SISTEMAS INTELIGENTES
T1: Introducción a los SSII
Sistemas Inteligentes: Introducción
• Definiciones de Inteligencia Artificial
• Breve historia
• Objetivos
• Metodologías
• Agentes
Definiciones de IA (I)
Humanidad
Racionalidad
R
azo
na
mi
en
to
C
omp
ort
ami
en
to
Test de Turing (1950)
Interrogador
A
B
¿Cuál de los dos,
A ó B, es un
sistema
inteligente?
Para engañar al interrogador la máquina debería
tener desarrolladas ciertas cualidades:
• Procesamiento de lenguaje natural, visión, robótica
• Representación del conocimiento, razonamiento
Pensando como humanos
• ¿Cómo piensan los humanos?
°
Introspección
°
Experimentos psicológicos
• Ciencia cognitiva
Combina técnicas de IA y psicología para construir teorías
sobre el modo de pensar de los humanos
• Una vez establecidas teorías sobre la forma de
pensar humana, se traduce a un programa
• GPS (General Problem Solver) Newell y Simon
Los pasos del razonamiento del GPS deberían ser
análogos a la traza del pensamiento humano cuando
resuelve los mismos problemas
Pensando racionalmente
• Aproximación de las leyes del
pensamiento
°
Aristóteles. Silogismos (patrones de
estructuras argumentales correctas)
» Se suponía que estas leyes gobernaban las
operaciones de la mente
» Primeros desarrollos en el campo de la lógica
°
Desarrollo de la lógica (s. XIX y XX)
» Notación precisa
» Programas lógicos
°
Dificultades
» Es difícil formalizar mediante lógica
» Recursos computacionales excesivos
Actuando como humanos
• Fundamental cuando se desea que un
sistema inteligente interactúe con
humanos
°
Dialogar
°
Ofrecer explicaciones
• Convenios de mínimos para facilitar el
entendimiento
• La representación subyacente no tiene
por qué seguir modelos humanos
Actuando racionalmente
• Concepto de Agente Inteligente
• Deben cumplir dos objetivos:
°
Ser capaces de percibir su entorno, y
°
actuar racionalmente de acuerdo con el
entorno percibido
» requiere razonar (lógicamente),
» actuar a partir de las conclusiones obtenidas,
» no siempre usan inferencia lógica (actos reflejos)
• Es más general que la lógica
Definiciones de IA (II)
Producir sistemas capaces de
adoptar comportamientos que, si
fuesen realizados por seres humanos
no dudaríamos en calificar de
inteligentes
Fundamentos de la I.A.
BIOLOGÍA
FILOSOFÍA
MATEMÁTICAS
COMPUTACIÓN
PSICOLOGÍA
LINGÜÍSTICA
I.A.
Teoría del razonamiento y del aprendizaje Teorías formales de la lógica, probabilidad, toma de decisiones…Funcionamiento del sistema nervioso y de otros sistemas biológicos
Hace posible la
implementación real de las soluciones
Investigación de la mente
Génesis de la IA (1943-1955)
• McCulloch y Pitts (1943) proponen un modelo
constituido por neuronas artificiales. Mostraron,
entre otras cosas, que los conectores lógicos podrían
implementarse usando redes sencillas
• Hebb (1949) propuso y demostró una sencilla regla
que permitía que redes adecuadamente definidas
pudiesen aprender
• Turing (1950) introduce el test que debería pasar un
computador para considerarse inteligente: la prueba
de Turing
• Minsky y Edwards (1951) construyen el SNARC, el
primer hardware neuronal
Nacimiento de la IA (1956)
• McCarthy, Minsky, Shannon y Rochester (1956)
organizaron un curso de 2 meses en el Darmouth
College
• Newell y Simon presentan el Logic Theorist (LT),
capaz de demostrar gran parte de los teoremas del
capítulo 2 del Principia Matemática
• En ese taller se acuñó el nombre de Inteligencia
Artificial
• ¿Por qué una disciplina separada?
° Desde el primer momento abarcó la idea de duplicar
facultades humanas: creatividad, auto-mejora, uso del lenguaje
° Es la única disciplina que persigue la construcción de
máquinas que funcionen automáticamente en medios complejos y cambiantes
Entusiasmo inicial, grandes
esperanzas (1952-1969)
• La mayor parte de la comunidad científica pensaba que una máquina nunca podría hacer tareas . Los investigadores en IA
respondían demostrando la realización de una tarea tras otra. Era la época de Mira mamá, ahora sin manos según McCarthy
• Al Logic Theorist del Newell y Simon siguió el GPS (General Problem Solver), el primero que incorporó el enfoque de pensar como un humano
• Samuel (1952) escribió una serie de programas que aprendieron a jugar a las damas a nivel amateur
• McCarthy (1958) definió el lenguaje Lisp, describió el Generador de
consejos, que incorporaba principios de representación de
conocimiento general y razonamiento
• Robinson (1965) propone el método de Resolución (completo) para demostrar teoremas usando lógica de predicados
Entusiasmo inicial, grandes
esperanzas (1952-1969)
• Gelernter (1959) construyo el DTG, capaz de
probar teoremas de geometría que muchos
estudiantes consideraban muy complejos
• Se proponen algunos micromundos que
parecen requerir inteligencia para resolver
problemas en ellos: uno de los más conocidos
es el mundo de bloques
• Los métodos de aprendizaje de Hebb se
reforzaron con los adalines (Widrow y Hoff,
1960) y los perceptrones (Rosenblatt, 1962)
Una dosis de realidad (1966-1973)
• Los primeros sistemas fallaron estrepitosamente al
utilizarlos en problemas más variados y complejos
° Les faltaba conocimiento del problema ° Los problemas eran intratables
• Los primeros pasos en evolución automática (ahora
llamados algoritmos genéticos) tuvieron escaso exito
• El informe Lighthill (1973) criticó principalmente la
incapacidad para tratar con la explosión combinatoria: el
gobierno británico retiró ayudas a la investigación en IA
• Otro obstáculo se derivó de las limitaciones inherentes a
las estructuras básicas:
° Minsky y Papert demostraron la incapacidad de un perceptrón
Sistemas basados en el
conocimiento (1969-1979)
• Buchanan, Lederberg y Feigenbaum (1969) construye el
DENDRAL, capaz de inferir una estructura molecular a partir
de información de un espectrómetro de masas: fue uno de los
primeros sistemas de reglas
• Le siguió MYCIN (Feigenbaum, Buchanan y Shortlife), capaz
de hacer diagnósticos tan buenos como los de un experto en
infecciones sanguíneas (y mejor que los de un médico novato)
° Las reglas se extrajeron de entrevistas con expertos
° Contaban con factores de certeza, usaba razonamiento con
incertidumbre
• Se avanzó en procesamiento de lenguaje y en planificación
• Se desarrollaron nuevos lenguajes y esquemas de
La IA se convierte en industria
(1980-actualidad)
• R1 (McDermott, 1982) es el primer
sistema experto comercial con éxito
Se usa en la elaboración de pedidos informáticos,
ahorrando aproximadamente 40 mill. de dólares
al año a Digital Equipment Corp.
• En 1988 el grupo de IA de la DEC ya
había distribuido 40 sistemas expertos y
Du Pont utilizaba más de 100
Regreso de las redes neuronales
(1986-actualidad)
• A mediados de los 80 se retoma el algoritmo de
retropropagación, mencionado por primera vez
en 1969 (Bryson y Ho)
• La difusión de los éxitos obtenidos suscitó gran
entusiasmo
• Surgió cierta rivalidad entre la aproximación
conexionista de las redes neuronales y la
aproximación simbólica
• La tendencia actual es que ambas son
complementarias, no competidoras
La IA se convierte en ciencia
(1987-actualidad)
• Se produce una revolución tanto en el contenido
como en la metodología
Es más usual el trabajo sobre teorías ya existentes que proponer teorías nuevas
• La IA ya forma parte del ámbito de los métodos
científicos
Formulación formal, experimentación, análisis estadístico de resultados, se usan repositorios de datos y código
• Surgen o reciben un gran impulso
Procesamiento de lenguaje, minería de datos, razonamiento probabilístico, robótica, visión, aprendizaje automático, etc…
Caracterizaciones de la IA
• Objetivos a largo plazo
• En qué se inspira
• Metodología empleada
Objetivos a largo plazo (I)
• Se ha dado en hablar de Gran IA y Pequeña IA
• La Gran IA persigue construir robots de
inteligencia igual a la humana
• La Pequeña IA trata de resolver problemas
específicos de forma inteligente y de generalizar las
técnicas para aplicarlas a otros problemas. Las
investigaciones se centran generalmente en alguno
de los siguientes objetivos
1. Producir máquinas que exhiban comportamiento inteligente
2. Comprender la inteligencia humana en el contexto social
3. Dar paso a “formas de vida” artificiales
Objetivos a largo plazo (II)
• Producir máquinas que exhiban comportamiento
inteligente puede ser útil:
° pueden llevar a cabo tareas para las que los humanos
somos propensos a cometer errores
° pueden permitirnos acometer tareas que antes no podíamos
afrontar
• Comprender la inteligencia humana en la sociedad
Los estudios en Inteligencia Artificial pueden ayudar a comprender mejor la inteligencia humana
° ¿Cuántas de las actividades que denominamos inteligentes
puedes ser replicadas por algoritmos?
° El estudio de sistemas multi-agente, que cooperan y se
comunican para resolver problemas es un ejemplo de
Objetivos a largo plazo (III)
• Dar paso a “formas de vida” artificiales
El estudio de vida artificial (ALife) está íntimamente relacionado con el concepto de evolución
° ¿Puede surgir comportamiento inteligente dando suficiente
tiempo para que evolucionen formas de vida artificiales?
• Incrementar el conocimiento científico
Las técnicas de IA hacen surgir problemas interesantes en sí mismos, como puede ser la complejidad algorítmica, etc.
° Muchos investigadores en IA no se dedican en absoluto a
desarrollar sistemas inteligentes, ni a estudiar la inteligencia humana o la vida artificial
En qué se inspira
• ¿Cómo conseguir que un ordenador actúe con inteligencia?
Utilizando la lógica
° Deducción formal
Imitando el razonamiento humano
° Sistemas expertos, planificación, razonamiento, aprendizaje,
procesamiento de lenguaje natural
Imitando la actividad biológica del cerebro
° Redes de neuronas artificiales (ANNs)
Usando los fundamentos de la evolución
° Algoritmos genéticos, robótica basada en comportamiento
Construyendo agentes que cooperen/compitan entre ellos
° Sistemas multiagente
Modelos computacionales basados en fuerza bruta
° Decir que Deep Blue no piensa en el ajedrez es como decir
que un avión no vuela porque no agita sus alas (Drew McDermott, New York Times)
Metodolgía empleada
• Dos aproximaciones Científica ( pulcra )
° Se formula una hipótesis, se demuestra formalmente si la
hipótesis es cierta o falsa y se ejemplifica
° Es una aproximación robusta, pero el progreso para automatizar
tareas complejas es lento Tecnológica ( desaliñada )
° Se aplica en problemas muy grandes y no bien definidos, donde
suelen combinarse diversas técnicas. A menudo las tareas son tan complejas que se considera un éxito el poder automatizarlas
RHINO: un robot guía interactivo
° Durante seis días guió a los visitantes de un museo en Bonn, evitando
obstáculos, moviéndose entre los visitantes e interaccionando con
Tareas generales que aborda la IA
• Hacer que un agente
Razone de forma racional
° prueba automática de teoremas, satisfacción de restricciones,
razonamiento basado en casos, etc. Aprenda y descubra nuevo conocimiento
° aprendizaje automático, data mining
Juegue bien (ajedrez, backgammon, etc.)
° técnicas de búsqueda en juegos con adversarios
Se comunique con los humanos
° procesamiento de lenguaje natural y síntesis del habla
Muestre signos de vida
° algoritmos genéticos, programación genética
Maniobre de forma inteligente en el mundo real
Agentes
• Un agente es cualquier cosa capaz de
percibir su entorno con la ayuda de
sensores y actuar sobre dicho entorno
mediante actuadores
Sensores Actuadores Percepciones Acciones Agente E n to rn oAgentes: algunos conceptos
• Función del agente: define el comportamiento del agente; proyecta una percepción dada en una acción
• Programa del agente: implementa la función del agente
• Agente racional: en cada posible secuencia de percepciones, un agente racional deberá emprender aquella acción que
supuestamente maximice su medida de rendimiento, basándose en las evidencias aportadas por la secuencia de percepciones y en el conocimiento que el agente mantiene almacenado
• Autonomía: se mide por el grado en que su comportamiento viene determinado por su experiencia
° se requiere un balance entre la falta de autonomía y la autonomía
Propiedades de los entornos
• Totalmente/parcialmente observable
Los sensores ¿acceden al estado completo del entorno?
• Determinista/estocástico
El siguiente estado ¿está totalmente determinado por la acción?
• Episódico/secuencial
¿Se puede dividir la experiencia del agente en episodios atómicos, tales que la elección de acción en cada episodio depende solo de éste?
• Estático/dinámico
¿Puede cambiar el entorno mientras el agente elige una acción?
• Discreto/continuo
¿Cómo se maneja el tiempo, las percepciones, las acciones?
• Individual/Multiagente
¿Hay un solo agente interaccionando en el entorno?¿Es un entorno competitivo o cooperativo?
Ejemplos de entornos
• Totalmente observable: algunos problemas de juguete • Parcialmente observable: conducir
• Episódico: clasificación
• Secuencial: jugar al ajedrez
• Estático: resolver un crucigrama • Dinámico: conducir
• Discreto: ajedrez • Continuo: conducir
• Individual: buscar una ruta en un mapa • Multiagente:
competitivo: parchís, ajedrez
Estructura de los agentes
• Agentes reactivos simples
• Agentes reactivos basados en modelos
• Agentes basados en objetivos
• Agentes basados en utilidad
Agentes reactivos simples
Agente Sensores ActuadoresE
n
to
rn
o
Qué acción debo tomar ahora Cómo es el mundo
ahora
modelos
Cómo es el mundo ahora
Qué acción debo tomar ahora Qué efectos causan
mis acciones
Reglas de condición-acción Cómo evoluciona el mundo
Estado
E
n
to
rn
o
Agente Actuadores SensoresAgentes basados en objetivos
Cómo es el mundo ahora
Qué pasará si realizo la acción A Qué efectos causan
mis acciones
Cómo evoluciona el mundo
Qué acción debo tomar ahora Estado Objetivos
E
n
to
rn
o
Agente Actuadores SensoresAgentes basados en utilidad
Actuadores Cómo es el mundo
ahora
Qué pasará si realizo la acción A Qué efectos causan
mis acciones
Cómo evoluciona el mundo
Qué acción debo tomar ahora Estado Estaré contento en este estado Utilidad
