Tema 1

“Introducción a la
Inteligencia Artificial”

Año Académico 2017/18

Profesores:
Sascha Ossowski, Alberto Fernández y Holger Billhardt

–1–
 Bloque I: Introducción a la IA

Resumen:

1. Introducción a la Inteligencia Artificial

1.1 Qué es la IA?

1.2 Agentes Inteligentes

–2–
 Inteligencia Artificial : Disciplinas

Objetivo: estudiar artefactos inteligentes

Disciplinas relacionadas :
• Filosofía
– leyes del pensamiento, lógica
– relación entre la mente y la materia (dualismo, materialismo)
– relación entre el conocimiento y la experiencia (empirismo,
positivismo, ...)
– relación entre el conocimiento y la acción
– ...
• Matemáticas
– concepto de algoritmo (al-Jawarizmi)
– teorema de incompletitud (Gödel)
– intratabilidad y teoría de la completitud NP
– teoría de la decisión (von Neumann / Morgenstern)
–3–
 Inteligencia Artificial: Disciplinas
Disciplinas relacionadas:
• Psicología:
– modelos del comportamiento humano
– conductistas: modelos estimulo-respuesta
– psicología cognitiva: creencias, objetivos, pasos de razonamiento, . . .
• Lingüística:
– modelos de la interacción verbal humana
– reconocimiento y generación del habla
– representación del conocimiento
• Sociología:
– modelos del comportamiento humano en grupo
– psicología social: compromisos, normas, obligaciones, . . .
• Ingeniería computacional :
– facilita los artefactos (hardware y software) para la IA
• ...
–4–
 Inteligencia Artificial: Historia

• 1940/50:
– Programas que resuelven tareas básicas de razonamiento (jugar al ajedrez / jugar a las
damas / probar teoremas geométricos)
– primeros modelos de neuronas artificiales (McCulloch/Pitts)
• 1960/70:
– representaciones especializadas del conocimiento (reglas, marcos, guiones)
– primeros sistemas expertos (Dendral, Prospector, Mycin)
– declive de la computación neuronal (análisis de los Perceptrones de Minsky)
• 1980:
– aplicaciones comerciales de los sistemas expertos
– proyecto de software de “quinta generación” en Japón
• 1990:
– regreso de las redes de neuronas
• 2000 hasta hoy:
– modelos de incertidumbre (cadenas de Markov, redes Bayesianas)
– agentes inteligentes (robots autónomos, sistemas multiagente)
– ...

–5–
 Inteligencia Artificial

Objetivo: estudiar los entes inteligentes

– científico: entender los entes inteligentes
– ingenieril: construir entes inteligentes

Algunas definiciones: “IA fuerte”

• Sistemas que piensan como humanos
“La interesante tarea de lograr que las computadoras piensen...
Máquinas con mente, en su amplio sentido literal” (Haugeland 1985)
• Sistemas que actúan como humanos
“El arte de crear máquinas con capacidad de realizar funciones que
realizadas por personas requieren inteligencia” (Kurzweil 1990)
• Sistemas que actúan de forma racional
“La rama de la Informática que se ocupa de la automatización del
comportamiento inteligente” (Luger & Stubblefield, 1993)
“IA débil”

–6–
 Actuar como humanos

Prueba de Turing : [Alan Turing, 1950]

• Un evaluador humano y un interlocutor están separados por una mampara
• El interlocutor puede ser bien otro persona o bien un ordenador
• El evaluador formula preguntas a través de un teletipo, y el interlocutor da
sus respuestas del mismo modo
• El ordenador supera la prueba, si el evaluador no es capaz de distinguir
entre él y un humano
Capacidades requeridas :
• procesamiento del lenguaje natural
• representación del conocimiento y razonamiento
• aprendizaje
Prueba total de Turing:
• incluye señales de vídeo y objetos físicos
• requiere capacidad de visión computacional y robótica
–7–
 Pensar como humanos

Modelado cognitivo:
• abrir la “caja negra” de la mente humana
• analizar los procesos mentales (introspección, experimentos)
• desarrollar una teoría acerca de los procesos mentales
• aplicar esta teoría en la simulación de dichos procesos en un ordenador
General Problem Solver (GPS) [Newell & Simon 1961]:
• resuelve problemas mediante la descomposición en subproblemas más
simples
• se centra en la comparación de los pasos de razonamiento del GPS con
los pasos seguidos por una persona al resolver el mismo problema

Ciencia Cognitiva:
• modelos computacionales (IA) + técnicas experimentales (psicología)
• construir teorías rigurosas y verificables acerca de los procesos mentales

–8–
 Actuar de forma racional

Racionalidad:
• prescriptivo: como las personas deberían actuar
• sentido estricto: ¿cómo sacar “conclusiones verdaderas”?
• sentido amplio: ¿cómo actuar y “sobrevivir” en un entorno?
Pensar de forma racional:
• leyes de pensamiento de Aristóteles: razonamiento irrefutable
• lógica formal :
– lenguaje formal para representar todo tipo de entes en el mundo
– modelo riguroso para razonar sobre dichos entes
• en su estado “puro”, más estrechamente relacionado con la
filosofía y las matemáticas
Actuar de forma racional:
• Inteligencia Artificial: modelar/construir sistemas que actúan basándose
en la inferencia lógica automática
–9–
 Actuar de forma racional

Agentes Racionales:
• enfoque relativo al contexto: actuar de forma correcta en un entorno
• no se limita a la inferencia racional (lógica)
– a veces es imposible determinar formalmente cuál es la mejor acción
– en algunas situaciones es “racional” emprender una acción “buena”
inmediatamente en vez de esperar hasta determinar la alternativa óptima
• se pueden determinar acciones eficientes por inferencias no lógicas

Ventajas:
• pone énfasis en una perspectiva ingenieril
• proporciona criterios transparentes para evaluar conducta inteligente
• destaca la relación entre comportamientos inteligentes y el entorno en el
que se desarrollan: noción gradual de inteligencia
• permite una concepción integrada de las distintas técnicas y subáreas de la
Inteligencia Artificial
– 10 –
 Tema 1: Introducción a la IA

Resumen:

1. Introducción a la Inteligencia Artificial

1.1 Qué es la IA?

1.2 Agentes Inteligentes

– 11 –
 Agentes

Agente:
• ente activo embebido en un entorno percepciones
• “cuerpo”:
– percibe el entorno por medio
de sensores
– actúa sobre el entorno por
medio de efectores
entorno
• “mente”:
– determina las acciones a partir
de las percepciones
– medida de rendimiento que guía acciones
dicho proceso

– 12 –
 Tipos de Agentes

Agentes naturales:
– cuerpo biológico y entorno natural
– sensores: ojos, oídos, lengua, etc.
– efectores: piernas, brazos, manos, etc.
– medida de rendimiento: sobrevivir, reproducirse, ...

Agentes artificiales:
• agentes hardware (robots):
– interactúan directamente con un entorno físico
– disponen de un “cuerpo” físico
– sensores: cámaras, telémetros infrarojos, etc.
– efectores: ruedas/piernas, manipuladores, etc.
• agentes software (softbots):
– actúan en entornos virtuales (p.e. Internet)
– todo software: no necesitan manipular físicamente el entorno
– sensores y efectores: dependientes del entorno

– 13 –
 Agente inteligente

Agentes inteligentes:
• actúan de forma racional en su entorno
• determinantes de un comportamiento racional :
– medida de rendimiento: define el grado de éxito del agente
– secuencia de percepciones: la experiencia del agente
– conocimientos a priori sobre su entorno
– capacidades: las acciones que el agente pueda emprender
Comportamiento racional:
• a partir de la secuencia de percepciones hasta el momento, y el
conocimiento a priori sobre el entorno
• elegir entre las capacidades la acción que maximice la medida de
rendimiento
Racionalidad ¹ Omnisciencia
• la selección racional de acciones sólo se basa en la información disponible
– 14 –
 Autonomía

Problema:
• los conocimientos a priori compilan la “inteligencia” del diseñador
• un agente que no presta atención a sus percepciones
– no sería inteligente
– sólo podría actuar en entornos extremadamente simples
– no puede actuar con éxito en situaciones no anticipadas

Autonomía:
• “no bajo el control inmediato de una persona”
• un agente es más autónomo...
– ... cuanto más se rige su comportamiento por su propia experiencia
– ... cuanto menos depende de sus conocimientos a priori

Agente inteligente = comportamiento racional + autonomía

– 15 –
 Programa y Arquitectura de Agente

Programas de Agente:
• software que determina el comportamiento del agente
• implementa la función percepción-acción
{simple agent program}
memory ¬ perceive(memory, percept)
action ¬ action-selection(memory, performance-measure)
memory ¬ act(memory, action)

Arquitectura de agente:
• los módulos que componen el agente
• estructura el programa de agente
• partes imprescindibles:
– componente de percepción
– componente de selección de acciones
– componente de acción

– 16 –
 Propiedades del entorno

Propiedades:
• accesible frente a inaccesible:
– ¿El agente puede determinar inequívocamente el estado de su entorno ?
– Accesible: Ajedrez , “tres en raya”
– Inaccesible: Póker, laberinto, juego de vídeo
• determinista frente a no determinista:
– ¿Los acciones del agente en un estado actual determinan completamente
el estado resultante?
– Determinista: Ajedrez, agente software en entorno simulado
– No determinsta: gestión de tráfico, robót en sala real

– 17 –
 Propiedades del entorno

Propiedades :
• estático frente a dinámico:
– ¿El estado del entorno pueda cambiar mientras que el agente delibera?
¿Puede cambiar sin que el agente actúe?
– estático: agente software en un laberinto simulado (entorno no cambia)
– “semidinámico”: ajedrez (cambios previsibles)
– dinámico: gestión de tráfico (cambios imprevisibles)
• discreto frente a continuo:
– ¿Los conjuntos de posibles percepciones y/o acciones son discretos?
– discreto: ajedrez, agente software en un laberinto simulado
– continuo: robot navegando en una sala real

– 18 –