You are on page 1of 42

Resumen de Inteligencia Artificial

Inteligencia Artificial
Definiciones Varias
– Dominio: Se define como el contexto del problema que se busca resolver. – Experto: Es una persona que puede resolver problemas de una forma correcta y rápida empleando técnicas de razonamiento. Posee la capacidad de aprender adquiriendo conocimientos y experiencia.

La Inteligencia Artificial
La Inteligencia es la capacidad de resolver problemas no comunes o complejos en un dominio determinado de forma sistemática. Tener Inteligencia es poseer la capacidad de aprendizaje o capacidad adaptativa. La Inteligencia Artificial estudia el comportamiento inteligente del ser humano; y puede observarse desde dos puntos de vista: • Científico: Trata el estudio del comportamiento inteligente, siendo su fin el conseguir una teoría de la inteligencia que explique la conducta que se produce en seres naturales inteligentes que guíe la creación de entes artificiales capaces de alcanzar dicho proceder inteligente. En síntesis, busca comprender y analizar la inteligencia humana para emularla. • Ingeniería: Se ocupa de los conceptos, la teoría, y la práctica de cómo construir máquinas inteligentes; es decir, máquinas que resuelvan problemas coextensivos con los que, al resolverlos los seres humanos, estos son tenidos por inteligentes.

Clasificación de los Sistemas
Los Sistemas se Clasifican según se muestra a continuación: • Sistemas: Conjunto de partes interrelacionadas que interactúan entre si con el fin de satisfacer un objetivo común. o Sistemas de Información: Sistema que permite recolectar, almacenar, procesar y distribuir datos.  Sistemas Inteligentes: Son todos aquellos Sistemas que emplean determinadas heurísticas para poder resolver problemas. • Sistemas Basados en Conocimientos: Programa de Inteligencia Artificial, cuyas prestaciones dependen más de la presencia explícita de un cuerpo de conocimientos que de la posesión de ingeniosos procedimientos computacionales. Pertenecen a los Sistemas Inteligentes. Son sistemas que incluyen los Datos, las Noticias y los Conocimientos. Sus reglas se encuentran separadas de los procedimientos. Su Base de Conocimientos es pública y accesible. Es multidominio y reutilizable. Tiene una base de conocimientos explícita que puedo identificar, y posee un comportamiento inteligente. Es como una BD pero en vez de datos hay hechos y reglas. o Sistemas Expertos: Pertenecen al grupo de los Sistemas Basados en Conocimientos. Sus reglas provienen de distintas fuentes y de las decisiones que toma un experto. Su Base de Conocimientos no es pública y está conformada por reglas específicas de un dominio que no pueden ser modificadas por el usuario final. • Sistemas Expertos: Puede no tener una base de conocimiento explícita. Son más particulares que los sistemas basados en conocimiento porque se basan en una persona llamada “Experto”. El Sistema experto no reemplaza al experto sino que lo asiste.

Página 1 de 42

Resumen de Inteligencia Artificial

Construcción de Sistemas Basados en Conocimientos
Problemas en la Construcción de Sistemas Basados en Conocimientos
Los Problemas que se dan en la construcción de Sistemas Basados en Conocimientos son: • La adquisición de los conocimientos. • La representación de los conocimientos. • La generación de inferencias.

Principios Para Construir Sistemas Basados en Conocimientos
Los principios arquitectónicos que se deben seguir para construir Sistemas Basados en Conocimientos son los siguientes: • Separación del mecanismo de inferencia de la Base de Conocimientos. • Uniformidad en la representación. • Conservar simple el motor de inferencias.

Página 2 de 42

Resumen de Inteligencia Artificial

Sistemas Basados en Conocimientos (SBC)
Componentes de un Sistema Basado en Conocimiento
Los componentes de un Sistema Basado en Conocimientos son los siguientes: 1. Base de Conocimientos (BC): Posee las reglas que guían la resolución de problemas. Es pública y accesible. Sus reglas son de la forma: SI [CONDICIÓN] [ACCIÓN]. 2. Motor de Inferencia (MI): Es quien consulta la BC para obtener las reglas con el fin de satisfacer una consulta del usuario. Se encarga de la realimentación. 3. Interfaz de Entrada/Salida (IES): Transforma las peticiones del usuario para que las entienda el MI; y viceversa, transforma los resultados que le provee el MI para que los pueda interpretar el usuario.

BC

M I

IES
SBC Mundo Real

USUARIO

Sistemas Expertos (SE)
Componentes de un Sistema Experto
Los componentes de un Sistema Experto son los siguientes: 1. Base de Conocimientos (BC): Es la unión del conjunto de acciones y el conjunto de reglas. Contiene el conocimiento público y privado que el sistema requiere para dar solución a los problemas planteados por el usuario sobre un dominio específico. Sus reglas son de un dominio específico y no pueden ser modificadas por el usuario final. 2. Base de Datos (BD): Está formada por los distintos datos sobre el problema particular que el Sistema Experto está tratando de resolver. Su función es suministrar información al MI. Posee los datos iniciales. Mientras la BC posee reglas, la BD posee datos. 3. Memoria de Trabajo (MT): Es una base de datos temporal en la cual el MI deposita la información deducida a partir de la BC, la BD y la propia MT. 4. Motor de Inferencia (MI): Activa las reglas en función de la información contenida en la BD y en la MT. La nueva información es puesta en la MT. También se encarga de proporcionar al TE las reglas que se aplicaron ante una determinada consulta del usuario. El MI trabaja bajo uno de los dos principios siguientes: a. Principio de Universo Cerrado: Establece que toda la información se encuentra contenida en el sistema, y en consecuencia lo que no se puede demostrar como verdadero se demuestra como falso. b. Principio de Universo Abierto: Establece que la información necesaria no está contenida en el sistema, está fuera de él, y en consecuencia se comunica con el usuario. Un sistema con un Universo Abierto puede comenzar a funcionar con a una BD vacía. 5. Trazador de Consultas (TC): Organiza y presenta en una forma sintáctica y semánticamente aceptable para el usuario los requerimientos de información del sistema. Las respuestas suministradas por el usuario serán asentadas en la MT. Formula las preguntas al usuario sobre los datos necesarios para resolver el problema. 6. Trazador de Explicaciones (TE): Interpreta requerimientos del usuario sobre el porqué de determinadas preguntas por parte del sistema trazando la ejecución de las mismas. Esa traza se realiza utilizando información que le suministra el MI.
Página 3 de 42

Resumen de Inteligencia Artificial

7. Manejador de Comunicaciones (MC): Posee dos funciones bien definidas: a. Derivar la información inicial que suministra el usuario hacia la BD. b. Interpretar los mensajes del usuario que pueden ser respuestas del usuario a una pregunta del sistema; o una solicitud de una explicación a partir de una consulta del sistema. Los sistemas expertos, deben expresar sus conclusiones al usuario.

TE BD

M I

BC

U S U A R I O

MT C O M U N I C A C I O D N E E S M A N E J A D O R
Mundo Real SE

TC

Tipos de Sistemas Expertos
Los tipos de Sistemas Expertos que hay son: • Consejo al Usuario. • Instrucción. • Control. • Ayudante Inteligente. • Asimilación de Información y Descubrimiento.

Ingeniería en Software vs INCO
La diferencia entre la Ingeniería en Software y la INCO es que la Ing. en Software se aplica a tipos de problemas sistemáticos y procedimentales, y la INCO se caracteriza por ser heurísticos y declarativos.

Página 4 de 42

• Sabiduría: Permite aplicar los Conocimientos según un juicio de valor (moral. Los principios básicos suelen estar implícitos. • Noticias: Suele conocerse con el nombre de Información.  Derivados: Son los que se aprenden y aprehenden bien a través de la experiencia. correcto). atributos. valores y relaciones entre las entidades anteriores. Relación entre la Pirámide de la Información y las Ingenierías Sabiduría Conocimiento Noticias (Información) Datos Ingeniería de Software Ingeniería en Conocimiento Ingeniería en Sistemas de Información Los Conocimientos El Conocimiento es poder percibir conclusiones a partir de determinada información. Son aquellos Datos que poseen un significado específico en un determinado contexto para un determinado individuo.Resumen de Inteligencia Artificial Los Conocimientos Pirámide de la Información A continuación se presenta la clasificación de la Información y su ubicación jerárquica Sabiduría Nivel Pragmático Nivel Semántico Nivel Sintáctico Juicios Éticos. Es relativo a la persona que lo percibe. • Conocimiento: Es el conjunto de Noticias que posibilitan resolver problemas. o bien se compilan a partir de conocimientos más fundamentales. objetos. y describen el dominio de aplicación. ético. Página 5 de 42 . sin que importe cómo se usen esos conocimientos. Tipos de Conocimiento Los conocimientos se clasifican según la Operatividad. En donde podemos encontrar los siguientes conceptos: • Datos: Son los valores o métricas que pueden llegar a brindar información a algún individuo en un contexto determinado. Experiencia Síntesis Análisis Conocimiento Noticias (Información) Datos Nota: El nivel Pragmático es el mayor nivel que puede manipular un SE. la Privacidad y según la Definición del Problema: • Según la Operatividad: o Descriptivos o Declarativos: Se refieren básicamente a qué son las cosas. habitualmente en términos de conceptos.

• Los Humanos. Definen los mecanismos que dan origen a la certeza. • Fuentes de Conocimientos Las principales fuentes de conocimientos que podemos encontrar son: • Libros y Manuales. • Registros Internos. Según la Definición del Problema: o Estructurantes: Generalmente vienen expresados de manera declarativa y tradicionalmente se han identificado con los conocimientos públicos. • Leyes Naturales. centrándose en el uso de los conocimientos y esquema de razonamiento usado para alcanzar una solución. y lo usan implícitamente. • Modelos Causales y Temporales. • Visitas a los Centros de Trabajo del Experto. o Prescriptitos o Procedimentales: Conciernen fundamentalmente al cómo son las cosas. son el paso de la consideración de un concepto a la consideración de un conjunto conteniendo ese concepto. • Presentaciones. están ya en forma explícita. • Investigaciones. todos los detalles relevantes y suprime los irrelevantes.  Secuencial e Iterativo: Representan las acciones que se ejecutan un número de veces (Iteración). • Fórmulas Lógico-Matemáticas. • Generalizaciones: Son aquellos que yendo de lo particular a lo general. inconsistentes y/o imprecisos. por haber sido publicados. por consiguiente. o Privados: Son los conocimientos que los expertos tienen interiorizados y adquieren con el ejercicio de su profesión. o Heurísticos: Pueden expresarse en formas de reglas que típicamente son atajos que conducen a la solución en grandes espacios de búsqueda en un tiempo limitado. Poseen la característica de que son inciertos. Aparecen en los soportes de los conocimientos públicos y constituyen los conocimientos de primeros principios. Sirven para controlar el proceso de solución de un problema. • Heurísticos: Son los que establecen asociaciones entre descripciones de estado y una solución. Según la Privacidad: o Públicos: Son aquellos que. • Publicaciones Especializadas.  Verosimilitud: Cubren el uso de medidas de certidumbre en el proceso de razonamiento.Resumen de Inteligencia Artificial • • Compilados: Son los transformados a partir de otros tipos de conocimientos.  Modelizados: Son una descripción de los conocimientos fundamentales ya refinados. para una situación. • Documentación Informal. o acciones que se ejecutan en un cierto orden (Secuencia). • Documentación Formal.  Metaconocimientos o Condiciones de Metanivel: Describen los conocimientos usados para tomar decisiones acerca de cómo otros conocimientos pueden emplearse en el proceso de razonamiento. o Cognoscitivos o de Modelización Conceptual: Modelizan el dominio en el cual se manejan los expertos. • Modelos Físicos. Detectan los conceptos relevantes estableciendo relaciones entre los conceptos y las estructuras conceptuales. • Abstracciones: Son los que contienen. por: incompletos. o Epistemológicos: Son los conocimientos naturales. representables y utilizables inmediata o mediatamente en y por la computadora. Página 6 de 42 .

o Diagnosis. por lo cual cada uno aplicará y creará sus propias reglas. o La Experiencia Artificial tiene un coste relativamente reducido. El Experto Tareas del Experto Las tareas que cumple un Experto son: • Clasificación. • Los conocimientos de los expertos suelen estar distribuidos. • Habitualmente. Tratamiento o Reparación. o La Experiencia Artificial es fácil de transferir o reproducir. Dificultades de la Experiencia La transferencia de conocimiento de un experto a un sistema está condicionada y dificultada porque: • Los conocimientos del experto son caros. los conocimientos de los expertos no se encuentran explícitos. Cada persona interpreta los hechos de forma distinta. o Clasificación Jerarquizada. • Predicción. o La Experiencia Artificial es fácil de documentar. • Incremento de ingresos y reducción de gastos. Por Qué Introducir Experiencia Artificial Existen diversas razones para las cuales una entidad puede decidirse a construir un Sistema Basado en Conocimientos o un Sistema Experto. entre ellas: • Satisfacción del cliente. Pronóstico y Prospección. Permite generar conocimiento. El diagnóstico es el procedo de encontrar fallas en un sistema e interpretarlos. • Uniformidad de la producción. o La Experiencia Artificial genera resultados reproducibles más consistentes y completos que aquellos de los expertos humanos. o Los expertos humanos examinan todos los aspectos de un problema y ven de qué manera están relacionados con la cuestión principal. • Los conocimientos de los expertos son declarativos. • Utilización adecuada de los empleados. Experiencia Artificial Frente a Experiencia Natural Ventajas y desventajas de usar tanto la Experiencia Artificial como la Experiencia Natural. • Monitorización. posee lo que se denomina sentido común. • Un experto aplica efectiva y eficientemente lo que sabe. o Interpretación. Página 7 de 42 . o La Experiencia Artificial se encuentra difundida. o Los expertos humanos son capaces de aprender y adaptarse a condiciones cambiantes ajustando sus estrategias de acuerdo a las nuevas situaciones.Resumen de Inteligencia Artificial La Experiencia La experiencia es pasar por un mismo hecho varias veces. y en general los seres humanos. o Los expertos humanos. o Depuración. • Diseño y Síntesis. Puede necesitar la combinación de varios modelos. • Razones para preferir la Experiencia Natural: o Los expertos humanos son creativos. o Los expertos humanos pueden beneficiarse y usar directamente los órganos de los sentidos. • Los conocimientos de los expertos se adquieren gradualmente. • Planificación y Catalogación. • Razones para preferir la Experiencia Artificial: o La Experiencia Artificial permanece.

Pasos Previos Estudio de Viabilidad o Estudio de Factibilidad El Estudio de Factibilidad permite determinar si se va a desarrollar el Sistema mediante la INCO o mediante el sistema tradicional. Tiene en cuenta aquellas condiciones bajo las cuales conviene construir un Sistema Experto o no. Busca construir algo que resuelva un problema. Se basa en las decisiones tomadas por un Experto. INCO (Ingeniería en Conocimiento) La INCO es una forma de aplicar IA Es el conjunto de principios. Desde el punto de vista de la Ingeniería el problema se resuelve creando un objeto. La INCO abarca tanto la creación de Sistemas Basados en Conocimientos como la creación de Sistemas Expertos. si son cooperativos. si no se aplica el sentido común y si es comprensible. si la tarea necesita viabilidad cognoscitiva. 3. ¿Se Justifica?: Se deberá analizar si la tarea se desarrolla en un entorno hostil. El Ingeniero de Sistemas resuelve problemas empleando una metodología y construyendo artefactos. El Ingeniero en Conocimiento emplea métodos. • Capacidad para razonar sobre sí mismos. herramientas y principios básicos para construir un modelo de los procesos lógicos producto del análisis de la información. Metodología de Construcción de Sistemas Basados en Conocimientos Definiciones Varias – Metodología: Conjunto de etapas que se dan en un orden determinado.Resumen de Inteligencia Artificial Características de un Experto Las características de un Experto son: • Pericia. a partir de las cuales se genera un Sistema Inteligente. Metodología de Sistemas La Metodología de Sistemas surge a partir de los pasos básicos para resolver un problema en el ámbito de los Sistemas de Información. Se deberá analizar si existen Expertos. permite resolver un problema. o Robustez: Es muy difícil de cuantificar. que usado en buena forma. • Tareas. mediante invenciones o construcciones útiles para el hombre. • Complejidad y Dificultad. la complejidad y el tipo de tarea. empleando una metodología y usando el ingenio. Permite automatizar cómo se resuelve un problema. • Reformulación o Reutilización. ¿Es adecuada?: Se deberá analizar la naturaleza. o de manera correcta. técnicas. si no existen alternativas y si es útil y necesario. que emplean técnicas y herramientas. – Ingeniería: Conjunto de Métodos. y que si se producen de manera exitosa permite cumplir con determinados objetivos. si hay escasos expertos. ya que los sistemas de este tipo se degradan rápidamente cuando tienen que tratar con problemas distintos para los cuales fueron creados. métodos y herramientas que permiten aplicar el saber científico y de experiencia a la utilización de los conocimientos y de sus fuentes. 2. • Manipulación de Símbolos. Página 8 de 42 . para generar un artefacto o producto. si la tarea es estructurada. Las características que se analizan para realizar el Estudio de Factibilidad son: 1. • Capacidad general de resolver problemas en un dominio. (Plausibilidad): ¿Es posible?.

manuales. No es una etapa. ¿Cuál es la probabilidad de llegar al éxito?: Se deberá analizar si el Experto se va a resistir al cambio. 3. • Educción de Conocimientos: Se obtienen los conocimientos privados de los expertos. Adquisición de Conocimientos: Recolección de Información y conocimientos. Se pueden usar las Entrevistas Abiertas • Extracción de Conocimientos: Es el estudio de la documentación existente. A esta etapa se la subdivide en las siguientes subetapas: 1. si hay fechas límites para que el Sistema se encuentre funcionando y si se tiene forma de comprobar la solución. Conceptualización: Entender el dominio y la terminología Formalización: Expresa mediante técnicas el conocimiento al problema Implementación 1 . Adquisición de Conocimientos La Adquisición de Conocimientos comprende los siguientes tipos: • Extracción de Conocimientos: Es la adquisición de los conocimientos públicos de sus fuentes escritas (libros. 3. Se emplea una baja profundidad. Directivos y Usuarios). Cuando se tratan de buscar las estrategias de resolución del Experto se emplea la técnica de Análisis de Protocolos. preparación de las preguntas. Definición de Características del Problemas y Concepción de la Solución. Plan de Requisitos: Se define el objetivo y las características de la aplicación. profundidad. o Investigación Profunda: Se baja a mayor profundidad para obtener los conocimientos. Incidentes Críticos. sino un proceso que se va a dar a lo largo del ciclo de vida.Resumen de Inteligencia Artificial 4. 2. Ciclo de Educción El ciclo de Educción es el siguiente. Proceso de Adquisición de Conocimientos El proceso de adquisición de conocimientos es el siguiente: • Primeras Reuniones y Evaluación de Vialidad: (De Expertos. Página 9 de 42 . • Educción de Conocimientos: Es la adquisición de los conocimientos privados de los Expertos. técnica adecuada. Adq ui s i c i ón de Conoci m i e ntos Es un proceso de recolección de información (independientemente de la fuente) necesaria para construir el sistema experto. amplitud.). de cuya unión surge la conducta del Experto en la solución encontrada. Emparrillado y Cuestionarios. terminologías del dominio. documentos. 2. la comprensión del entorno de las tareas. Cuando se trata de conocimientos estáticos del dominio. etc. el cual deberá repetirse por cada sesión: • Preparación de la Sesión: Información a tratar. Comprende las siguientes etapas: o Interrogatorio Inicial: Se tratará una visión de alto nivel del dominio. Se emplean las técnicas de Estudio de Documentación y Análisis Estructural de Textos. Cuando el objetivo sea validar los conocimientos adquiridos se emplean las técnicas de Cuestionarios y Entrevistas Estructuradas. la comprensión de las tareas del Experto. Uno de los objetivos fundamentales es adquirir toda la información posible para construir en las etapas posteriores los modelos estáticos y dinámicos. Se buscan conocimientos generales. Luego de ejecutar el ciclo de educción es necesario analizar los conocimientos obtenidos y generar la documentación necesaria para pasar luego a la fase de Conceptualización. Metodología de la INCO 1. Elección del Problema: Se definen los límites del problema. Identificación del Problema Una vez que se aprueba esta etapa previa se pasa a la primera etapa de la metodología de la INCO. Puede emplearse la técnica de Observación de Tareas Habituales. Clasificación de Conceptos. 4. se emplean las técnicas de Entrevista Estructurada.

o Directos: El Experto reporta aquellos conocimientos que puede articular directamente. acciones. Sus inconvenientes son que el Ingeniero en Conocimientos actúa como un observador pasivo. Sus ventajas son que permite generar gran cantidad de conocimientos sobre la terminología y sobre el dominio. es consumidora de tiempo. Permite proporcionar una primera idea de los tipos de conocimientos y habilidades implicadas en el dominio. resumen y comentarios del Experto. • Técnicas de Educción de Conocimientos: Permiten obtener los conocimientos privados de los Expertos. sino sólo observarlo y registrarlo. Posee la ventaja de permite adquirir gran cantidad de conocimientos.  Cuestionarios: Consiste en realizar una Entrevista Estructurada al Experto de forma indirecta. Técnicas de Adquisición de Conocimientos Las Técnicas de Adquisición de Conocimientos se pueden clasificar según se muestra a continuación: • Técnicas de Extracción de Conocimientos: Permiten obtener conocimientos públicos de fuentes escritas. • Observación de Tareas a Través de un Novato: La variación consiste en hacer que una persona novata realice las tareas del Experto. o Análisis Estructural de Textos: Consiste en la búsqueda. y permite educir información imprevista. de determinados términos que le permitan al Ingeniero en Conocimiento introducirse en el dominio del problema. a través de la documentación. extracción de conocimientos concretos. Posee las desventajas de que consume mucho tiempo. • Abiertas: Es una entrevista no estructurada. Página 10 de 42 . ¿es necesario volver sobre el mismo objetivo?. Suele emplearse cuando la educción llega a un punto muerto Presenta las ventajas de que permite recolectar rápidamente información útil. Comprende las siguientes técnicas:  Entrevistas: Es el método más común de educir conocimientos. reglas. Posee las desventajas de que se limita a los conocimientos publicados. hay tareas que no son muy informativas solo observándolas. o Estudio de Documentación: Se deberá analizar la documentación escrita existente que permita al Ingeniero en Conocimiento comprender el dominio. que no quiere decir que sea improvisada. y no siempre aborda bien la semántica de los textos. el Ingeniero en Conocimientos planifica las preguntas de la sesión. Son excelentes para coleccionar conocimientos básicos acerca de: enlaces. Una vez definido el tema y su profundidad. Educción. etc. Presenta las desventajas de que el Experto puede olvidar detalles de la solución. valores. lectura para recuperar detalles olvidados. posee problemas con los gráficos. Comprende las siguientes técnicas:  Observaciones de Tareas Habituales: El Ingeniero en Conocimientos no debe interferir con las tareas del Experto. conocer las tareas que realiza el Experto. • Estructuradas: Combina una Observación de Tareas Habituales con una Entrevista Abierta. explicación al experto de los objetivos de la nueva sesión. a través de cuestionarios. o Indirectos: El Ingeniero en Conocimientos debe inferir los conocimientos que el Experto trata de transmitir debido a que el Experto no sabe cómo hace para resolver los problemas. Evaluación: ¿Se han conseguido los objetivos?. Se trata de conseguir que el Experto entienda bien la tarea lo más rápidamente posible y al Sistema Experto en construcción. así como también para captar conocimientos procedimentales. atributos e información conceptual. en algunos dominios no se puede implementar por razones de privacidad. el cual lo guiará en la resolución de los problemas sin estar presente físicamente. etc. Número y tipo de sesiones necesarias para cubrir el área.Resumen de Inteligencia Artificial • • • • Sesión: Repaso del análisis de la última sesión. Transcripción. Posee las ventajas de acumular información más eficientemente. el Experto lo completa cuando puede. crítica parar mejoras por parte del Ingeniero en Conocimientos. Análisis de la Sesión: Lectura para obtención de una visión general. se basa en la memoria del experto.  Incidentes Críticos: Se le pide al Experto que describa casos especialmente interesantes o difíciles que se le hayan presentado y cómo los resolvió. hechos.

Resumen de Inteligencia Artificial • Imposición de Restricciones: Se le pide a un Experto que resuelva un problema normal. de los conceptos y de las dimensiones sobre las cuales fueron valorados los elementos. Permite desarrollar ideas y explorar su significado. una sesión de valoración y un análisis de los resultados. Si las reglas son correctas serán lo suficientemente generales como para cumplirse no sólo en los ejemplos particulares. identificar soluciones alternativas. puede usarse de manera complementaria a otras técnicas. más verosímiles.  Inducción: Dado un conjunto de ejemplos específicos se inducen reglas que describen los ejemplos. Estimula el pensamiento. Favorece la participación. Conc e ptua li za ci ón Se describe desde una necesidad del usuario para luego transformarse en un producto Software que opere en un dominio. sino en lo general. o Emparrillado de Grupo. Para usar la inducción se necesita de un Conjunto de Entrenamiento. Posee la ventaja de que es que es muy buena para capturar conocimientos tácitos y heurísticos una vez identificado los atributos. los ejemplos y atributos pueden ser difíciles de educir. Posee las ventajas de que provee gran cantidad de información. Posee la desventaja de que sólo es válida en tanto que se circunscriba a problemas de imaginación. o Técnica Nominal de Grupo: Es una forma de estructurar reuniones de pequeños grupos que permiten combinar efectivamente juicios individuales. o Método Delphi: Es una técnica de predicción cualitativa. es excelente en las primeras etapas de adquisición de conocimientos. Las desventajas que posee son que puede producir reglas incorrectas debido a malos ejemplos.  Emparrillado: Incluye un diálogo inicial con el Experto.  Análisis de Protocolos: Es similar a la Observación de Tareas Habituales. Técnicas de Educción de Conocimientos a Partir de Grupos de Expertos: Permiten obtener los conocimientos privados de un grupo de Expertos.  Clasificación de Conceptos: Se emplea para estructurar conceptos en dominios muy amplios. permite que una misma cuestión sea vista más de una vez. Presenta como desventaja que los Expertos se encuentran a disgusto con éste método. explorar soluciones y establecer prioridades. El procedimiento consiste en un proceso de retroalimentación de respuestas con el objetivo de obtener un resultado representativo de la opinión del grupo. de mayor calidad y con una mayor diversidad. si los elementos. la libertad y la estimulación de los Expertos. las características y/o las valoraciones no se eligen bien pueden provocar resultados erróneos. pero con ciertas restricciones. la seguridad. Posee las desventajas de que es intrusivo. Clases y el Algoritmo de Inducción. permite detectar patrones o asociaciones. Es útil cuando los casos han sido seleccionados previamente. Se busca capturar y después estudiar todo lo que dice el Experto en el momento en que trata un problema. Puede usarse en conjunción con la Entrevista Estructurada. va más allá de lo que el Experto puede contar explícitamente. o Tormenta de Ideas: Técnica en donde las ideas que llegan a la mente se analizan y estudian en grupo. Puede usarse para definir el alcance del problema. la incompletitud del método. salvo que el Experto deberá decir constantemente lo que piensa. También puede usarse como medio de clasificación. etc. Posee las ventajas de que permite obtener información acerca de cómo piensa el Experto y cuáles son sus prioridades y factores importantes. Página 11 de 42 . • 2 . • Análisis Retrospectivo: Consiste en que el Experto resuelva un problema y luego que indique los pasos que siguió para resolverlo. es decir. el coste en tiempo de su utilización. Los conocimientos obtenidos son más completos. si el dominio es complejo serán necesarios muchos ejemplos para producir las reglas. puede interferir en la forma de llegar a la solución. permite extraer heurísticas del Experto. Consiste en presentarle fichas a los Expertos con conceptos para que éste los clasifique. Se suelen emplear las técnicas AQ y TDIDT. o Entrevistas de Grupo: Son entrevistas realizadas a un grupo de personas. Atributos. Permite determinar las prioridades del Experto. Posee las desventajas de que no puede ser usado para todo tipo de tareas. de los grupos. Es útil en identificar problemas.

El Modelo Estático contiene el Diccionario de Conceptos y las tablas de ConceptoAtributo-Valor. iii. El Modelo Formal surge a partir del Modelo Conceptual y determina cómo el producto responde ante una necesidad. 3 . Operativos. Hay distintos tipos de formalismos: • Formalismos Basados en Conceptos: Se encuentran divididos en las técnicas: o Tabla Concepto-Atributo-Valor. Síntesis: En esta subfase se construyen tanto el Modelo Estático como el Modelo Dinámico. 4 . Es independiente de la tecnología de implementación. Es un razonamiento Regresivo. Análisis: Permite identificar los Conocimientos Estratégicos.Resumen de Inteligencia Artificial El objetivo de esta fase es el entendimiento del dominio del problema y de la terminología utilizada. Se busca hacer explícitos los Conceptos claves y las Relaciones más importantes. Es un razonamiento hacia adelante. ii. • Formalismos Basados en Relaciones: Entre los cuales podemos encontrar: o Cálculo de Predicados en Primer Orden. El Mapa de Conocimientos toma información de los Modelos Estático y Dinámico. Subfases de la Conceptualización a. ya que en la Adquisición de Conocimientos los obtenemos de manera desestructurada. para luego estructurarlos de forma apropiada. b. o La teoría de la Dependencia Conceptual: Patrones de estructuras sintácticas para armar relaciones de conceptos. o Guiones. El Modelo Dinámico contiene las tareas (acciones) y el control (estrategias de control). El Modelo Conceptual y el Modelo Formal Dominio de Aplicación Modelo Conceptual Modelo Formal El Modelo Conceptual modeliza cómo el Software debería responder ante una necesidad. Tácticos. I m ple m e nta ci ón Consiste en la implementación del sistema. Especificación de Requisitos Los requisitos se pueden clasificar según se muestra a continuación: Página 12 de 42 . a la resolución y a su estructura. y los Metaconocimientos. Le permite al Ingeniero en Conocimiento formar un marco inicial o mapa mental del Dominio de Aplicación. i. Define los requerimientos del sistema (conocimientos descriptivos y no operativos) y además determina la validez del sistema. o Marcos. o Las Redes Semánticas: Grafos. For m a li za ci ón La formalización se corresponde con el entorno de desarrollo y expresa mediante técnicas de representación de conocimiento al problema. • Acciones: Los modelos tienden a representar las cosas que se van ejecutando: o Sistemas de Producción.

o Implícitos: Son los que suponen un subproducto de la práctica perspicaz de la Ingeniería de Software. Tipos de Mantenimiento Los Tipos de Mantenimiento que pueden realizarse sobre un determinado producto son: • Perfectivo: En el cual se corrige lo que anda bien con el fin de mejorarlo. A diferencia de los Sistemas de Información. Respecto al carácter de cada Requisito: o Cerrados: Son aquellos Requisitos que están bien definidos y son estables. para que sea aceptable. Variables de un Proyecto Las variables que intervienen en un proyecto son: • Costo: . • Tiempo: . En el Software hace referencia las capacidades funcionales que proveerá el producto. Página 13 de 42 .Resumen de Inteligencia Artificial • • • Respecto a las propiedades del sistema que especifican: o Funcionales: Definen el comportamiento esperado del sistema. Nunca estarán completos. los Sistemas Basados en Conocimientos comienzan siendo productos malos con errores para ir mejorando a través del tiempo. o Abiertos: Son aquellos Requisitos que se entienden malamente y son dinámicos. En el Software hace referencia a las características o propiedades que pueden evaluarse. o Deseables y/o Derivados: Son los que especifican las características del sistema que se desprenden de las especificaciones esenciales. Respecto a su importancia relativa: o Esenciales: Especifican todas las propiedades del sistema objetivo. que deben ser realizados por él mismo. o Estructurales o No Funcionales: Son los que definen las restricciones que deberá satisfacer el producto. • Calidad: . • Correctivo: En el cual se corrigen los errores que posee el producto.

2. e. se sigue linealmente con las etapas básicas. Posee tres dimensiones.Lograr una adecuada Transferencia Tecnológica 1.Actuación para conseguir el Mantenimiento Perfectivo 5. Se define el objetivo y el alcance para el SBC. Fases y Etapas de la Metodología IDEAL La Metodología IDEAL posee las siguientes fases y etapas: 1. determinar si la a realizar es susceptible de ser tratada con la tecnología de la INCO. Esta fase se divide en las siguientes etapas: c. Los Página 14 de 42 . Cono Espiral Etapas Posteriores Mantenimiento Se debe tener en cuenta la etapa de Adquisición de Conocimientos. Evaluación y Selección de la Tarea: Conforma el llamado Estudio de Viabilidad. más rigurosamente. el rendimiento y las interfaces que se espera que tenga el sistema.Desarrollo de Prototipos 3. Se lleva a cabo realizando una evaluación de la tarea y su posterior cuantificación con el fin de determinar el grado de complejidad de la tarea. pero estos son más específicos y fiables. en base a ellos. Identificación de la Tarea: Incluye la definición de los objetivos de la aplicación y. Plan de Requisitos y Adquisición de Conocimientos: Comprende la identificación de las necesidades del cliente describiendo los objetivos del sistema. Al completar la fase se logran definir las funcionalidades. Las etapas se repiten sucesivamente evaluando los riesgos y una vez que se termina el espiral. Es necesario que el Ingeniero en Conocimientos comience con una breve Adquisición de Conocimientos. Desarrollo de los Prototipos: Concierne al desarrollo de los distintos prototipos que permiten ir definiendo y refinando. completando la especificación de conocimientos iniciales que se tienen del sistema. pero poco precisos y fiables. d. existe un cono que representa los conocimientos adquiridos. Al principio se adquieren una gran cantidad de conocimientos. de una forma gradual hasta conseguir las especificaciones exactas de lo que se puede hacer y cómo realizarlos. las especificaciones del sistema. al final se adquieren una menor cantidad de conocimientos.Identificación de la Tarea 2. en donde en la etapa del espiral. representada por el cono ya que es muy importante y necesaria. en el tercer eje.Resumen de Inteligencia Artificial Metodología IDEAL En la INCO se emplea la Metodología IDEAL como estándar. Definición de las Características de la Tarea: Se configura la especificación del sistema.Ejecución de la Construcción del Sistema Integrado 4.

Ejecución de la Construcción del Sistema Integrado: Permite integrar el Sistema Experto a otros sistemas computacionales. Validación y Evaluación del Prototipo: En esta etapa se valida el funcionamiento del prototipo. k. g. i. Esta fase se divide en las siguientes etapas: o. Implementa la integración del Sistema Experto con los otros Sistemas Hardware y Software. q. Esta fase se divide en las siguientes etapas: f. Aparte de adquirir conocimientos. Concepción de la Solución (Descomposición en Subproblemas y Determinación de Analogías): Esta etapa tiene como objetivo producir un diseño general del sistema prototipo. Esta fase se divide en las siguientes etapas: r. Selección de la Herramienta e implementación: Seleccionar la herramienta de desarrollo adecuada al problema para luego realizar implementación. 5. Actuación Para Conseguir el Mantenimiento Perfectivo: Trata del mantenimiento perfectivo del sistema. Se suelen realizar Casos de Prueba y Ensayos en Paralelo con el Experto. que debe satisfacer la expectativas de fiabilidad y eficiencia. Lograr Una Adecuada transferencia Tecnológica: Para la correcta implantación del sistema. 3. Adquisición y Conceptualización de los Conocimientos: Si bien la adquisición de conocimientos se realiza de forma constante. Esta fase se divide en las siguientes etapas: l. especificaciones y diseño del siguiente prototipo. Completar la Documentación del Sistema Basados en Conocimientos Construido: Se debe crear el manual de usuario. h. Definir el Mantenimiento de las Bases de Conocimientos: Se encarga del mantenimiento de la Base de Conocimientos. n. Definición de Nuevos Requisitos: Se corresponde con la definición de los requisitos. Engloba las actividades del desarrollo del DFD y el diseño arquitectónico. usando técnicas de Ingeniería en Software. Las etapas b a f se repiten para cada prototipo. m. Este mantenimiento viene reflejado en el ciclo de vida en la tercera dimensión de la espiral cónica. el cual deberá estar orientado al usuario final. Formalización de los Conocimientos y Definición de la Arquitectura : Las actividades que posee son: seleccionar los formalismos para representar en la máquina los conocimientos conceptualizados. Organizar la Transferencia Tecnológica: Se suelen usar entrenamientos en sesiones de tutoría entre los diseñadores y los usuarios para explicar el manejo del sistema y el entendimiento de la documentación. los requisitos de la etapa anterior. en ésta etapa es donde adquiere mayor importancia. y de incorporar al Sistema los nuevos conocimientos adquiridos. 4. j. Adquisición de Nuevos Conocimientos y Actualización del Sistema: Se encarga de diseñar nuevos protocolos para adquirir nuevos conocimientos. Requisitos y Diseño de la Integración: Consiste en el estudio y diseño de interfaces y puentes con otros Sistemas Hardware y Software. Campo y Operación. Implementación y Evaluación del Sistema Integrado: Su fin es desarrollar. p. es necesario una correcta transferencia tecnológica de manejo desde la parte que lo desarrolló hacia los usuarios finales. Aceptación del Sistema por el Cliente: Es la prueba última de aceptación por los expertos y usuarios finales. definiendo el mantenimiento de la base de conocimientos del Sistema Experto.Resumen de Inteligencia Artificial prototipos que se suelen desarrollar son los de: Demostración. s. Página 15 de 42 . es también necesario conceptualizarlos para modelizar el comportamiento del experto. Definir el Mantenimiento del Sistema Global: Esta etapa emplea las técnicas de Ingeniería en Software. y realizar el diseño detallado del Sistema Experto. Investigación.

Las traducciones deben realizarse sin aplicar conclusiones. Tablas de Verdad Representan el resultado de relacionar dos proposiciones a través de un Operador Lógico. o Entonces: → . Se representan en minúscula (p. • Razonar o Generar Nuevo Conocimiento: Para ello se pueden emplear: o La Inducción: Permite pasar de un caso particular a la regla general. …). o NO: ¬ . Son: o Y: ∧ . Tipos de Lógica Deductiva Lógica Proposicional Es el modo más básico y elemental para poder representar conocimientos. • Operadores Lógicos: Relacionan hechos o Proposiciones. o O: ∨ . y del caso general se obtiene un caso general y se deduce una conclusión particular. o sea.Resumen de Inteligencia Artificial Lógica La lógica se puede emplear para: • Representar el Conocimiento: Permite pasar del Lenguaje Natural al Lenguaje Lógico.  Deducción Axiomática. El Método Deductivo se clasifica en:  Deducción Natural. o La Analogía. de forma textual y literal. ∧ V F V V F F F F ∨ V F V V V F V F → V V F V V F F V ↔ V V F V F F F V ¬ V − F F V Tautologías Las Tautologías son expresiones que siempre son verdaderas.  Deducción Automática. Los elementos de la Lógica Proposicional son: • Proposiciones: Representan hechos de la realidad. Las Tautologías son las siguientes: • ¬( p ∧ q ) ↔ ( ¬p ∨ ¬q )  Leyes de Morgan • ¬( p ∨ q ) ↔ ( ¬p ∧ ¬q )  • ¬¬ p ↔ p • ¬p ∨ p • p → q ↔ ¬p ∨ q • ( p ∧ q) ↔ ( q ∧ p) Leyes Conmutativas • ( p ∨ q) ↔ ( q ∨ p) • ( p ∧ q) ∧ r ↔ p ∧ ( q ∧ r ) Leyes Asociativas • ( p ∨ q) ∨ r ↔ p ∨ ( q ∨ r ) • p∧ p ↔ p • p∨ p ↔ p Página 16 de 42 . Elementos Son los que permiten construir las proposiciones que representan los hechos de la realidad y sus relaciones. o El Método Deductivo: Del caso general se obtiene un caso particular y se deduce una conclusión particular. q. o Sí y Sólo Sí: ↔ . r.

las cuales se enumeran a continuación: • Forma Normal Conjuntiva (FNC): Posee la forma ( ∨ ) ∧ ( ∨ ) ∧ ¬( ∨ )  • Forma Normal Disyuntiva (FND): Posee la forma ( ∧ ) ∨ ( ∧ ) ∨ ¬( ∧ )  El método de simplificación para llevar una expresión a alguna de las Formas Normales es el siguiente: 1) Sustituir: 2) Sustituir: 3) Sustituir: 4) Sustituir: por: ¬¬ p 5) Sustituir: por: p 6) Aplicar las Leyes Distributivas. o NO: ¬ . la Lógica de Primer Orden agrega varios elementos para descomponer la expresión. • Funciones de Verdad: Indican funciones sobre las Variables ( H ( x ) : x es . ) . o Existe: ∃ . Elementos Son los que permiten construir las proposiciones que representan los hechos de la realidad y sus relaciones. En las expresiones. ∃ implican la existencia de ∧ o ∨ . z.. 7) Sustituir: ( p ∨ ¬p ) por: V ( p ↔ q) ( p → q) ¬( p ∧ q ) ¬( p ∨ q ) por: por: por: ( p → q) ∧ ( q → p) ( ¬p ∨ q ) ( ¬p ∨ ¬q ) ( ¬p ∧ ¬q ) ( p ∧ ¬p ) por: F Lógica de Primer Orden A diferencia de la Lógica Proposicional. Son: o Y: ∧ . Aplicando las reglas obtengo nuevas hipótesis que también deberán ser verdaderas. a las cuales se les aplican reglas. Se deben usar todas las hipótesis. • Cuantificadores: Permiten englobar y definir un alcance para los hechos individuales. d. generalmente los la existencia de → .Resumen de Inteligencia Artificial Formas Normales Son aquellas expresiones en las cuales las relaciones entre sus proposiciones sólo se encuentran representadas por los operadores ∧ . b. mientras que los ∀ implican El Método Deductivo Deducción Natural Se parte de un conjunto de hipótesis que se consideran verdaderas y se llega a demostrar la tesis. o Sí y Sólo Sí: ↔ . Se representan en minúscula (x. Las Hipótesis y la Tesis poseen la siguiente estructura: Página 17 de 42 . o Entonces: → . ∨ y ¬ . o O: ∨ . • Operadores Lógicos: Relacionan hechos o Variables. Son: o Para Todo: ∀ . • Constantes: Se representan en minúscula (a. y. …). Existen dos Formas Normales. w. c. Los elementos de la Lógica de Primer Orden son: • Variables: Representan hechos de la realidad. …)..

j ] Reglas de Deducción Natural Para Proposiciones A continuación se enumeran las Reglas Básicas de Deducción Natural Para Proposiciones: 1. entonces se debe suponer “A” (ésta es un tipo de hipótesis que se introduce por conveniencia en la demostración). en otra línea posterior se puede escribir A ∨ B. Si al hacer esa suposición. y aplicando reglas de deducción se llega a deducir “B”. en una línea posterior se puede escribir su conjunción. A  B −−−− A→B 2. A A→B −−−− B 3. escribir cualquiera de las dos fórmulas. Eliminación de la Implicación (EI) o Modus Ponens (MP): Si en dos líneas determinadas aparecen fórmulas de la forma A y A → B. se cierra la suposición escribiendo A B. en cualquier línea posterior. Introducción de la Implicación (II): Si al llegar a una determinada etapa de la deducción.Resumen de Inteligencia Artificial Hipótesis 1 Hipótesis 2  Hipótesis n Tesis Y a medida que se van resolviendo las Hipótesis para llegar a la Tesis se tendrá la siguiente estructura: 1) Hipótesis 1 2) Hipótesis 2  n) Hipótesis n n + 1) Hipótesis n + 1 [ HIP 1] [ HIP 2] [ HIP n] [ Regla . Eliminación de la Conjunción (EC): Si en una línea se tiene la conjunción de dos fórmulas. nos interesa demostrar A → B. posterior a esas dos. se puede escribir en la línea que sea más conveniente para la demostración. Página 18 de 42 . Introducción de la Conjunción (IC): Si en dos líneas determinadas aparecen A y B. una fórmula de la forma B. A B −−−− A∧B 4. se puede. Introducción de la Disyunción (ID): Si en una línea se tiene A o se tiene B. A∧B −−−− A A∧B −−−− B 5. i .

se trata de comprobar si suponiendo cada uno de los términos. entonces puedo particularizar el predicado P para ese determinado individuo. Eliminación de la negación (EN): De la doble negación de una fórmula. se cierran las suposiciones y se escribe C. lo mismo se puede afirmar de cualquier miembro del colectivo. se llega a una contradicción. Si es así. Pa −−− ∀xPx 2. Eliminación de la Disyunción (ED): Una vez dada o deducida una disyunción A ∨ B. A −−−− A∨B B −−−− A∨B A  C A∨ B B  C C 7. A  B ∧ ¬B −−−−− ¬A 8. Introducción de ∀ (I ∀ ): Esta regla dice que si un elemento de un colectivo tiene una propiedad y ese elemento “a” es genérico. Introducción de ∃ (I ∃ ): Esta regla dice que si un elemento de un colectivo tiene una propiedad. “a” queda restringido. esta regla se puede aplicar si “a” es genérico. se obtiene esa misma fórmula. se obtiene un mismo resultado C. 4. Por lo tanto. Introducción de la Negación (IN): Si suponiendo una fórmula A. Página 19 de 42 . A y luego B. En este caso. es decir. si no está en ningún otro supuesto previo que lo restrinja. entonces existe algún elemento que la cumple. ∀xPx −−− Pa Pa −−− ∃xPx 3. entonces se puede afirmar que el resultado vale para cualquier elemento del colectivo. en una línea posterior se puede escribir la negación de A. ¬¬ A −−−− A Reglas de Deducción Natural Para Predicados A continuación se enumeran las Reglas Básicas de Deducción Natural Para Predicados: 1.Resumen de Inteligencia Artificial 6. Eliminación de ∀ (E ∀ ): Esta regla dice que si de un colectivo se afirma algo universalmente. Eliminación de ∃ (E ∃ ): Esta regla dice que si existe algún elemento de un colectivo que cumple una propiedad.

∃ : Si es el primer cuantificador de izquierda a derecha en una fórmula se deberá reemplazar la variable por una constante y se eliminará el cuantificador. ∀ : Directamente se elimina el cuantificador. Para poder realizar la demostración se emplea el Método Herbrand. Forma Normal: Una vez que las expresiones se encuentran en Lógica Proposicional será necesario llevarlas a Forma Normal. Si no es el primer cuantificador de izquierda a derecha en una fórmula se deberá reemplazar la variable por una función de las variables de todos los ∀ precedentes. se llega a una inconsistencia. 2. con lo que pueden pasar dos cosas: Página 20 de 42 . Primero se deben llevar las expresiones a Lógica Proposicional. ii. Si una expresión se encuentra en Forma Skolem. Si una expresión se encuentra en Forma Normal. Posee las siguientes etapas: 1. b. a. Forma Prenex: Una fórmula se encuentra en Forma Prenex cuando todos sus cuantificadores se encuentran al comienzo de la misma. también se encuentra implícitamente en Forma Skolem y en Forma Prenex. Preparar las Fórmulas: Consiste en preparar las expresiones para su posterior demostración. Universo de Herbrand: U H = { Constantes} . Átomos de Herbrand: Finalmente a partir de SH. se trata de buscar un modelo para ( H ∧ ¬T ) . el método se basa en las siguientes dos teorías:0 a. también se encuentra implícitamente en Forma Prenex. b. cada combinación es un valor de verdad. para ello se deberán obtener: a.Resumen de Inteligencia Artificial ∃xPx −−− Pa Deducción Automática Es un método que permite automatizar la deducción. Para ello se siguen las siguientes reglas: i. Forma Skolem: Una fórmula se encuentra en Forma Skolem una vez que se han eliminado todos sus cuantificadores. c. c. Sistema de Herbrand: S H = { Aplicar fórmula a todas las combinaciones del U H } . Teoría de la Consistencia: H ├─ T ↔ ( H ∧ ¬T ) = F y H = H 1 ∧ H 2 ∧  ∧ H n . Este teorema establece que un conjunto de hipótesis demuestran una tesis si y solo si al agregar al conjunto de hipótesis la negación de la tesis. Para pasar una fórmula a Forma Prenex se deberán seguir las siguientes reglas: • ( ∀ ∃ x Ax ) ∧ Bx = ∀ ∃ x( Ax ∧ Bx ) Ax ∧ ( ∀ ∃ x Bx ) = ∀ ∃ x( Ax ∧ Bx ) • ( ∀ ∃ x Ax ) ∨ Bx = ∀ ∃ x( Ax ∨ Bx ) Ax ∨ ( ∀ ∃ x Bx ) = ∀ ∃ x( Ax ∨ Bx ) • ¬ ( ∀x Ax ) = ∃x( ¬ Ax ) ¬ ( ∃x Ax ) = ∀x( ¬ Ax ) • ( ∀x Ax ) → Bx = ∃x( Ax → Bx ) ( ∃x Ax ) → Bx = ∀x( Ax → Bx ) • Ax → ( ∀x Bx ) = ∀x( Ax → Bx ) Ax → ( ∃x Bx ) = ∃x( Ax → Bx ) b. A partir de éstas dos teorías. Una teoría es consistente si y solo si existe un modelo que lo sustente. AH = { A cada función de verdad aplicarle U H } . a través de la Forma Prenex y la Forma Skolem. ya sea conjuntiva o disyuntiva a través de los pasos vistos anteriormente. Teoría de la Completitud: ( F1 ∧ F2 ∧  ∧ Fn ) = V ↔ ∃ Modelo( F1 ∧ F2 ∧  ∧ Fn ) . Demostración: Para poder realizar la demostración.

... B ^ ¬B ¬¬A T A -> B A [Sup] . B A ->B B A^B Elijo A ó Elijo B AvB Sup Sup A B . .. entonces no existe un modelo y se cumple que ( H ∧ ¬T ) = F . Si al menos una de las combinaciones de SH es verdadera. entonces existe un modelo y se cumple que ( H ∧ ¬T ) = V . b. una hipótesis tiene el cuantificador ∃. Página 21 de 42 .. Deducción natural de Lógica de Primer Orden Regla I ∀ E ∀ I ∃ E ∃ Introducción de ∀ Eliminación de ∀ Introducción de ∃ Eliminación de ∃ Pa con ‘a’ genérico sin restricciones (sale de un ∀) ∀ x Px Pa con ‘a’ restringido (sale de un ∃) ∃ x Px ∀ x Px Pa generico ∃ x Px Pa restringido Tip: Si al hacer un ejercicio. Por lo tanto sí se puede demostrar la Tesis. entonces la tesis deberá tener el mismo cuantificador ya que la variable se encuentra restringida. Por lo tanto no se puede demostrar la Tesis.Resumen de Inteligencia Artificial a. B A A -> B A B A^B A AvB A . Si todas las combinaciones de SH son falsas. Resumen de Reglas Deducción natural en lógica proposicional Regla II EI M P IC EC ID E D Introducción de la implicación Eliminación de la implicación o Modus Ponens Introducción de la Conjunción Eliminación de la Conjunción Introducción de la Disyunción Eliminación de la Disyunción H A . C C C ¬A A IN E N Introducción de la Negación Eliminación de la Negación Tip: Si tengo NO implicaciones en la tesis -> NO puedo suponer en la hipótesis.

Una Regla se compone por: • Estado Actual: Es el Estado sobre el cual se aplican la Regla. • Estado/s Final/es: Son los estados solución o estados objetivo. Es un mecanismo de evaluación que guía la búsqueda en un sentido determinado. • Estados Intermedios: Estados que no son el Estado Inicial ni un Estado Solución. • Estado Resultado: Es el Estado resultante.Resumen de Inteligencia Artificial Métodos de Búsqueda Definiciones Varias – Heurística: Se la puede definir como “sentido común”. El primer paso para resolverlo consiste en crear una forma descriptiva formal y manipulable a partir de la descripción informal del problema. Al presentarse un problema éste debe descomponerse. La inteligencia se ve en la decisión tomada. Se utilizan para enlazar un Estado Actual con otro Estado Objetivo. • Recuperables: Son aquellos en los cuales existen movimientos que pueden compensar los errores en la búsqueda. El Sistema de Producción posee: • Las Reglas: Son las que producen las transiciones entre los distintos Estados. Sistema de Producción Un Sistema de Producción es un Sistema Informático con una estructura especial que permite realizar los procesos de búsqueda. o Ser sistémica: Debe poder producir cambios a largo plazo. ya que es la parte crítica. • La Estrategia de Control: Especifica el orden en el que las reglas son procesadas y la forma de resolver los conflictos que surjan cuando varias reglas puedan ser aplicadas a la vez. • No Recuperables: Son aquellos en los que los errores no tienen vuelta atrás. El proceso de solución de un problema es el proceso mediante el cual partiendo de un Estado Inicial y mediante una Estructura de Control que selecciona y aplica Reglas que producen Transiciones entre Estados pertenecientes al Espacio de Estados del problema. El Espacio de Estados o Espacio del Problema Es el dominio que contiene todos los posibles estados del sistema. • Infinito: Si la cantidad de Estados que lo componen no es finita o determinable. • La Base de Conocimientos: Contiene la información apropiada para la tarea en particular. Clasificación de los Problemas Los problemas se pueden clasificar en: • Ignorables: Son aquellos en los cuales un error en la búsqueda no altera el proceso. Los Métodos de Búsqueda Los Métodos de Búsqueda son métodos de resolución de problemas. El Espacio de Estados puede ser: • Finito: Si la cantidad de Estados que lo componen es finita y determinable. Página 22 de 42 . Surge para representar la forma descriptiva formal necesaria para resolver el problema. Los Estados Los Estados son representaciones que contienen el conjunto de toda la información que describe la situación del sistema en un momento dado. Las Reglas u Operadores Es un mecanismo que se emplea para modificar o transformar un Estado del sistema. Es una función aplicada a cada nodo que indica una directriz sobre qué tan bueno es estar en cada nodo. • El Aplicador de Reglas: Nunca contradice la Estrategia de Control. • Operando: Es el operador. La Estrategia de Control debe: o Causar algún cambio: Debe poder producir cambios a corto plazo. se llega a un Estado Solución. Se pueden clasificar en: • Estado Inicial: Es el estado del cual se parte en la búsqueda de la solución al problema.

una de ellas deberá usar el Método Primero en Amplitud. que puede no ser la mejor de ellas. En la práctica se implementa con una estructura de cola FIFO. Puede llegar a quedar “atrapado” en una rama cíclica o periódica. etc. 2. Desventajas Bidireccional Combina los Métodos de Búsqueda Primero en Amplitud y Primero en Profundidad. etc. Si hay varias soluciones devuelve la primera de ellas. Búsqueda Top–Bottom: Partiendo desde el Estado Inicial se pretende hallar el Estado Final. tiempo de CPU. entonces por alguna permutación permitida de estas reglas también transforma el estado X en estado Y. Si hay varias soluciones. la encuentra. • No Monótono: Es aquel en que se aplican todas y cada una de las reglas que pueden ser tomadas en un momento determinado. encuentra la mejor de ellas. Ventajas • • • • • Consume una menor cantidad de recursos computacionales (memoria. Búsqueda Bottom–Top: Partiendo desde el Estado Final se pretende hallar el Estado Inicial. • Parcialmente Conmutativo: Es aquel en el cual si se aplican una secuencia de reglas transforma el estado X al estado Y. Si existe una solución. por lo que se deberá realizar una búsqueda exhaustiva en todo el Espacio de Estados. Cuando las búsquedas se crucen se podrá reconstruir el camino. • No Parcialmente Conmutativo: Aquel donde si se permutan cualquiera de las reglas no se llega del estado X al estado Y. la encuentra. Devuelve la primera solución que encuentra.). Primero en Amplitud A diferencia del Método Primero en Profundidad. Son aptos para resolver Problemas No Recuperables.). Si existe una solución. Parte del Estado Inicial y aplica todas las reglas posibles. por lo que será necesario establecer un valor de corte como umbral. No contemplan volver a estados pasados. que podrían haberse aplicado cuando se seleccionó la primera. buscando el Estado Final en cada subrama de cada Estado del Espacio de Estados. Se deberán conocer tanto el Estado Inicial como un Estado Final a fin de realizar dos búsquedas: 1. en vez por ramas. Desventajas Primero en Profundidad El algoritmo barre el árbol (o grafo) una rama a la vez. Tienden a alcanzar muchos estados individuales duplicados. recorre el árbol modificando (modifica) el Estado Actual por Niveles. generando así los nodos por niveles. analiza las reglas para el nuevo Estado y va actualizando el Estado Actual “Moviéndose” en el árbol a través de las ramas. A Medida que el Algoritmo va cambiando el Estado Actual. Métodos de Búsqueda Sin Información del Dominio Son los Métodos que operan sin un conocimiento que pueda guiar la búsqueda acerca del dominio del problema. Se puede encontrar una solución sin haber buscado en gran parte del árbol. Consume una mayor cantidad de recursos computacionales (memoria. Página 23 de 42 . Si bien cada búsqueda puede usar cualquiera de los dos métodos. En la práctica se implementa con una estructura de cola LIFO. tiempo de CPU. luego por cada nodo generado vuelve a aplicar todas las reglas posibles.Resumen de Inteligencia Artificial Clasificación de los Sistemas de Producción Los Sistemas de Producción se pueden clasificar en los siguientes tipos: • Monótono: Es aquel en el cual la aplicación de una regla no prevé la posterior aplicación de otras reglas. Ventajas • • • • No queda “atrapado” en una rama cíclica o periódica. • Conmutativo: Sistema que es a su vez monótono y Parcialmente Conmutativo.

Posee mayor probabilidad de estancarse ante un mínimo (o máximo) local. Si el problema es complejo puede consumir mucho tiempo en encontrar la solución. Posee dos variantes: Escalada Simple y Escalada de Máxima Pendiente. generar todos los sucesores del Estado y luego los evalúa uno por uno. Escalada Es una variante del Método Generación y Prueba. la encuentra. Utiliza una Función Heurística a los propósitos de obtener retroalimentación. “escalando” por el mejor de ellos incluyendo al Estado Actual. ésta es mejor que la posible solución encontrada por el Método de Escalada Simple. Si encuentra una solución. Se ensaña con una rama y abandona el resto. Necesita menor cantidad de pasos para hallar la solución. Emplea el Método Primero en Profundidad. en el caso de que difieran. pese a que esté a un nodo de distancia. Si existe una solución. pero que aún no se ha generado. o sea que tiene en cuenta únicamente las consecuencias inmediatas y no contempla retrocesos en la búsqueda. Página 24 de 42 Desventajas . en donde se va explorando una rama a la vez. El Método es más lento que el Método de Escalada Simple. Ventajas • • • • • Posee menor probabilidad de estancarse ante un mínimo (o máximo) local. Dado un Estado Actual. Si existe un sucesor mejor que por el que escala. evitando una explosión combinatoria. se aplican uno a uno los Operadores sobre éste y se “escala” por el primer sucesor cuya Función Heurística sea mejor que la del Estado Actual. Desventajas – Escalada de Máxima Pendiente Es una variante del Método de Escalada Simple. Ventajas • • • Es adecuado para problemas sencillos. Generalmente el conocimiento se basa en una función heurística que permite probar primero los caminos más prometedores. Pretende resolver el problema que se da al generar y evaluar los sucesores de un nodo de a uno. – Escalada Simple Dado un Estado Actual. Desventajas Métodos de Búsqueda Con Información del Dominio Son aquellos Métodos que operan con un conocimiento que guía la búsqueda en un determinado sentido. No se puede aplicar en problemas donde la solución es relativa. Necesita más pasos para poder llegar a la solución. El Método funciona correctamente siempre y cuando la Función Heurística sea monótonamente decreciente (o creciente). Se ensaña con una rama y abandona el resto. Ventajas • • • • • • • El Método es más rápido que el Método de Escalada de Máxima Pendiente. ya que recorre todo el Espacio de Estados. Permite escalar por los nodos si el valor heurístico del nodo destino es mejor al valor heurístico del nodo origen o actual. Generalmente se implementa con una vuelta hacia atrás. Permiten facilitar la búsqueda de el/los Estado/s Final/es. No garantiza encontrar la solución. Es un Método Local. éste se pierde.Resumen de Inteligencia Artificial Generación y Prueba En éste Método se genera una posible solución y se la compara contra todas las demás. no necesariamente la mejor dentro de todo el Espacio de Soluciones. Se suelen usar para encontrar una solución aceptablemente buena.

Salvo ' que en la Lista de Abiertos los nodos tendrán la forma Nodo g + h . de los cuales ya se han generado los nodos sucesores correspondientes. El Método emplea dos listas: • Lista de Abiertos: Nodos generados pero que no se han explorado los sucesores. Se encuentra ordenada y priorizada por el valor heurístico de cada nodo. Es parecido al Método de Escalada de Máxima Pendiente ya que por cada nodo se evalúan todas las reglas para determinar los nodos hijos. En cada iteración se reordena la Lista de Abiertos. Igualmente posee dos diferencias: 1. h ( estado ) representa la estimación de lo que cuesta llegar a un nodo objetivo desde ese nodo. al elegir un nodo. De todas formas puede no hallar la solución si se cae en un mínimo (o máximo) local. En Escalada. el algoritmo la encuentra. No se puede aplicar en problemas donde la solución es relativa. ( ) Página 25 de 42 . o sea el camino recorrido. Sigue un único camino a la vez y lo cambia cuando otro camino parece más prometedor. aún si el valor de su función es menor al actual. y no el costo desde la raíz hasta ese nodo. Resuelve el problema de los Métodos de Escalada. para no simplificar la realidad. lo que queda por recorrer. Por esto se dice que el Método A* es un Método Completo. En la resolución de problemas se deberá emplear la siguiente tabla: Iteración 1 Ítem Nodo Actual ¿Es Solución? Lista de Abiertos Lista de Cerrados … Nodo Actual ¿Es Solución? Lista de Abiertos Lista de Cerrados Valor (Estado Inicial) SI / NO (Sucesores del Estado Inicial) (Estado Inicial) … (Primer Nodo de la Lista de Abiertos) SI / NO Reordenar(Lista de Abiertos – Nodo Actual + Sucesores del Nodo Actual) (Lista de Cerrados + Nodo Actual) … N A* Es similar al anterior. ' Permite encontrar el camino de mínimo costo. El proceso también termina en el caso de que la Lista de Abiertos quede vacía. En caso de existir una solución. Como el algoritmo avanza siempre por el mejor camino. 2. Si esto sucede no se evaluará pero si se indicará ésta situación en el modelo. y se deberá reordenar por éste valor. En este Método se elige el mejor estado disponible. Puede ser: • Lineal: Es el mismo en cada nivel. al hallar una solución asume que ésta es la mejor y termina el proceso de búsqueda. lo que posibilita la vuelta atrás.Resumen de Inteligencia Artificial • • • No garantiza encontrar la solución. Se encuentra ordenada históricamente. • Exponencial: Crece al ir pasando a un nivel inferior. pese a que esté a un nodo de distancia. En la resolución de problemas se deberá emplear la tabla vista en el Método el Primero Mejor. • El Costo es relativo a la Transición y no al Estado. dado que su Función Heurística sólo pondera la estimación del costo desde un nodo al nodo solución. Es una simplificación del Método A*. • Lista de Cerrados: Nodos generados. salvo que la Función Heurística se reemplaza por la siguiente aproximación: F ' = g ( estado ) + h ' ( estado ) En donde: g ( estado ) representa la suma de los costos de los nodos predecesores (el costo de llegar • hasta ese nodo). Al generar un nodo se debe controlar que ya no se encuentre en la Lista de Cerrados. El Primero Mejor Combina las ventajas de los Métodos de Primero en Amplitud y Primero en Profundidad. todos los demás se abandonan.

Al ir visitando los nodos descendientes se van reevaluando los valores heurísticos. La resolución de todos los problemas primitivos implica que el problema principal ha sido resuelto. • En el Primero Mejor se buscaba el camino con menor costo. Para graficar se emplean los denominados Grafos Y-O. Constantemente hay que comparar los nuevos valores obtenidos con los valores anteriores para determinar si se debe seguir por un camino o cambiarlo por otro con mejor valor. El proceso termina cuando se encuentra una solución o cuando todos los caminos llevan a callejones sin salida. con lo cual se deben propagar los cambios hacia arriba. Dado un problema se lo divide de manera recursiva en problemas menores hasta llegar a Problemas Primitivos (problemas atómicos de resolución inmediata). En donde se dibujan arcos en las transiciones entre estados para representar el Y. Las principales diferencias con el Método el Primero Mejor son: • En el Primero Mejor la vuelta atrás no es necesaria. ⇒ Solución ( Problema Meta ) = ∑ Solución ( Problema Primitivo ) Problema Meta = ∑ Problema Primitivo Página 26 de 42 . en cambio en el Método de Reducción de Problemas si porque hay que reevaluar los nodos expandidos para determinar el mejor camino.Resumen de Inteligencia Artificial Método de Reducción de Problemas Se emplea en los casos en que los problemas pueden descomponerse en subproblemas. Se comienza por el Estado Inicial generando todos los posibles sucesores y se evalúan los valores a fin de determinar el mejor camino. en cambio en el Método de Reducción de Problemas los caminos individuales que van de un nodo a otro no deben ser tomados independientemente de los caminos a través de otros nodos conectados a los nodos originales mediante arcos Y.

o Valores: Se relacionan con las Características. 1. O sea que definen las particularidades de un Concepto determinado que lo hacen distinguible de otros Conceptos de su misma especie. o Conceptos: Representan una entidad. o Relaciones: Son explícitas y pueden relacionar un Concepto con otro Concepto o un Concepto con una Característica. Transcripción Se transcribe lo grabado segmentándolo en frases con el fin de poder analizarlo de una mejor forma. Se debe analizar frase por frase de la tabla anterior para poder determinar cada uno de estos Elementos. • Registro del Protocolo: Es la grabación y la registración de lo que dice y hace el Experto. o Características: Las Características se relacionan con los Conceptos. un conocimiento. Características. Se le pide que hable en voz alta diciendo que diga lo que piensa. que luego sirvan en la construcción de un Sistema Basado en Conocimientos. 2. denominada Tabla Concepto-Característica-Valor. Línea 1 2 … n Transcripción … 3. pero no que explique sus razonamientos. se deberá emplear la siguiente tabla: Se deberán indicar las pausas que tuvo el Experto empleando corchetes. • Puesta en Situación: Se busca brindarle confianza al Experto. Etapas del Análisis de Protocolos Esta técnica de Educción de Conocimientos posee las siguientes etapas. ya que establecen las cualidades que pueden tener éstos. Si el Experto se quedase callado por un lapso mayor a los tres segundos. Valores. Se deberá construir la siguiente tabla. Grabación del Protocolo La cual se divide en las subetapas siguientes: • Introducción: El Ingeniero en Conocimiento le explica al Experto lo que espera de él. Relaciones y Operadores: Se los suele denominar también como Elementos del Protocolo.Resumen de Inteligencia Artificial Análisis de Protocolos Es una técnica que permite observar y grabar a un Experto en la resolución de un problema para lograr educir conocimientos del él. y dentro de ellos indicando la duración de las mismas. Codificación A esta etapa se la divide en las siguientes subetapas: • Identificación de Conceptos. para ordenar y relacionar los Elementos del Protocolo detectados en la tabla anterior: Concepto Concepto Característica Característica Valor Valor Página 27 de 42 . lo que hace. por ejemplo mediante la resolución de algún ejercicio introductorio. Son los valores que puede adoptar una determinada Característica. deberá indicarse tal situación y pedirle que continúe. o Operadores: Son los medios que el Experto utiliza para pasar de un estado del problema a otro estado más próximo a la solución. Se deberá emplear la siguiente tabla: Significado Concepto Característica Valor Relación Operador … • Texto … Identificación de las Relaciones de Protocolo: Consiste en determinar las relaciones que existen dentro del protocolo. En la resolución de la transcripción. La división en frase se realiza tratando de que cada una aporte algo por sí sola. Serían como los atributos.

CONDICIONES: CONCEPTO. En la resolución de los ejercicios se deberá seguir el siguiente esquema: Estado Inicial Operador 1 Características distintivas 1 Estados Intermedios Operador n Características distintivas n Estado Final • Identificación de Metacomentarios. Para ello se emplea un grafo como se muestra a continuación: Concepto k RELACIÓN A RELACIÓN B Concepto i Concepto j RELACIÓN C Concepto m • Identificación de la búsqueda: Consiste en determinar los estados por los cuales pasa el Experto desde el estado inicial hasta llegar al estado solución. Influyen en los operadores pero no forman parte de él. que son relaciones explícitas entre Conceptos. o Incertidumbres: Palabras o frases que implican dudas o deducciones inciertas. Representa un grado de certidumbre para un operador que brinda el Experto. El siguiente paso consiste en establecer las Relaciones de Protocolos. Las Reglas son de la forma: SI ( CONDICIONES ) ENTONCES ( ACCIONES ) Y en donde.Resumen de Inteligencia Artificial Concepto … (Característica) … Valor … Entre paréntesis se deberán indicar aquellas relaciones implícitas entre un Concepto y un Valor. o Metacomentarios: Frases o palabras que no aportan nada en el Protocolo. Sinónimos e Incertidumbres: En base a la primera tabla se deberán detectar los Metacomentarios. o Sinónimos: Palabras que representan la misma idea o concepto. sin embargo pueden representar razonamientos ocultos y pueden servir más adelante en otro Análisis de Protocolo. que no pertenezcan a un metacomentario.CARACTERÍSTICA = VALOR Página 28 de 42 . La cantidad de reglas debe ser la misma que la cantidad de operadores. Sus Elementos no deben ser tenidos en cuenta en el Análisis. Interpretación En ésta etapa se definen las reglas de razonamiento del experto. los Sinónimos y las Incertidumbres. En la resolución de los ejercicios se deberá seguir el siguiente esquema:  Sinónimos: … …  Metacomentarios: Línea n …  Metacomentario … … Significado … … Incertidumbres: … … 4.

Relación Estamos identificando: Operador (cambia el estado) Cuando hay un Vx.Resumen de Inteligencia Artificial Anexo: Ejercicios (by JuanMA) “podríamos sostener que estamos identificando” Podríamos sostener: incertidumbre. pero no necesariamente de la/s secuandaria/s Página 29 de 42 . tiene que haber una implicación de la variable principal.

E2) 0 … E3 Dist(E1. La cantidad de Características no depende de la cantidad de elementos. Para obtener los Elementos se pueden usar entrevistas.1. o sea. Dichas Características pueden ser obtenidas mediante entrevistas. donde n es el número total de elementos. 4. denominada Parrilla. En) Dist(E3. 4. Identificación de los Elementos En ésta primera etapa se deben obtener los Elementos que conformarán la Parrilla. como una escala numérica.Resumen de Inteligencia Artificial Emparrillado Esta es otra técnica para poder educir conocimientos de un Experto. la matriz quedaría: E1 E1 E2 E3 … En 0 E2 Dist(E1. Que sean homogéneos se refiere a que estén en el mismo nivel. • Clasificatoria: Las celdas adoptan valores entre 1 y n. • Evaluativa: Las celdas adoptan valores entre 1 y x. Para ello se deberá calcular una matriz de distancia. En) Dist(E2. 2. Que sean representativos indica que deberán abarcar todo el dominio. En) … 0 … Página 30 de 42 . Diseño de la Parrilla Se deberá construir una matriz. que al ser simétrica. Deben ser bipolares. Formalización Consta de las siguientes subetapas. Permite tomar en cuenta cómo piensa el experto y qué juicios emplea. Las celdas adoptan los valores 0 (el elemento no posee esa característica) o 1 (el elemento sí posee esa característica). El margen se aplica a todas las características. Al ser una escala sí puede haber valores repetidos. 3. o sea cuál es el extremo que toma en cuenta en primera instancia el Experto. La distancia entre dos elementos m Ei y E j se calcula usando la siguiente fórmula: Dist ( Ei . sólo se usará la diagonal superior. E j ) = ∑ Vki − Vkj = V1i − V1 j + V2i − V2 j +  + Vmi − Vmj k =1 Luego de calcular las distancias. E3) 0 … … … … … … … En Dist(E1. E3) Dist(E2. Éstos deben ser homogéneos y representativos del dominio. un Elemento es una cosa o la otra. Identificación de las Características Las Características son las cualidades que pueden ser atribuidas a los Elementos o conceptos del pensamiento. tal como se muestra a continuación: E1 C1 C2 C3 … Cm V11 V21 V31 … Vm1 E2 V12 V22 V32 … Vm2 E3 V13 V23 V33 … Vm3 … … … … … … En V1n V2n V3n … Vmn Los tipos de Parrilla que se pueden construir son: • Dicotómica: Es una matriz binaria. Metodología 1. Clasificación de los Elementos Se comparar elementos contra elementos. No puede haber valores repetidos. También se deberán determinar los polos de las Características.

En) Dist(E2. Cm) Dist1(C2. Finalmente la matriz de distancias entre características quedaría así: C1 C2 C3 … … … … … … Cm Dist1(C1. según el tipo de Parrilla). se debe negar el valor de cada celda. En) … 0 Y. Cm) . C j ) = Dist1 C i . [Ei. Dist ( E j . Cm) Dist1(C3. tal cual se muestra a continuación. o tomando la mayor de las distancias (si se están maximizando las distancias entre elementos). • En el caso de las Parrillas Clasificatorias o Evaluativos se deberá emplear la siguiente fórmula: Vij' = ( w + 1) − Vij En donde w adopta el mayor valor de los valores de la escala (n o x. Cm) Dist2(C2. El método vuelve a ciclar hasta que todos los elementos se hayan agrupado. como se muestra a continuación: E1 E2 … [Ei. E h ) = Min( Dist ( E i . Para calcular ambas distancias se emplean las siguientes fórmulas: d1 : Dist1 ( C i . E h ) ) [ ] O sea que se aplica la ley distributiva entre los elementos de la parte izquierda de la fórmula. Esto se logra armando una nueva Parrilla basada en la Parrilla original y en donde sus valores son opuestos de acuerdo a la escala empleada: • En el caso de las Parrillas Dicotómicas. Ej]) Dist(E2. C2) 0 Dist1(C2.2. tal como se muestra a continuación: k … 3 2 1 Ei Ej Eh … En 4. C3) C2 Dist2(C1. E2) 0 … … … … … … … … … [Ei. Ej]) … 0 … … … … … … … … En Dist(E1.Resumen de Inteligencia Artificial Luego se deberán agrupar los elementos tomando la menor distancia que figure en la nueva Parrilla (si se está tratando de minimizar las distancias). C2) Dist1(C1. Clasificación de las Características Es similar al proceso de Clasificación de los Elementos. Ej] … En E1 0 … … E2 Dist(E1. salvo que se calculan dos valores de distancia: • En la Diagonal Superior de la Parrilla se calcula la Distancia 1 (d1) de forma similar al cálculo de las distancias entre elementos. C3) Dist2(c2. E j . Ej] Dist(E1. [Ei. C 'j = Dist1 C i' . Ej]. para completar los valores de cada celda se deberá tener en cuenta una nueva fórmula para calcular las distancias entre los elementos. C j En donde el valor de k =1 ( ) ( ) ' C h es el opuesto de C h . E h ) . Cm) … 0 Página 31 de 42 C1 0 Dist1(C1. En) … Dist([Ei. • En la Diagonal Inferior de la Parrilla se calcula la Distancia 2 (d2). se calculan las distancias correspondientes entre los elementos de la parte derecha de la fórmula según la fórmula original y luego se elige la mejor distancia para armar una nueva Parrilla con los nuevos elementos que puedan ser agrupados. C3) C3 Dist2(C1. C3) 0 … … … … Cm Dist2(C1. Cm) Dist2(C3. C j ) = ∑ Vik − V jk = Vi1 − V j1 + Vi 2 − V j 2 +  + Vin − V jn n d 2 : Dist 2 ( C i . Una vez que se han agrupado los elementos se deberá construir el Árbol Jerárquico de Distancias de Elementos. que se muestra a continuación: Dist ( E i . Con los elementos agrupados se construye una nueva Parrilla.

C h ) ) [ ] El método vuelve a ciclar hasta que todas las características se hayan agrupado. o Grupos que se han formado. k … 3 2 1 Ci Cj Ch … Cn 5. Red de relaciones entre Características Se arma a partir del Texto Página 32 de 42 . C j ) = Min( Dist1 ( C i . Cn) Dist(C3. Dist 2 ( C i . C j . Una vez que se han agrupado todas las características se deberá construir el Árbol Jerárquico de Características. Interpretación o Análisis de los Resultados En esta última etapa se deberán analizar los siguientes ítems con el fin de obtener una conclusión: • En base a los Elementos: o Cantidad de grupos que se han formado. Salvo que para calcular las distancias en base a la Parilla diagonal superior se deberá emplear la siguiente fórmula: Dist ( C i . C j ) ) C1 C1 C2 C3 … Cn 0 C2 Dist(C1. C h ) = Min( Dist ( C i . C h ) . • En base a las Características: o Cantidad de grupos que se han formado. C j ). se deberá construir una nueva Parrilla de distancias de características tomando de la matriz anterior la distancia mínima entre los opuestos por la diagonal: Dist ( C i . Cn) … 0 … Al construir la nueva matriz se deberán agrupar las características siguiendo el mismo proceso que se ha indicado en la Clasificación de los Elementos. Cn) Dist(C2. 6. C3) Dist(C2. C3) 0 … … … … … … … Cn Dist(C1. o Similitud entre las Características.Resumen de Inteligencia Artificial Como sólo hay que trabajar con la diagonal superior. o Similitud entre los Elementos. Dist ( C j . o Grupos que se han formado. C2) 0 … C3 Dist(C1.

Resumen de Inteligencia Artificial Paralela A B A Recíproca B A B X Y X Y X Y Ortogonal A B A B A Ambiguas B A B X Y X Y X Y X Y Página 33 de 42 .

• Teoría de la Evolución: Fue propuesta por Darwin.Resumen de Inteligencia Artificial Algoritmos Genéticos Introducción a los Algoritmos Genéticos Bases de los Algoritmos Genéticos Los Algoritmos Genéticos se encuentran basados en la: • Genética. y propone: o Adaptación. o Mutación: Cambios aleatorios en los cromosomas. o Cruzamiento: Es la concepción de nuevos individuos a partir de los ya existentes. Esquema de los Algoritmos Genéticos A continuación se presenta el esquema que posee un Algoritmo Genético. La Función de Aptitud queda representada por la expresión f ( Cromosoma ) ⇒ Valor Real . Comparación entre la Biología y los Algoritmos Genéticos Podemos comparar la Biología con los Algoritmos Genéticos a través de la siguiente tabla: Biología Ecosistema Organismos/Individuos Población Genes Genotipo (Conjunto de Genes) Algoritmos Genéticos Problema Posibles Soluciones (Individuos o Cromosomas) Población (De cada Ciclo) Genes (Valores binarios) Propiedad Pasos Para Configurar un Algoritmo Genético Ante un problema deberemos seguir los siguientes pasos a fin de configurar el Algoritmo Genético: 1. Los factores fundamentales que posee la Teoría de la Evolución son: o Selección Natural: Sólo los más aptos sobreviven en el ecosistema. una serie de condiciones como una combinación de ambas. El Cromosoma es el patrón de las características o propiedades que deberá tener la solución. Y luego se deberán asignar las posiciones dentro del cromosoma a cada una de las propiedades identificadas. La Función de Aptitud ( f ) permite comparar y descartar alternativas en base al análisis de los cromosomas. Definir la Función de Aptitud: Es el segundo paso en la configuración de un Algoritmo Genético. Esta función puede ser tanto una función matemática. Página 34 de 42 . Esta función depende del problema dado y del cromosoma La Función de Aptitud emplea la heurística para determinar qué tan bueno es estar en determinado estado. o Supervivencia del más fuerte (del más adaptado). La definición del Cromosoma quedaría como se muestra a continuación: … PROPIEDAD 1 PROPIEDAD n 2. Definir el Cromosoma: Primero se deberán identificar las propiedades o características del problema en cuestión.

Mutación: Alteración esporádica y al azar de un gen del cromosoma de un individuo. Selección: Comparación y selección de los mejores individuos. Por tal motivo la mutación permite acercarnos más a la solución. denominado Población Inicial (P0). A veces suele hacerse una depuración de individuos no válidos en Página 35 de 42 .Resumen de Inteligencia Artificial GENERAR POBLACIÓN INICIAL Pi+1 P0 SELECCIÓN PS CRUZAMIENTO PD MUTACIÓN Pi+1 NO PARO ? SI POBLACIÓN FINAL Operadores o Funciones Básicos Los operadores o funciones básicas que posee el Algoritmo Genético son: 1. 2. Este operador evita la pérdida de posibles soluciones. Selección: En esta segunda etapa se emplea la Función de Aptitud para comparar y seleccionar los mejores cromosomas. aunque generalmente se emplea una cantidad fija. Se realiza en todas las Iteraciones 2. sino que se busca obtener la Población Seleccionada (PS) a partir de P0. 3. La convergencia del Algoritmo Genético no depende de P0. No se generan nuevos individuos. generalmente se generan de manera aleatoria. Generar Población Inicial: Se genera un conjunto de cromosomas. Sin embargo sí deben configurarse dos parámetros: o Cantidad de Individuos: Puede ser tanto fija como variable. no todo el espacio de soluciones. no converge más rápido si ningún individuo de la población E t a p a s d e l Al g o r i t m o G e n é t i c o Las etapas que sigue el Algoritmo Genético para resolver un problema son: 1. En cuanto a la convergencia. o Generación de Cromosomas: Puede ser tanto aleatoria como mediante un método genético. Cruzamiento: Generación de nuevos individuos a partir de los individuos seleccionados. Permite seleccionar los candidatos a cruzar.

Ie : A1 A2 … Ai Ai+1 … An-1 An A1 A2 … Ai Bi+1 … Bn-1 Bn B1 B2 … Bi Ai+1 … An-1 An Id: B1 B2 … Bi Bi+1 … Bn-1 Bn b. c. A A … Ai Ai+1 … Aj Aj+1 … An-1 A1 A2 … Ai Bi+1 … Bj Aj+1 … An-1 Ie: 1 2 An An B B … Bi Bi+1 … Bj Bj+1 … Bn-1 B1 B2 … Bi Ai+1 … Aj Bj+1 … Bn-1 Id : 1 2 Bn An c. Cruzamiento: En esta etapa se busca cruzar los individuos seleccionados en la Etapa de Selección. Simple: Se truncan los cromosomas en una determinada posición para armar subcadenas que luego se van a combinar. Dichas técnicas son: a. con lo cual se puede perder algún cromosoma con alguna propiedad interesante y también se pierde diversidad. Luego se sigue con el procedimiento normal del método de la Ruleta calculando la probabilidad de cada individuo. Para generar los hijos sigue la siguiente regla: por cada posición genera un número al azar. Presenta el problema de que tiende a elegir los cromosomas con mejor Función de Aptitud. 3. Puede tener en cuenta las propiedades del cromosoma o no. Se deberá emplear la siguiente tabla para determinar las probabilidades de cada individuo: Individuo ∑ ∑ f ( x) kn mn 1 f ( x) k1 … f ( x ) Promedio d1 … p( x ) = I1 … Mant ( d1 ) Mant ( d n ) Promedio – … f ( x ) Promedio ∑ f ( x ) Promedio m1 … P( x ) s1 … 1 – – In ∑ Promedio: ∑ f ( x) ∑ f ( x) n kn ∑ f ( x) dn ∑m – mn i Aquellos individuos que superen con su parte entera al promedio serán seleccionados inmediatamente. Multipunto: Es similar a la Técnica de Cruzamiento Simple. Control Sobre Número Esperado: Es similar al Método de la Ruleta. Ruleta: Emplea el azar para solucionar el problema del Método de Torneo. salvo la tabla que permite calcular las probabilidades de cada individuo. luego establece un umbral y finalmente compara cada número obtenido al azar con el umbral para determinar a qué hijo pertenece. salvo que se establecen múltiples puntos de corte. Torneo: Hace competir a los individuos entre sí y los ganadores son elegidos para cruzarse. Las técnicas de cruzamiento pueden tener en cuenta las propiedades del cromosoma o no (genotipo). Los métodos de selección más comunes son: a. Binomial: Considera cada gen como posible punto de corte. b. El primer paso consiste en construir la siguiente tabla para determinar la probabilidad de cada individuo: Individuo f ( x) k1 … p( x ) = f ( x ) m1 … ∑ f ( x) P( x ) s1 … 1 – I1 … In Luego se deberá construir el “paño” de probabilidades en base a la columna P( x ) con las probabilidades acumuladas de cada individuo. No tiene en cuenta las propiedades del cromosoma. En general no se tiene en cuenta la Función de Aptitud. y comparándolos contra el “paño” se determinará PS. Finalmente se deberán elegir números al azar entre 0 y 1. armando el “paño” y generando los números al azar para terminar de seleccionar la población.Resumen de Inteligencia Artificial ésta etapa si no se realiza en una etapa anterior o un paso intermedio. Se generan nuevos individuos y se obtiene la Población Descendente (PD). Página 36 de 42 . Generalmente de dos padres se obtienen dos hijos.

Criterio de Paro: Como criterio de paro se pueden tomar la cantidad de ciclos. 6. No siempre se produce mutación. Para obtener la solución se deberá determinar el individuo que posea la mejor Función de Aptitud. que la Función de Aptitud supere un mínimo preestablecido ( f ( x ) > Min ). Página 37 de 42 . que el promedio de todas las Funciones de Aptitud de una generación sea mayor a un mínimo ( Prom( f ( x ) ) > Min ). Descendente: Al ir aumentando la cantidad de ciclos. b. Si el valor al azar supera el umbral.MUT) que va a definir qué gen del conjunto de todos los cromosomas de los individuos se va a alterar. ii. aumenta la probabilidad de mutación. Los métodos de mutación que se pueden emplear son: a. Simple: Primero se obtiene un valor al azar.05 o 0. Población Final: Es el conjunto de individuos que podrían ser solución. se muta y para ello se genera un nuevo número al azar (RPOS. Mutación: Es la etapa en la cual se altera algún gen del cromosoma para producir la mutación de los individuos. el tiempo transcurrido. Ascendente: Al aumentar la cantidad de ciclos. 0. Lo más común es tomar la cantidad de ciclos o f ( x ) > Min . Adaptativa por Temperatura: Puede ser: i.Resumen de Inteligencia Artificial Ie : A1 A2 … Ai Ai+1 … An-1 An ≥ Umbral < Umbral A1 B2 … Ai Bi+1 … An-1 Bn B1 A2 … Bi Ai+1 … Bn-1 An Id: B1 B2 … Bi Bi+1 … Bn-1 Bn 4.1. debido a que se trata de mantener controlada.01. c. la probabilidad de mutación baja. si no los supera. etc. disminuye la probabilidad de mutación. 5. que puede ser generalmente de 0. el cual es comparado contra un umbral denominado Probabilidad de Mutación. no se muta. Optativa por Convergencia: A medida que la media de la función de aptitud crece.

Cabe aclarar que las Dendritas y los Axiones no se tocan físicamente entre sí. recibe impulsos de entrada a través de las Dendritas.Resumen de Inteligencia Artificial Redes Neuronales Redes Neuronales Naturales Estructura de las Redes Neuronales Naturales A continuación se muestra la estructura de las Redes Neuronales Naturales. lo cual produce una excitación en el núcleo de la neurona que se traslada hacia el Axión para ser transmitido a otra neurona. Dendritas Núcleo Axión Funcionamiento de las Redes Neuronales Naturales Una célula neuronal. Yi wij f(NET) Yj Wnj n Entradas Unidad Salida Página 38 de 42 . El poder de éste modelo se encuentra en la red neuronal y no en algún conocimiento almacenado. o neurona. Redes Neuronales Artificiales Estructura de las Redes Neuronales Artificiales A continuación se muestra la estructura de las Redes Neuronales Artificiales. Sinapsis La Sinapsis es el contacto que existe entre las terminales axónicas de una neurona y las dendritas de la neurona siguiente. La Sinapsis puede ser: • Exitadora: Cuando los neurotransmisores disminuyen el potencial de la membrana de la célula posináptica y favorecen la generación de impulsos a mayor velocidad. • Inhibidora: Es cuando los neurotransmisores tienden a estabilizar el potencial de la membrana y dificulta la emisión de impulsos.

Los tipos de conexión que pueden darse en una Red Neuronal Artificial son: • Sólo hacia delante. • Redes Multicapa: Son aquellas Redes Neuronales en las que existen varias capas que se encargan de la funcionalidad del sistema. o Capas de Procesamiento (n capas): Se compone de Neuronas de Procesamiento. la cual dará como resultado el valor de salida de dicha neurona. o Capa de Salida (1 capa): Se compone de Neuronas de Salida. La Función de Activación f ( NET ) . Esta capa se encarga de dar salida a la información procesada. Cada Neurona de una Red Neuronal Artificial entonces queda definida por: • • • wij correspondientes. es decir que no se haya centralizada. La sumatoria de cada uno de esos pesos multiplicados por la entrada correspondiente es lo que se considera como Peso Neto: NET = ∑ ( wij • Yi ) n i =1 El Peso Neto será la entrada para la Función de Activación. se construye una red de unidades (o neuronas) que no posee conocimiento almacenado. Las entradas y sus pesos Cómo se conectan las neuronas. • Neuronas de Salida: Son las neuronas que se encargan de dar la respuesta al entorno. • Consigo misma. Las Redes Neuronales Artificiales poseen memoria implícita.Resumen de Inteligencia Artificial Funcionamiento de las Redes Neuronales Artificiales Xi i Yi Xj j Wij Peso de la conexión entre i y j Yj En la Redes Neuronales Artificiales se sigue el mismo modelo que en las Redes Neuronales Naturales. a cada entrada se conectan las salidas de otras neuronas. las cuales en un momento determinado tendrán un valor Yi . • Con neuronas del mismo nivel. Página 39 de 42 . el procesamiento y la salida. Tipos de Neuronas En las Redes Neuronales Artificiales podemos encontrar los siguientes tipos de Neuronas: • Neuronas de Entradas: Son aquellas neuronas que reciben los estímulos del exterior. Son capas ocultas. Las capas que se pueden encontrar son: o Capa de Entrada (1 capa): Posee Neuronas de Entrada y se encarga de Interpretar las entradas recibidas desde el exterior. Los pesos ponderan la conexión (sinapsis) entre la neurona i y la j. Pueden haber varias capas de éste tipo de neuronas. A su vez. los tipos de capas y los tipos de conexión que se presentan. Tipos de Redes Neuronales Artificiales Las Redes Neuronales Artificiales se clasifican en: • Redes Monocapa: Son aquellas Redes Neuronales en las que existe una única capa de neuronas que se encargan de las entradas. sino distribuida en el conjunto de las Neuronas y sus pesos e interconexiones. • Neuronas de Procesamiento: Son aquellas neuronas que se encargan de transformar la información. Cada entrada posee un peso asociado wij .

por lo cual no presentan problemas de estabilidad en su funcionamiento. Mecanismos de Aprendizaje El aprendizaje es incorporar conocimiento nuevo. Este a su vez puede ser: o On-Line: El Sistema se implementa en producción. Función de Activación o Transferencia La Función de Activación es la función que transforma el Estado de Activación en una señal de salida. o Off-Line: El Sistema toma muestras en tiempo de desarrollo (paro para poder entrenarlas). Dentro de ésta categoría podemos encontrar los siguientes mecanismos: Página 40 de 42 wij (pesos) que llevará cada . En este tipo de aprendizaje. Pueden adoptar valores 0 o 1. Para cada caso de prueba se deben conocer las respuestas esperadas a fin de determinar si la red funciona de manera correcta o no. • El tipo de aprendizaje a implementar. • Lineal Mixta: Combina una función lineal con una función escalón a partir de un determinado rango de valores que excede los límites preestablecidos de entrada. -1 o 1. y por ende es continua. los pesos de las conexiones permanecen fijos después de que termina la etapa de entrenamiento. • Sincrónica: Si bien la información también llega de forma continua a las Neuronas. • Monotónicas Asintóticas o Sismódicas: Son funciones continuas asintóticas. i =1 i =1 Entrenamiento de las Redes Neuronales Artificiales El entrenamiento es someter a la red a los casos de prueba. se introduce en la entrada neta NET como un peso negativo y se le asigna una entrada unitaria. La actualización de los Valores de Estado de una Neurona puede ser: • Asincrónica: Las Neuronas evalúan su estado continuamente según les llega la información y actualizan su Valor de Estado de forma independiente al resto de las Neuronas. aunque siempre de forma supervisada. Dentro de ésta categoría podemos encontrar los siguientes mecanismos:  Adaptive Heuristic Critic: Emplea la heurística para aprender.Resumen de Inteligencia Artificial Estado de Activación El Estado de Activación es un valor numérico que posee una neurona en un instante de tiempo dado. Mediante el aprendizaje se establecen y se ajustan los distintos valores una de las entradas de de las neuronas. los cambios en los Valores de Estado se realizan simultáneamente en toda la Red Neuronal. tal como se muestra a continuación: NET = ∑ ( wij • Yi ) − θ = ∑ ( wij • Yi ) + ( − θ ) • Y = w1 j + w2 j +  + wnj + ( − θ ) • Y n n En donde : ( − θ ) = w j e Y = 1 El tipo de Función de Activación a usar en una Red Neuronal Artificial depende de: • El dominio del problema en cuestión. generando así un umbral de activación o desvío. Los mecanismos de aprendizaje que podemos encontrar son los que se enumeran a continuación: • Mecanismos de Aprendizaje Supervisado: Constantemente un ente externo controla que la Red Neuronal aprenda de forma correcta. • Campana de Gauss: La función sigue la curva de la campana de Gauss. Los distintos tipos de Función de Activación que hay son: • Escalón: Se usa para salidas binarias. Es decir que transforma la entrada neta de la neurona en una señal de salida. La función de activación puede ser desfasada respecto del Eje Y. Para ello. Esto permite modificar el comportamiento de la Red Neuronal para adaptarse a una situación que antes no podía. • La salida a mostrar. es limitada pero fácil de implementar.

4. se transforma en vector aplicando la función signo. los pesos de las conexiones permanecen fijos después de que termina la etapa de entrenamiento. El algoritmo de aprendizaje es el siguiente: 1. El algoritmo de aprendizaje. Página 41 de 42 6. Dentro de ésta categoría podemos encontrar los siguientes mecanismos:  Hebbiano: Al algoritmo se le brindan todos los posibles elementos que se quieran reconocer. ∆S i = α • ei • ( S D − S R ) En donde α es el Coeficiente de Aprendizaje. Obtener la Matriz de Pesos Finales o Matriz de Aprendizaje A sumando todas las Pseudomatrices de Aprendizaje Pi . En este tipo de aprendizaje. 2. 3. y lo que se varía son los pesos de las entradas reales. Dado un elemento a reconocer. El umbral de desvío permanece constante. el algoritmo finaliza. A = ∑ Pi i =1 k Cabe aclarar que el modelo sólo puede aprender la mitad o la mitad menos uno de elementos (el valor k ) respecto del total de posibilidades que brinda la matriz. Transformar cada Matriz de Hoppfield en vectores. y su función reconocedora. es el siguiente: 1. Para ello emplea un concepto de simbiosis entre celdas o elementos que le permite identificar elementos que no presenten la misma forma que cuando fueron aprendidos por la red. aún si éste no es idéntico. o sea que S R = S D . Transformar cada uno de los elementos de entrada en matrices aplicándole la función signo. Multiplicar el vector a reconocer por la Matriz de Aprendizaje . o Off-Line: El Sistema toma muestras en tiempo de desarrollo. Calcular la Pseudomatriz de Aprendizaje Pi por cada vector según se muestra a continuación: Vi = v11  v1n Pi = Vi • Vi T − I Esto posibilita que cada elemento tenga simbiosis consigo mismo. wi = wi + ∆S i •  Back Propagation: Este algoritmo corrige el peso en base a lo que contribuyó Mecanismos de Aprendizaje No Supervisado: No existe un ente externo que controle el aprendizaje de la red. así ante una entrada se comparan los elementos conocidos para determinar qué elemento se ingresó. Operar con la red. Se actualizan los pesos de las entradas sumando algebraicamente la variación calculada en el paso anterior y se vuelve al paso 1. Se calcula la salida real S R y se compara con la salida deseada S D . 5. Ri = r11 r12  rnn A. por lo cual no presentan problemas de estabilidad en su funcionamiento. S R = ∑ ( wi • ei ) + w0 • e0 = ∑ ( wi • ei ) + w0 • 1 i =1 i =1 n n wi es el peso de la entrada ei y w0 es el peso del umbral de desvío. Este a su vez puede ser: o On-Line: El Sistema se implementa en producción. v11  v1n Mi =    v n1  v nn 2. Son las denominadas Matrices de Hoppfield. Si no coincide se calcula En donde la variación del peso de cada entrada como se muestra a continuación. Si coinciden. La Red Neuronal puede ser multicapa o no.Resumen de Inteligencia Artificial  Perceptrón: El aprendizaje se realiza por corrección de errores.  v n1  v nn = v11 v12  v nn 3.

pero no consigo misma) 2 N 1 Cant. Continuar iterando con los puntos 5. 6 y 7 hasta que el nuevo vector con el vector T de la iteración anterior. Te dice si está bien o mal la Rta pero no dice cual sería la deseada Supervisado Off Line Corrección de Error: El supervisor dice la salida deseada y se ajustan los pesos entre la salida deseada y la obtenida Estocástico: Cambia los pesos en forma aleatoria No supervisado On Line y Off line Hebbiano: ajuste de pesos segun la multiplicacion de las salidas de las neuronas conectadas Competitivo (se mide familiaridad) y Cooperativo (se clasifican los datos) Supervisado Por Refuerzo Corrección de Error Estocástico Hebbiano Competitivo Cooperativo No Supervisado Página 42 de 42 . Aplicarle la función signo al vector T = sg ( T ) T. T coincida 8. Capas Tipo Aprendizaje Supervisado Off-Line Corrección Error Supervisado Off-Line Corrección Error No Supervisado Off-Line Hebbiano Representación Info E/S Red Hibrida Entrada = continuo Salida = discreto Red Continua Entrada = analógica Salida = analógica Continuos HoppField Red Continua Discrete HoppField Red Discreta Cuadro Comparativo de Métodos de Aprendizaje On Line Por Refuerzo: El supervisor es un crítico. Cuadro Comparativo de las RNA RNA Perceptron Back Propagation HoppField Tipo Conexión FeedForward (hacia adelante) FeedForward (hacia adelante) Laterales (se encuentra conectada a todas.Resumen de Inteligencia Artificial T = Ri • A 7.