You are on page 1of 37

GRADO

GUADEESTUDIODELAASIGNATURA
2PARTE|PLANDETRABAJOYORIENTACIONESPARASUDESARROLLO

2013-2014

|ngelesManjarrsRiesco,SeverinoFernndezGaln,
JosLuisAznarteMelladoyOlgaSantosMartn

GRADOENINGENIERAINFORMTICA GRADOENINGENIERAENTECNOLOGASDELAINFORMACIN

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
1.- PLAN DE TRABAJO
La presente seccin describe en lneas generales el plan de trabajo propuesto para esta asignatura. La secuencia concreta de actividades previstas se presenta ms en detalle en secciones posteriores. La primera parte de la Gua de Estudio de esta asignatura contena una enumeracin de los temas generales que componen la materia. Dado que el estudio de dicha materia se basar en el texto "Inteligencia Artificial: Tcnicas, Mtodos y Aplicaciones", de Jos T. Palma Mndez y Roque Marn Morales, con el fin de facilitar el seguimiento de las orientaciones que se proporcionan en esta segunda parte de la Gua de Estudio, comenzamos por estructurar el temario general en bloques especficos, que se corresponden con captulos del mencionado texto. Bloque I: Aspectos Conceptuales de la Inteligencia Artificial y la Ingeniera del Conocimiento. Este bloque se corresponde con el tema 1, Perspectiva Histrica y Conceptual, y el tema 2, Aspectos Metodolgicos en Inteligencia Artificial, pertenecientes al temario general incluido en la primera parte de la Gua de Estudio, y coincide con el captulo 1 del texto base de la asignatura complementado con lecturas adicionales que se proporcionan a travs del curso virtual. Bloque II: Introduccin a las Tcnicas de Bsqueda Este bloque se corresponde con el tema 3, Fundamentos y Tcnicas Bsicas de Bsqueda, y coincide con el captulo 8 del texto base. Bloque III: Tcnicas Basadas en Bsquedas Heursticas Este bloque se corresponde con el tema 4, Bsqueda Heurstica, y coincide con el captulo 9 del texto base. Bloque IV: Lgica y Representacin del Conocimiento (con una introduccin a los Conjuntos Borrosos) Este bloque se corresponde con el tema 5, Lgica, y coincide con el captulo 2 junto con las secciones 7.1, 7.2, 7.3 y 7.4 del texto base. Bloque V: Sistemas Basados en Reglas Este bloque se corresponde con el tema 6, Reglas, y coincide con el captulo 3 del texto base. Bloque VI: Redes Semnticas y Marcos Este bloque se corresponde con el tema 7, Redes Semnticas, y el tema 8, Marcos, y coincide con el captulo 4 del texto base. Adems de los ejercicios propuestos y resueltos que aparecen al final de cada captulo del texto base, el equipo docente pondr a disposicin de los alumnos en el curso virtual de la asignatura nuevos ejercicios y actividades de aprendizaje de diversa ndole sobre cada bloque. Estas actividades sirven como complemento ideal al estudio terico de la asignatura, su realizacin es voluntaria y no aportan puntuacin a la nota final.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Por otra parte, el alumno llevar a cabo dos actividades obligatorias, que podrn realizarse a distancia. Estas actividades obligatorias se entregarn a travs del curso virtual y sern corregidas por un profesor tutor. En principio, la nota final ser la media de las puntuaciones obtenidas en cada una de las dos actividades y constituir un 20% de la nota final de la asignatura (siempre y cuando se obtenga una nota mnima de 4, sobre 10, en la prueba presencial). Seguidamente presentamos una planificacin semanal orientativa del trabajo que debera realizar el alumno para abordar de una forma adecuada el estudio de la asignatura. Aunque en dicha tabla se presentan siglas con los resultados de aprendizaje alcanzados tras cada tarea de la planificacin, ser en la seccin siguiente donde se definan en detalle dichos resultados de aprendizaje.

SEMANA 1-2 2-3 4-5 5-6 7-8 8-9 9-10 10-12 13-14

ACTIVIDAD Estudio y actividades prcticas del Bloque I Estudio y actividades prcticas del Bloque II Estudio y actividades prcticas del Bloque III Actividad obligatoria I Estudio y actividades prcticas del Bloque IV Estudio y actividades prcticas del Bloque V Estudio y actividades prcticas del Bloque VI Actividad obligatoria II Preparacin Prueba Presencial

HORAS DE TRABAJO 15 15 15 15 15 15 15 25 20

RESULTADOS DE APRENDZAJE RA1 y RA2 RA3 RA3 RA3 RA4 RA5 RA6 y RA7 RA3 a RA7 RA1 a RA7

2.- ORIENTACIONES PARA EL ESTUDIO DE LOS CONTENIDOS


Esta seccin de la gua contiene un conjunto de orientaciones de inters para el alumno, diseadas para ayudarle a estudiar los contenidos de la asignatura. Recordamos que el texto base de la asignatura es el siguiente: Inteligencia Artificial: Tcnicas, Mtodos y Aplicaciones Jos Toms Palma Mndez y Roque Marn Morales McGraw-Hill, 2008 Por otra parte, incluimos la siguiente bibliografa complementaria de inters: Problemas Resueltos de Inteligencia Artificial Aplicada: Bsqueda y Representacin Severino Fernndez Galn, Jess Gonzlez Boticario y Jos Mira Mira Addison-Wesley, 1998
UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA 3

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
Inteligencia Artificial: Un Enfoque Moderno Stuart Russell y Peter Norvig Prentice Hall, 2004, 2 Edicin BLOQUE I: Aspectos Conceptuales de la Inteligencia Artificial y la Ingeniera del Conocimiento En el captulo 1 del texto base se introduce el concepto de inteligencia artificial como ciencia e ingeniera, se relata brevemente su historia, destacando el papel que juega en el contexto de las ciencias cognitivas, las ciencias de la computacin y la ingeniera informtica, y se presenta el panorama general de los diferentes paradigmas, tcnicas, mtodos y reas de aplicacin. Estos contenidos introductorios permiten situar el resto de temas de la asignatura en su contexto histrico y comprender su relevancia en el mbito global de la inteligencia artificial. En coherencia con la visin histrica presentada, en esta gua se sugiere una secuenciacin de estudio de los captulos del texto base diferente a la que el libro ofrece. Por otra parte, se introducen tambin reas de estudio de la inteligencia artificial que sern abordadas en profundidad en asignaturas del cuarto curso, en particular: Ampliacin de Sistemas Inteligentes, Aprendizaje Automtico, Robtica Autnoma y Visin Artificial (del Grado en Ingeniera Informtica); e Ingeniera y Gestin del Conocimiento, Minera de Datos, Modelos Probabilistas y Anlisis de Decisiones (del Grado en Ingeniera en Tecnologas de la Informacin). Los objetivos de aprendizaje cubiertos por este captulo son pues objetivos de particular naturaleza, que no implican el desarrollo de competencias procedimentales tcnicas, ni el estudio memorstico de conocimientos. Su propsito es presentar una amplia visin del campo desde mltiples perspectivas, sentar principios fundamentales, y sealar cuestiones candentes y ampliamente debatidas entre los profesionales del campo. A continuacin destacamos las cuestiones ms relevantes abordadas en las diferentes secciones del captulo con el fin de ayudar al alumno a centrar su estudio. Concepto de inteligencia artificial (Secciones 1.1, 1.2, 1.5 y 1.6). 1. Objetivos como ciencia y como ingeniera del conocimiento: Papel y singularidades en el contexto de la ingeniera informtica y las ciencias de la computacin. Papel en el contexto de las ciencias cognitivas: conexiones con la neurofisiologa, la psicologa, la sociologa y la filosofa. El aprendizaje como adaptacin a un medio. Razonamiento, percepcin y accin. 2. Hiptesis fuerte y dbil. 3. Aproximaciones dominantes: simblica o representacional, conexionista, situada e hbrida. 4. Principales reas y campos de aplicacin. 5. Los xitos. 6. Las limitaciones: La imprecisin del concepto de inteligencia. Ausencia de una teora completa del conocimiento y de la neurofisiologa. Las cuestiones clave: carcter social y distribuido de la inteligencia, emociones, voluntad, autoconciencia, y significados.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Las objeciones a las analogas mente-programa, cerebro-hardware, pensar-computar. Diferencias constitutivas entre los seres vivos y las mquinas; la fisicalidad de la inteligencia. Limitaciones de carcter lgico-matemtico, disponibilidad de herramientas formales y modelos de computacin, y de arquitecturas de ordenadores.

Historia de la inteligencia artificial (Seccin 1.3) 1. Precedentes histricos en las ciencias cognitivas. 2. Hitos histricos desde que se acu el concepto. 3. Deficiencias del proceso evolutivo. 4. Panorama actual y futuro. Metodologa de la inteligencia artificial (Seccin 1.3) 1. Pasos metodolgicos en el desarrollo de una aplicacin inteligencia artificial. Paradigmas de la inteligencia artificial (Seccin 1.4) 1. Concepto de paradigma en inteligencia artificial. 2. Paradigma simblico o representacional: Caracterizacin del paradigma. Inspiracin biolgica. Metodologa de desarrollo de aplicaciones. Problemtica bsica. Aplicaciones. 3. Paradigma situado o reactivo: Caracterizacin del paradigma. Inspiracin biolgica. Metodologa de desarrollo de aplicaciones. Problemtica bsica. Aplicaciones. 4. Paradigma conexionista (mtodos numricos): Caracterizacin del paradigma. Inspiracin biolgica. Metodologa de desarrollo de aplicaciones. Problemtica bsica. Aplicaciones. 5. Paradigma hbrido Caracterizacin del paradigma Inspiracin biolgica Metodologa de desarrollo de aplicaciones Problemtica bsica Aplicaciones A continuacin proporcionamos unas breves aclaraciones para facilitar la comprensin del captulo, ya que consideramos que el alumno puede encontrar esta lectura particularmente compleja dado que trata cuestiones filosficas y epistemolgicas de gran calado. Estas aclaraciones tambin facilitarn la lectura de los textos complementarios que se facilitarn a travs de la plataforma virtual de aprendizaje una vez iniciado el curso.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
El autor del texto, el doctor Jos Mira Mira, fue catedrtico de Ciencias de la Computacin e Inteligencia Artificial y director del Departamento de Inteligencia Artificial de la ETS de Ingeniera Informtica de la UNED, desde 1989 hasta su fallecimiento en el ao 2008. Sus intereses de investigacin estaban relacionados con los aspectos metodolgicos de la Ingeniera del Conocimiento y con las relaciones entre la Neurociencia y la Computacin. Desde una perspectiva aplicada, su inters se centraba en el desarrollo de Sistemas Basados en el Conocimiento en los dominios de la Medicina y la Industria. Destacan, en esta sntesis de su visin del campo, la perspectiva multidisciplinar, amplia e integradora, el cuestionamiento profundo, el nfasis en lo biolgico, su concepcin de la inteligencia como fenmeno emergente de mecanismos genticos, moleculares, neuronales, metablicos, evolutivos, personales, histricos, sociales y culturales. Nos detendremos a continuacin en algunas cuestiones concretas que consideramos pueden plantear al alumno mayores dificultades: El concepto de computabilidad. A lo largo del captulo se insiste en que los problemas adecuados para ser abordados desde la inteligencia artificial son aquellos para los cuales disponemos tan slo, en principio, de descripciones poco claras, incompletas, imprecisas y con alto grado de dudas y errores potenciales debido a su complejidad. Los objetivos de la inteligencia artificial consistiran, bsicamente, en dar formalidad a estas descripciones, traducindolas a descripciones claras, completas, precisas e inequvocas. En referencia a una cita del filsofo y matemtico Leibniz (a quien se debe el clculo diferencial, cuya notacin se utiliza an hoy en da), el autor identifica el concepto anterior con el concepto de computabilidad: todo lo que sepamos describir de forma clara, completa, precisa e inequvoca es computable. De ah que utilice expresiones que pueden resultar difciles de interpretar tales como hacer computable la semntica, con lo que se refiere a la posibilidad de traducir la riqueza de significados del mundo real a un lenguaje interpretable por un ordenador. No debe confundirse pues esta acepcin de la computabilidad con la nocin rigurosa establecida en las ciencias de la computacin, segn la cual un algoritmo es computable cuando puede ser calculado por una mquina de Turing. En cuanto a esta acepcin, un algoritmo especificado de forma clara, completa, etc. puede no ser computable. Incluso un algoritmo terminante puede considerarse no computable en la prctica, por cuestiones de complejidad espacial y temporal. El aprendizaje como proceso de metanivel. En la metfora mente-programa, los procesos mentales se equiparan a programas informticos. Un metaprograma es un programa que en lugar de manipular datos manipula otros programas. En este sentido, el aprendizaje es un proceso mental equiparable a un metaprograma, ya que su efecto es modificar los propios procesos mentales. Es en este sentido que el autor lo describe como proceso de metanivel. Niveles de descripcin. El autor hace tambin nfasis repetidas veces en la importancia de no confundir niveles de descripcin o formalizacin. En particular, insiste en la importancia de distinguir entre los propios procesos fisiolgicos, la descripcin que de ellos se hace en lenguaje natural, la traduccin que de estas descripciones se hace en trminos de lenguajes matemticos formales y en trminos de lenguajes informticos interpretables por un ordenador, y finalmente la materializacin de estos procesos en la mquina. Al alumno puede resultar difcil apreciar la relevancia de esta observacin y sus implicaciones desde un punto de vista prctico. En primer lugar, los procesos fisiolgicos han sido programados por la evolucin natural y despus por la gentica, la historia personal de adaptacin al medio, etc. La descripcin que de ellos hacemos parece presuponer una intencionalidad de la que los procesos en s carecen: no son autoconscientes, sino que obedecen a sus leyes internas, siguen su propia causalidad, en palabras del autor. Por otro lado, a medida

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos que formalizamos las descripciones evidentemente hay una prdida de riqueza descriptiva. Finalmente, cuando un proceso se traduce a un ordenador, hay adicionalmente una prdida de significados, de conexin con referentes reales. De nuevo en el dominio de la mquina los procesos obedecen a sus propias leyes de causalidad, que son las de la electrnica y no las de la biologa. Estas reflexiones son interesantes y muy relevantes a nivel filosfico, y advierten ante el excesivo optimismo de la inteligencia artificial en su objetivo de reproducir la vida. Es lgico que el alumno encuentre dificultades para entenderlas en toda su profundidad, y no debe pretenderlo, ya que implican cuestiones de definicin imprecisa, inaprensible, grandes preguntas eternamente debatidas en la historia del pensamiento humano. Como complemento a este captulo se proporcionarn textos adicionales de lectura obligatoria sobre aspectos generales de la IA a travs del curso virtual. Se aconseja encarecidamente la realizacin de las actividades de aprendizaje propuestas para este tema, con el fin de ahondar en las cuestiones analizadas y de contrastar la visin y perspectiva del autor de este captulo con las de otros autores, reflejadas en las mencionadas lecturas. El resultado de aprendizaje que el alumno adquiere tras el estudio de este bloque de contenidos se resume en adquirir una perspectiva global de qu es la inteligencia artificial, y conocer la historia de la inteligencia artificial. (RA1 y RA2, respectivamente). BLOQUE II: Introduccin a las Tcnicas de Bsqueda La gran mayora de sistemas inteligentes actuales aplican mtodos de bsqueda para resolver algunas de las tareas que llevan a cabo. De ah la necesidad de abordar en esta asignatura el estudio de diferentes mtodos de bsqueda que son relevantes para la inteligencia artificial. A lo largo del captulo 8 del texto base se supone que no se utiliza informacin del dominio para guiar la bsqueda de forma eficiente. La bsqueda que s utiliza dicha informacin se denomina bsqueda heurstica y ser objeto de estudio en el captulo 9 del texto base. Las tres primeras secciones del captulo 8 del texto base introducen e ilustran el concepto de bsqueda en inteligencia artificial. Despus de haber ledo estas tres secciones, se deben tener claros conceptos como: estado inicial, estado objetivo, operador, coste de un operador, espacio de bsqueda, estrategia de control, completitud o admisibilidad. El resto del captulo diferencia entre espacios de bsqueda con forma de rbol y espacios de bsqueda con forma de grafo. En el caso de que un estado pueda ser visitado ms de una vez a lo largo del proceso de bsqueda, es ms eficiente suponer que el espacio de bsqueda es un grafo. Dos estructuras de datos resultan de especial inters independientemente de si el espacio de bsqueda es tratado como un rbol o como un grafo: por un lado, la lista ABIERTA contiene los nodos generados y no expandidos y, por otro lado, TABLA_A permite obtener el mejor camino parcial encontrado desde cada estado al estado inicial. Conviene tener claro qu efectos produce la expansin de un estado tanto sobre ABIERTA como sobre TABLA_A. En este captulo se estudian los siguientes tipos de recorrido en rboles: 1. 2. 3. 4. 5. Primero en anchura Primero en profundidad Coste uniforme Bsqueda en profundidad iterativa Bsqueda en anchura iterativa

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
6. Bsqueda bidireccional (Aunque el texto base incluye este tipo de bsqueda en la seccin correspondiente a recorrido en grafos, la mayora de textos sobre inteligencia artificial la explican en el contexto de recorrido en rboles.) Para cada mtodo hay que tener claro su funcionamiento, las ventajas e inconvenientes derivadas de su complejidad temporal y de su complejidad espacial, as como sus caractersticas en cuanto a completitud y admisibilidad. La bsqueda primero en anchura usa ABIERTA como una cola, posee complejidad espacial y complejidad temporal exponenciales con la profundidad de la solucin y, adems, es completa y admisible (esto ltimo siempre que todos los operadores del mismo nivel de profundidad tengan igual coste). La bsqueda primero en profundidad usa ABIERTA como una pila, tiene complejidad espacial lineal con la profundidad lmite y no es ni siquiera un mtodo completo. La bsqueda de coste uniforme ordena los estados de ABIERTA teniendo en cuenta para cada estado el coste del camino que lo une con el estado inicial, posee complejidad anloga a la bsqueda primero en anchura y siempre es admisible. La bsqueda en profundidad iterativa consiste en realizar sucesivas bsquedas primero en profundidad, incrementando la profundidad lmite en una unidad para cada nueva bsqueda primero en profundidad. De esta manera se combinan las ventajas de una menor complejidad espacial (como en la bsqueda primero en profundidad) y de la admisibilidad (como en la bsqueda primero en anchura). La bsqueda en anchura iterativa es un mtodo de naturaleza iterativa al igual que la bsqueda en profundidad iterativa, aunque la cantidad que se incrementa en cada iteracin es el nmero de sucesores de cada nodo que son generados y el tipo de bsqueda que se desarrolla en cada iteracin es similar a la bsqueda primero en anchura. Este mtodo no es admisible. La bsqueda bidireccional simultanea la bsqueda usual del estado objetivo desde el estado inicial con otra bsqueda en direccin contraria, que parte del estado objetivo en busca del estado inicial. Esto reduce el exponente de la complejidad exponencial de otros mtodos desde d a d/2, siendo d la profundidad de la solucin, lo cual significa un ahorro considerable. La condicin de terminacin de este mtodo se da cuando algn nodo coincide en las dos listas ABIERTA de las bsquedas directa e inversa. Para que este mtodo se pueda llevar a cabo los estados objetivo deben ser conocidos a priori, los operadores deben ser reversibles y al menos una de las dos bsquedas se debe realizar en anchura. Por ltimo, la bsqueda en grafos puede provocar que se descubra ms de un camino desde el estado inicial hasta cualquier otro nodo. Esto implica que en TABLA_A deba anotarse para cada nodo n cul de sus padres conocidos marca el mejor camino encontrado hasta el momento desde n al nodo inicial. Estos enlaces desde cada nodo a uno de sus padres forman un rbol en el espacio de bsqueda, que cambia a medida que avanza el proceso de bsqueda. Pueden surgir tres casos a la hora de expandir el siguiente nodo de ABIERTA, que siempre deber ser sacado de ABIERTA despus de su expansin y al que llamaremos nodo padre expandido: 1. Que el nodo hijo generado correspondiente no haya sido generado o incluso expandido previamente. En este caso, el nodo hijo generado es introducido en ABIERTA y el enlace a su nodo padre recin expandido es incluido en TABLA_A.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos 2. Que el nodo hijo generado ya haya sido generado pero no expandido previamente, es decir, el nodo hijo generado ya estaba en ABIERTA. En este caso hay que evaluar si hemos encontrado un camino mejor desde el nodo inicial al nodo hijo recin generado; en caso afirmativo, hay que enlazar en TABLA_A el nodo hijo recin generado con su nodo padre recin expandido. Este ltimo proceso no es ms que una reorientacin de enlace. 3. Que el nodo hijo generado ya haya sido expandido previamente, es decir, el nodo hijo no est en ABIERTA pero sus propios hijos ya han sido generados previamente. En este caso, adems de los pasos llevados a cabo en el apartado anterior, hay que estudiar en un proceso recursivo descendente si se deben realizar posibles reorientaciones en los nodos descendientes del nodo hijo recin generado. La bsqueda exhaustiva sin informacin del dominio explicada en este captulo tiene el inconveniente de la ineficiencia. A medida que el tamao del problema crece, la complejidad de estos mtodos resulta ser exponencial con el tamao del problema, lo cual dificulta encontrar un estado objetivo en un tiempo y con un espacio de memoria prudenciales. Por ello, resulta conveniente en la mayora de casos reales emplear conocimiento del dominio que gue la bsqueda por los estados ms prometedores. Este otro tipo de bsqueda se denomina bsqueda heurstica y es objeto de estudio en el captulo 9 del texto base. Los ejercicios propuestos y resueltos que el alumno puede encontrar tanto en el captulo correspondiente del texto base como en el curso virtual de la asignatura resultan un complemento ideal para afianzar los conocimientos tericos estudiados en este captulo del texto base. El resultado de aprendizaje que el alumno adquiere tras el estudio de este bloque de contenidos consiste en aplicar bsqueda en un espacio de estados a la resolucin de problemas (RA3). BLOQUE III: Tcnicas Basadas en Bsquedas Heursticas La bsqueda heurstica utiliza conocimiento del dominio para guiar la exploracin de un espacio de estados. Los heursticos son criterios que permiten establecer qu camino es supuestamente el mejor para alcanzar de forma ms eficiente un estado objetivo; ms concretamente, permiten determinar qu nodo candidato a ser expandido es el ms prometedor. Es importante tener en cuenta que el conocimiento heurstico no suele producir valoraciones siempre correctas, sino que intenta proporcionar informacin lo ms cercana posible a la realidad. Dicha cercana determina la calidad del heurstico. A lo largo del captulo 9 del texto base se explican algunos heursticos simples para problemas como el 8-puzzle, las N-reinas, el viajante de comercio o el secuenciamiento de tareas, algunos de ellos obtenidos a partir de la relajacin del problema original. El primer mtodo de bsqueda heurstica descrito en este captulo es la bsqueda primero el mejor. La definicin de este mtodo dada por los autores es muy genrica: es una especializacin del algoritmo general de bsqueda en grafos, explicado en el captulo anterior del texto base, en la que se usa una funcin heurstica numrica para ordenar los elementos de ABIERTA. El algoritmo A*, que es una especializacin de la bsqueda primero el mejor, es el mtodo sobre el que gira gran parte de los contenidos de este captulo. Para su entendimiento conviene tener claras las definiciones de f(n), f*(n), g(n), g*(n), h(n) y h*(n), donde n es un nodo cualquiera del espacio de bsqueda. Obsrvese que f(n) consta de un sumando esttico, h(n), y de otro sumando g(n) que puede cambiar a medida que avanza el proceso de bsqueda. La seccin de este captulo que describe las propiedades formales del

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
algoritmo A* en cuanto a terminacin, completitud, admisibilidad y eficiencia contiene varias definiciones, lemas y teoremas que son importantes para entender el funcionamiento del algoritmo; no obstante, las demostraciones de estos lemas y teoremas, aunque es recomendable entenderlas, no es necesario memorizarlas. Dos mtodos que sacrifican la admisibilidad de A* a cambio de una ganancia en eficiencia son la ponderacin dinmica y el algoritmo A*. El primer mtodo se basa en asociar unos pesos dinmicos a las funciones g y h, que permitan adaptar el tipo de exploracin realizada en funcin de lo avanzado que se encuentre el proceso de bsqueda. Por otra parte, el segundo mtodo utiliza un funcin heurstica adicional para seleccionar uno de entre los nodos de una sublista de ABIERTA que contiene los nodos cuyo valor de f no difiere en ms de un factor 1+ del valor mnimo de f en ABIERTA. Para finalizar con el estudio del mtodo A*, este captulo describe algunas de sus variantes que emplean memoria limitada: el algoritmo IDA* y el algoritmo SMA*. El algoritmo IDA* es una extensin del mtodo de bsqueda en profundidad iterativa y, por tanto, la memoria necesaria en este algoritmo es proporcional a la profundidad de la solucin y al factor de ramificacin. La novedad consiste en que en cada iteracin de la bsqueda en profundidad iterativa se establece un valor lmite de f por encima del cual no se realiza exploracin. En la primera iteracin se fija f(nodo inicial) como lmite de la exploracin y en iteraciones sucesivas el nuevo lmite de f se fija como el valor mnimo de f de los nodos descartados en la iteracin previa. Por otra parte, el algoritmo SMA* acota la longitud de TABLA_A, de manera que cuando hay que expandir un nodo y no queda espacio libre en TABLA_A se descarta el nodo menos prometedor de ABIERTA. En cada nodo se anota el mejor f de los hijos descartados de ese nodo. Finalizado el estudio del algoritmo A* y de algunas de sus variantes ms importantes, este captulo aborda diferentes mtodos de bsqueda heurstica ampliamente utilizados: 1. Algoritmos voraces 2. Algoritmos de ramificacin y poda 3. Algoritmos de bsqueda local Los algoritmos voraces toman decisiones irrevocables en la exploracin, ya que no consideran alternativas al camino actual. A pesar de que no son algoritmos admisibles, son muy eficientes. La eleccin irrevocable de uno de los sucesores del nodo actual se hace en funcin de un heurstico, de manera que el sucesor ms prometedor suele ser el elegido, aunque otras opciones de naturaleza probabilista son posibles. La explicacin sobre algoritmos voraces dada en el captulo 9 del texto base es bastante genrica y parece englobar tanto a los algoritmos de bsqueda local que eligen en cada paso el vecino ms prometedor como a los algoritmos que manejan en cada paso una solucin parcial del problema a resolver y van ampliando la solucin parcial a partir del paso ms prometedor. Un ejemplo del segundo caso se da en el problema del viajante cuando se parte de una ciudad y se elige la siguiente ciudad a visitar como la ms cercana a la ciudad actual. Los algoritmos de ramificacin y poda interpretan cada estado como un subconjunto de soluciones del problema original. El proceso de ramificacin consiste en descomponer un determinado conjunto de soluciones en la unin disjunta de varios subconjuntos suyos, con lo que el espacio de bsqueda adquiere forma de rbol. Cada nodo del rbol tiene asociado un valor heurstico que representa una cota inferior del coste de la mejor solucin (considerada como la de menor coste) contenida en el nodo. Generalmente, cada vez que la cota inferior de un nodo rebasa el menor de los costes de los nodos hoja encontrados hasta el momento en el resto del rbol, dicho nodo es podado. (Un nodo hoja es aquel que no puede ser expandido

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

10

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos por contener una nica solucin del problema original.) Por motivos de eficiencia, la estrategia de control para la exploracin del rbol de bsqueda suele ser en profundidad, aunque otros mtodos (heursticos o no) son posibles. Los algoritmos de bsqueda local se plantean en aquellos casos en que el camino solucin desde el nodo inicial hasta un nodo meta es irrelevante y el nodo meta por s solo contiene toda la informacin de inters. En estos casos se puede partir de una solucin candidata inicial al problema y realizar pequeos cambios sucesivos en la misma para intentar llegar a la solucin ptima. De esta manera, cada nodo tiene asociado un conjunto de nodos vecinos y la bsqueda local se encarga de explorar en cada paso uno de los nodos vecinos del nodo actual. En este captulo se estudian tres tipos de bsqueda local: 1. Bsqueda del gradiente: Acepta una solucin vecina (generalmente la mejor de todas las soluciones vecinas) slo si es mejor o igual que la actual. Tiene el inconveniente de estancarse en ptimos locales, para lo cual la nica alternativa es reiniciar la bsqueda. 2. Temple simulado: Realiza una eleccin aleatoria entre los vecinos del nodo actual y acepta el vecino elegido si es mejor que el nodo actual; en caso contrario y de cara a evitar ptimos locales, existe todava cierta probabilidad de que el vecino sea aceptado. Esta probabilidad de aceptacin es funcin de la diferencia en calidad de las dos soluciones y de un parmetro denominado temperatura. Dado que al principio la temperatura adquiere un valor alto y posteriormente es reducida en cada paso, inicialmente hay mayor probabilidad de que un vecino peor sea aceptado y al final del proceso de bsqueda dicha probabilidad es prcticamente nula. Es decir, al principio se da ms nfasis a la exploracin del espacio de bsqueda y, una vez que la convergencia est cercana, se favorece la bsqueda de las soluciones de calidad. Normalmente, la mayor dificultad de este mtodo es la definicin de un plan de enfriamiento adecuado, el cual depende fuertemente del tipo de problema que se est resolviendo (si contiene muchos ptimos locales o no). 3. Bsqueda tab: A travs de un mecanismo de memoria sobre el historial reciente de la bsqueda, este mtodo descarta ciertos vecinos del nodo actual cuya exploracin no resulta conveniente en principio. Los movimientos descartados se consideran tab, aunque pueden ser excepcionalmente elegidos si conducen a una solucin mejor que la mejor solucin encontrada hasta el momento. Los ejercicios propuestos y resueltos que el alumno puede encontrar tanto en el captulo correspondiente del texto base como en el curso virtual de la asignatura resultan un complemento ideal para afianzar los conocimientos tericos estudiados en este captulo del texto base. El resultado de aprendizaje que el alumno adquiere tras el estudio de este bloque de contenidos consiste en aplicar bsqueda en un espacio de estados a la resolucin de problemas (RA3). BLOQUE IV: Lgica y Representacin del Conocimiento (con una introduccin a los Conjuntos Borrosos) Para la comprensin del captulo 2 del texto base se asume que el alumno habr cursado previamente las asignaturas del primer curso Lgica y estructuras discretas y Autmatas, gramticas y lenguajes, tanto del grado en Ingeniera Informtica como del grado en Ingeniera en Tecnologas de la Informacin. No obstante, incluye un repaso de los conceptos y contenidos bsicos necesarios de estas materias, de modo que no

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

11

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
resulta necesario que el alumno revise materiales didcticos complementarios para su seguimiento adecuado. La lgica fue originariamente una rama de la filosofa que estudiaba los principios del razonamiento correcto desde un punto de vista formal, es decir, analizando la estructura de los argumentos abstrayndose de sus contenidos especficos y del lenguaje concreto en que se expresan. Al adquirir estos estudios rigor y formalizacin simblica se convierten en una rama de las ciencias matemticas. En la lgica matemtica surge el concepto de lgica como clculo definido sobre unos smbolos mediante un conjunto de reglas que establecen las inferencias vlidas (razonamientos correctos). Una lgica es pues en matemticas un lenguaje, donde las reglas de inferencia son equivalentes a reglas sintcticas que determinan la validez de las proposiciones del lenguaje, y una semntica que asigna significados a los smbolos del lenguaje (establece correspondencias entre los smbolos y las entidades que estos representan en un mundo fsico o abstracto). La lgica matemtica encuentra su aplicacin inmediata en ciencias de la computacin y, naturalmente, en inteligencia artificial, ya que define un clculo automatizable para la simulacin de los procesos de razonamiento. El propsito de este captulo es mostrar el panorama general de aplicaciones de la lgica en inteligencia artificial y presentar las nociones bsicas del razonamiento automtico llamando la atencin sobre los lmites planteados por la complejidad computacional de los procedimientos algortmicos implicados. A pesar de que proporciona una presentacin bastante amplia tanto de la lgica matemtica clsica como de las extensiones de esta propuestas en el contexto de la inteligencia artificial, no es su intencin proporcionar un manual completo, ni es exhaustivo en las demostraciones de los teoremas. Tampoco entra en el detalle del anlisis de los problemas de computabilidad y decidibilidad. No obstante, el carcter del captulo es formal y riguroso, y est orientado a la prctica. Se recomienda a los alumnos que sigan al detalle los clculos y los razonamientos de las demostraciones cualitativas que se proporcionan, y se ejerciten en la manipulacin del lenguaje lgico rehacindolos manualmente. Esta prctica es imprescindible para la comprensin en profundidad de este captulo y del captulo Sistemas Basados en Reglas, as como para su potencial aplicacin futura en asignaturas del cuarto curso, en concreto, Ampliacin de Sistemas Inteligentes (del Grado en Ingeniera Informtica) e Ingeniera y Gestin del Conocimiento (del Grado en Ingeniera en Tecnologas de la Informacin). De los captulos del texto base de la asignatura, ste se encuentra entre los ms didcticos y acertadamente ilustrado con ejemplos sencillos escogidos en campos de aplicacin de la inteligencia artificial, particularmente la robtica. No obstante, a continuacin redactamos una breve gua para su lectura. En la seccin 2.1 el autor comienza por definir conceptos clave tanto en el contexto del captulo como para captulos posteriores, particularmente aquellos que abordan el problema de la representacin del conocimiento: Sistemas basados en reglas y Redes semnticas y marcos. Introduce el problema de representacin del conocimiento y las caractersticas fundamentales de una representacin adecuada del conocimiento: el carcter esencial (no contiene informacin intil) y formal (en un mismo contexto, smbolos iguales tienen igual significado o semntica). Introduce tambin el propio concepto de razonamiento (obtencin de conclusiones correctas a partir de ciertas premisas consideradas correctas) y el concepto de mtodo deductivo correcto y completo, y llama la atencin sobre las caractersticas deseables de un mtodo deductivo con miras a su automatizacin: la expresividad del lenguaje utilizado para expresarlo, sus propiedades computacionales y el grado de sntesis de las expresiones. Concluye finalmente las potencialidades de la lgica en este contexto, ya que proporciona un

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

12

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos lenguaje para la representacin del conocimiento, un clculo para el razonamiento correcto, y una semntica para asignar significados en un cierto dominio de aplicacin. Esta introduccin sienta las bases del resto del captulo, donde primeramente se revisan la lgica proposicional clsica y de primer orden presentando su sintaxis, semntica y principales mtodos deductivos, y destacando los lmites de expresividad y problemas de complejidad asociados (secciones 2.2 y 2.3); para luego presentar las extensiones posibles de la lgica ms utilizadas en el contexto de la inteligencia artificial (secciones 2.4 y 2.5). Entendemos que las secciones 2.2 y 2.3 no plantearn al alumno ninguna dificultad, ya que suponen el repaso de conceptos ya aprendidos en la materia Lgica y estructuras discretas. En la seccin 2.2 se repasan los conceptos de lgica proposicional (proposicin, modelo, tabla de verdad, equivalencia de frmulas, tautologa y contradiccin). Se distingue entre mtodos deductivos sintcticos y semnticos. Esta distincin tiene gran importancia desde un punto de vista prctico porque los ltimos son los habitualmente empleados en las aplicaciones por ser ms fcilmente implementables y utilizarse de forma extendida en el estudio de las nuevas lgicas. Entre estos mtodos destacan el mtodo del rbol semntico y el mtodo de resolucin. El mtodo del rbol semntico es un mtodo no determinista polinomial de complejidad NP-completo. Por su parte, el mtodo de resolucin es el ms utilizado en la prctica. Su complejidad se reduce cuando se limita la expresividad trabajando con un tipo particular de clusulas, las clusulas de Horn. Uno de los lenguajes emblemticos de la inteligencia artificial, el lenguaje Prolog, se basa en este tipo de clusulas. Dada su trascendencia, basamos en l la segunda de la actividades obligatorias de esta asignatura. La seccin 2.3 se centra en la lgica de primer orden o lgica de predicados. Primeramente se presentan su sintaxis y su semntica, introducindose sus conceptos bsicos (variable, cuantificador, predicado) y haciendo nfasis en la mayor expresividad obtenida en relacin a la lgica proposicional, ilustrndose, p.e., la representacin del tiempo. A continuacin se reflexiona sobre las complicaciones en trminos de complejidad computacional y diseo de mtodos deductivos que esta mayor expresividad acarrea. Finalmente se muestra cmo extender los mtodos deductivos de la lgica proposicional a esta lgica. En el caso del mtodo del rbol semntico, esta extensin comporta problemas de no terminacin, cuyo origen est en el carcter no finito de los dominios (se trata de problemas semidecidibles o recursivamente enumerables). Tambin el mtodo de resolucin comporta problemas nuevos respecto al caso proposicional, cuyo anlisis conduce a la definicin de los conceptos de dominio de Herbrand y forma normal de Skolem. En la seccin 2.3 se introducen tambin brevemente las lgicas de orden superior, mostrndose cmo la complejidad crece a la par que la potencia expresiva, dando lugar a lgicas no slo semidecidibles sino no recursivamente enumerables. La seccin se cierra definiendo el concepto de Fragmento de lgica proposicional, que supone restricciones mediante guardias, limitacin de aridad de los predicados, o limitacin de variables con el fin de combatir la indecibilidad. Estas restricciones juegan un papel esencial en las extensiones a la lgica clsica estudiadas en las siguientes secciones del captulo, en concreto, en las lgicas modales, temporales y mondica, respectivamente. La seccin 2.4 se dedica a las extensiones de la lgica clsica que, manteniendo un importante poder expresivo, no planteen problemas de decidibilidad. La seccin comienza concretando las situaciones que sera deseable poder modelar (situaciones hipotticas, situaciones espaciales y situaciones temporales) y los aspectos en que la lgica clsica difiere del razonamiento humano e incluso resulta menos eficaz en sus procedimientos de clculo (habilidad para la resolucin de problemas de carcter prctico frente a abstracto, uso de cantidades indefinidas sobre un dominio continuo, tolerancia a errores, ruido e incertidumbre,

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

13

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
incorporacin de razonamiento contextual e intencional, capacidad de anular conclusiones previas). Las extensiones a la lgica clsica presentadas a continuacin incorporan algunas de estas propiedades del razonamiento humano. A continuacin, la seccin se centra en la lgica modal, lgica que intenta acercarse ms al razonamiento humano completando la lgica clsica al introducir el concepto modalidad. Esto significa que es posible indicar el modo en que es cierta o falsa una proposicin (cundo, dnde, bajo qu condiciones) y con ello expresar los conceptos de necesidad y posibilidad. Lo anterior se modela considerando un conjunto de mundos posibles relacionados por una relacin de accesibilidad y cuantificadores existenciales que se aplican a las proposiciones permitiendo desplazarse entre mundos. Cada proposicin tiene asignado un valor de verdad en cada mundo. Una frmula es modalmente satisfacible si lo es en al menos un mundo. Existe una multiplicidad de sistemas modales, que se diferencian en el tipo de relacin de accesibilidad y variantes de los operadores modales. Entre ellos se explican la lgica K y su sistema deductivo asociado, que es decidible y se basa en el mtodo del rbol semntico. Finalmente, en la seccin 2.5 se presenta una interesante variante de la lgica K: las lgicas temporales. La interpretacin de una lgica modal que permite utilizarla para modelar el tiempo es la siguiente: los mundos posibles se sustituyen por instantes de tiempo y la accesibilidad entre mundos por la sucesin temporal. Los operadores modales se convierten en operadores temporales. Se distingue entre lgicas temporales basadas en puntos (el tiempo se considera compuesto por un conjunto de puntos ordenados) y lgicas temporales basadas en intervalos (pares de puntos). El primer caso permite expresar eventos puntuales, situaciones pasadas y futuras con respecto al instante presente. Destacan en esta variedad la lgica LTL (Linear Time Logic), para la cual se utiliza el mtodo deductivo decidible basado en rboles semnticos; y la lgica CTL, de gran expresividad y alta complejidad computacional, ampliamente aplicada en el campo de control de modelo o Model Checking (metodologa de verificacin automtica de proyectos software). Las lgicas temporales basadas en intervalos se utilizan cuando no es preciso modelar eventos puntuales sino propiedades con una cierta duracin. Destaca entre ellas la Lgica Proposicional de las Relaciones de Allen o HS. En este caso la deduccin automtica es mucho ms compleja y plantea problemas de indecibilidad. No obstante la capacidad expresiva de estas lgicas es muy alta, y resultan de gran inters en algunas reas, particularmente en aplicaciones de tiempo real. Para terminar, hemos considerado til introducir tambin al alumno en otra interesante extensin de la lgica clsica: la lgica borrosa, constituida hoy en da en una importante rea de desarrollo de la inteligencia artificial con mltiples aplicaciones industriales. En las secciones 7.1 a 7.4 del captulo 7 se presentan los motivos que conducen al desarrollo de esta lgica: la necesidad de gestionar la imprecisin e incertidumbre del mundo real y la observacin del modo en que los seres vivos afrontan estos problemas. Se definen tambin los conceptos bsicos de teora de conjuntos borrosos en referencia a la teora convencional de conjuntos. Los ejercicios propuestos y resueltos que el alumno puede encontrar tanto en este captulo como en el curso virtual de la asignatura resultan un complemento ideal para afianzar los conocimientos tericos estudiados y entender su aplicacin. El principal resultado de aprendizaje que el alumno adquiere tras el estudio de este bloque de contenidos consiste en utilizar las ampliaciones de la lgica clsica que resultan necesarias en inteligencia artificial (RA4).

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

14

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos BLOQUE V: Sistemas Basados en Reglas Los Sistemas Basados en Reglas constituyen una de las principales reas de la inteligencia artificial simblica. Su surgimiento y la enorme difusin de sus aplicaciones en los aos setenta, bajo el nombre de Sistemas Expertos y posteriormente Sistemas Basados en Conocimiento, suponen uno de los hitos ms importantes de la inteligencia artificial. Entre las aplicaciones emblemticas destacan en la dcada de su aparicin Dendral y MYCIN, desarrollados en la universidad de Stanford en los campos de la biologa molecular y el diagnstico mdico, respectivamente. En la actualidad, la produccin de Sistemas Basados en Reglas se ha constituido en un rea relevante en el seno de la ingeniera informtica, la Ingeniera del Conocimiento, que integra diferentes tecnologas en boga en el contexto actual, tales como la tecnologa de agentes y orientacin a objetos, y cuenta con metodologas de desarrollo y gestin de proyectos propias. De ah la importancia de este captulo en el contexto profesional. Estos sistemas constituyen una aplicacin inmediata de la lgica y sus mecanismos de inferencia, de modo que este captulo est estrechamente conectado con el captulo precedente, Lgica y representacin del conocimiento, cuyo estudio previo es esencial para abordarlo. Su potencia expresiva es menor que la de la lgica de predicados, en aras de la eficiencia computacional, pero mayor que la de la lgica proposicional. En concreto, los Sistemas Basados en Reglas son una aplicacin de los sistemas de deduccin en lgica proposicional de primer orden, restringidos a clusulas de Horn (de ah que se haya seleccionado como segunda actividad obligatoria de esta materia el desarrollo de un pequeo sistema en el lenguaje Prolog). El captulo tambin presenta algunas conexiones con los bloques de estudio II y III, relacionados con la bsqueda heurstica, por su aplicacin en los algoritmos de seleccin de reglas en una Base de Conocimiento. El estudio de los Sistemas Basados en Reglas no plantea dificultades particulares desde un punto de vista conceptual una vez se han comprendido los mecanismos de la lgica. Adicionalmente, el texto base de la asignatura presenta el tema con sencillez e introduciendo los conceptos en base a ejemplos, particularmente en el dominio mdico. Es de destacar tambin que presta especial atencin a dos objetivos de aprendizaje clave de esta materia: la reflexin sobre los lmites de aplicabilidad e idoneidad de las tcnicas de la inteligencia artificial con respecto a otras reas de la ingeniera del software, y la conexin con otras tcnicas ms convencionales de esta ingeniera. A continuacin presentamos una visin general del planteamiento del captulo 3 del texto base. La seccin 3.1 comienza introduciendo los Sistemas Basados en Reglas como sistemas que capturan la experiencia humana en la resolucin de problemas con el fin de alcanzar decisiones consistentes y repetibles. El conocimiento se representa en forma declarativa, por traduccin inmediata de heursticas y formas de proceder de los expertos del campo de aplicacin. De aqu se deriva otra caracterstica clave de estos sistemas: la separacin entre el conocimiento (factual o heurstico) y los mecanismos de deduccin (motores de inferencia) que utilizan esos conocimientos para resolver problemas creando lneas de razonamiento. En la seccin 3.2 se introducen los elementos bsicos de un Sistema Basado en Reglas (Base de Hechos, Base de Conocimientos y Motor de Inferencias) y los conceptos ms relevantes asociados (equiparacin, conjunto conflicto), en los que se profundiza en las secciones siguientes. En la seccin 3.3 se presentan las tcnicas bsicas de inferencia: encadenamiento hacia delante (bsqueda de un conjunto de objetivos que se verifican dado un conjunto de entradas), hacia atrs (comprobacin de la verificacin de un objetivo dado con ciertas entradas), y mixto. Las tcnicas se explican con detallados ejemplos ilustrados con

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

15

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
representaciones grficas inspiradas en la notacin electrnica, lo que consideramos un acierto desde el punto de vista pedaggico dada la familiaridad del alumno con la teora de los sistemas digitales, estudiada en asignaturas previas. La seccin concluye indicando estrategias generales para determinar el tipo de encadenamiento ms adecuado en cada caso. En la seccin 3.4 se presentan las tcnicas de equiparacin (seleccin de reglas compatibles con la Base de Hechos por sus condiciones y acciones), profundizando en el caso del algoritmo de equiparacin RETE. El algoritmo Rete ha sido ampliamente utilizado en la construccin de Sistemas Expertos por la indudable eficiencia que aporta. No obstante, la velocidad de procesamiento se consigue a costa de consumir ingentes cantidades de memoria. En la seccin 3.5 se presentan las tcnicas de resolucin de conflictos (seleccin de una regla de entre las resultantes del proceso de equiparacin) ms usadas indicando las ventajas y desventajas de cada una de ellas y su adecuacin en funcin de las caractersticas de la Base de Conocimientos. Finalmente, las secciones 3.6 y 3.7 tienen un gran inters por presentar una visin crtica del rea y situarla en el contexto de la ingeniera del software y de las aplicaciones de la inteligencia artificial. Destacamos a continuacin las ideas clave presentadas en estas secciones: 1. Los Sistemas Basados en Reglas, al consistir en un conjunto de reglas independientes, son muy modulares y por tanto presentan buenas propiedades de mantenibilidad si su tamao no es muy grande 2. En sistemas grandes se requieren mtodos de estructuracin de la Base de Conocimientos para facilitar la depuracin y evitar efectos colaterales en las fases de actualizacin y mantenimiento. 3. La representacin declarativa del conocimiento facilita la incorporacin en estos sistemas de facilidades de autoexplicacin. 4. Actualmente las herramientas de desarrollo de Sistemas Basados en Reglas integran otras tcnicas de programacin convencionales. 5. Los Sistemas Basados en Reglas tienen menor potencia expresiva que la lgica de predicados, en aras de la eficiencia computacional, pero mayor que la lgica proposicional; e incorporan aspectos de diferentes extensiones de la lgica clsica. 6. Los campos de aplicacin idneos de los Sistemas Basados en Reglas son aquellos que se pueden modelar como un conjunto de mltiples estados, y el conocimiento se puede separar claramente de la forma en que se usa. Los ejercicios propuestos y resueltos que el alumno puede encontrar tanto en este captulo como en el curso virtual de la asignatura resultan un complemento ideal para afianzar los conocimientos tericos estudiados y entender su aplicacin. El principal resultado de aprendizaje que el alumno adquiere tras el estudio de este bloque de contenidos consiste en entender el funcionamiento de un Sistema Basado en Reglas (RA5). BLOQUE VI: Redes Semnticas y Marcos El captulo 4 del texto base explica dos de los mtodos de representacin de conocimiento e inferencia ms ampliamente utilizados: las redes semnticas y los marcos. Mientras que las primeras se centran en la representacin de relaciones entre entidades del dominio, los segundos se centran en la representacin de conceptos referidos a dichas entidades. Para cada uno de estos dos mtodos se estudia en este captulo,

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

16

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos por un lado, cmo representan el conocimiento y, por otro lado, cmo realizan inferencia a partir de dicho conocimiento. Las redes semnticas, creadas en los aos 60, utilizan grafos dirigidos para representar conocimiento, donde tanto los nodos como los arcos estn etiquetados. Mientras que los nodos representan conceptos o instancias que son ejemplo de dichos conceptos, los arcos representan relaciones binarias entre nodos. Existen dos tipos de arcos en una red semntica: los descriptivos y los estructurales. Los arcos descriptivos representan atributos y unen el objeto al que hace referencia el atributo con el valor asociado al atributo; de esta manera, un objeto puede ser descrito mediante un conjunto de arcos descriptivos. Los arcos estructurales unen conceptos y determinan la arquitectura de la red. Su semntica es independiente del dominio tratado y suelen representar procesos de generalizacin, instanciacin o agregacin. En este captulo se hace referencia a una serie de aspectos importantes asociados a la representacin de conocimiento mediante redes semnticas: 1. El conocimiento expresado en una red semntica puede ser representado utilizando lgica de predicados de primer orden. 2. Los predicados lgicos de aridad superior a dos se pueden representar en una red semntica. 3. Oraciones simples o compuestas pueden ser representadas mediante redes semnticas tomando el verbo como elemento principal de la representacin. 4. El carcter disjunto de diferentes entidades del dominio se puede representar en redes semnticas. La inferencia en redes semnticas se realiza principalmente por medio de dos mtodos: equiparacin y herencia de propiedades. La equiparacin consiste en comparar un fragmento de red con una red semntica para comprobar si el fragmento est incluido en la red. En caso de que la comparacin resulte positiva, se podr asignar a los nodos variable del fragmento de red los valores que toman sus nodos asociados en la red semntica. Respecto al mtodo de inferencia mediante herencia de propiedades, se lleva a cabo a partir de los enlaces Subclase-de e Instancia de la red semntica. Consiste en que a los nodos ms especficos de la red se les pueda asignar los valores de las propiedades asociadas a nodos ms genricos. Las excepciones a los valores genricos debern ser incluidas explcitamente en la red (como valores de propiedades de los nodos especficos) si se quiere que sean tenidas en cuenta. Los marcos, creados en la dcada de los 80, utilizan para representar conocimiento grafos dirigidos en cada uno de cuyos nodos se estructura la informacin correspondiente a las caractersticas de cierta entidad del dominio. Estos grafos son construidos por especializacin de conceptos generales en conceptos ms especficos. Asociado a este conocimiento declarativo de carcter jerrquico y estereotipado, existe generalmente conocimiento procedimental adicional, de manera que un sistema de marcos utiliza cuatro elementos fundamentales para representar conocimiento: marcos, relaciones, propiedades y facetas. Hay dos tipos de marcos, clases e instancias, y mientras que las primeras expresan conceptos genricos, las segundas constituyen ejemplos concretos de dichos conceptos genricos. Los diferentes marcos quedan enlazados entre s por medio de relaciones. Las relaciones estndar ms importantes son las de Subclasede, que une una clase especfica con otra clase ms genrica que la engloba, y la de Instancia, que une una instancia con la clase a la que pertenece. Existen otras relaciones no estndar que expresan dependencias entre conceptos del dominio: la relacin Fraternal une dos clases cuya clase padre coincide, la relacin Disjunta une dos clases que no pueden tener una instancia comn y, finalmente, diferentes relaciones A medida o Ad-hoc entre dos clases pueden ser definidas por el usuario. Las propiedades de un marco permiten describir el concepto asociado al mismo, de manera que cada propiedad represente un

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

17

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
atributo o caracterstica genrica del marco. Las propiedades se crean en las clases de un sistema de marcos, pero pueden ser definidas bien para que los valores que toman slo puedan ser rellenados en clases bien para que slo puedan ser rellenados en instancias de clases. Cada propiedad y cada relacin de un sistema de marcos tiene un conjunto de facetas asociadas. Una faceta puede definir cierta caracterstica como: el tipo de dato con el que se rellenar la propiedad o relacin, la cardinalidad mnima o mxima del dato y si es multivaluado o no. Existen otras facetas que afectan a propiedades de instancias y que indican el conjunto de valores vlidos de la propiedad, el valor por omisin de la propiedad, o qu procedimiento o regla hay que ejecutar si se necesita, modifica, aade o borra el valor de la propiedad. La inferencia en marcos se lleva a cabo mediante tres tipos principales de procesos: equiparacin, herencia y demonios. La equiparacin es un mtodo de inferencia utilizado en sistemas de marcos para la clasificacin de entidades en la base de conocimiento. Dados los valores conocidos de un subconjunto de propiedades de un marco pregunta, la equiparacin identifica qu marco de la base de conocimiento corresponde al marco pregunta. En muchas ocasiones, este proceso no es un proceso exacto y debe llevarse a cabo en tres fases: seleccin de marcos candidatos, clculo de valores de equiparacin y toma de la decisin final. Otro mtodo de inferencia en sistemas de marcos es la herencia de propiedades, que permite compartir propiedades y valores de propiedades usando las relaciones Subclase-de e Instancia. La herencia es simple cuando el sistema de marcos tiene forma de rbol, considerando exclusivamente las relaciones Subclase-de e Instancia. En este caso, el valor de una propiedad de una instancia se busca en primer lugar en dicha instancia y, en caso de fracaso, se toma de la clase ms cercana a la instancia donde figure dicho valor. Si un marco es subclase o instancia de ms de una clase, se dice que la herencia es mltiple. En este caso, dado que una instancia puede tener ms de una clase padre que contenga la propiedad buscada, el valor de la propiedad que hereda la instancia depende del mtodo de bsqueda utilizado para recorrer el grafo: en profundidad, en anchura o utilizando el concepto de distancia inferencial. Por ltimo, otra tcnica de inferencia en marcos son los demonios, que son procedimientos asociados a propiedades de marcos y cuya funcin es recuperar, almacenar o borrar informacin en las mismas. En la seccin de resumen de este captulo aparece un interesante estudio comparativo entre redes semnticas y marcos. Algunos puntos destacados de esta comparacin son los siguientes: 1. Los marcos permiten agrupar y estructurar la informacin asociada a cada entidad del dominio. En cambio, en las redes semnticas la informacin correspondiente a una misma entidad est dispersa en la red. 2. Las redes semnticas son declarativas aunque no procedimentales, mientras que los marcos contienen una parte declarativa y otra procedimental. 3. Las redes semnticas no contienen valores por omisin, mientras que los marcos s. 4. Una base de conocimiento formada por un sistema de marcos es ms fcilmente ampliable que otra formada por una red semntica. Los ejercicios propuestos y resueltos que el alumno puede encontrar tanto en el captulo correspondiente del texto base como en el curso virtual de la asignatura resultan un complemento ideal para afianzar los conocimientos tericos estudiados en este captulo del texto base. Los resultados de aprendizaje que el alumno adquiere tras el estudio de este bloque de contenidos son: por un lado, caracterizar los distintos tipos de redes semnticas utilizadas para representar conocimiento en

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

18

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos inteligencia artificial (RA6) y, por otro lado, usar marcos como mtodo de representacin de conocimiento estructurado y como mtodo de inferencia (RA7).

3.- ORIENTACIONES PARA LA REALIZACIN DEL PLAN DE ACTIVIDADES


3.1 ORIENTACIONES GENERALES El estudio de la materia se plantea como la realizacin de una secuencia de actividades de aprendizaje, algunas de ellas de obligada realizacin. En concreto, requiere la realizacin de dos actividades obligatorias para las que no ser necesario que el alumno acuda al Centro Asociado, ya que podrn realizarse a distancia. Los objetivos de estas actividades obligatorias son facilitar la evaluacin continua de los alumnos por parte del tutor y de los profesores de la Sede Central, y apoyar el aprendizaje, ya que permiten afianzar y poner en prctica los contenidos tericos de la asignatura. Una de las actividades estar relacionada con los mtodos de bsqueda en espacios de estados. Tras la realizacin de esta actividad, el alumno habr desarrollado el resultado de aprendizaje consistente en aplicar bsqueda en un espacio de estados a la resolucin de problemas (RA3). La otra actividad estar relacionada con los mtodos de representacin de conocimiento e inferencia en inteligencia artificial. Esta actividad fomenta la consecucin por parte del alumno de uno o algunos de los resultados de aprendizaje relacionados con el uso de lgica, reglas, redes semnticas o marcos para la construccin de sistemas basados en conocimiento (RA4 a RA7). Los enunciados detallados de las actividades obligatorias se publicarn en el curso virtual a lo largo del curso. El tiempo estimado para la realizacin de estas actividades obligatorias es, respectivamente, de 15 y 25 horas, segn se indica en la seccin plan de trabajo de esta misma gua. La entrega del material elaborado por el alumno como contestacin a las actividades obligatorias se realizar a travs del curso virtual y un profesor tutor se encargar de su correccin. Los plazos de entrega sern publicados con antelacin suficiente en el curso virtual de la asignatura. En principio, la nota final de las actividades obligatorias ser la media de las puntuaciones obtenidas en cada una de las dos actividades obligatorias y constituir un 20% de la nota final de la asignatura. Es importante tener en cuenta que slo se corregirn las actividades obligatorias una vez durante el curso (previamente a la convocatoria de junio). Por tanto, la nota asignada a las actividades obligatorias de cara a junio ser la nica vlida tanto para la convocatoria de junio como para la de septiembre. En caso de que el alumno no realice la entrega de actividades obligatorias de cara a la convocatoria de junio, se le asignar un cero al 20% de la nota final correspondiente a las actividades obligatorias, tanto para la convocatoria de junio como para la de septiembre. Es necesario obtener una nota mnima de 4 (sobre 10) en la prueba presencial para que pueda computarse la nota de las actividades obligatorias en la nota final. Si el alumno no obtiene dicha nota mnima en la prueba presencial, estar suspenso independientemente de la nota obtenida en las actividades obligatorias. La nota obtenida en las actividades obligatorias es vlida nicamente para las convocatorias del curso acadmico en que se entregan. En cuanto a las actividades no obligatorias, su objetivo es tambin dar soporte al aprendizaje y la evaluacin continua por parte del propio alumno, los tutores y los profesores, si bien no son calificadas para que su calificacin compute en la nota final.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

19

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
Las actividades de autoevaluacin, proporcionadas junto con los correspondientes solucionarios, servirn al alumno para seguir el progreso de su propio aprendizaje. Se recomienda realizarlas sin mirar los resultados y tras haber estudiado los contenidos correspondientes, ya que no sirve de mucho aplicar el mtodo del ensayo y error (esta tentacin suele darse particularmente en el caso de los cuestionarios de respuesta breve u opcin mltiple). Tambin se proporcionarn enunciados de actividades no obligatorias sin soluciones, con el fin de motivar el estudio colaborativo, ya sea virtual o en las tutoras presenciales, dejando a discrecin del tutor la decisin sobre el momento de proporcionar las soluciones. Las respuestas a estas actividades permitirn asimismo al tutor realizar un seguimiento del aprendizaje de sus alumnos. Habitualmente se distingue entre actividades individuales y actividades de grupo. A continuacin se describen los distintos tipos de actividades utilizadas en este curso. 3.1.1 Actividades Individuales Consisten en trabajos de distinta ndole que se realizan individualmente. No obstante, los alumnos podrn debatir e intercambiar dudas sobre ellos en los foros virtuales o en las tutoras, guiados o no por su tutor. 1. Lectura de textos para la reflexin y/o el estudio. Como complemento del libro bsico puntualmente se proporcionarn algunos textos breves complementarios a travs del curso virtual. 2. Cumplimentado de cuestionarios de opcin mltiple o respuesta breve. Las preguntas, de carcter terico-prctico, pueden ser de carcter muy diverso. Su propsito puede ser la prctica de destrezas bsicas de clculo o aplicacin de procedimientos en problemas elementales, o bien la comprobacin de que se han aprendido y comprendido adecuadamente los contenidos. Incitan a reflexionar sobre cuestiones clave de la materia, matizar y profundizar en los conocimientos, establecer relaciones entre conceptos bsicos o paradigmas y tcnicas estudiados... Con frecuencia hacen nfasis en las especiales dificultades que plantea la materia y hacen aflorar concepciones errneas o incoherentes adquiridas. 3. Ejercicios/Problemas. Ilustran el fundamento y objeto de los diferentes conceptos tericos o se centran en la prctica de las tcnicas de la IA aplicadas en problemas pequeos, desarrollando pues competencias especficas de la materia valiosas para el desempeo profesional. 4. Resolucin de casos prcticos. Constituyen un tipo particular de ejercicios cuyo enunciado describe un problema real que puede plantearse en un contexto profesional. Requieren la prctica de diferentes destrezas y aplicacin de diversos conocimientos relativos a tcnicas, paradigmas y aplicaciones, y sus resultados de aprendizaje abarcan diferentes competencias, incluyendo competencias cognitivas superiores. Este tipo de actividad implicar con frecuencia la argumentacin en torno a las ventajas y desventajas de diferentes opciones tecnolgicas en el contexto de la IA. 5. Realizacin de un pequeo proyecto. Tienen el formato de pequeos proyectos informticos inscritos en el campo de la IA e implican la redaccin de una breve memoria. Es el formato de actividad que se propone como Actividad obligatoria II.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

20

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos 3.1.2 Actividades de Grupo Las actividades de grupo tienen un importante papel motivacional. Adems, son enriquecedoras porque favorecen el intercambio y discusin de ideas, el desarrollo de habilidades de negociacin y consenso, el aprovechamiento de las competencias, perspectivas, conocimientos y experiencia personal y profesional de cada uno de los miembros, intercambio de documentos, etc. En esta asignatura se da a los alumnos la opcin de participar en actividades de grupo de los tipos descritos a continuacin. 1. Realizacin de un pequeo proyecto. Mediante el trabajo en grupo es posible acometer proyectos algo ms ambiciosos y con resultados de mayor inters. No obstante, insistimos en que la realizacin en grupo de la Actividad II es opcional, entendiendo que la condiciones personales de los alumnos pueden no ser favorables para la sincronizacin que requiere el trabajo en grupo. 2. Debates. Constituyen un elemento imprescindible del estudio colaborativo. Los tutores y profesores fomentarn la discusin (virtualmente o en tutoras presenciales) sobre cuestiones relevantes de la materia, o sobre la solucin de casos prcticos, ejercicios, cuestionarios, etc. con la participacin de todos los estudiantes o bien en grupos reducidos de estudio. El tutor o profesor podr participar en los debates con el fin de guiarlos hacia cuestiones clave, plantear perspectivas alternativas, etc. El tutor o profesor podr, cuando lo considere pertinente, cerrar los debates sintetizando las distintas conclusiones aportadas. 3. Evaluacin por pares. En la coevaluacin, o evaluacin por pares, cada alumno corrige el trabajo realizado por un compaero (un cuestionario, tpicamente). Este procedimiento suscita debates, dudas, consultas, cuya resolucin facilita la asimilacin de contenidos. Cada estudiante propone unas respuestas y se discute al respecto en foros o chats. Las dos ltimas actividades pueden llevarse a cabo virtualmente de forma asncrona, a travs de foros de discusin, o de forma sncrona, mediante una sesin de chat. La realizacin de un proyecto en grupo requiere establecer un protocolo de comunicacin y actuacin. La plataforma educativa proporcionar espacios privados para dar soporte al trabajo colaborativo (con foros, chats, espacios de almacenamiento, agenda, etc. privados). Los grupos funcionarn con un cronograma privado donde se establezcan plazos, calendarios de reuniones virtuales, tiempos de ejecucinTambin habrn de elaborar listas de tareas y repartir tareas, responsabilidades y roles entre los distintos miembros. Para cada tarea de grupo se designar un coordinador de grupo que habr de tomar la iniciativa en cuestiones tales como asignacin de tareas, organizacin de secuencia de actividades, planificacin del trabajo, sntesis de conclusiones, etc., entendiendo siempre que cada decisin habr de tomarse con el acuerdo de todos los miembros. Tambin podr designarse un editor que configure o edite los informes (siempre consensuados) con las aportaciones realizadas por los diferentes miembros. Finalmente, cada miembro habr de analizar y comentar las tareas realizadas por los compaeros. El funcionamiento de un grupo requiere procesos de anlisis y consenso, lo que facilita la consolidacin de conocimientos. Los grupos se podrn constituir de modo que sean lo ms heterogneos posible, con el fin de que diferentes alumnos puedan aportar al grupo diferentes conocimientos, perspectivas, habilidades y experiencias. En ciertos casos, podra ser conveniente, por el contrario, agrupar a los alumnos en funcin de sus intereses o preferencias hacia temas especficos, o proximidad geogrfica para posibilitar las reuniones presenciales. El tutor podr apoyar en la labor de constituir los grupos de trabajo.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

21

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
3.2 ORIENTACIONES POR BLOQUE TEMTICO ACTIVIDADES DE APRENDIZAJE DEL BLOQUE I: Aspectos Conceptuales de la Inteligencia Artificial y la Ingeniera del Conocimiento Se estima que la lectura reflexionada en profundidad del captulo I requiere aproximadamente 2 horas de dedicacin, y la de los textos complementarios requiere un total de 5 horas. Adicionalmente, se sugiere al alumno que dedique 8 horas adicionales a la realizacin de las actividades descritas a continuacin, con el fin de satisfacer los objetivos de aprendizaje del captulo. Se recomienda realizar las actividades siguiendo la siguiente secuencia: 1. Lectura de las secciones 1.1, 1.2, 1.5 y 1.6. 2. Lectura de textos complementarios y realizacin de la actividad 1.a: La inteligencia artificial bajo debate. 3. Lectura de la seccin 1.3. 4. Lectura de textos complementarios y realizacin de la actividad 1.b: Historia de la inteligencia artificial. 5. Lectura de la seccin 1.4. 6. Realizacin de la actividad 1.c: Evaluacin de idoneidad de tcnicas y paradigmas. Este plan de actividades tiene como fin los siguientes resultados de aprendizaje: Comprensin del concepto de inteligencia artificial y visin crtica del campo desde mltiples perspectivas multidisciplinares; elaboracin de una sntesis personal en funcin del contexto personal de aprendizaje, los conocimientos previos y la experiencia profesional. Adquisicin de una visin general de la historia de la inteligencia artificial y de los distintos paradigmas, tcnicas y aplicaciones en el contexto de la ingeniera informtica. Prctica en el juicio y crtica de opciones tecnolgicas en el mbito de la inteligencia artificial (criterios personales formados para la evaluacin de idoneidad y lmite de aplicabilidad de los diferentes paradigmas, tcnicas y mtodos). Reconocimiento de los retos y logros de la inteligencia artificial en su justa medida. Desarrollo de las competencias generales G2, G4 y G5, particularmente de anlisis y sntesis, razonamiento crtico, comunicacin y expresin escrita en registro cientfico y tecnolgico.

Actividad 1.a: La inteligencia artificial bajo debate Dado que no existe consenso en una visin nica de la problemtica de la inteligencia artificial, no tendra cabida presentar unos contenidos cerrados para su estudio memorstico. Es por esta razn que estos primeros temas se abordan con una metodologa de trabajo particular. En su comprensin es particularmente pertinente un enfoque pedaggico activo y participativo, constructivista, con objeto de que el alumno construya su propia perspectiva del campo en base a su contexto de aprendizaje, sus conocimientos previos y experiencia profesional. Se ha optado pues por ofrecer al alumno lecturas adicionales que complementen al captulo I del texto base. En ellas se manifiestan diferentes visiones del campo y se hace particular nfasis en diferentes cuestiones. Las lecturas requieren una dedicacin aproximada de 3 horas y se proporcionarn a travs del entorno virtual de aprendizaje al inicio del curso. Podrn tratar cuestiones adicionales a las presentadas en el captulo 1 tales como:

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

22

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Tesis de Turing, teorema de incompletitud de Gdel, caja china de Searle. Dimensiones filosficas de la inteligencia artificial. Idiosincrasia de la inteligencia artificial en el contexto de la tica informtica. Implicaciones socio-polticas.

Nuestra sugerencia es que los alumnos, tras haber ledo detenidamente estos textos, respondan a un cuestionario acerca de lo ledo. A continuacin intercambien sus respuestas para la evaluacin por pares y, finalmente, entablen debates al respecto bien en los espacios de debate virtual bien de forma presencial en las horas de tutora de los centros. La actividad se realiza pues en dos fases: 1. Cumplimentado de un cuestionario (dedicacin estimada: 2 horas). Las preguntas mueven a reflexionar sobre las distintas visiones ofrecidas, las cuestiones subyacentes comunes y matices diferenciadores, las relaciones entre conceptos, las conexiones con las experiencias y conocimientos previos, los dilemas ticos que plantea la ingeniera inteligente 2. Evaluacin por pares del cuestionario y debate final (dedicacin estimada: 3 horas). En este caso no se proporcionan las soluciones del cuestionario con el fin de motivar el debate, bien sea virtual o presencial. Actividad 1.b: Historia de la inteligencia artificial En el captulo I del texto base se proporciona una visin panormica, a grandes rasgos de la historia de la inteligencia artificial. Hemos juzgado interesante proporcionar una lectura adicional (dedicacin estimada: 2 horas) que aporta detalles de inters y a continuacin un cuestionario de autoevaluacin (dedicacin estimada: 1 hora) que ayude a los alumnos a fijar los datos ms significativos. Se recomienda al alumno que realice el cuestionario despus de la lectura y sin buscar las respuestas en los solucionarios, de modo que pueda estimar hasta qu punto ha asimilado los datos esenciales, apreciar los matices en la asimilacin incorrecta de conceptos y repasar aquellos aspectos que considere necesario. Actividad 1.c: Evaluacin de idoneidad de tcnicas y paradigmas Se trata de una actividad de resolucin de casos prcticos. El enunciado consiste en la descripcin de una serie de problemas que se pretende solucionar mediante una aplicacin informtica que utilice tcnicas de inteligencia artificial. Para cada uno de ellos se debe: Reflexionar sobre el inters o no de aplicar soluciones de inteligencia artificial. Proponer un paradigma y tcnicas especficas, justificando su adecuacin al problema; o bien argumentar las ventajas e inconvenientes de diferentes paradigmas y tcnicas alternativos. Proporcionar indicaciones metodolgicas sobre cmo se abordara el desarrollo de la aplicacin. Sealar las fortalezas, debilidades y lmites de aplicabilidad de las soluciones propuestas. Reflexionar sobre las cuestiones ticas y socio-polticas implicadas en el desarrollo de la aplicacin. Se estima que la realizacin de esta ltima actividad requiere una dedicacin de 2 horas.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

23

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
ACTIVIDADES DE APRENDIZAJE DEL BLOQUE II: Introduccin a las Tcnicas de Bsqueda y del BLOQUE III: Tcnicas Basadas en Bsquedas Heursticas La estrategia de aprendizaje propuesta para estos bloques consiste en estudiar primeramente los contenidos tericos del texto base de la asignatura (captulo 8 y captulo 9) y, como complemento, realizar los ejercicios prcticos (propuestos o resueltos), tanto los incluidos en el texto base como los proporcionados en el curso virtual. PRIMERA ACTIVIDAD OBLIGATORIA: Bsqueda en un espacio de estados Criterios de Evaluacin La actividad obligatoria sobre bsqueda en un espacio de estados consistir en la realizacin por parte del alumno de seis ejercicios prcticos. El alumno deber seguir los contenidos del texto base de la asignatura a la hora de dar respuesta a estos ejercicios, cuya temtica y criterios de evaluacin se especifican a continuacin. Ejercicio 1: Tiene que ver con los espacios de bsqueda y vendra a responder al siguiente esquema genrico: Dibuje mediante un grafo dirigido o describa detalladamente mediante una tabla el espacio de estados (o espacio de bsqueda) completo para el <problema-real>. Para ello especifique: el conjunto de todos los estados posibles, el estado inicial, el o los estados meta, los operadores aplicables a cada estado y el coste asociado a cada operador. En el <problema-real>, <explicacin del problema-real>. Cul es la solucin menos costosa para el <problema-real>? La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: Los estados se especifican correctamente: 2.5 puntos Los operadores se especifican correctamente: 2.5 puntos Los costes de los operadores se especifican correctamente: 1 punto El espacio de bsqueda se dibuja (mediante un grafo dirigido) o se describe (mediante una tabla) correctamente: 3 puntos La solucin de menor coste se especifica correctamente: 1 punto Ejercicio 2: Tiene que ver con el orden de expansin de nodos bajo diferentes mtodos de bsqueda sin informacin del dominio y vendra a responder al siguiente esquema genrico: Considere el espacio de bsqueda de la <figura>, que tiene forma de rbol, donde el nodo raz del rbol es el nodo inicial, existe un nico nodo meta y cada operador tiene asociado un coste. Explique razonadamente en qu orden se expandiran los nodos de dicho rbol de bsqueda a partir de cada uno de los mtodos siguientes de bsqueda sin informacin del dominio:
UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA 24

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos 1. Bsqueda Primero en Anchura (<de izquierda a derecha>) 2. Bsqueda Primero en Profundidad (<de derecha a izquierda>) 3. Bsqueda de Coste Uniforme 4. Bsqueda en Anchura Iterativa (<de derecha a izquierda>) 5. Bsqueda en Profundidad Iterativa (<de izquierda a derecha>) <figura que contiene el espacio de bsqueda en forma de rbol> La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: Cada uno de los cinco apartados, correspondiente a un mtodo de bsqueda concreto, se punta sobre 2 puntos. Si en cualquiera de los cinco apartados el algoritmo correspondiente no expande los nodos en el orden debido: la puntuacin del apartado bajara 1.6 puntos si el orden dado como respuesta vara significativamente del correcto, mientras que si el orden dado como respuesta vara del correcto como consecuencia de un despiste no conceptual entonces la puntuacin del apartado bajara slo 0.4 puntos en vez de los 1.6 puntos mencionados. Si en cualquiera de los cinco apartados el algoritmo correspondiente no finaliza cuando es debido, la puntuacin del apartado bajara 0.4 puntos. (Esto es independiente del orden de expansin de nodos dado como respuesta, que ya ha sido valorado anteriormente con un mximo de 1.6 puntos.) Ejercicio 3: Tiene que ver con la descripcin del contenido de la lista ABIERTA a lo largo del proceso de bsqueda bajo diferentes mtodos de bsqueda sin informacin del dominio y vendra a responder al siguiente esquema genrico: Considere el espacio de bsqueda de la <figura>, que tiene forma de rbol, donde el nodo raz del rbol es el nodo inicial, existe un nico nodo meta y cada operador tiene asociado un coste. Describa cul es el contenido de ABIERTA, previamente a cada extraccin de un nodo de la misma, a partir de cada uno de los mtodos siguientes de bsqueda sin informacin del dominio: 1. Bsqueda Primero en Anchura (<de izquierda a derecha>) 2. Bsqueda Primero en Profundidad (<de derecha a izquierda>) 3. Bsqueda de Coste Uniforme 4. Bsqueda en Anchura Iterativa (<de derecha a izquierda>) 5. Bsqueda en Profundidad Iterativa (<de izquierda a derecha>) <figura que contiene el espacio de bsqueda en forma de rbol> La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: Cada uno de los cinco apartados, correspondiente a un mtodo de bsqueda concreto, se punta sobre 2 puntos.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

25

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
Si en cualquiera de los cinco apartados el algoritmo correspondiente no gestiona ABIERTA en la forma debida: la puntuacin del apartado bajara 1.6 puntos si la respuesta dada vara significativamente de la correcta, mientras que si la respuesta dada vara de la correcta como consecuencia de un despiste no conceptual entonces la puntuacin del apartado bajara slo 0.4 puntos en vez de los 1.6 puntos mencionados. Si en cualquiera de los cinco apartados el algoritmo correspondiente no finaliza cuando es debido, la puntuacin del apartado bajara 0.4 puntos. (Esto es independiente de la gestin de ABIERTA dada como respuesta, que ya ha sido valorada anteriormente con un mximo de 1.6 puntos.) Ejercicio 4: Tiene que ver con la descripcin del contenido de TABLA_A a lo largo del proceso de bsqueda bajo diferentes mtodos de bsqueda sin informacin del dominio y vendra a responder al siguiente esquema genrico: Considere el espacio de bsqueda de la <figura>, que tiene forma de rbol, donde el nodo raz del rbol es el nodo inicial, existe un nico nodo meta y cada operador tiene asociado un coste. Describa cul es el contenido de TABLA_A, posteriormente a cada expansin de un nodo, a partir de cada uno de los mtodos siguientes de bsqueda sin informacin del dominio: 1. Bsqueda Primero en Anchura (<de izquierda a derecha>) 2. Bsqueda Primero en Profundidad (<de derecha a izquierda>) 3. Bsqueda de Coste Uniforme 4. Bsqueda en Anchura Iterativa (<de derecha a izquierda>) 5. Bsqueda en Profundidad Iterativa (<de izquierda a derecha>) <figura que contiene el espacio de bsqueda en forma de rbol> La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: Cada uno de los cinco apartados, correspondiente a un mtodo de bsqueda concreto, se punta sobre 2 puntos. Si en cualquiera de los cinco apartados el algoritmo correspondiente no gestiona TABLA_A en la forma debida: la puntuacin del apartado bajara 1.6 puntos si la respuesta dada vara significativamente de la correcta, mientras que si la respuesta dada vara de la correcta como consecuencia de un despiste no conceptual entonces la puntuacin del apartado bajara slo 0.4 puntos en vez de los 1.6 puntos mencionados. Si en cualquiera de los cinco apartados el algoritmo correspondiente no finaliza cuando es debido, la puntuacin del apartado bajara 0.4 puntos. (Esto es independiente de la gestin de TABLA_A dada como respuesta, que ya ha sido valorada anteriormente con un mximo de 1.6 puntos.) Ejercicio 5: Tiene que ver con la descripcin de los pasos seguidos por el algoritmo A* al aplicarlo sobre un espacio de bsqueda concreto con informacin heurstica del dominio y vendra a responder al siguiente esquema genrico:

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

26

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Considere el grafo de la <figura>, donde el nodo inicial es <nodo-inicial> y donde los nodos meta son <nodos-meta>. Cada arco u operador lleva asociado su coste y en cada nodo aparece la estimacin de la menor distancia desde ese nodo a una meta. Aplique paso a paso el algoritmo A* al grafo dado, indicando de forma razonada la siguiente informacin en cada paso del algoritmo: 1. Qu nodo es expandido. 2. Cul es el contenido de ABIERTA tras la expansin del nodo, indicando el valor de la funcin de evaluacin heurstica para cada nodo de ABIERTA. 3. Cul es el contenido de TABLA_A tras la expansin del nodo. Para cada nodo de TABLA_A incluya la siguiente informacin: a. Su nodo padre que indique el camino de menor coste hasta el nodo inicial encontrado hasta el momento b. El coste del camino de menor coste hasta el nodo inicial encontrado hasta el momento c. Sus nodos hijos (si el nodo de TABLA_A actual ya ha sido expandido) Por ltimo, cul es el camino solucin hallado y su coste? <figura que contiene el espacio de bsqueda con informacin heurstica> La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: El orden seguido en la expansin de los nodos se punta sobre 1.5 puntos. La forma en que se gestiona ABIERTA se punta sobre 3.75 puntos. Se har especial nfasis en comprobar qu nodos hay en ABIERTA en cada paso del algoritmo y qu valores de la funcin de evaluacin heurstica se les asignan. La forma en que se gestiona TABLA_A se punta sobre 3.75 puntos. Se har especial nfasis en comprobar qu nodos hay en TABLA_A en cada paso del algoritmo y qu padre mejor se les asigna (teniendo en cuenta las posibles reorientaciones o rectificaciones de enlaces) La correcta terminacin del algoritmo se punta sobre 1 punto. Se har especial nfasis en comprobar cundo termina el algoritmo y qu camino solucin devuelve. Ejercicio 6: Tiene que ver con la descripcin de los pasos seguidos por el algoritmo de escalada o mximo gradiente al aplicarlo sobre un espacio de bsqueda concreto con informacin heurstica del dominio y vendra a responder al siguiente esquema genrico: Considere el grafo de la figura, donde el nodo inicial es <nodo-inicial> y donde los nodos meta son desconocidos. Cada arco u operador lleva asociado su coste y en cada nodo aparece su valor de la funcin de evaluacin heurstica (que hay que minimizar). Aplique paso a paso el algoritmo de escalada o mximo gradiente al grafo dado. Para ello indique de forma razonada qu nodo se expande en cada paso y cul es el nodo final devuelto por el algoritmo. Utilice como criterio de seleccin el de mejor vecino. Utilice como criterio de terminacin <criterio-de-terminacin>. <figura que contiene el espacio de bsqueda con informacin heurstica>

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

27

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: La correcta aplicacin en cada paso del algoritmo del criterio de seleccin del vecino o hijo del nodo actual (qu vecino o hijo del nodo actual es considerado como candidato para sustituirlo) se punta sobre 4.5 puntos. La correcta aplicacin en cada paso del algoritmo del criterio de aceptacin del vecino o hijo seleccionado (si el vecino o hijo candidato sustituye o no finalmente al nodo actual) se punta sobre 4.5 puntos. La correcta aplicacin del criterio de finalizacin del algoritmo se punta sobre 1 punto. IMPORTANTE: La nota sobre 10 de esta actividad obligatoria se calcula del siguiente modo: NOTA = 0.125 nota1 + 0.1 nota2 + 0.2 nota3 + 0.2 nota4 + 0.3 nota5 + 0.075 nota6, donde notai representa la nota sobre 10 del ejercicio i. ACTIVIDADES DE APRENDIZAJE DEL BLOQUE IV: Lgica y Representacin del Conocimiento (con una introduccin a los Conjuntos Borrosos) DEL BLOQUE V: Sistemas Basados en Reglas y DEL BLOQUE VI: Redes Semnticas y Marcos La estrategia de aprendizaje propuesta para estos bloques consiste en estudiar primeramente los contenidos tericos del texto base de la asignatura (captulos 2, 3, y cuatro primeras secciones del captulo 7) y, como complemento, realizar los ejercicios prcticos (propuestos o resueltos), tanto los incluidos en el texto base como los proporcionados en el curso virtual. SEGUNDA ACTIVIDAD OBLIGATORIA: Construccin en Prolog de un Sistema Basado en Reglas Bsico El Prolog (PROgrammation en LOGique) es un lenguaje de programacin emblemtico de la inteligencia artificial, muy utilizado an en nuestros das. Se basa en la lgica de predicados de primer orden restringida a clusulas de Horn para representar datos y conocimiento, y utiliza encadenamiento hacia atrs y una estrategia de reversibilidad sin informacin heurstica conocida como backtracking. Por estas razones se ha considerado un lenguaje ideal para comprender desde una perspectiva prctica los conceptos presentados en los captulos que tratan sobre representacin del conocimiento e inferencia (Lgica y representacin del conocimiento, Sistemas basados en reglas y Redes semnticas y marcos), as como para experimentar con el diseo de Sistemas Basados en Reglas sencillos e introducirse en el campo de las metodologas de desarrollo de la inteligencia artificial. La actividad consistir en la ejecucin de un pequeo proyecto de desarrollo de un Sistema Basado en Reglas, desde la fase inicial de compilacin del conocimiento experto necesario, hasta la fase final de pruebas. El enunciado de la actividad definir las funcionalidades que debe cubrir la aplicacin. Se dar al alumno la opcin de realizar el trabajo individualmente o en grupo, proporcionndose diferentes enunciados

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

28

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos para cada caso. Los profesores determinarn las dimensiones de la base de conocimiento a modelar en funcin de la aplicacin y del nmero de componentes del grupo de trabajo. Los alumnos habrn de documentarse sobre el conocimiento experto necesario y posteriormente codificarlo en Prolog de forma que la aplicacin exhiba las funcionalidades deseadas. El conocimiento experto podr proceder de recursos bibliogrficos, expertos humanos, pericia de los propios alumnos, etc. Para la realizacin de la esta actividad se proporcionarn a travs de los cursos virtuales: 1. Referencias de sitios Web donde podrn encontrar recursos sobre el lenguaje Prolog, en particular, tutoriales introductorios e intrpretes de libre distribucin. Sealamos que, para la realizacin del proyecto, se requerir slo la utilizacin de mecanismos bsicos del lenguaje: definicin de hechos y reglas, formulacin de preguntas u objetivos, y comprensin de las estrategias bsicas de unificacin y control, y del efecto del operador de corte. 2. Una coleccin de ejercicios que guiar el aprendizaje de los conceptos de Prolog relevantes para codificar sistemas basados en reglas sencillos. Para la planificacin del proyecto y redaccin de la memoria final, se recomienda la lectura del captulo 19 del texto base: Ingeniera del conocimiento. Obviamente las metodologas de desarrollo que aqu se describen estn concebidas para proyectos de mucha mayor envergadura. No obstante, consideramos de inters que el alumno proceda con cierto rigor metodolgico en el abordaje del problema, y adicionalmente aprenda por propia experiencia lo que estas metodologas aportan. La memoria del proyecto habr de incluir: 1. Las descripcin del conocimiento del dominio modelado en forma estructurada, clara, precisa e inequvoca. 2. La descripcin breve de la metodologa de desarrollo simplificada que se ha aplicado y, en el caso de proyecto de grupo, de la estrategia de trabajo en grupo, identificando las partes realizadas por los diferentes miembros en aquellos casos en que puedan delimitarse. (En una pgina como mximo). 3. La descripcin de la estructura de base de reglas y de las consideraciones de eficiencia realizadas. 4. El cdigo comentado en Prolog, en forma de base de reglas y hechos. 5. La descripcin de casos de prueba necesarios para mostrar que el sistema responde a las funcionalidades requeridas. 6. Un informe breve de las dificultades encontradas, y una valoracin de las aportaciones y/o inconvenientes relacionados con la aplicacin de la metodologa de desarrollo. Criterios de Evaluacin La evaluacin sobre 10 puntos de este ejercicio se realizara atendiendo a los siguientes criterios: 1. La descripcin del conocimiento del dominio modelado en forma estructurada, clara, precisa e inequvoca se punta sobre 1 punto (se evaluarn la completitud: 0.4 puntos; la estructura: 0.2 puntos; la precisin: 0.2 puntos; y la claridad: 0.2 puntos)

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

29

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
2. La descripcin breve de la metodologa de desarrollo simplificada que se ha aplicado y, en el caso de proyecto de grupo, de la estrategia de trabajo en grupo se punta sobre 0.5 puntos (se evaluar la adecuacin de la metodologa y estrategia). 3. La descripcin de la estructura de base de reglas y de las consideraciones de eficiencia realizadas se punta sobre 2 puntos (se evaluarn la adecuacin de la estructura: 1 punto; y las consideraciones de eficiencia: 1 punto). 4. El cdigo comentado en Prolog, en forma de bases de reglas y hechos se punta sobre 4 puntos (se evaluarn la correccin: 2 puntos; y la completitud: 2 puntos). 5. La descripcin de casos de prueba necesarios para mostrar que el sistema responde a las funcionalidades requeridas se punta sobre 2 puntos (se evaluarn la completitud de los casos de prueba: 1 punto; y la pertinencia de los casos de prueba: 1 punto). 6. El informe breve de las dificultades encontradas, y una valoracin de las aportaciones y/o inconvenientes relacionados con la aplicacin de la metodologa de desarrollo se puntan con 0.5 puntos (se evaluar la pertinencia de los argumentos). En el caso de los trabajos realizados en grupo, en caso de haberse identificado las partes realizadas por los diferentes miembros la nota de cada alumno se calcular promediando una nota individual y una nota colectiva.

4.- GLOSARIO
Esta seccin contiene un glosario de trminos relevantes para la asignatura, ordenados alfabticamente segn el bloque temtico correspondiente. Bloque I Abductiva, inferencia. Razonamiento que deriva explicaciones de los hechos conocidos. Aprendizaje. Proceso de modificacin de las funciones cognitivas con el fin de adaptar un organismo a su entorno. Ciberntica. Ciencia que estudia la construccin de sistemas electrnicos y mecnicos a partir de su comparacin con los sistemas de comunicacin y regulacin automtica de los seres vivos. Conexionista, paradigma de la inteligencia artificial. Aquel en que el conocimiento se representa mediante lneas numricas etiquetadas para la entrada y salida de una red y la inferencia se realiza mediante un clasificador numrico de naturaleza paramtrica en el que el valor de esos parmetros se ajusta mediante un algoritmo de aprendizaje supervisado o no supervisado. Conocimiento, Ingeniera del. Disciplina de la Inteligencia Artificial cuyo fin es el diseo y desarrollo de Sistemas Expertos (o Sistemas Basados en el Conocimiento). Deductiva, inferencia. Razonamiento que deriva conclusiones a partir de unas premisas.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

30

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Deliberativo, agente. Aquel que contiene un modelo simblico del mundo, explcitamente representado, en donde las decisiones se toman utilizando mecanismos de razonamiento lgico basados en la concordancia de patrones y la manipulacin simblica. Formal, lenguaje. Aquel que se define mediante unas reglas fijas de formacin de expresiones y significados (una sintaxis y una semntica formales). Hbrido, paradigma de la inteligencia artificial. Aquel que incorpora elementos de distintos paradigmas. IA dbil. Postura adoptada sobre los avances de la inteligencia artificial que sostiene que las computadoras slo pueden aspirar a mimetizar la inteligencia, comportarse como si fueran inteligentes, sin serlo realmente. IA fuerte. Postura adoptada sobre los avances de la inteligencia artificial que sostiene que la inteligencia que posee un ser vivo procede de un programa y que es reproducible en todas sus dimensiones mediante un computador. Inductiva, inferencia. Razonamiento que deriva conclusiones generales a partir de premisas que contienen datos particulares. Inferencia. Razonamiento, obtencin de una conclusin. Inteligencia. Medida global de la calidad de todos los procesos cognitivos de un ser vivo y de su capacidad de adaptacin a los cambios del medio en el que existen otros seres vivos de complejidad comparable. No situado, conocimiento. El asociado a aquellas situaciones en las que la interfaz entre el sistema de inteligencia artificial y el medio es humana, por lo que no hay que preocuparse de sensores y de efectores. Ontologa. Formulacin de un exhaustivo y riguroso esquema conceptual de un dominio considerado. Paradigma de la inteligencia artificial. Aproximacin metodolgica a la inteligencia artificial consensuada entre un amplio grupo de profesionales del campo que establece una forma de modelar conocimiento, formalizar los modelos, programar los operadores formales e implementar fsicamente el soporte de esos programas, junto con la hiptesis de partida acerca de qu se entiende por conocimiento. Proceso cognitivo. Proceso psicolgico de orden superior que implica principalmente a las funciones de percepcin, memoria, razonamiento y aprendizaje. Reactivo, agente. Aquel que no incluye un modelo simblico del mundo, actuando en base a un patrn estmulo- respuesta. Relacional, paradigma de la inteligencia artificial. Ver simblico, paradigma de la inteligencia artificial. Semntica. Correspondencia entre expresiones de smbolos y entidades de un mundo fsico o abstracto. Simblico, paradigma de la inteligencia artificial. Aquel en que se considera que todo el conocimiento necesario para resolver una tarea puede representarse usando descripciones declarativas y explcitas en lenguaje natural formada por un conjunto de conceptos, los hechos, y otro conjunto de reglas de inferencia que describen las relaciones estticas y dinmicas conocidas entre esos hechos.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

31

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
Smbolo. Representacin de una entidad de un mundo fsico abstracto. Sintaxis. Conjunto de reglas de una gramtica que define las combinaciones vlidas de smbolos. Situado, paradigma. Aquel en que el sistema de inteligencia artificial se considera en interaccin con su entorno por medio de sensores y efectores. Bloque II ABIERTA. Lista que contiene los nodos generados pero no expandidos. Algoritmo de bsqueda. Estrategia de control que decide el orden en que se exploran los estados de un espacio de bsqueda. Bsqueda admisible. La que siempre encuentra una solucin ptima. Bsqueda bidireccional. La que simultanea la bsqueda del estado objetivo desde el estado inicial y viceversa. Bsqueda completa. La que siempre encuentra solucin en el caso de que exista. Bsqueda de coste uniforme. La que expande el nodo cuyo camino al nodo inicial es el de menor coste. Bsqueda en anchura iterativa. La que realiza iterativamente bsquedas primero en anchura aumentando en cada iteracin en una unidad el nmero de sucesores de cada nodo que son generados. Bsqueda en profundidad iterativa. La que realiza iterativamente bsquedas primero en profundidad aumentando en cada iteracin en una unidad la profundidad lmite. Bsqueda heurstica. La que utiliza informacin del dominio. Bsqueda no informada. La que no utiliza informacin del dominio. Bsqueda primero en anchura. La que usa ABIERTA como una cola. Bsqueda primero en profundidad. La que usa ABIERTA como una pila. Espacio de bsqueda. Conjunto de estados, operadores aplicables a cada estado y coste de cada operador, que estn asociados a un problema de bsqueda. Reorientacin. Cambio del enlace que parte de un nodo hacia aquel padre suyo que est contenido en el camino parcial ms corto desde el nodo al nodo inicial, debido a que se ha encontrado un nuevo padre que acorta el camino hacia el nodo inicial. TABLA_A. Tabla que permite obtener el mejor camino parcial encontrado desde cada nodo al nodo inicial.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

32

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Bloque III Algoritmo A*. Especializacin de la bsqueda primero el mejor, basada en usar una funcin heurstica que estima para cada nodo n el coste menor para ir del nodo inicial a un nodo meta pasando por el nodo n. Algoritmo A*. Variante del algoritmo A*, que utiliza una funcin heurstica adicional para elegir el siguiente nodo a expandir de entre un subconjunto de ABIERTA formado por sus elementos ms prometedores que difieren del mejor elemento de ABIERTA como mximo en un factor (1+ ). Algoritmo de bsqueda local. Aquel que persigue generar el estado ptimo a partir de un estado inicial cualquiera al que se realizan pequeos cambios sucesivos. Algoritmo de ponderacin dinmica. Variante del algoritmo A*, que utiliza pesos dinmicos en la definicin de la funcin heurstica. Algoritmo de ramificacin y poda. Aquel que interpreta cada estado como un subconjunto de soluciones del problema original, ramifica dichas soluciones en un rbol, asocia un valor heurstico a cada nodo del rbol que representa una cota inferior del coste de la mejor solucin contenida en el nodo y poda aquellos nodos que se sabe que no pueden mejorar la mejor solucin encontrada hasta el momento. Algoritmo IDA*. Variante del algoritmo A*, basado en realizar una bsqueda en profundidad iterativa acotada en cada iteracin por ciertos valores conservadores de la funcin heurstica. Algoritmo SMA*. Variante del algoritmo A*, que utiliza memoria limitada y descarta el nodo menos prometedor de ABIERTA cuando se necesita liberar memoria. Algoritmo voraz. Aquel que toma decisiones irrevocables en la exploracin y no considera alternativas al camino actual. Bsqueda del gradiente. Tipo de bsqueda local que acepta una solucin vecina slo si es mejor o igual que la actual. Bsqueda primero el mejor. Especializacin del algoritmo general de bsqueda en grafos, en la que se usa una funcin heurstica numrica cualquiera para ordenar ABIERTA. Bsqueda tab. Tipo de bsqueda local que descarta ciertos vecinos del nodo actual a partir del historial reciente de la bsqueda. Heurstico. Criterio para establecer la calidad de un estado en un problema de bsqueda. Temple simulado. Tipo de bsqueda local que realiza una eleccin aleatoria entre los vecinos del nodo actual y puede llegar a elegir un vecino peor con cierta probabilidad que decrece progresivamente a lo largo del proceso de bsqueda. Bloque IV rbol semntico, mtodo deductivo del. Mtodo de deduccin no determinista de la validez de una frmula, basado en la reduccin al absurdo.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

33

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
Autoepistmica, lgica. Extensin de la lgica clsica basada en la hiptesis del mundo cerrado. Basada en intervalos, lgica temporal. Aquella en que el tiempo se define mediante pares de puntos, permitiendo modelar propiedades de cierta duracin. Basada en puntos, lgica temporal. Aquella en que el tiempo se considera compuesto por un conjunto de puntos ordenados, permitiendo expresar eventos puntuales, y situaciones pasadas y futuras con respecto al instante presente. Borrosa, lgica. Extensin de la lgica clsica donde las proposiciones tienen un grado de verdad que se asigna mediante una funcin de pertenencia que toma valores en el intervalo real [0,1]. Circunscripcin de predicados. Ver autoepistmica, lgica. Clusula. Frmula consistente en una disyuncin de literales. Complejidad NP. Denominacin de la clase de problemas que pueden ser resueltos en tiempo polinmico por una mquina de Turing no determinista. Contradiccin. Proposicin que es falsa en todos los modelos posibles. CTL, lgica. Lgica temporal basada en puntos de gran expresividad y alta complejidad computacional, ampliamente aplicada en el campo de control de modelo o Model Checking. Difusa, lgica. Ver borrosa, lgica. Equivalencia, entre frmulas. Tiene lugar si y slo si las frmulas tienen el mismo conjunto de modelos que las satisfacen. Fragmento de lgica proposicional. Subconjunto de la lgica proposicional, que supone restricciones mediante guardias, limitacin de aridad de los predicados, o limitacin de variables con el fin de combatir la indecibilidad. Hiptesis del mundo cerrado. Hiptesis asumida en la lgica Autoepistmica o la Circunscripcin de predicados, consistente en suponer como falso todo aquello que no est explcitamente afirmado. Horn, clusula de. Clusula consistente en un tomo, una implicacin donde el antecedente es una conjuncin de literales positivos y el consecuente un solo literal positivo, o bien una implicacin donde el antecedente es una conjuncin de literales negativos, y el consecuente es vaco. Intuicionista, lgica. Extensin de la lgica clsica que redefine el concepto de tautologa. K, lgica. Variante de uso extendido de la lgica modal que utiliza un conjunto simplificado de axiomas. Lgica. Clculo definido sobre unos smbolos mediante un conjunto de reglas que establecen las inferencias vlidas (razonamientos correctos). Una lgica es en matemticas un lenguaje, donde las reglas de inferencia son equivalentes a reglas sintcticas que determinan la validez de las proposiciones del lenguaje, y una semntica que asigna significados a los smbolos del lenguaje.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

34

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Lgica proposicional. es un sistema formal diseado para analizar ciertos tipos de argumentos. En lgica proposicional, las frmulas representan proposiciones y las conectivas lgicas son operaciones sobre dichas frmulas, capaces de formar otras frmulas de mayor complejidad. LTL, lgica. Lgica temporal basada en puntos para la cual se utiliza el mtodo deductivo decidible basado en rboles semnticos. Modal, lgica. Extensin de la lgica clsica donde es posible indicar el modo en que es cierta o falsa una proposicin (cundo, dnde, bajo qu condiciones) y con ello expresar los conceptos de necesidad y posibilidad. Modelo. Asignacin de valores de verdad a todos los smbolos proposicionles que aparecen en una frmula lgica. Multivaluada, lgica. Extensin de la lgica clsica donde se permiten ms de dos valores de verdad. No montona, lgica. Extensin de la lgica clsica caracterizada por la posibilidad de volver atrs en las conclusiones. Orden superior, lgica de. Extensin de la lgica de primer orden que se caracteriza por tener variables relacionales de uno o varios rdenes, todas las cuales pueden cuantificarse. Por defecto, lgica. Extensin de la lgica clsica donde es posible establecer conclusiones y excepciones por defecto. Predicados, lgica de. Extensin de la lgica proposicional en la cual se introducen variables para denotar elementos del dominio, cuantificadores y predicados. Primer orden, lgica de. Ver Predicados, lgica de. Proposicin. Expresin lgica que puede ser falsa o verdadera. Relaciones de Allen o HS, lgica de las. Lgica temporal basada en intervalos de alta capacidad expresiva y aplicabilidad en problemas de tiempo real. Resolucin, mtodo de. Mtodo deductivo basado en averiguar la satisfacibilidad de un conjunto de frmulas. Semntico, mtodo deductivo. Aquel que busca un contraejemplo para una frmula, intentando demostrar que la frmula no es satisfacible. Sintctico, mtodo deductivo. Aquel que busca una demostracin final de la validez de una frmula a travs de reglas de deduccin. Tableau. Ver rbol semntico, mtodo deductivo del. Tablero semntico. Ver rbol semntico, mtodo deductivo del. Tautologa. Frmula que independientemente del modelo en que se evale siempre es verdadera.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

35

FUNDAMENTOSDEINTELIGENCIAARTIFICIAL
Temporal, lgica. Interpretacin de una lgica modal que permite utilizarla para modelar el tiempo sustituyendo los mundos posibles por instantes de tiempo y la accesibilidad entre mundos por la sucesin temporal, y convirtiendo los operadores modales en operadores temporales. Bloque V Base de Conocimientos. Componente de un Sistema Basado en Reglas que almacena segmentos de conocimiento relacional entre datos y conceptos. Base de Hechos. Memoria de trabajo de un Sistema Basado en Reglas que acumula un conjunto de hechos establecidos que se usan para determinar qu reglas puede aplicar el mecanismo de inferencias. Bsqueda bidireccional. Ver reversibilidad. Ciclo de reconocimiento-accin. Proceso iterativo de aplicacin del encadenamiento hacia delante. Conjunto conflicto. Conjunto de reglas seleccionadas por un proceso de equiparacin. Declarativa, representacin del conocimiento. Aquella en que est especificado el conocimiento pero no el modo en que debe ser usado. Encadenamiento hacia atrs de reglas. Modo de inferencia de un Sistema Basado en Reglas que parte de un conjunto de hiptesis e intenta verificar estas hiptesis usando datos de la Base de Hechos o datos externos (obtenidos, por ejemplo, del usuario). Encadenamiento hacia delante de reglas. Modo de inferencia de un Sistema Basado en Reglas que partiendo de una coleccin de hechos o afirmaciones de partida aplica las reglas de la Base de Conocimiento repetidas veces hasta que no se generan nuevos hechos. Equiparacin. Seleccin de reglas compatibles con la Base de Hechos por sus condiciones y acciones. Heurstica. Conjunto de tcnicas para la resolucin de un problema. Heurstico, conocimiento. Aquel conocimiento no riguroso ni consensuado por los expertos de un campo sino basado en heursticas propias de un experto o grupo de expertos. Indexacin, tcnica de equiparacin de. Aquella que consiste en aadir a las reglas nuevas condiciones relacionadas con el punto de inferencia. Intrprete de reglas. Ver Motor de inferencias. Motor de Inferencias. Mecanismo que implementa la estrategia de control de un Sistema Basado en Reglas, examina la Base de Hechos y determina qu reglas se deben disparar. Procedimental, representacin del conocimiento. Aquella que incluye la informacin de control necesaria para utilizar el conocimiento. Progresivo, razonamiento. Ver Encadenamiento hacia delante de reglas.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

36

|ngelesManjarrs,SeverinoFernndez,
JosLuisAznarteyOlgaSantos Regla. Par que consta de un antecedente o condicin, y un consecuente o accin. Equivale a un condicional IF-THEN de los lenguajes de programacin. Regresivo, razonamiento. Ver encadenamiento hacia a tras de reglas. Resolucin de conflictos. Seleccin de una regla de entre las resultantes de un proceso de equiparacin. Rete, algoritmo de equiparacin. Tcnica de aceleracin del proceso de equiparacin ampliamente utilizada que aumenta la velocidad de procesamiento a costa de consumir ingentes cantidades de memoria. Reversibilidad. Modo de inferencia mixto que combina encadenamiento de reglas hacia adelante y hacia atrs. Sistema basado en reglas. Aplicacin de los sistemas de deduccin en lgica proposicional restringidos a clusulas de Horn que utiliza reglas de inferencia de la lgica para obtener conclusiones lgicas. Tiene una base de conocimiento con reglas y algn mecanismo de inferencias que selecciona las reglas que se pueden aplicar y las ejecuta con el objetivo de obtener alguna conclusin. Bloque VI Arco descriptivo. Arco de una red semntica que representa un atributo y une el objeto al que hace referencia el atributo con el valor asociado al atributo. Arco estructural. Arco de una red semntica que une dos conceptos y determina la arquitectura de la red. Clase. Marco que expresa un conocimiento genrico. Demonio. Procedimiento asociado a una propiedad de un marco, que se encarga de recuperar, almacenar o borrar informacin asociada a dicha propiedad. Equiparacin. Mtodo de inferencia en redes semnticas o marcos consistente en la comparacin de datos, identificacin de aquella red semntica o marco que mejor los contiene y asignacin de valores. Faceta. Caracterstica de una propiedad o relacin asociada a un marco. Herencia de propiedades. Mtodo de inferencia en redes semnticas o marcos consistente en que los elementos ms especficos reciben propiedades y valores de los elementos ms genricos. Instancia. Marco que constituye un ejemplo concreto de un concepto genrico. Marco. Mtodo de representacin del conocimiento e inferencia que se centra en la representacin de conceptos referidos a entidades del dominio. Propiedad. Atributo asociado a una caracterstica genrica de un marco, que ayuda a describir el concepto representado por dicho marco. Red semntica. Mtodo de representacin del conocimiento e inferencia que se centra en la representacin de relaciones entre entidades del dominio.

UNIVERSIDAD NACIONAL DE EDUCACIN A DISTANCIA

37