nodos que se encuentren en los mas profundo del árbol. Solo si  la búsqueda conduce a un callejón sin salida, ser revierte la búsqueda y se expanden los nodos de niveles menos profundos.

Esta búsqueda o se queda atorada en un bucle infinito y nunca es posible regresar al encuentro de una solución, o a la larga encontrará una ruta de solución mas larga que la solución óptima.

• En esta búsqueda el tiempo necesario crece exponencialmente con respecto a la profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
• No es óptima ni completa.

Búsqueda por profundidad limitada:

Esta búsqueda es similar a la búsqueda preferente por profundidad con la diferencia que se impone un límite a la profundidad máxima de una ruta.

Se utilizan operadores que informan constantemente de la profundad del nodo.

• En esta búsqueda el tiempo necesario crece exponencialmente con respecto a la profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
• No es óptima, pero si completa cuando la profundidad del límite es menor o igual a la profundidad de la solución.

Búsqueda por profundidad iterativa:

Esta búsqueda es similar a la búsqueda limitada por profundidad con la diferencia que se repiten las búsquedas dando en cada iteración un valor distinto de profundiad para la misma.

• En esta búsqueda el tiempo necesario crece exponencialmente con respecto a la profundidad, mientras que el espacio requerido en memoria lo hace en forma lineal
• Es óptima y completa.

Búsqueda bidireccional:

Esta es una búsqueda que avanza a partir del estado inicial y que retrocede a partir de la meta y que se detiene cuando ambas búsquedas se encuentran en algún punto intermedio.

• En esta búsqueda el tiempo y el espacio requerido en memoria crecen exponencialmente con respecto a la mitad de la profundidad.
• Es óptima y completa.

Búsquedas de costo uniforme:

En esta búsqueda se modifica la estrategia preferente por amplitud en el sentido de expandir siempre el nodo de menor costo en el margen (medido por el costo de la ruta g(n)) en vez del nodo de menor profundidad.

Este tipo de búsqueda permitirá siempre encontrar la solución mas barata siempre y cuando el costo de ruta nunca disminuya conforme avanzamos por la ruta.

• En esta búsqueda el tiempo y la cantidad de memoria necesaria crece exponencialmente con respecto a la profundidad.
• Es óptima y completa.

Para saber más sobre el tema, dar click en la siguiente liga:

http://www.angelfire.com/falcon/popikpe/cap_tres.htm

2.2 Agentes para la solución de problemas

Agentes para la solución de problemas

 Son agentes basados en metas que determinan que deberán hacer por medio de secuencias de acciones que les permitan obtener estados deseables.

Pasos para la solución de problemas:

• Formulación de metas: se establece el objetivo
•  Formulación del problema: se decide que acciones y estados habrán de considerarse.
• Búsqueda: evaluación de las posibles secuencias de acciones que le llevan a la meta y elección de la más apta.
• Ejecución: se llevan adelante la solución que presenta la búsqueda.

jj    Tipos de problemas:

• Problemas de un solo estado: el agente conoce con exactitud en qué estado se encuentra y el resultado de cada una de sus acciones.
• Problemas de estados múltiples: el agente no conoce con exactitud en qué estado se encuentra, pero si el resultado de cada una de sus acciones.
• Problemas de contingencias: el agente no conoce con exactitud en qué estado se encuentra, pero si el resultado de cada una de sus acciones, aunque se le pueden presentar ciertas contingencias en las mismas.
• Problemas de exploración: el agente no conoce con exactitud en qué estado se encuentra, ni el resultado exacto de cada una de sus acciones.

Un problema está compuesto por:

• Un estado inicial es la descripción del estado del cual partirá el agente.
• Operadores, indica la descripción de las posibles acciones que el agente pueda entender.
• Función subsecuente, es otra forma de definir el conjunto de estados obtenibles a partir de una estado particular mediante una sola acción.
• Espacio de estados, conjunto de estados que pueda alcanzarse a partir del estado inicial.
• Ruta, secuencia de acciones que permite pasar de cierto estado a otro.
• La prueba de meta, verificación de un estado determinado, por parte del agente para decidir si se trata de un estado meta.
• Costo de ruta, es una función mediante la cual se asigna un costo a una ruta determinada.
• Costo de búsqueda, consiste en dar un costo, generalmente en tiempo y memoria necesarios para alcanzar y encontrar solución.
• Costo total, suma Costo de ruta y y búsqueda.

Tipos de estrategias de búsqueda

          Las estrategias de búsqueda se pueden agrupar en dos grandes grupos:

• Búsquedas sin contar con información (o búsqueda ciega): no existe información acerca de la cantidad de pasos necesarios o sobre el costo de ruta para pasar del estado de un momento dado a la meta.
• Búsqueda respaldada con información (o búsqueda heurística): se posee información muy valiosa para orientar la búsqueda para que sea mas óptima.

Las estrategias de búsqueda se evalúan según los siguientes criterios:

• Completez: si garantiza o no encontrar la solución si es que existe.
• Complejidad temporal: cantidad de tiempo necesario para encontrar la solución.
• Complejidad espacial: cantidad de memoria necesaria para encontrar la solución.
• Optimidad: si se encontrará o no la mejor solución en caso de que existan varias.

Las seis estrategias de búsqueda sin contar con información son las siguientes:

• Búsqueda preferente por amplitud
• Búsqueda de costo uniforme
• Búsqueda preferente por profundidad
• Búsqueda limitada por profundidad
• Búsqueda por profundización iterativa
• Búsqueda direccional

Para saber más sobre el tema, dar click en la siguiente liga: 

http://www.angelfire.com/falcon/popikpe/cap_tres.htm

2.1 Medición del desempeño de un agente

Medición del desempeño de un agente

• Objetivo del agente determina los criterios.
• Nivel de autonomía.
• Función de su historial.
• Conocimiento inicial.
• Las acciones disponibles.
• Capacidad de adaptación.

Para saber más sobre el tema, dar click en la siguiente liga:

http://iartificial.galeon.com/productos1221420.html

2.0 Diagramas PAMA

Ejemplo: 

Para saber más sobre el tema, dar click en la siguiente liga:

http://es.slideshare.net/marcodeagua/para-la-elaboracion-de-cuadros-diagramas-y-mapas

1.9 Ambientes de los Agentes

Ambientes

•   Accesible y No accesible:      Si los sensores de un agente le permiten tener accesos al estado total del ambiente se dice que este es accesible a tal agente. Un agente es realmente accesible si los sensores detectan todos los aspectos relevantes a la elección de una acción.
• Determinista y No determinista:      Si el estado siguiente de un ambiente se determina completamente mediante el estado actual, así mismo como las acciones escogidas por el agente, nos encontramos ante un ambiente determinista.
• Episódico y No episódico:       En este ambiente la experiencia del agente se divide en "episodios". Cada episodio consta de un agente que percibe y actúa. La calidad de su actuación dependerá del episodio mismo dado que los episodios subsecuentes no dependerán de las acciones producidas en episodios anteriores.
•  Estáticos y Dinámicos:        Si existe la posibilidad de que el ambiente sufra modificaciones mientras que el agente se encuentra deliberando, se dice que tal ambiente se comporta en forma dinámica en relación con el agente.
• Discretos y continuos:        Si existe una cantidad limitada de percepciones y acciones distintas y claramente discernibles, se dice que el ambiente es discreto caso contrario es continuo.

Agente Racional Ideal

                Es aquel que en todos los casos de posibles secuencias de Precepciones emprenda todas aquellas acciones que favorezcan obtener el máximo de su medida de rendimiento basándose en las evidencias aportadas por la secuencia de percepciones y en todo conocimiento incorporando el estado interno del agente.

Racional y Omniciencia

                Cuando trabajamos con un agente hay que establecer la diferencia entre Racional y Omniciencia, ya que un agente Omniciente tendría que saber el resultado real que producirán todas y cada una de sus acciones y ajustar su conducta a dicho conocimiento; en forma práctica se concibe que no es posible lograr la Omniciencia en los agentes, debido a la gran cantidad de sensores que se requerirían y a la inacción del agente mientras toma una decisión.

Para saber más sobre el tema, dar click en la siguiente liga:

http://sedici.unlp.edu.ar/bitstream/handle/10915/27318/Documento_completo.pdf?sequence=1 

http://iartificial.galeon.com/productos1221420.html

1.8 Agente Inteligente & Clasificaciones

Agente

              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. Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores (elementos que reaccionan a un estímulo realizando una acción).

Es posible clasificar a los agentes inteligentes en 6 categorías principales:

1.   agentes reactivos

2.   agentes reactivos basados en modelo

3.   agentes basados en objetivos

4.   agentes basados en utilidad

5.   agentes que aprenden

6.   agentes de consultas

Para saber más sobre el tema, dar click en la siguiente liga: 

https://es.wikipedia.org/wiki/Agente_inteligente_(inteligencia_artificial)#Clasificaci.C3.B3n

1.7 Ciencias que aportan a la Inteligencia Artificial

 Ciencias que aportan a la Inteligencia Artificial 

La IA ha heredado ideas y técnicas de otras disciplinas:

Filosofía: teorías sobre el razonamiento y el aprendizaje, y concepción de la mente como dispositivo físico que razona                       con el conocimiento que contiene.

Matemáticas: teorías de la lógica, la probabilidad, la toma de decisiones y la computación

Psicología: herramientas para investigar la mente humana

Lingüística: teorías de la estructura y significado del lenguaje

Informática: ordenadores, sistemas operativos y lenguajes de programación. 

Para saber más sobre el tema, dar click en la siguiente liga:
 http://www.monografias.com/trabajos87/inteligencia-artificial-robotica/inteligencia-artificial-robotica.shtml#ixzz42BuF06qY

1.6 Test deTuring

Test de Turing

          El test de Turing (o prueba de Turing) es una prueba de la habilidad de una máquina de exhibir un comportamiento inteligente similar, o indistinguible, del de un humano. Alan Turing propuso que un humano evaluara conversaciones en lenguaje natural entre un humano y una máquina diseñada para generar repuestas similares a las de un humano. El evaluador sabría que uno de los miembros de la conversación es una máquina y todos los participantes serían separados de otros. La conversación estaría limitada a un medio únicamente textual como un teclado de computadora y un monitor por lo que sería irrelevante la capacidad de la máquina de transformar texto en habla.2 En el caso de que el evaluador no pueda distinguir entre el humano y la máquina acertadamente (Turing originalmente sugirió que la máquina debía convencer a un evaluador, después de 5 minutos de conversación, el 70% del tiempo), la máquina habría pasado la prueba. Esta prueba no evalúa el conocimiento de la máquina en cuanto a su capacidad de responder preguntas correctamente, solo se toma en cuenta la capacidad de ésta de generar respuestas similares a las que daría un humano.

Para saber más sobre el tema, dar click en la siguiente liga:

https://es.wikipedia.org/wiki/Test_de_Turing

1.5 Etapas Históricas de la I.A.

Etapas Históricas de la I.A.

·        1ra Génesis de la I.A. (1943-1956)

·        2da Grandes Esperanzas (1955-1969)

·        3ra Dosis de Realidad (1966-1974)

·        4ta Sistemas Basados en Conocimiento (1969-1979)

·        5ta La I.A. como Industria (1980-1988)

Para saber más sobre el tema, dar click en la siguiente liga:

https://es.wikipedia.org/wiki/Historia_de_la_inteligencia_artificial

1.4 Definiciones de Inteligencia Artificial

Definiciones de Inteligencia Artificial 

1. Estudio de las facultades mediante el uso de modelos computacionales.
2. El arte de crear máquinas con capacidad de realizar funciones que realizadas por personas requieren de inteligencia.
3. Rama de la ciencia de la computación que se ocupa de la automatización de conducta inteligente.
4. El estudio de los cálculos que permiten percibir y razonar.
5. La interesante tarea de lograr que las computadoras piensen; Crear máquinas con mente en us amplio sentido literal.
6. Estudio de cómo lograr que las computadoras realicen tareas, que por el momento los humanos hacen mejor.
7. La automatización de actividades que vinculamos con los procesos de pensamiento humano, tales como Toma de decisiones, Resolución de problemas y aprendizaje.
8. Campo de Estudio que se enfoca a la explicación y emulación de la conducta inteligente en función de procesos computacionales.

Para saber más sobre el tema, dar click en la siguiente liga:

http://definicion.de/inteligencia-artificial/

1.3 Modelos de la Inteligencia Artificial

Inteligencia Artificial: Los modelos de pensamiento Cognitivo y Racional

Pensar como humano: Modelo cognitivo

               Para poder evaluar si un sistema piensa o no como humano, deben existir una serie de mecanismos que permitan expresar el pensar y actuar de un ente de la especie humana. Una labor que ciencias como la psicología y la filosofía a través de la introspección han tratado desde al menos el año 400 a.C.

               Pueden evaluarse bajo introspección, pero no existe un mecanismo infalible para medirlo, hasta que no se cuente con uno, medir y evaluarlo un humano contra un programa de computadora es una tarea compleja. Anteriormente de la mano de los científicos Herbert Simon y Allen Newell en 1961, se trató de modelar el proceso de razonamiento de la mente, usando su Sistema de Resolución General de Problemas, este resolvía correctamente problemas más orientados a las matemáticas, se fundamentaban en funciones heurísticas para ordenar y explorar soluciones.


El pensamiento racional y las Leyes del Pensamiento.

            Los primeros pensadores provienen de la Antigua Grecia, Aristóteles fue uno de ellos, aprox. en el año 360 a.C. el cuál escribió cerca de 200 tratados de los cuáles sólo se publicaron 31 en una gran variedad de temas que van desde lógica, metafísica, filosofía de la ciencia, ética, filosofía política, estética, retórica, física, astronomía y biología. Sus más grandes aportes bajo ciencias interdisciplinarias para la inteligencia artificial fue la lógica y los silogismos; su manera de interpretar las leyes del pensamiento.
           A través de los silogismos Aristóteles trato de modelar cómo es gobernada la mente, los argumentos llamados premisas siempre llegan a conclusiones correctas si las premisas lo son. El más común de los ejemplos de silogismo es:

Sócrates es hombre,
todos los hombres son mortales,
luego entonces sócrates es mortal.

            Las matemáticas toman prestada esta estructura, basta con mirar una expresión aritmética donde se representan las verdades sobre igualdades o desigualdad entre números. Los silogismos fueron la base para la tradición logística, donde se construían sistemas inteligentes usando estas estructuras, pero teniendo grandes fallas si no se tenía un conocimiento total del dominio, si una parte de un silogismo no se encuentra, no se puede corroborar la vericidad de la conclusión; heurísticamente ocupa mucho poder de procesamiento concluir de manera correcta un problema.





Para saber más sobre el tema, dar click en la siguiente liga:
http://palmor.softmedia.com.mx/actualidad/inteligencia-artificial-los-modelos-de-pensamiento-cognitivo-racional/

1.2 ¿Cómo se mide la Inteligencia?

¿Cómo se mide la Inteligencia?

Con la Psicometría; la psicometría es la disciplina que mide el coeficiente de inteligencia o el cociente intelectual de las personas. Son mediciones psicológicas que se efectúan a través de tests para medir la inteligencia de cada individuo y que se correlacionan entre unos y otros en gran manera. Lo que se conoce popularmente como tests psicométricos establecen un número llamado el coeficiente de inteligencia que se basa en el rendimiento de la persona en dicho test.

Para saber más sobre el tema, dar click en la siguiente liga:

http://www.psicologicamentehablando.com/como-se-mide-la-inteligencia-humana

1.1 Inteligencia

Inteligencia

La inteligencia es la capacidad de elegir, entre varias posibilidades, aquella opción más acertada para la resolución de un problema. En este sentido, cabe distinguirla de la sabiduría, en tanto que esta última es tan solo una acumulación de conocimiento, mientras que la inteligencia implica hacer el mejor uso de un saber previo. No obstante, el modo para identificar la cualidad de ser inteligente ha sido enormemente debatido.

Para saber más sobre el tema, dar click en la siguiente liga:

http://www.definicionabc.com/general/inteligencia.php