Fase1 - 90169 - 15 IA
Fase1 - 90169 - 15 IA
Fase1 - 90169 - 15 IA
CÓDIGO: 90169
UNIDAD 1
Presentado a:
FERNANDO ROJAS
Tutor
Entregado por:
Grupo: 90169_15
• Lógica difusa
Lógica difusa o lógica heurística se basa en lo relativo de lo
observado como posición diferencial. Este tipo de lógica toma dos
valores aleatorios, pero contextualizados y referidos entre sí. Así,
por ejemplo, una persona que mida 2 metros es claramente una
persona alta, si previamente se ha tomado el valor de persona
baja y se ha establecido en 1 metro. Ambos valores están
contextualizados a personas y referidos a una medida métrica
lineal.
Se basa en lo relativo de lo observado como posición diferencial.
Este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí.
La lógica difusa se utiliza cuando la complejidad del proceso en
cuestión es muy alta y no existen modelos matemáticos precisos,
para procesos altamente no lineales y cuando se envuelven
definiciones y conocimiento no estrictamente definido.
Este tipo de lógica toma dos valores aleatorios, pero
contextualizados y referidos entre sí. Así, por ejemplo, una
persona que mida dos metros es claramente una persona alta, si
previamente se ha tomado el valor de persona baja y se ha
establecido en un metro. Ambos valores están contextualizados a
personas y referidos a una medida métrica lineal.
• Redes neuronales artificiales
Son sistemas de procesamiento de la información cuya estructura
y funcionamiento están inspirados en las redes neuronales
biológicas. Consisten en un gran número de elementos simples de
procesamiento llamados nodos o neuronas que están organizados
en capas. Cada neurona está conectada con otras neuronas
mediante enlaces de comunicación, cada uno de los cuales tiene
asociado un peso. Los pesos representan la información que será
usada por la red neuronal para resolver un problema determinado.
Son un paradigma de aprendizaje y procesamiento automático
inspirado en la forma en que funciona el sistema nervioso de los
animales. Se trata de un sistema de interconexión de neuronas en
una red que colabora para producir un estímulo de salida.
Las RNA son modelos que intentan reproducir el comportamiento
del cerebro. Como tal modelo, realiza una simplificación,
averiguando cuáles son los elementos relevantes del sistema, bien
porque la cantidad de información de que se dispone es excesiva
o bien porque es redundante.
Existen ciertos criterios que hay que definir en el proceso de
aplicación de un modelo de red neuronal artificial para estimar
alguna variable climatológica. Dicho proceso empieza a especificar
el problema, para redes supervisadas tal como la red feedforward
entrenada con el algoritmo backpropagation, significa la elección
de un conjunto de vectores de entrada y un conjunto de vectores
deseados de salida (Demuth et al., 2008). Antes de entrenar la
red se inicializan los pesos y sesgos al utilizar algún algoritmo, una
vez hecho esto se está listo para el entrenamiento; la red es
entrenada por una función de aproximación (regresión no lineal),
patrón de asociación o patrón de clasificación, durante el
entrenamiento los pesos y sesgos de la red son iterativamente
ajustados para minimizar la función de desempeño de la red. La
función de desempeño de la red feedforward típica para el
entrenamiento de la RNA es el error medio cuadrado (MSE) o suma
media del cuadrado de los errores, que se obtiene entre la salida
de la red a y el target o valores observados t descrita por la
Ecuación (1):
• Sistemas reactivos
Los Sistemas Reactivos son sistemas: responsivos, resilientes,
elásticos y orientados a mensajes.
Son aplicaciones críticas, en las cuales una falla o mal
funcionamiento pueden acarrear consecuencias graves, tales
como poner en juego vidas humanas y/o grandes inversiones
económicas.
➢ Sistemas Responsivos
Los sistemas responsivos son sistemas que responden de
una forma oportuna y en la medida de lo posible. Estos
sistemas se orientan en obtener tiempos de respuesta
rápidos (milisegundos), consistentes y efectivos.
➢ Sistemas Resilientes
Los sistemas resilientes permanecen responsivos ante
fallos. Son sistemas que disponen de alta disponibilidad,
sistemas de misión crítica. La resiliencia es necesaria para
cualquier sistema responsivo. Estos sistemas se consiguen
a través de replicación, contención, aislamiento y
delegación.
➢ Sistemas Elásticos
Los sistemas elásticos se mantienen responsivos
independientemente del nivel de carga. El número de
elementos del sistema puede variar ampliándose o
disminuyéndose para atender más o menos demanda y ante
estos cambios el sistema debe seguir siendo responsivo y
resiliente.
➢ Sistemas Orientados a Mensajes
Los sistemas orientados a mensajes asíncronos permiten la
gestión aún más rápida de tareas sin bloqueos. Estos
sistemas mantienen un bajo nivel de acoplamiento,
aislamiento y proporcionan medios para delegar la gestión
de errores.
➢ Micro servicios
Aunque el manifiesto no habla específicamente de ellos, al
decir que los grandes sistemas estarán compuestos de otros
más pequeños con las mismas características ya dejan
entrever la constitución de un sistema a través de pequeños
elementos o unidades que se mantengan aislados y
operantes, responsivos, resilientes y elásticos de forma
individual para conseguir un sistema como un conjunto
igualmente responsivo, resiliente y elástico e igualmente
orientado a mensajes asíncronos en toda su interacción.
• Sistemas Multiagente
El dominio del sistema multiagente o de inteligencia
artificial distribuida es una ciencia y una técnica que trata con los
sistemas de inteligencia artificial en red.
Pueden ser utilizados para resolver problemas que son difíciles o
imposibles de resolver para un agente individual o un sistema
monolítico.
• Sistemas basados en reglas
una de las herramientas más eficientes para tratar de manera
eficiente una buena colección de problemas, ya que las reglas
deterministas constituyen la más sencilla de las metodologías
utilizadas en sistemas expertos. En estos sistemas, la base de
conocimiento de la que se parte contiene las variables y el
conjunto de reglas que definen el problema, y el motor de
inferencia es capaz de extraer conclusiones aplicando métodos de
la lógica clásica sobre esta base. Una regla en este contexto es
una proposición lógica que relaciona dos o más objetos del
dominio e incluye dos partes, la premisa y la conclusión, que se
suele escribir normalmente como “Si premisa, entonces
conclusión”. Cada una de estas partes es una expresión lógica
con una o más afirmaciones objeto-valor conectadas mediante
operadores lógicos (y, o, o no).
3.
Los agentes se pueden emplear en muchos dominios de aplicación,
llevando consigo a que cada dominio asocie varios y diferentes atributos
a la definición de agente.
Las características de un agente son:
▪ Reactivo: El agente es capaz de responder a cambios en el entorno
en que se encuentra situado.
▪ Proactivo: A su vez el agente debe ser capaz de intentar cumplir
sus propios planes u objetivos.
▪ Social: Debe de poder comunicarse con otros agentes mediante
algún tipo de lenguaje de comunicación de agentes.
▪ Racional: Similar a la característica en los humanos, el agente tiene
unos conocimientos de su entorno, unos objetivos y unas reglas que
determinan cómo alcanzar los objetivos a partir del conocimiento que
maneja.
▪ Coherente: El conocimiento que maneja el agente (base de
conocimiento) tiene un alto grado de cohesión, para que el
comportamiento del agente sea adecuado.
▪ Adaptable: Es capaz de actualizar su base de conocimiento y su
comportamiento (base de reglas) a partir de las percepciones que
recibe de su entorno y de sus comportamientos anteriores
(aprender).
▪ agentes reactivos
▪ agentes reactivos basados en modelo
▪ agentes basados en objetivos
▪ agentes basados en utilidad
▪ agentes que aprenden
▪ agentes de consultas
Indicar de las técnicas, herramientas de la inteligencia artificial que
utilizará en el proyecto en desarrollo.
• Aprendizaje Automático
• Sistemas basados en reglas
REFERENCIAS