Professional Documents
Culture Documents
PRELIMINARES
BIMESTRE
PRIMER
MODALIDAD ABIERTA Y A DISTANCIA
SEGUNDO
BIMESTRE
Inteligencia Artificial
Guía didáctica
4 créditos
SOLUCIONARIO
ANEXOS
Titulación
Ciclos
8 ¡ Ingeniero en Informática
10 ¡ Ingeniero en Informática*
1
ÍNDICE
PRELIMINARES
UNIVERSIDAD TÉCNICA PARTICULAR DE LOJA
La Universidad Católica de Loja
BIMESTRE
PRIMER
Departamento de Ciencias de la Computación y Electrónica
Sección Inteligencia y Artificial
SEGUNDO
BIMESTRE
Inteligencia
SOLUCIONARIO
Artificial
Guía didáctica
4 créditos
ANEXOS
Titulación: Ciclos
§ Ingeniero en Informática* X
Autoras:
Ms. Priscila Marisela Valdiviezo Díaz
Ms. Dunia Inés Jara Roa
Asesoría virtual:
www.utpl.edu.ec
ÍNDICE
PRELIMINARES
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
SOLUCIONARIO
ANEXOS
INTELIGENCIA ARTIFICIAL
Guía didáctica
Priscila Marisela Valdiviezo Díaz
Dunia Inés Jara Rodas
CC Ecuador 3.0 By NC ND
Diagramación, diseño e impresión:
Ediloja Cía. Ltda.
Telefax: 593-7-2611418
San Cayetano Alto s/n
www.ediloja.com.ec
edilojainfo@ediloja.com.ec
Loja-Ecuador
Segunda edición
Primera reimpresión
ISBN-978-9942-08-418-7
Segunda edición
Esta versión digital ha sido acreditada bajo la licencia Creative Commons Ecuador 3.0 de reconocimiento -no comercial- sin obras derivadas; la
cual permite copiar, distribuir y comunicar públicamente la obra, mientras se reconozca la autoría original, no se utilice con fines comerciales
ni se realicen obras derivadas. http://www.creativecommons.org/licences/by-nc-nd/3.0/ec/
9 de julio, 2014
ÍNDICE
2. Índice
PRELIMINARES
2. Índice............................................................................................................................................................. 4
3. Introducción............................................................................................................................................. 6
BIMESTRE
PRIMER
4. Bibliografía............................................................................................................................................... 7
4.1. Básica........................................................................................................................................... 7
4.2. Complementaria...................................................................................................................... 7
5. Orientaciones generales para el estudio.............................................................................. 9
SEGUNDO
BIMESTRE
6. Proceso de enseñanza-aprendizaje para el logro de competencias................. 10
PRIMER BIMESTRE
SOLUCIONARIO
6.2. Planificación para el trabajo del alumno......................................................................... 10
6.3. Sistema de evaluación de la asignatura (primero y segundo bimestres)............. 13
6.4. Orientaciones específicas para el aprendizaje por competencias............................ 14
ANEXOS
1.2. Aspectos históricos.................................................................................................................. 14
1.3. Estado del arte de la IA.......................................................................................................... 16
1.4. Aplicación de la IA y su relación con otras áreas............................................................ 17
Autoevaluación 1................................................................................................................................. 19
PRELIMINARES
4.1. Estrategias de búsqueda informada.................................................................................. 38
4.2. Algoritmos de búsqueda local y problemas de optimización................................... 40
4.3. Búsqueda on-line y ambientes desconocidos................................................................ 41
Autoevaluación 4................................................................................................................................. 44
Segundo BIMESTRE
BIMESTRE
PRIMER
6.5. Competencias genéricas........................................................................................................ 46
6.6. Planificación para el trabajo del alumno......................................................................... 46
6.7. Orientaciones específicas para el aprendizaje por competencias............................ 49
SEGUNDO
BIMESTRE
5.1. Introducción a los problemas de satisfacción de restricciones.................................. 49
5.2. Búsqueda con vuelta atrás para resolver Problemas de Satisfacción de
Restricciones (PSR).................................................................................................................. 51
5.3. Búsqueda local para problemas de satisfacción de restricciones............................. 53
SOLUCIONARIO
5.4. Estructura de los problemas................................................................................................. 54
Autoevaluación 5................................................................................................................................. 55
ANEXOS
6.3. Poda Alfa-Beta.......................................................................................................................... 58
Autoevaluación 6................................................................................................................................. 60
3. Introducción
PRELIMINARES
En el presente período académico tenemos el agrado de compartir con usted los conocimientos de la
asignatura “Inteligencia Artificial” que tiene cuatro créditos, y forma parte del noveno ciclo de la titulación
de Ingeniero en Informática.
BIMESTRE
La Inteligencia Artificial (IA) estudia las estrategias y algoritmos que permiten a los computadores dotar
PRIMER
de funciones a fin de que se acerque a la forma de pensar de las personas. Esta disciplina, puede ser
aplicada en distintas áreas del conocimiento, como: medicina, control automático, análisis de datos, etc. ,
razón por la cual el estudio de esta disciplina es importante en su formación profesional como Ingeniero
en Informática.
SEGUNDO
BIMESTRE
El propósito de esta asignatura es aprender las técnicas adecuadas para la resolución de problemas
del mundo real y conocer su aplicabilidad en el ámbito informático. Para alcanzar dicho propósito, el
programa de la asignatura se lo ha organizado de la siguiente forma: en el primer bimestre se contemplan
temas como: "Introducción a la inteligencia artificial", donde se conocerán aspectos generales de esta
disciplina, agentes inteligentes, resolución de problemas mediante búsqueda y estrategias de búsqueda
SOLUCIONARIO
informada y de exploración. En el segundo bimestre, se abarcarán unidades relacionadas a la búsqueda
entre adversarios, donde se cubrirán temas como el algoritmo minimax, y la poda alfa-beta; agentes
lógicos que contempla temas relacionados a lógica proposicional y a patrones de razonamiento;
finalmente, lo relacionado a la representación del conocimiento. Seleccionamos estos temas ya que
creemos que son la base fundamental de “cómo piensa un computador”. Además, como esta materia
contempla también elementos de práctica, hemos creído conveniente proponer ejercicios que se irán
desarrollando con el fin de afianzar la teoría.
ANEXOS
Hagamos de este camino de la inteligencia artificial, un sendero para transitar juntos, recuerde que
siempre estaremos apoyándolo en sus inquietudes. Estamos seguras que con su esfuerzo personal y
nuestro apoyo podrá culminar con éxito el aprendizaje de esta asignatura.
6
ÍNDICE
Guía didáctica: Inteligencia Artificial
4. Bibliografía
PRELIMINARES
4.1. Básica
Russell, S. (2004). Inteligencia artificial un enfoque moderno. 2da edición. Madrid. España:
BIMESTRE
PRIMER
Prentice Hall.
SEGUNDO
BIMESTRE
pueden pensar los computadores. El texto además contiene por cada temática, ejercicios
resueltos y propuestos que le permitirán reforzar lo aprendido. Los ejercicios resueltos se
explican paso a paso y presentan comentarios y explicaciones.
Además al finalizar cada capítulo le ofrece un resumen que es un repaso rápido de conceptos
SOLUCIONARIO
aplicados.
Valdiviezo, P., Jara, D. (2012). Guía didáctica de Inteligencia Artificial. Loja. Ecuador: Editorial
UTPL.
La Guía didáctica de Inteligencia Artificial, orienta y da las pautas que el estudiante necesita
para su aprendizaje, está diseñada para acompañar el estudio de la asignatura. Encontrará
ANEXOS
en ella ejemplos aclarativos de la teoría del texto básico y elementos educativos para
resolver sus dudas e inquietudes.
4.2. Complementaria
Mancilla, L. (2008). Qué son agentes inteligentes software. Revista Gaceta Ide@s CONCYTEG
Año 3. Núm. 31, 21 de enero. Recuperado de:
http://octi.guanajuato.gob.mx/octigto/formularios/ideasConcyteg/Archivos/31072008_
QUE_SON_AGENTES_INTELIGENTES_SOFTWARE.pdf
7
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Otro de los ejemplos clásicos de la inteligencia artificial y que va a encontrar en el texto
básico, es el mundo de Wumpus. Revise la programación del juego en este documento y por
supuesto puede intentar jugar y ganar.
BIMESTRE
PRIMER
Estudiaremos el algoritmo backtracking que permite obtener mejores resultados que
el utilizar lógica proposicional. En este documento se dará cuenta como todo problema
puede ser sometido a un análisis de búsqueda hacia atrás obteniendo mejores soluciones
aunque no necesariamente las más optimas. Esta última frase debió haber despertado su
SEGUNDO
BIMESTRE
curiosidad. Anímese a revisarlo.
Hendler, J., Berners-Lee, T., Miller, E. (2002). Integrating Applications on the Semantic
Web. Journal of the Institute of Electricarl Engineers of Japan, vol 122(10), october, 2002.
Recuperado de: http://www.w3.org/2002/07/swint
SOLUCIONARIO
En este artículo encontrará una visión general de lo que es la Web semántica, algunas
aplicaciones integradas a esta Web y los servicios que ofrece.
Neches, R., Fikes, R., Finin, T., Gruber, T., Patil, R., Senator, T., Swartout, W.R. (1991). Enabling
Technology for Knowledge Sharing. AI Magazine. Winter. 36-56. Recuperado de: http://
tomgruber.org/writing/AIMag12-03-004.pdf
ANEXOS
En este artículo encontrará temas relacionados al proceso de construcción y representación
del conocimiento mediante ontologías.
En este sitio encontrará una explicación de los agentes basados en conocimiento y sobre los
lenguajes de representación del conocimiento.
8
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
El estudiar a distancia requiere de organización y planificación, estamos seguras que si usted realiza
el mejor esfuerzo posible y con nuestro apoyo logrará habituarse a esta modalidad de estudio; con el
objeto de posibilitar un aprendizaje significativo le ofrecemos algunas orientaciones que le ayudarán a
comprender mejor a esta rama de la ciencia.
BIMESTRE
PRIMER
Tenga en cuenta que para el desarrollo de la asignatura dispone de los siguientes materiales y recursos
didácticos:
Guía didáctica y el texto básico, detallados en la bibliografía y que son los recursos
indispensables para el desarrollo del aprendizaje. Trabajaremos constantemente con los
SEGUNDO
BIMESTRE
dos, por lo que le recomendamos siempre tenerlos a mano.
Para iniciar con el estudio de los contenidos de cada uno de los bimestres es necesario que
revise la planificación para el trabajo del alumno; así como el sistema de evaluación que se
encuentra detallado en el inciso 6.3 de la presente guía didáctica.
SOLUCIONARIO
Los contenidos están divididos en dos partes, para el primer bimestre estudiaremos las
unidades 1 a 4 y para el segundo bimestre abordaremos las unidades 5, 6, 7 y 8.
Es importante que escoja un lugar tranquilo, bien iluminado para el estudio de la asignatura.
Para una mejor comprensión de los temas señalados en la guía didáctica, utilice técnicas
ANEXOS
de estudio como el subrayado, resúmenes, cuadros sinópticos, y/o cualquier estrategia de
aprendizaje de acuerdo a su manera de aprender temas.
Los trabajos a distancia son un conjunto de actividades teóricas y prácticas que deben
desarrollarse obligatoriamente con el fin de evaluar el progreso de su aprendizaje. Existen
dos evaluaciones a distancia, una por cada bimestre, que tienen una valoración de seis puntos
cada una (2 puntos para la parte objetiva, y 4 para la parte de ensayo que corresponden a
las actividades propuestas en su trabajo a distancia y a su participación en el EVA). Estas
evaluaciones son requisito para presentarse a la evaluación presencial.
Si tiene alguna inquietud recuerde que no está solo, cuenta con nuestro apoyo, estamos
dispuestas a ayudarle, puede realizar las respectivas consultas vía telefónica, email o a través
de los diferentes medios que le ofrece la Universidad.
Esperamos que todas y cada una de estas recomendaciones contribuyan al aprendizaje exitoso de esta
asignatura.
9
6. Proceso de enseñanza-aprendizaje para el logro de competencias
PRIMER BIMESTRE
üü Pensamiento crítico
üü Comportamiento ético
üü Innovación
Contenidos Cronograma
Competencias orientativo
Indicadores de aprendizaje Actividades de Aprendizaje
específicas Unidades/Temas Tiempo estimado
Capacidad para -- Maneja los antecedentes UNIDAD 1: INTRODUCCIÓN A LA -- Leer comprensivamente y obtener las principales ideas del Semana 1 y 2: 8
analizar problemas culturales que han INTELIGENCIA ARTIFICIAL capítulo 1 del texto básico. horas de
de programación y servido de base para el autoestudio y 8
1.1. ¿Qué es inteligencia artificial? -- Desarrollar los ejercicios 1.11, 1.12, y 1.13 del texto básico.
plantear soluciones desarrollo de la horas de interacción.
mediante métodos inteligencia artificial 1.2. Aspectos históricos -- Realizar la autoevaluación 1.
computacionales.
-- Define lo que se entiende 1.3. Estado de arte de Inteligencia
por inteligencia artificial Artificial
1.4. Áreas de aplicación y relaciones
con otras ciencias
10
SEGUNDO PRIMER
ANEXOS SOLUCIONARIO PRELIMINARES ÍNDICE
BIMESTRE BIMESTRE
Contenidos Cronograma
Competencias orientativo
Indicadores de aprendizaje Actividades de Aprendizaje
específicas Unidades/Temas Tiempo estimado
Capacidad para -- Identifica un agente UNIDAD 2: AGENTES INTELIGENTES -- Leer comprensivamente y obtener las principales ideas del Semana 3 y 4: 8
implementar racional de un agente 2.1. Agentes inteligentes y su entorno capítulo 2 del texto básico, completar el análisis revisando el horas de
aplicaciones a partir inteligente. contenido de la siguiente dirección Web: autoestudio y 8
de especificaciones 2.2. Estructura y tipos de agentes horas de interacción.
-- Reconoce y define la -- http://octi.guanajuato.gob.mx/octigto/formularios/
y modelos de 2.3. Construcción de agentes
arquitectura de agentes ideasConcyteg/Archivos/31072008_QUE_SON_AGENTES_
software utilizando
basados en la utilidad. INTELIGENTES_SOFTWARE.pdf
estándares de
documentación y de -- Observar en su medio e identificar algunos agentes que utilice
programación. en su vida cotidiana.
Guía didáctica: Inteligencia Artificial
-- Determina la secuencia UNIDAD 3: RESOLUCIÓN DE -- Leer comprensivamente y obtener las principales ideas del Semana 5: 8 horas
de acciones que debe PROBLEMAS MEDIANTE capítulo 3 del texto básico. de autoestudio y 8
seguir un agente para BÚSQUEDAS horas de interacción.
-- Completar el análisis revisando el contenido del siguiente OCW
alcanzar sus objetivos
3.1. Agentes de resolución de http:// ocw.uc3m.es/informática/inteligenci-artificial-2/
problemas material-de-clase-1/no-informada.pdf
3.2. Búsqueda de soluciones -- Desarrollar los ejercicios propuestos en la presente guía
3.3. Búsqueda no informada didáctica.
3.4. Búsqueda con información parcial -- Realizar el ejercicio 3.7 literales a, b, c, y d del texto básico.
-- Realizar la autoevaluación 3.
11
SEGUNDO PRIMER
ANEXOS SOLUCIONARIO PRELIMINARES ÍNDICE
BIMESTRE BIMESTRE
Contenidos Cronograma
Competencias orientativo
Indicadores de aprendizaje Actividades de Aprendizaje
específicas Unidades/Temas Tiempo estimado
-- Identifica cómo una UNIDAD 4: ESTRATEGIAS DE -- Leer comprensivamente y obtener las principales ideas del Semana 6: 8 horas
estrategia de búsqueda BÚSQUEDA INFORMADA Y DE capítulo 4 del texto básico. de autoestudio y 8
informada puede EXPLORACIÓN horas de interacción.
-- Desarrollar el ejercicio 4.11, los literales a, b, y d. y el ejercicio
encontrar soluciones de
4.1. Estrategias de búsqueda 4.15, propuestos en el texto básico.
una manera más eficaz.
informada
-- Analizar y desarrollar el ejercicio propuesto en la guía didáctica.
4.2. Algoritmos de búsqueda local y
problemas de optimización -- Realizar la autoevaluación 4.
ambientes desconocidos
Revisión de las unidades 1- 4 -- Preparar la evaluación presencial, haciendo una revisión de los Semana 7 y 8: 8
resúmenes de los capítulos 1 al 4 del texto básico, de las horas de
autoevaluaciones y de la evaluación a distancia. autoestudio y 8
horas de interacción.
12
SEGUNDO PRIMER
ANEXOS SOLUCIONARIO PRELIMINARES ÍNDICE
BIMESTRE BIMESTRE
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Formas de evaluación 2. Heteroevaluación
Evaluación a Evaluación Evaluación
1. Autoevaluación *
distancia ** presencial presencial
3. Coevaluación
Interacción en el EVA
Parte de ensayo
Prueba objetiva
Parte objetiva
Prueba mixta
BIMESTRE
PRIMER
Competencia: criterio
Comportamiento ético X X X X X X
Cumplimiento, puntualidad,
SEGUNDO
Actitudes
BIMESTRE
X X X X X≠ X
responsabilidad
Esfuerzo e interés en los trabajos X X X X X X
Respeto a las personas y a las
X X X
normas de comunicación
SOLUCIONARIO
Creatividad e iniciativa X X X
Habilidades
Contribución en el trabajo
X X
colaborativo y de equipo
Presentación, orden y ortografía X X X X X X
Emite juicios de valor
X X X
argumentadamente
ANEXOS
Dominio del contenido X X X X X X
Conocimientos
presenciales y en el
evaluación a
(completa la
distancia)
Puntaje 2 4 6 14 14
Actividades
TOTAL 20 puntos
EVA
Para aprobar la asignatura se requiere obtener un puntaje mínimo de 28/40 puntos, que equivale al 70%.
* Son estrategias de aprendizaje, no tienen calificación; pero debe responderlas con el fin de autocomprobar su proceso de
aprendizaje.
** Recuerde que la evaluación a distancia consta de dos partes: una objetiva y otra de ensayo, debe desarrollarla y entregarla
en su respectivo centro universitario.
Señor estudiante:
Tenga presente que la finalidad de la valoración cualitativa es
principalmente formativa.
13
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
UNIDAD 1. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL
BIMESTRE
PRIMER
1.1. ¿Qué es la inteligencia artificial (IA)?
Una vez que se ha revisado la planificación para el trabajo del alumno, y conocemos los tiempos y
temáticas a tratar, vamos a dar inicio a nuestro estudio.
SEGUNDO
BIMESTRE
Para entender lo que es IA vamos a ir al texto básico a revisar la sección 1.1,
prestemos atención a la figura 1.1 en la que se presenta definiciones de IA
considerando los procesos mentales, el razonamiento y la conducta.
Tómese su tiempo en comprender qué es IA y recuerde regresar a esta guía una vez que haya culminado
SOLUCIONARIO
la sección 1.1. del texto básico.
¿Cómo le fue con la lectura, entendió lo que es IA? ¿Estamos en condición de hacer una definición de lo
que es IA?
Si decimos que “la IA estudia cómo lograr que las máquinas realicen tareas que, por el momento,
son realizadas mejor por los seres humanos”, ¿estamos en lo correcto?, ¿la definición propuesta es
ANEXOS
completa? dijéramos que es incompleta ya que no incluye aquellas tareas que no pueden ser resueltas
adecuadamente por los seres humanos; además incluye potencialmente, tareas que no involucran
ninguna inteligencia.
Ahora que tenemos claro lo que es IA, vamos a revisar un bosquejo histórico de este campo de la
informática.
Al haber realizado la lectura nos pudimos dar cuenta de que el primer trabajo relacionado con IA nace en
la década de los 40, concretamente en 1943 cuando a Warren McCulloch y Walter Pitts, se los reconoce
como autores del primer trabajo de IA, propusieron un trabajo constituido por neuronas artificiales, en
el que cada una de ellas se caracterizaba por estar “activada” o “desactivada”, sugirieron además que las
redes de neuronas adecuadamente definidas podrían aprender.
Donald Hebb en 1949, propuso una regla para modificar las intensidades de las conexiones entre
neuronas, denominada aprendizaje Hebbiano o de Hebb.
Marvin Misky, posteriormente probó teoremas influyentes que mostraron las limitaciones de las redes
neuronales.
14
ÍNDICE
Guía didáctica: Inteligencia Artificial
En los años cincuenta, un grupo de investigadores convocados por John McCarthy del MIT (En 1957, John
McCarthy fundó, junto con Marvin Minsky, el Laboratorio de IA del MIT1) discutían sobre el potencial de la
PRELIMINARES
computadora para simular la inteligencia humana. En 1950, el matemático británico Alan Turing, (padre
de la IA) propuso el famoso “test de inteligencia”, mediante el cual se supone que se puede determinar
si una máquina piensa; dicho test plantea que dadas dos personas y una máquina que se desea evaluar,
una de las personas actuando como investigador, se ubica en una habitación, separada del computador
y de la otra persona; el entrevistador, hace preguntas tanto a la persona (A) y al computador (B) (a quienes
se conoce como A y B) debe intentar determinar quién es la persona y quién es la máquina, el objetivo
BIMESTRE
PRIMER
de la máquina es hacer creer al entrevistador que es una persona, si lo consigue se concluye que la
máquina piensa, hasta el momento ningún modelo propuesto, ha superado el test y hoy están divididas
las opciones de si en algún momento esto sea posible.
En 1956 Newll y Simon desarrollan la “lógica teórica”, considerada por muchos como el primer programa
de IA, en donde se representa cada problema como un modelo de árbol y luego intenta solucionarlo
SEGUNDO
BIMESTRE
seleccionando la rama que debería dar mejor solución.
En 1957, la primera versión del programa Solucionador General de Problemas (The General Problem
Solver GPS) fue probado, este constituye una extensión del principio de retroalimentación o feedback de
Wiener, enunciado a inicios de los cincuenta en el que por primera vez se demuestra la relación entre la
SOLUCIONARIO
inteligencia humana y las máquinas, el ejemplo más familiar de este principio es el “termostato” (control
de la temperatura de un medioambiente, captando la temperatura del lugar, la compara con la deseada
y responde aumentando o no la temperatura). A partir de los lazos de retroalimentación, Wiener teorizó
que la conducta inteligente es el resultado de mecanismos de retroalimentación, mecanismos que
pueden ser simulados por las computadoras, descubrimiento que influyó en el desarrollo de la IA.
En 1958, McCarty crea el lenguaje LIPS (LISting Proccesing), considerado lenguaje de la IA, que está
ANEXOS
orientado al procesamiento de listas.
A mediados de los años sesenta, Joseph Weizenbaum, profesor del MIT, desarrolla en programa Eliza,
considerado el primer sistema dentro del campo del procesamiento del lenguaje natural que no fue
desarrollado para este fin, sino para demostrar que los programas de computador podían desarrollar
cierta clase de inteligencia.
En 1965, en la Universidad de Stanford, se desarrolla el primer sistema experto exitoso, sistema DENDRAL
orientado a la determinación de la estructura química de un compuesto utilizando información
proveniente de un espectrómetro de masa y de instrumentos de resonancia magnética.
En los años 70 David Marr, propone nuevas teorías acerca de la visión por computadora. En 1972, el
francés Alain Colmerauer, desarrolla la primera implementación del lenguaje PROLOG (PROgraming
in LOGic), lenguaje para la programación en IA, basado en la lógica de predicados.
http://www.csail.mit.edu/
1
15
ÍNDICE
Guía didáctica: Inteligencia Artificial
En los últimos años con una gran inversión del Gobierno de los Estados Unidos, se retoma las
investigaciones en los diferentes campos que integran la IA, es así que se desarrolla el primer sistema
PRELIMINARES
para la comprensión del lenguaje natural, implementado por Terry Winograd, investigador del MIT, el
SHRDLU, que se encuentra integrado a un robot, que obedece las órdenes humanas.
ACTIVIDAD RECOMENDADA
BIMESTRE
PRIMER
Antes de continuar con el estado de arte de la IA, es importante que responda a las interrogantes 1.11,
1.12, y 1.13 que se plantean en la sección “ejercicios” del texto básico.
SEGUNDO
BIMESTRE
El siguiente tema a estudiar es el estado de arte de la IA, que no es otra cosa que el conocer en dónde
está en la actualidad la IA.
SOLUCIONARIO
Bien, ahora vamos a ir al texto básico a revisar la sección 1.4, prestemos especial
atención a las subáreas donde se puede aplicar la IA.
ANEXOS
Conforme las investigaciones de IA progresaron y fueron desarrollándose técnicas de manipulación
de grandes cantidades de conocimiento sobre el mundo, se realizaron algunos avances en las tareas
descritas y aparecieron nuevas áreas de investigación; estas áreas incluyen la percepción (visión y
habla), comprensión del lenguaje natural, y resolución de problemas en campos especializados como
diagnósticos médicos y análisis químico.
La habilidad de utilizar el lenguaje para comunicar gran variedad de ideas es quizá el aspecto más
importante que separa a los humanos del resto de animales, la comprensión del lenguaje hablado es
un problema de percepción difícil de resolver, es posible, sin embargo, restringir el problema al lenguaje
escrito, este problema, denominado comprensión del lenguaje natural, es aún extremadamente difícil.
Para comprender frases sobre un cierto tema, es necesario no únicamente poseer conocimiento amplio
sobre el propio lenguaje (vocabulario y gramática), sino manejar el conocimiento suficiente sobre dicho
tema para reconocer las suposiciones no expresadas en un texto.
Además de estas tareas de la vida diaria, se puede requerir la realización de tareas más especializadas
en las cuales es necesaria una cuidadosa adquisición de experiencia, como: el diseño en ingeniería, los
descubrimientos científicos, los diagnósticos médicos, la planificación financiera. Los programas que
pueden resolver los problemas sobre los dominios mencionados se los puede realizar con la ayuda de
la IA.
Otro campo importante donde la IA ha tenido éxito, es la simulación de las formas de trabajar, de abordar
y de resolver problemas en aquellas ramas de la actividad humana en donde la experiencia y la experticia
juegan un papel preponderante, dando origen a los denominados sistemas expertos.
16
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
En su texto básico podrá encontrar lo que es capaz de hacer hoy en día la IA, a través de la descripción
de algunas aplicaciones de esta disciplina.
A fin de complementar lo que se menciona en el texto básico, a continuación señalamos algunas otras
aplicaciones de esta ciencia, así:
BIMESTRE
PRIMER
Medicina: en este caso se pueden aplicar a sistemas de diagnóstico médico.
Apoyo a la toma de decisiones: por ejemplo mediante el uso de técnicas inteligentes paramétricas
y no paramétricas para el análisis de datos.
SEGUNDO
BIMESTRE
Educación: sistemas recomendadores educativos, tutores inteligentes, modelización de
estudiantes, etc.
SOLUCIONARIO
Recuerde en caso de tener alguna inquietud puede recurrir al Entorno Virtual de Aprendizaje y
consultar a su profesor.
Como observamos en el estado de arte de la IA engloba varias subáreas, mientras que otras aprovechan
ANEXOS
algunos resultados y la incorporan a sus desarrollos, tales como:
Programación automática
Sistemas expertos
Aprendizaje automático
Procesamiento de lenguaje natural
Robótica
Visión artificial
Procesamiento de imágenes
Redes neuronales
Algoritmos genéticos
Demostración automática de teoremas
Juego automático
Reconocimiento de voz y patrones
17
ÍNDICE
Guía didáctica: Inteligencia Artificial
ACTIVIDAD RECOMENDADA
PRELIMINARES
Muy bien, ahora complete con sus propias palabras la siguiente tabla, esto le ayudará a afianzar sus
conocimientos.
ÁREAS APLICACIÓN
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
EXCELENTE, estamos seguras que completó la tabla con mucho esmero.
¡¡ADELANTE, CONTINUEMOS!!
SOLUCIONARIO
ANEXOS
18
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 1
PRELIMINARES
Ahora bien, con la finalidad de guiar y retroalimentar su autoaprendizaje, a continuación le presentamos
la autoevaluación correspondiente a la presente unidad.
Recuerde que para tener éxito en la autoevaluación le invito a que revise el resumen del capítulo que se
BIMESTRE
PRIMER
encuentra en la página 33 del texto básico y luego continuar con el desarrollo de la autoevaluación 1.
1. En cada uno de los paréntesis sírvase marcar con una (V) si el enunciado es verdadero y con
una (F) si el enunciado es falso, en caso de no ser verdadero el enunciado, permítase indicar la
razón de la negatividad.
SEGUNDO
1. ( ) El dualismo considera que las operaciones del cerebro realizadas de acuerdo a las
BIMESTRE
leyes de la física constituyen la mente.
SOLUCIONARIO
3. ( ) Los seres humanos se consideran agentes.
6. ( ) Las disciplinas que abarcan la mayor parte de la IA son: procesamiento de lenguaje
ANEXOS
natural, representación del conocimiento, razonamiento automático, aprendizaje de
máquina, visión computacional, robótica.
8. ( ) En los agentes robóticos los sensores constituyen ciertos mecanismos y los efectores
las cámaras de video.
9. ( ) La inteligencia artificial (IA) desde el primer momento abarcó temas que eran
considerados por otros campos como: la idea de duplicar facultades humanas como
la creatividad, la automejora, y el uso de lenguaje.
10. ( ) Los psicólogos adoptaron la idea de que los humanos y los animales podían trabajar
como máquinas de procesamiento de información.
b. Si se lo considera al ser humano como agente, mencione ¿cuáles serían los sensores y cuáles
serían los efectores?
¡¡¡MUY BIEN!!!
19
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
¿Qué le parece la IA? ¿Fascinado y con mucho ánimo para continuar adelante? ¡¡Sí!! ¿verdad? ,
entonces sigamos.
En la unidad anterior hemos logrado familiarizarnos y asimilar los conceptos básicos de la IA, así como
hemos conocido los antecedentes culturales que han servido de base para su desarrollo, ahora vamos a
BIMESTRE
PRIMER
dar un siguiente paso, identifiquemos lo que es un agente y un agente inteligente.
Para poder conocer lo que es agente inteligente es necesario que distingamos un agente de un agente
SEGUNDO
BIMESTRE
inteligente.
SOLUCIONARIO
y actuadores, así como una pequeña tabla en donde se define una función de
agente muy sencilla.
¿Cómo le fue con la lectura? ¿Tenemos claro lo que es un agente? Entonces podemos decir que, un
agente es cualquier sistema capaz de percibir cambios en su entorno, de representar de algún modo la
información sobre el estado actual de sus objetivos y de actuar sobre su entorno basándose en éstos y
en experiencias pasadas (secuencia de percepciones).
ANEXOS
Percibe mediante
sensores
Actualiza
Entorno mediante
Acción a la
salida deseada
Figura 2.1. Concepto de agente.
El comportamiento de un agente viene dado por la función del agente que proyecta una percepción
dada en una acción. La función del agente es una descripción matemática abstracta, mientras que un
programa de agente (función de un agente artificial) es una implementación completa, que se ejecuta
sobre la arquitectura del agente.
ACTIVIDAD RECOMENDADA
Muy bien, ahora va a identificar cuatro agentes que formen parte de su vida cotidiana y escriba el posible
programa de agente para dos de ellos.
20
ÍNDICE
Guía didáctica: Inteligencia Artificial
AGENTES:
PRELIMINARES
a. ______________________ b. ______________________
c. ______________________ d. ______________________
PROGRAMA DE AGENTE:
AGENTE 1 AGENTE 2
BIMESTRE
Secuencia de percepciones Acción Secuencia de percepciones Acción
PRIMER
SEGUNDO
BIMESTRE
¿Estuvo fácil la tarea?¿la concluyó? Estamos seguras de que la hizo muy bien.
¡¡FELICITACIONES Y ADELANTE!!
SOLUCIONARIO
Hasta este momento tenemos claro lo que es un agente, ahora vamos a conocer en qué circunstancias
el comportamiento del agente es exitoso.
ANEXOS
¿Cómo estuvo la lectura? es entendible e interesante ¿verdad? Si no es así, tomémonos el tiempo que
sea necesario y volvamos a revisar el texto básico.
En la lectura nos dimos cuenta que uno de los criterios que determinan el éxito en el comportamiento
del agente es la racionalidad, lo que nos lleva a la concepción de agente racional (no solo recopila
información sino que también aprende todo lo que le es posible de lo que está percibiendo), la
configuración inicial del agente puede reflejar un conocimiento preliminar del entorno, pero a medida
que el agente adquiere experiencia el conocimiento puede modificarse y aumentar. Un agente racional
puede ser autónomo, debe saber cómo tiene que compensar el conocimiento incompleto o parcial
inicial, de ahí que la incorporación del aprendizaje facilita el diseño de agentes racionales individuales.
Una vez que hemos conocido lo que es racionalidad y agentes racionales es necesario prestar especial
atención a los entornos de trabajo.
¡Estamos de vuelta!, ¿terminamos la lectura de la sección 2.3? esperamos que esto le haya ayudado a
discernir la importancia del entorno del trabajo de un agente.
21
ÍNDICE
Guía didáctica: Inteligencia Artificial
De la lectura podemos deducir que los entornos de trabajo que son los “problemas”, para los que los
agentes racionales son las “soluciones”. Las especificaciones del entorno de trabajo incluyen: la medida
PRELIMINARES
de rendimiento, el medio externo, los actuadores y los sensores.
Los entornos de trabajo pueden tener varias dimensiones, tales como: total o parcialmente visibles,
deterministas o estocásticos, episódicos o secuenciales, estáticos o dinámicos, discretos o continuos y
formados por uno o varios agentes.
BIMESTRE
PRIMER
ACTIVIDAD RECOMENDADA
Muy bien, antes de continuar, defina el entorno de trabajo de dos de los agentes identificados en la
actividad anterior.
SEGUNDO
BIMESTRE
Medida de Entorno (medio
AGENTE Actuadores Sensores
rendimiento externo)
SOLUCIONARIO
¡¡¡ENHORABUENA!!!
Recuerde en caso de tener alguna inquietud puede recurrir al Entorno Virtual de Aprendizaje y
ANEXOS
consultar a su profesor.
Una vez que identificamos los entornos de trabajo, vamos a ver la forma en que los agentes trabajan
internamente.
¿Estuvo asimilable la lectura? Esperamos que sí y que le haya sido de fácil entendimiento. Como pudimos
darnos cuenta el trabajo de la IA es diseñar el programa del agente que implemente la función del
agente que proyecta las percepciones en acciones; el programa de agente se ejecuta en algún tipo de
computador con sensores físicos y actuadores, lo que se denomina arquitectura, por consiguiente, un
agente puede ser representado en la siguiente ecuación, así:
22
ÍNDICE
Guía didáctica: Inteligencia Artificial
Entendido lo que es arquitectura es importante que observemos los cuatro tipos básicos de programa
de agente, así: agentes reactivos simples, agentes reactivos basados en modelos, agentes basados
PRELIMINARES
en objetivos, agentes basados en utilidad; cada uno de los tipos de agente pueden ser utilizados en
diferentes áreas y todos pueden mejorar su eficacia con mecanismos de aprendizaje.
Una vez que entendimos en qué consiste este agente, es conveniente hacer hincapié en el diagrama
de la figura 2.9 y en el programa del agente mostrado en la figura 2.10 del texto básico. Considere que:
BIMESTRE
PRIMER
Las reglas condición-acción a las que hace referencia la estructura del agente reactivo
simple, permiten establecer la conexión entre percepción y acción.
SEGUNDO
BIMESTRE
REGLA-COINCIDENCIA produce una regla del conjunto que satisface la percepción.
SOLUCIONARIO
Luego de la lectura del texto básico, pudimos establecer lo que hace este tipo de agentes y como se
menciona, existen dos tipos de conocimiento que se requiere codificar durante la actualización del
estado interno, los cuales son:
ANEXOS
Conocimiento sobre cómo afectan al mundo las acciones del agente.
Un aspecto importante que hay que tener en cuenta es que el conocimiento del estado interno no
siempre es suficiente; por ejemplo, para elegir entre rutas decisionales alternativas (en una intersección
¿girar o no girar el volante del carro?), se requiere conocer la meta a lograr, es por ello que se requiere
otro tipo de agentes como el mencionado a continuación.
Estamos seguras que durante la lectura se percató que en este tipo de agentes necesita de algún tipo de
información que describa las situaciones que son deseables para el agente; es decir, información sobre
su meta.
Como pudimos observar en la figura 2.13, se agregan dos componentes adicionales relacionados como
el conjunto de objetivos que intenta alcanzar el agente y lo que pasaría si el agente realiza determinada
acción.
En este tipo de agentes interviene un aspecto importante como la función de utilidad, pero ¿qué es
utilidad?, ¿a qué hace referencia la función utilidad?, ¿para qué es necesaria? Para aclarar estas inquietudes
regrese al texto básico y analice la estructura de estos agentes.
Se podrá dar cuenta que cuando se prefiere un estado en lugar de otro, se dice que ese estado ofrece
mayor “utilidad” al agente.
23
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Hasta aquí ha revisado estructuras de agentes similares, pero si comparamos el modelo general para los
agentes que aprenden con los diagramas de agentes señalados anteriormente, veremos que el cuarto
diagrama tiene diferencias, principalmente en los componentes que conforman el agente.
ACTIVIDAD RECOMENDADA
BIMESTRE
PRIMER
Muy bien, para entender mejor lo que acabamos de mencionar, identifique que tipo de agente se
deberían diseñar para identificar modelos educativos en entornos virtuales de aprendizaje. ¿Cómo le
fue con la actividad recomendada? Esperamos que muy bien.
SEGUNDO
BIMESTRE
¡¡¡FELICITACIONES y ADELANTE!!!
SOLUCIONARIO
Una vez que identificamos la estructura y los diferentes tipos de agentes es importante que definamos
la forma como se deben construir agentes inteligentes, dado que en el texto básico no esta explicado
de forma detallada este ítem vamos a utilizar un artículo publicado en la revista Gaceta del 21 de enero
del 2008.
ACTIVIDAD RECOMENDADA
ANEXOS
Ir a Internet y acceder a la siguiente dirección:
http://octi.guanajuato.gob.mx/octigto/formularios/ideasConcyteg/Archivos/31072008_QUÉ_SON_
AGENTES_INTELIGENTES_SOFTWARE.pdf Enfocarse en la estructura y construcción de los agentes
inteligentes (Pág. 33) y dentro de esto, al método para el desarrollo y construcción de agentes inteligentes.
¿Pudo acceder a Internet y descargar el archivo del link mencionado? Verdad que sí. ¿Qué criterio tiene
del artículo? es muy explicativo, ¿verdad?
Como habrá dado cuenta, actualmente existen diversas arquitecturas, entre otras:
Basada en la lógica;
Agentes reactivos;
Arquitectura creencia–deseo–intención;
Arquitecturas híbridas
La elección de una u otra arquitectura se la hace en base a nuestro entorno, razón por la que no existe
una mejor o peor solución sin la aplicación al problema concreto.
24
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 2
PRELIMINARES
Ahora bien, con la finalidad de guiar y retroalimentar su autoaprendizaje, a continuación le presentamos
la autoevaluación correspondiente a la presente unidad.
BIMESTRE
Recuerde que para tener éxito en la autoevaluación le invito a que revise el resumen del capítulo que se
PRIMER
encuentra en las páginas 62-63 del texto básico y luego continuar con el desarrollo de la autoevaluación
2.
A. En cada uno de los paréntesis sírvase marcar con una (V) si el enunciado es verdadero y con una
(F) si el enunciado es falso, en caso de que no sea verdadero el enunciado, permítase indicar la
SEGUNDO
BIMESTRE
razón de la falsedad.
2. ( ) Un agente robot, recibe pulsaciones del teclado, archivos de información y paquetes
SOLUCIONARIO
vía red a modo entradas sensoriales y actúa sobre el medio con mensajes en el
monitor, escribiendo ficheros y enviando paquetes por la red.
4. ( ) Como regla general, es mejor diseñar medidas de utilidad de acuerdo a cómo se cree
ANEXOS
que el agente debe comportarse.
5. ( ) El entorno de trabajo de un agente racional está formado por: las medidas de
rendimiento, el entorno, actuadores y sensores.
6. ( ) Un agente racional actúa con la intención de obtener los resultados mínimos de la
medida de rendimiento, dada la secuencia de percepciones que ha observado hasta
el momento.
7. ( ) Para el diseño del programa de agente es necesario considerar el entorno en que
se desarrollará, las percepciones que se obtienen del ambiente, las acciones que
realizará el agente.
10. ( ) Un programa de agente especifica la acción que debe ejecutar un agente como
respuesta a cualquier secuencia percibida.
25
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
1. Mencione los principales pasos para la construcción de un programa de agente.
¡¡¡MUY BIEN!!!
BIMESTRE
PRIMER
Verifique sus respuestas con las del solucionario
que se encuentra al final de la presente guía
didáctica.
SEGUNDO
BIMESTRE
Ir a solucionario
SOLUCIONARIO
ANEXOS
26
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
¿Cómo está? ¿Animado para continuar adelante? ... Seguro que sí.
En la unidad anterior hemos logrado comprender la arquitectura de un agente y los tipos básicos de
programa de agente ¿verdad?, ahora vamos a dar un siguiente paso revisando el agente basado en
objetivos denominado agente resolvente-problemas. Los agentes resolventes–problemas deciden qué
BIMESTRE
PRIMER
hacer para encontrar secuencias de acciones que conduzcan a los estados deseables.
En la unidad 1, mencionamos los tipos de problemas que aborda la IA. Para construir un sistema que
SEGUNDO
BIMESTRE
resuelva un problema específico, se debe iniciar definiendo con precisión los elementos que constituyen
el “problema” (cuestión o asunto discutible que se intenta discutir) y su “solución” (respuesta positiva a
un problema, duda o dificultad).
SOLUCIONARIO
Muy bien, para comprender los agentes resolventes–problemas requerimos ir al
texto básico y revisar la sección 3.1, prestemos especial atención a las acciones
que realizan este tipo de agentes.
¿Estuvo asimilable la lectura? Esperamos que sí y que le haya sido de fácil entendimiento.
De la lectura que hemos realizado, podemos decir que para desarrollar un sistema que resuelva un
ANEXOS
problema específico es necesario realizar cuatro acciones, así:
1. Definir el problema con precisión. La definición debe incluir especificaciones precisas tanto
sobre la(s) situación(es) inicial(es) como sobre la(s) situación(es) final(es) que se aceptarían como
soluciones al problema.
2. Analizar el problema. Evaluar las características del problema que conduzcan a la conveniencia del
uso o no de diversas técnicas para resolverlo.
4. Elegir la(s) mejor(es) técnica(s) que resuelva(n) el problema y aplicarla(s) al problema en particular.
27
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Una de las formas más comunes para definir un problema, visualizar una solución o seleccionar un
método de búsqueda, es definiendo lo que se denomina espacio de estados del problema (conjunto de
todos los estados alcanzables desde el estado inicial) es decir, se representan los diferentes estados del
problema y cómo estos se encuentran interconectados. El espacio de estados forma un grafo cuando el
problema se encuentra bien estructurado, cuando los problemas no se encuentran bien estructurados
se utiliza estructuras más complejas.
BIMESTRE
PRIMER
La representación como espacio de estados forma la base de la mayoría de los métodos de IA, su
estructura se corresponde con la estructura de resolución de problemas por dos razones:
Permite definir el proceso de resolución de problemas con una combinación de técnicas conocidas
SEGUNDO
BIMESTRE
y búsqueda.
Para diseñar un programa que resuelva un problema, el primer paso que se debe dar es crear una
descripción formal y manejable del problema, para esto debe hacerse lo siguiente:
SOLUCIONARIO
1. Definir un espacio de estados que contenga todas las configuraciones posibles de los
objetos más relevantes; es posible definir este espacio sin tener que hacer una enumeración
de todos y cada uno de los estados que contiene.
2. Identificar uno o más estados que describan situaciones en las que comience el proceso de
resolución del problema, estos toman el nombre de estados iniciales.
ANEXOS
3. Especificar uno más estados que pudieran ser soluciones aceptables del problema, estados
conocidos como estados objetivos.
4. Especificar un conjunto de operadores y reglas que identifican las condiciones que se deben
cumplir para aplicar dichos operadores, que describan acciones disponibles. Para realizarlo
se debe profundizar en lo siguiente: a) ¿Qué suposiciones presentes en la descripción
informal del problema no están expresadas como tales?; b) ¿Que generalidad deben
tener las reglas?; c) ¿Qué cantidad de trabajo necesario para resolver el problema debe ser
preprocesado y representado en forma de reglas?
Como se menciona en el texto básico, una solución de un problema es un camino desde el estado inicial
a un estado objetivo, la calidad de la solución se mide por la función costo del camino, y una solución
óptima tiene el costo más bajo del camino entre todas las soluciones.
Estados: Terminales terrestres de las ciudades por donde transita la cooperativa y la hora de salida.
28
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Función sucesor: Ejemplo: Loja -> Cuenca Loja -> Catamayo
Costo del camino: suma de distancias, tiempo de trayecto entre ciudades, etc.
BIMESTRE
PRIMER
ACTIVIDAD RECOMENDADA
Bien, una vez que tenemos claro la forma de definir un problema es necesario que prestemos especial
atención a los ejemplos que se encuentran en el texto básico, apartado 3.2. Tómese todo el tiempo que
SEGUNDO
BIMESTRE
requiera para ir entendiéndolos.
¿Qué le parecieron los ejemplos? Esperamos que los haya entendido y que pueda identificar cuál le
pareció más importante.
SOLUCIONARIO
¡¡¡ SIGAMOS ADELANTE!!!
Recuerde: en caso de tener alguna inquietud puede recurrir al Entorno Virtual de Aprendizaje (EVA)
y consultar a su profesor.
ANEXOS
Una vez que hemos establecido la forma de crear una descripción formal y manejable de un problema,
el proceso de búsqueda se convierte en uno de los pilares fundamentales en el proceso de resolución
de problemas.
¿Qué les pareció la lectura? ¿Estuvo asimilable? Esperamos que sí y que le haya sido de mucha ayuda.
Como pudimos darnos cuenta la búsqueda de soluciones se la hace a través del espacio de estados,
generalmente las técnicas de búsqueda utilizan un árbol de búsqueda generado por el estado inicial y la
función sucesor, definiendo así el espacio de estados.
¿Qué le parece si ahora hacemos juntos el árbol de búsqueda para el ejemplo planteado anteriormente?
29
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
Figura 3.2. Árbol de búsqueda “de vacaciones en la capital de la República”.
¿Qué le pareció? ¿Sencillo verdad? no es nada que no podamos realizar. Es importante que tengamos
SOLUCIONARIO
claro la diferencia entre un nodo y un estado, un nodo es una estructura de datos usada para representar
el árbol de búsqueda, mientras que un estado corresponde a una configuración del mundo.
ANEXOS
A los algoritmos de resolución de problemas se los puede evaluar de cuatro formas, así: a) completitud; b)
optimización; c) complejidad en tiempo; y, d) complejidad en espacio; así mismo, para valorar la eficacia
de un algoritmo de búsqueda se considera: a) el costo de la búsqueda; y, b) el costo total.
Una vez que hemos visto que la búsqueda es un mecanismo que ofrece un espacio en el que pueden
utilizarse métodos más directos para la resolución de las subpartes de un problema, es necesario que
manejemos las aproximaciones fundamentales de búsqueda en el espacio de estado.
¿Fue interesante y entendible la lectura que realizaron? Esperamos que sí, que les haya ayudado a
vislumbrar qué método de búsqueda es aplicable en un determinado espacio de estado.
Como pudimos darnos cuenta los métodos de búsqueda no informada (búsqueda ciega), son una
colección de procedimientos utilizados en el espacio de estado, comienzan por un nodo y utilizan
operadores para generar estados sucesivos, la búsqueda continúa hasta que una solución sea hallada.
30
ÍNDICE
Guía didáctica: Inteligencia Artificial
Los operadores y el orden en que ellos son tratados no tienen importancia. La idea que hay detrás de la
búsqueda no informada es examinar todo el árbol de una forma ordenada, utilizando los operadores y
PRELIMINARES
generando sucesivamente tantos nodos como sea necesario hasta encontrar la solución.
Estas aproximaciones son muy ineficientes, pues recorren de manera exhaustiva todo el espacio de
estado, esto puede conducir a un gran consumo de tiempo en la búsqueda de la solución. En este tipo
de búsqueda ocurre una explosión combinatoria, ya que muchas alternativas deben ser consideradas y
el número de nodos para buscar se expanden exponencialmente.
BIMESTRE
PRIMER
Búsqueda primero en anchura
La búsqueda primero a lo ancho examina todos los nodos en un árbol de búsqueda, comenzando por
el nodo raíz. En cada nivel los nodos son completamente expandidos y examinados; de no encontrarse
el estado objetivo entre ellos, nuevamente se expanden todos los nodos de ese nivel y se comienza la
SEGUNDO
BIMESTRE
búsqueda en el nuevo nivel, así sucesivamente, hasta que un nodo objetivo sea hallado.
SOLUCIONARIO
En teoría esta estrategia podría ser valiosa para resolver muchos problemas. Aparentemente pudiera
hasta parecer una estrategia sin defectos puesto que el espacio de estados es finito, y siempre se
encontrará una solución, pero el número de nodos crece exponencialmente con la profundidad y el
tiempo requerido para la búsqueda también crece exponencialmente. Este tipo de búsqueda siempre
garantiza la solución si no tenemos limitaciones de tiempo y espacio.
ANEXOS
La búsqueda de costo uniforme no se preocupa por el número de pasos que tiene un camino, pero sí por
su costo total; por consiguiente, este tipo de búsqueda está dirigida por los costos de los caminos más
que por las profundidades. La búsqueda de costo uniforme es similar a la búsqueda primero en anchura
pero expande el costo con el nodo más pequeño del camino g(n).
31
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
La búsqueda de profundidad limitada impone un límite de profundidad fijo a la búsqueda primero
en profundidad, por consiguiente puede ser implementada realizando una modificación al algoritmo
general de búsqueda en árboles o del algoritmo recursivo de búsqueda primero en profundidad.
La búsqueda primero en profundidad con profundidad iterativa combina las ventajas de la búsqueda
BIMESTRE
PRIMER
primero en profundidad y primero en anchura; es análoga a la búsqueda primero en anchura en la cual
se explora, en cada iteracción, una capa completa de nuevos nodos antes de continuar con la siguiente
capa. Parecería que vale la pena desarrollar una búsqueda iteractiva análoga a la búsqueda de costo
uniforme, heredando las garantías de optimización del algoritmo evitando sus exigencias de memoria;
la idea es usar límites crecientes de costo del camino en vez de aumentar límites de profundidad.
SEGUNDO
BIMESTRE
Búsqueda bidireccional
SOLUCIONARIO
nodo inicial y trabaja hacia adelante en dirección al objetivo. Este tipo de razonamiento puede verse
como un tipo de razonamiento deductivo.
Es posible realizar el razonamiento partiendo de los objetivos, hacia los estados iniciales, en este caso se
denomina razonamiento hacia atrás (backward chaining). Este tipo de razonamiento puede verse como
un tipo de razonamiento inductivo.
En la práctica la selección de uno u otro tipo de razonamiento depende de la forma en que se desea
ANEXOS
recorrer el espacio de búsqueda. Es posible combinar ambas tipos de búsqueda, lo que origina una
búsqueda bidireccional, se emplea la búsqueda hacia adelante a partir del estado inicial y a la vez se
realiza la búsqueda hacia atrás a partir de los estados objetivos.
Los objetivos fundamentales mediante la búsqueda son: a) encontrar una solución y b) que la solución
tenga coste total mínimo. En el coste total se debe considerar el coste de búsqueda (tiempo y memoria
necesarios) y el coste del camino solución.
32
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
corresponde con el nodo.
• Nodo padre. Es el nodo en el árbol de búsqueda que ha
generado este nodo.
Forma de representar un nodo • Acción/Operador. Operador que se aplicó al padre para
generar este estado.
• Coste del camino. Costo desde el nodo inicial denotado
por g(n).
BIMESTRE
• Profundidad en el árbol de búsqueda. Número de pasos
PRIMER
a lo largo del camino desde el nodo inicial.
SEGUNDO
BIMESTRE
• Árbol de nodos. Se genera y puede ser finito o infinito.
Para aplicar lo que hasta ahora hemos aprendido, vamos a realizar juntos el siguiente ejercicio:
SOLUCIONARIO
En la orilla de un río hay tres misioneros y tres caníbales y todos ellos pretenden
cruzar al otro lado. La barca que se utiliza para cruzarlo solo tiene capacidad para
transportar a una o dos personas de una orilla a otra. No puede ocurrir nunca que si
en una orilla hay algún misionero haya a la vez un número mayor de caníbales, se los
comerían.
ANEXOS
Objetivo: pasar a todos a la otra orilla.
Condición: no puede ocurrir nunca que si en una orilla hay algún misionero haya a la vez un número
mayor de caníbales, se los comerían.
Estados:
Parámetros: número de misioneros al lado izquierdo, número de caníbales al lado izquierdo, posición de
la barca (izquierda o derecha).
Verificar la condición.
Operadores:
Transportar un misionero
Transportar un caníbal
Coste operador= 1
33
ÍNDICE
Guía didáctica: Inteligencia Artificial
O= misionero
PRELIMINARES
J= caníbal
BIMESTRE
J
PRIMER
OO J O Jà J
OO J Jß OJ
OJ Jà OJ
OJ O Jß OO J
SEGUNDO
BIMESTRE
J O Jà OO J
J Oß OO JJ
O Jà OO JJ
OOO JJJ
SOLUCIONARIO
¿Cómo le fue?, ¿Pudo realizarlo?, ¿qué sucedió con los operadores, están bien identificados?, ¿pudo
representar de otra manera la solución del problema? Sí.
¡¡¡excelente, continuemos!!!
ANEXOS
ACTIVIDAD RECOMENDADA
Bien, una vez que tenemos claro las estrategias de búsqueda no informada, le invito a que apliquen
el método de búsqueda más apropiado para el ejemplo propuesto “De vacaciones en la capital de la
República”. Tómese todo el tiempo que requieran y analicen si es necesario aplicar más de un método
de búsqueda.
¿Pudo identificar y aplicar el método de búsqueda? ¿Fue necesario agregar algo para establecer el coste?
Esperamos que haya aplicado el más eficiente.
¡¡¡FELICITACIONES!!!
Recuerde en caso de tener alguna inquietud puede recurrir al Entorno Virtual de Aprendizaje (EVA)
y consultar a su profesor.
Los métodos de búsqueda que hasta ahora hemos aplicado asumen que el entorno es totalmente
observable y determinista y que el agente conoce cuáles son los efectos de cada acción. Por lo tanto
el agente puede calcular exactamente cuál es el resultado de cualquier secuencia de acciones y
siempre conoce en qué estado se encuentra. A continuación vamos a identificar qué sucede cuando el
conocimiento de los estados es incompleto.
34
ÍNDICE
Guía didáctica: Inteligencia Artificial
Cuando el conocimiento de los estados es incompleto, se presentan tres tipos de problemas: a) problemas
sin sensores, problemas de contingencia y problemas de exploración.
PRELIMINARES
Muy bien, para manejar apropiadamente los problemas de incompletitud,
vamos a ubicar el texto básico y revisar la sección 3.6, prestemos cuidado a
cada uno de los problemas señalados.
Terminada la lectura podrá darse cuenta que los ambientes parcialmente observables requieren de
BIMESTRE
PRIMER
algoritmos de búsquedas en el espacio de estados de creencia y un plan de contingencia para manejar
circunstancias desconocidas.
ACTIVIDAD RECOMENDADA
SEGUNDO
BIMESTRE
Bien, una vez que pudimos establecer la diferencia de cada tipo de problemas de los diversos tipos de
incompletitud, le invito a que desarrolle el ejercicio 3.7, literales a, b, c, y d del texto básico.
SOLUCIONARIO
¿Cómo le fue con la realización del ejercicio? Esperamos que muy bien.
¡¡ENHORABUENA, CONTINUEMOS!!
Como es de su conocimiento, es obligación para los estudiantes de informática hacer uso de las
herramientas tecnológicas que le proporciona nuestra Universidad, es por ello que:
ANEXOS
Interactividad en el EVA
35
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 3
PRELIMINARES
Ahora bien, con la finalidad de guiar y retroalimentar su autoaprendizaje, a continuación le presentamos
la autoevaluación correspondiente a la presente unidad.
BIMESTRE
Para que tenga éxito en la autoevaluación le invito a que revise el resumen del capítulo que se encuentra
PRIMER
en las páginas 97-98 del texto básico y luego continúe con el desarrollo de la autoevaluación 3.
A. En cada uno de los paréntesis sírvase marcar con una (V) si el enunciado es verdadero y con
una (F) si el enunciado es falso, en caso de no ser verdadero el enunciado, permítase indicar la
razón de la falsedad.
SEGUNDO
BIMESTRE
1. ( ) Los agentes resolventes–problemas deciden qué hacer para encontrar secuencias de
acciones que conduzcan a los estados deseables.
2. ( ) Definido el objetivo, la formulación del problema es el proceso de decidir qué acciones
SOLUCIONARIO
y estados debemos considerar.
3. ( ) El proceso de examinar las distintas secuencias posibles de acciones que conducen
a estados de valores conocidos y escoger la mejor acción secuencia se denomina
selección.
4. ( ) La fase de ejecución se inicia cuando se encuentra una solución y se procede con la
ANEXOS
ejecución de las acciones que esta recomienda.
5. ( ) Los componentes que ayudan a definir formalmente un problema son: el estado
inicial del agente; una descripción de las posibles acciones; el test objetivo y una
función costo del camino.
7. ( ) La calidad de una solución se mide por la función costo del camino, y una solución
óptima tiene el costo más elevado del camino entre todas las soluciones.
36
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
estado, descripción del estado actual del mundo
g, una meta, inicialmente nula
problema, una formulación del problema
estado <- cambio_estado(estado, p)
if s está vacío then
g <- FORMULACIÓN_DE_LA_META(estado)
BIMESTRE
PRIMER
problema <- FORMULACION_DE_LA_META(estado, g)
s <- BÚSQUEDA(problema)
acción <- RECOMENDACIÓN(s, estado)
s <- RESTANTE(s, estado)
return acción
SEGUNDO
BIMESTRE
2. Mencione los objetivos fundamentales de la resolución de un problema mediante búsquedas
¡¡¡¡MUY BIEN!!!
SOLUCIONARIO
que se encuentra al final de la presente guía
didáctica.
ANEXOS
Ir a solucionario
37
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
¿Cómo está? ¿Animado para continuar adelante y así culminar con el primer bimestre? Indudablemente
que sí.
Para culminar con los contenidos programados para el primer bimestre, vamos a determinar las
estrategias de búsqueda conocidas como informadas y de exploración, que utilizan el conocimiento
BIMESTRE
PRIMER
específico de un problema.
SEGUNDO
BIMESTRE
búsqueda no informada (búsqueda ciega) y la segunda denominada búsqueda informada (heurística).
Ambas son utilizadas en la IA, pero la búsqueda informada es un método de solución de problemas en
IA; en todo caso, la búsqueda informada (búsqueda heurística) es un tipo de búsqueda ciega pero con
una guía u orientación.
SOLUCIONARIO
Bien, ahora vamos a ver cómo las estrategias de búsqueda no informada
pueden encontrar soluciones en problemas generando sistemáticamente
nuevos estados y probándolos con el objetivo, para esto es preciso ir al texto
básico y revisar la sección 4.1, prestemos cuidado a cada uno de los problemas
señalados.
¿Qué les pareció la lectura? Estuvo entendible, si no fue así tómense el tiempo que requieran a fin de que
les sea de ayuda.
ANEXOS
Al realizar la lectura se encontraron varias veces el término heurística, ¿cuál es su significado? heurística
viene del griego “heurisko” (yo encuentro) conocimiento parcial sobre un problema / dominio que
permite resolver problemas eficientemente en ese problema/dominio; un procedimiento es un criterio
que permite resolver un problema, pero no hay garantía de que siempre lo resuelva y una función es la
estimación del costo necesario para alcanzar una función desde el estado actual; las funciones heurísticas
se descubren resolviendo modelos simplificados del mundo real.
Así mismo, se observó que la búsqueda primero el mejor se basa en la función de evaluación, f(n);
tradicionalmente se selecciona para la expansión el nodo con la evaluación más baja ya que la evaluación
mide la distancia al objetivo. Recordemos que un componente clave de los algoritmos de búsqueda
primero el mejor, es una función heurística denotada h(n);
hn = coste estimado del camino más barato desde el nodo n a un nodo objetivo
f(n) = h(n)
38
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Lista UNO: nodos generados pero no testeados
Como pudo darse cuenta, la búsqueda voraz primero el mejor se parece a la búsqueda primero en
BIMESTRE
PRIMER
profundidad en el modo que prefiere seguir un camino hacia el objetivo, pero volverá atrás cuando
llegue a un callejón sin salida; tiene las mismas limitaciones que la búsqueda primero en profundidad,
no es óptima y es incompleta porque puede ir hacia abajo en un camino infinito y nunca volver para
intentar otras posibilidades.
SEGUNDO
Búsqueda A* minimizar el costo estimado total de la solución
BIMESTRE
La búsqueda A* evalúa los nodos combinando g(n), el coste para alcanzar el nodo y h(n) el coste de ir al
nodo objetivo.
SOLUCIONARIO
Figura 4.1. Ecuación de la búsqueda A*.
ANEXOS
g(n): coste desde la raíz hasta n
h(n): admisible siempre y cuando no sobrepase el coste óptimo
A*: primero el mejor con f(n) = g(n) + h(n)
Cálculo de costes:
g(n) se calcula como la suma de los costes de los arcos recorridos, k(ni, nj)
Los valores reales únicamente se pueden conocer al final de la búsqueda, así:
f*(n): coste real para ir desde el nodo inicial a algún nodo meta a través de n
g*(n): coste real para ir desde el nodo inicial al nodo n
h*(n): coste real para ir desde el nodo n a algún nodo meta
39
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
ACTIVIDAD RECOMENDADA
Muy bien, una vez que conocimos algunos algoritmos de búsqueda informada, le invito a que desarro-
llen el ejercicio 4.11 del texto básico, literales a, b y d.
¿Le fue fácil identificar el algoritmo para cada uno de los casos? Esperamos que sí; caso contrario, le
BIMESTRE
PRIMER
sugiero realizar una relectura del numeral 4.1.
¡¡felicitaciones, CONTINUEMOS!!
SEGUNDO
BIMESTRE
Los algoritmos de búsqueda manejados hasta ahora, se diseñan para explorar sistemáticamente
espacios de búsqueda, esta forma sistemática se alcanza manteniendo uno o más caminos en memoria
y registrando qué alternativas se han explorado en cada punto a lo largo del camino y cuáles no. Cuando
se encuentra un objetivo el camino a ese objetivo también constituye una solución al problema, pero si
SOLUCIONARIO
no importa el camino al objetivo, podemos utilizar una clase diferente de algoritmos.
ANEXOS
¿Qué le pareció la lectura? ¿Estuvo interesante?, seguro qus sí.
Al realizar la lectura pudieron darse cuenta que los algoritmos de búsqueda local que se presenta en el
texto básico son los siguientes:
40
ÍNDICE
Guía didáctica: Inteligencia Artificial
ACTIVIDAD RECOMENDADA
PRELIMINARES
Bien, una vez que conocimos como funcionan los algoritmos de búsqueda local, le invito a ejemplificar
cada uno de estos.
¿Cómo le fue con la ejemplificación? Esperamos que muy bien; caso contrario, le invito a revisar
BIMESTRE
nuevamente los contenidos del numeral 4.2. del texto básico y de la guía didáctica.
PRIMER
¡¡ENHORABUENA, ADELANTE!!
SEGUNDO
BIMESTRE
Hasta ahora hemos utilizado los algoritmos de búsqueda off-line, es necesario que conozcamos cómo
funcionan los agentes on-line.
Muy bien, ahora vamos a conocer cómo actúan agentes on-line, prestemos
SOLUCIONARIO
atención especial a la definición del término on line, así como a la figura 4.19,
en donde se ejemplifica el funcionamiento de este tipo de agentes.
Al realizar la lectura pudimos admitir que el agente de búsqueda on-line funciona intercalando el cálculo
y la acción, primero toma una acción, entonces observa el entorno y calcula la siguiente acción.
ANEXOS
La búsqueda en tiempo real no sirve para tareas con tiempo o información limitada.
Un problema de búsqueda on-line puede resolverse por un agente que ejecuta acciones, más que un
proceso computacional.
41
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Un agente on-line, después de cada acción, recibe una percepción al decirle qué estado ha alcanzado;
de esta información puede aumentar su mapa del entorno, el mapa actual se usa para decir dónde ir
después.
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
Figura 4.4. Forma de aprendizaje del agente de búsqueda on-line.
SOLUCIONARIO
Adaptado de: http://bp2.blogger.com/_L5WebSJSfwo/R55Ra-rPX5I/AAAAAAAAAAg/W7ifoU6alo0/s1600-h/IA+2.JPG
Los agentes en la búsqueda on-line, aprenden un “mapa” del entorno (el resultado de cada acción en
cada estado), registrando cada una de sus experiencias y adquieren estimaciones más exactas del valor
de cada estado utilizando las reglas de actualización local.
Para aplicar lo que hasta ahora hemos aprendido, vamos a realizar juntos el siguiente ejercicio:
ANEXOS
Ejemplo Misioneros y caníbales
Estados:
Se podría indicar la posición de la barca, junto con el número de misioneros y caníbales que hay en cada
lado.
Se podría pensar que, dado que el número de personas en el extremo final puede calcularse a partir
de los que hay en el inicial, basta con indicar la posición de la barca y los misioneros y caníbales que
quedan en el extremo inicial. Sin embargo, la primera aproximación permite describir más fácilmente las
precondiciones y efectos de los operadores, por lo que mantenemos la representación inicial. Además, el
espacio de estados tiene el mismo tamaño e idéntica semántica con ambas representaciones.
B ∈ [i,f] indica la posición de la barca, por lo que toma el valor i si está en el extremo inicial, o f si está en
el final.
42
ÍNDICE
Guía didáctica: Inteligencia Artificial
Mi, Ci, Mf, Cf ∈ [0, . . . , 3] indican el número de misioneros y caníbales que quedan en el extremo inicial y
final del río, respectivamente. De esta manera, el estado inicial se representa como (3, 3, i, 0, 0) y el final
PRELIMINARES
como (0, 0, f, 3, 3).
ACTIVIDAD RECOMENDADA
BIMESTRE
PRIMER
Bien, una vez que conocimos como funcionan los algoritmos de búsqueda on-line, le invito a que escriba
las diferencias entre los algoritmos de búsqueda off-line y los algoritmos de búsqueda online; así mismo,
identifique tres aplicaciones en las que se deben utilizar los algoritmos de búsqueda off-line y tres apli-
caciones en las que se deben utilizar los algoritmos de búsqueda on-line.
¿Cómo le fue con la actividad propuesta? Esperamos que muy bien; caso contrario, le invito a revisar
SEGUNDO
BIMESTRE
nuevamente los contenidos del numeral 4.3.
¡¡FELICITACIONES!!
Muy bien, como se han podido dar cuenta hemos terminado de aprender los contenidos propuestos
SOLUCIONARIO
para el primer bimestre, le invitamos a que siga conociendo el apasionante mundo de la IA.
Recuerde que para tener éxito en la autoevaluación es conveniente revisar el resumen del capítulo que
se encuentra en las páginas 145-146 del texto básico y luego continuar con el desarrollo de la
ANEXOS
43
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 4
PRELIMINARES
A. En cada uno de los paréntesis sírvase poner una (V) si el enunciado es verdadero y o una (F) si
el enunciado es falso, en caso no es verdadero el enunciado, permítase indicar la razón de la
falsedad.
BIMESTRE
1. ( ) Una estrategia de búsqueda no informada puede encontrar soluciones de manera
PRIMER
más eficiente que una estrategia de búsqueda informada.
SEGUNDO
BIMESTRE
3. ( ) La búsqueda primero el mejor es exacto.
4. ( ) La búsqueda voraz primero el mejor trata de expandir el nodo más cercano al objetivo,
alegando que probablemente conduzca rápidamente a una solución.
SOLUCIONARIO
5. ( ) La búsqueda voraz primero el mejor se parece a la búsqueda de profundidad limitada,
en el modo que prefiere seguir un camino hacia el objetivo, pero volverá atrás cuando
llegue a un callejón sin salida.
6. ( ) La búsqueda voraz primero el mejor sufre los mismos defectos que la búsqueda
primero en profundidad, no es óptima y es incompleta porque puede ir hacia abajo
ANEXOS
en un camino infinito y nunca volver para intentar otras posibilidades.
9. ( ) Los algoritmos de búsqueda local funciona como un solo estado actual y generalmente
se mueve solo a los vecinos del estado.
Estrategia de trabajo
Para que tenga éxito en el desarrollo del cuadro comparativo es preciso que lea de manera
detallada la unidad 3 y la unidad 4 de la guía didáctica; así como: el capítulo 3 y el capítulo
4 del texto básico, preste especial atención a los resúmenes que se encuentran al final de
cada capítulo.
Estrategia de trabajo
44
ÍNDICE
Guía didáctica: Inteligencia Artificial
Para poder realizar de manera adecuada el pseudocódigo solicitado, lea con cuidado lo
referente a la búsqueda A*, y preste mucha atención a lo señalado en las figuras 4.3 y 4.4
PRELIMINARES
de la guía didáctica, esto le ayudará a comprender de mejor manera el funcionamiento del
algoritmo búsqueda A*.
¡¡¡MUY BIEN!!!
BIMESTRE
que se encuentra al final de la presente guía
PRIMER
didáctica.
SEGUNDO
BIMESTRE
Ir a solucionario
SOLUCIONARIO
ANEXOS
45
Segundo BIMESTRE
üü Pensamiento crítico
üü Comportamiento ético
Guía didáctica: Inteligencia Artificial
üü Innovación
Cronograma
Competencias Contenidos
Indicadores de aprendizaje Actividades de aprendizaje prientativo
específicas
Unidades/Temas Tiempo estimado
-- Analizar problemas -- Utiliza adecuadamente los principales UNIDAD 5: PROBLEMAS DE -- Leer comprensivamente del texto básico, Semana 9 y 10:
de programación y algoritmos y métodos de resolución SATISFACCIÓN DE RESTRICCIONES capítulo 5: “Problemas de satisfacción de
8 horas de
plantear soluciones de problemas de satisfacción de restricciones”
5.1. Introducción a los problemas de autoestudio y 8
mediante métodos restricciones
satisfacción de restricciones -- Analizar el ejemplo presentado en la figura 5.1. horas de
computacionales. interacción.
-- Selecciona la estrategia más 5.2. Búsqueda con vuelta atrás para de su texto básico y luego obtenga posibles
adecuada para la optimización de los soluciones para el problema de colorear el
resolver problemas de satisfacción de
algoritmos de búsqueda. recorte del mapa del Ecuador.
restricciones
5.3. Búsqueda local para problemas de -- Identificar la diferencia entre una búsqueda con
satisfacción de restricciones vuelta atrás y la búsqueda con vuelta atrás
inteligente.
5.4. Estructura de los problemas
-- Desarrollar otras actividades recomendadas de
la unidad 5.
-- Desarrollar la autoevaluación 1.
-- Interactuar con el EVA.
-- Inicio del desarrollo de la evaluación a distancia
46
del II bimestre.
SEGUNDO PRIMER
ANEXOS SOLUCIONARIO PRELIMINARES ÍNDICE
BIMESTRE BIMESTRE
-- Analiza problemas y determina qué UNIDAD 5: BÚSQUEDA ENTRE -- Leer comprensivamente el texto básico, Semana 11 y 12:
técnica de búsqueda es la más ADVERSARIOS capítulo 6: "Búsqueda entre adversarios".
adecuada. 8 horas de
5.1. Juegos -- Considera el árbol de la figura 6.3 de la unidad autoestudio y 8
-- Resuelve ejercicios utilizando 5.2. Algoritmo MINIMAX 6, y señalar las estrategias ganadoras (si las horas de
algoritmos de búsqueda. hubiera) para un jugador MAX y para un interacción.
5.3. Poda Alfa-Beta jugador MIN.
-- Reconoce los diferentes elementos de
juego. -- Desarrollar otras actividades recomendadas de
la Unidad 6.
-- Desarrollar la autoevaluación 6
-- Interactuar con el EVA.
-- Continuar con el desarrollo de la evaluación a
Guía didáctica: Inteligencia Artificial
-- Implementar -- Aplica la teoría de agentes lógicos UNIDAD 6: AGENTES LÓGICOS -- Leer comprensivamente el capítulo 7: ”Agentes Semana 13:
aplicaciones a para resolver problemas de la vida 6.1. Agentes basados en el conocimiento lógicos"
4 horas de
partir de real.
6.2. Lógica proposicional -patrones de -- Pensar como sería el esquema de un agente autoestudio y 4
especificaciones y
-- Diseña agentes lógicos que actúen en razonamiento basado en conocimiento para un sistema de horas de
modelos de
entornos heterogéneos. diagnóstico médico y luego describir los interacción.
software utilizando 6.3. Encadenamiento hacia adelante y componentes del mismo.
estándares de -- Resuelve problemas concretos con la hacia atrás
documentación y ayuda de agentes inteligentes. -- Realizar el ejercicio 7.8 del texto básico, y
de programación. 6.4. Agentes basados en lógica
verifique su decisión utilizando las
proposicional equivalencias lógicas revisadas en la lectura
anterior.
-- Desarrollar otras actividades recomendadas de
la unidad 7.
-- Desarrollar la autoevaluación 7.
-- Interactuar con el EVA.
-- Continuar con el desarrollo de la evaluación a
distancia del II bimestre.
47
SEGUNDO PRIMER
ANEXOS SOLUCIONARIO PRELIMINARES ÍNDICE
BIMESTRE BIMESTRE
-- Busca y propone nuevos métodos y UNIDAD 8: REPRESENTACIÓN DEL -- Leer comprensivamente el capítulo 10. Semana 14:
soluciones ante situaciones y CONOCIMIENTO Representación del conocimiento, de su texto
4 horas de
problemas dados. básico.
8.1. Introducción a la representación autoestudio y 4
-- Analiza situaciones que pueden ser del conocimiento -- Representar un dominio universitario mediante horas de
representadas mediante tecnologías mapas conceptuales. interacción.
8.2. Técnicas de representación del
semánticas.
conocimiento -- Investigar sobre las ventajas de la Web
semántica y mencionar algunos proyectos que
8.3. Web semántica
se han realizado sobre ésta.
8.4. Tecnologías de la Web
-- Identificar la relación que existe entre la
semántica: ontologías
representación del conocimiento y la Web
semántica.
Guía didáctica: Inteligencia Artificial
48
SEGUNDO PRIMER
ANEXOS SOLUCIONARIO PRELIMINARES ÍNDICE
BIMESTRE BIMESTRE
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
UNIDAD 5. PROBLEMAS DE SATISFACCIÓN DE RESTRICCIONES
BIMESTRE
¡¡¡Bien!!!. Ahora empezaremos a trabajar con los contenidos del segundo bimestre, estamos seguras que
PRIMER
está predispuesto para iniciar con entusiasmo el estudio de esta unidad.
Vamos a iniciar revisando los problemas de satisfacción de restricciones (PSR). Este tipo de problemas
es muy interesante ya que conoceremos una variedad de métodos de búsqueda y lograremos un
entendimiento más amplio de la estructura de los problemas.
SEGUNDO
BIMESTRE
5.1. Introducción a los problemas de satisfacción de restricciones
Nos imaginamos que le habrán surgido muchas inquietudes cómo ¿a qué se refiere este tipo de
SOLUCIONARIO
problemas?, ¿en qué se diferencia de los anteriores?, etc., para aclarar esta inquietudes le invitamos a
desarrollar lo siguiente:
Realizar una lectura del texto básico, capítulo 5, sección 5.1: “Problemas de satisfacción
de restricciones”, en donde conocerá la manera de combinar los requerimientos de los
ANEXOS
problemas con las posibles soluciones que se puedan encontrar para estos.
Desarrollada la lectura podemos comprender que los problemas de satisfacción está definido por:
Una vez comprendida la explicación sobre los PSR como la asignación de valores a una variable, solución
de un PSR, la función objetivo, etc., le invitamos a revisar el siguiente ejemplo:
49
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
Figura 5.2. Recorte del mapa político del Ecuador. Fuente [Google imágenes].
SOLUCIONARIO
Las variables serán las provincias: Esmeraldas, Manabí, Pichincha e Imbabura.
La restricción principal consiste en que cada provincia correspondiente al mapa debe tener un
color distinto a cualquiera de sus vecinos próximos.
ANEXOS
Esmeraldas (x),
Manabí (y),
Pichincha (w)
Imbabura (z).
Figura 5.3. Recorte del mapa político del Ecuador. Fuente [Google Maps], utilizado para la interpretación de las restricciones
{x ≠ y, x≠w, x≠z, y≠z, w≠z}
50
ÍNDICE
Guía didáctica: Inteligencia Artificial
Pueden existir múltiples soluciones para el problema planteado. Pero lo importante es encontrar un
conjunto de estados (como se menciona en el texto básico), que permita obtener una solución adecuada.
PRELIMINARES
En la siguiente sección de esta guía exponemos uno de esos algoritmos.
ACTIVIDAD RECOMENDADA
BIMESTRE
PRIMER
Analice el ejemplo presentado en la figura 5.1. de su texto básico que hace referencia a un
problema de coloreo de un mapa representado con grafo de restricciones. Luego obtenga po-
sibles soluciones para el problema planteado anteriormente: Colorear el recorte del mapa del
Ecuador.
5.2. Búsqueda con vuelta atrás para resolver Problemas de Satisfacción de Restricciones (PSR)
SEGUNDO
BIMESTRE
Hemos visto la formulación de PSR como problemas de búsqueda, ahora es necesario trabajar con una
estrategia de búsqueda que permita automáticamente obtener una solución, como el algoritmo de
vuelta atrás.
SOLUCIONARIO
Realice una lectura comprensiva de la sección 5.2. “Búsqueda con vuelta atrás para PSR”,
en ella se describe de forma muy clara el funcionamiento del algoritmo de vuelta atrás.
ANEXOS
Un aspecto importante de resaltar de la lectura anterior es que este algoritmo se utiliza para búsquedas
primero en profundidad, donde se elige valores para una variable a la vez y vuelve atrás cuando una
variable no tiene ningún valor legal para asignarle.
Ahora continuaremos con el ejemplo propuesto en la sección anterior del planteamiento del problema
de colorear el recorte del mapa del Ecuador. Para resolver este problema utilizando el algoritmo de
vuelta atrás, es necesario construir un grafo como se muestra a continuación:
El grafo anterior es un grafo de búsqueda plano, ya que permite la interconexión entre las distintas
ciudades. Aplicando el algoritmo de búsqueda con vuelta atrás, se tiene la siguiente solución:
51
ÍNDICE
Guía didáctica: Inteligencia Artificial
1. Diseñar un árbol de búsqueda: Para ello empezamos dándole colores a las provincias en el mapa:
PRELIMINARES
x = rojo
y = verde
z = azul
BIMESTRE
PRIMER
Si w recibe rojo, no pudiese ser, ya que x es rojo.
SEGUNDO
BIMESTRE
Si w recibe amarillo, esta solución sería correcta ya que no coincide con los colores de
ninguno de sus vecinos.
Como puede observar, la búsqueda de qué color ubicar para cada provincia es recursiva, puesto que hay
SOLUCIONARIO
que regresar a ver qué color tienen las provincias vecinas para asignar un valor correcto a la provincia que
le falta el color. Suena interesante, ¿verdad?
El árbol obtenido, es generado tomando en cuenta el color en orden para las letras x,y,z,w, que es el
orden que va coincidiendo con el recorrido por provincias en el mapa. En la segunda y tercera hoja del
árbol se observa como los colores han ido variando, por lo tanto se tiene un color distinto para w. Por la
característica del algoritmo (vuelta atrás) es necesario regresar a observar los colores que han tenido las
variables x,y,z para ubicar el color adecuado a w.
Ejercicio
Ahora realice usted el mismo ejercicio considerando la provincias de Guayaquil, Los Ríos,
Cotopaxi y Bolívar, y asigne una variable diferente a cada provincia, luego aplique búsqueda
con vuelta atrás para asignar un color a la provincia de Bolívar.
52
ÍNDICE
Guía didáctica: Inteligencia Artificial
Recuerde!. En caso de tener alguna inquietud puede consultar a su profesor a través del Entorno Virtual
de Aprendizaje o en el horario de tutoría establecido por su profesor.
PRELIMINARES
Comprobación hacia delante y propagación de restricciones
La comprobación hacia delante permite usar mejor las restricciones durante las búsquedas, eliminando
de un dominio los valores inconsistentes con una determinada variable, en cambio la propagación de
restricciones consiste en propagar las implicaciones de una restricción sobre una variable en las otras
variables.
BIMESTRE
PRIMER
Regresemos a la lectura señalada anteriormente en esta guía y analice el
apartado "Propagación de la información de restricciones", de la sección
5.2 de su texto básico.
SEGUNDO
BIMESTRE
Una vez que ha realizado la lectura, es momento de poner en práctica lo estudiado, reflexionando sobre
la siguiente interrogante:
ACTIVIDAD RECOMENDADA
SOLUCIONARIO
Según su opinión ¿cuál es la diferencia entre una búsqueda con vuelta atrás y la búsqueda con
vuelta atrás inteligente?
ANEXOS
Veremos ahora otro interesante tema como la búsqueda local, que trata de algoritmos que se pueden
utilizar para resolver problemas de satisfacción de restricciones. En esta sección se estudiará sus
principales características y sus aplicaciones.
¿Verdad que la lectura le proporcionó información relevante sobre el tema?, pues bien vamos a señalar
los puntos que debe tener siempre presente dentro de una búsqueda local:
53
ÍNDICE
Guía didáctica: Inteligencia Artificial
de este tema. Lo importante de este ejercicio es la ubicación de las ocho reinas con una solución de
solamente dos pasos. ¡Interesante! ¿verdad?, Además presenta de una forma adecuada el ajuste de la
PRELIMINARES
función de búsqueda.
ACTIVIDAD RECOMENDADA
BIMESTRE
PRIMER
Revise el ejercicio de la posición de las reinas ubicado en la sección 5.3 del texto básico:
“Búsqueda local para problemas de satisfacción de restricciones”. ¿Es posible ubicar 9 reinas
en el tablero?, si la respuesta es SÍ, explique el proceso de ubicar las nuevas reinas.
SEGUNDO
BIMESTRE
Un aspecto importante de los problemas de satisfacción de restricciones es estructurar el problema
mediante grafos de restricciones de tal forma que se pueda encontrar las soluciones de forma más rápida.
SOLUCIONARIO
Para conocer más del tema le invitamos a desarrollar lo siguiente:
Leer la sección 5.4. "La estructura de los problemas", de su texto básico, para conocer algu-
nos grafos de restricciones y la descripción de estas estructuras mediante algoritmos.
¡Muy bien!, hemos culminado con éxito el desarrollo de esta unidad, en este momento le invitamos a
ANEXOS
que resuelva la siguiente autoevaluación para comprobar lo aprendido.
54
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 5
PRELIMINARES
A. En cada uno de los paréntesis sírvase responder con una (V) si el enunciado es verdadero o con
una (F) si el enunciado es falso.
BIMESTRE
1. ( ) Los problemas de satisfacción de restricciones están definidos por un conjunto de
PRIMER
variables y un conjunto de estados.
3. ( ) La búsqueda con vuelta atrás se utiliza para búsquedas primero en profundidad.
SEGUNDO
BIMESTRE
4. ( ) En la búsqueda local siempre se aplica la solución actual como válida.
5. ( ) Se puede aplicar el algoritmo de vuelta atrás siempre y cuando existan solamente dos
restricciones.
SOLUCIONARIO
6. ( ) Los PSR consisten en variables con restricciones sobre ellas.
7. ( ) Los PSR con preferencias pueden resolverse utilizando métodos de búsqueda de
optimización basados en caminos o locales.
8. ( ) La clase más simple de los problemas de satisfacción de restricciones es la que implica
variables discretas y continuas.
ANEXOS
B. Desarrolle el siguiente ejercicio:
9. Tomando como base la figura 5.4. de la presente guía didáctica, diseñe un árbol de búsqueda
empezando la coloración del mapa por w.
¡Excelente!, ha comprobado su nivel de aprendizaje en los temas. Le invitamos a seguir avanzando con el
estudio de las siguientes secciones.
Ir a solucionario
55
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Interesante unidad ¡Verdad..!. Pues bien, iniciamos el estudio de esta unidad con el uso de la búsqueda
entre adversarios (juegos), donde se revisarán conceptos sobre la teoría de juegos, se describirá cómo
las acciones de un jugador influyen en las acciones de su adversario (minimax) y por último cómo se
puede reducir el número de jugadas para que los algoritmos de inteligencia artificial ocupen de una
forma adecuada la memoria de los computadores en donde se ejecutan.
BIMESTRE
PRIMER
6.1. Juegos
SEGUNDO
BIMESTRE
valores de utilidad al final de un juego son siempre iguales y opuestos.
SOLUCIONARIO
Para aclarar nuestras dudas y conocer más de este tema desarrollar la siguiente lectura:
ANEXOS
Revisar el capítulo 6. "Búsqueda entre adversarios", del texto básico. En el cual encontrará
los componentes de un juego y las estrategias óptimas que conduzcan a los resultados
deseables.
De la lectura realizada es conveniente que comprenda los componentes que conforman un juego, los
cuales se resumen a continuación:
Los movimientos en un juego se realizan en profundidad, y cada nodo en el árbol tiene un valor llamado
MIN o MAX. Para conocer sobre estos términos le invitamos a seguir leyendo la sección siguiente.
¿Ha jugado alguna vez tres en raya?, nos imaginamos que sí. Para este juego existen dos jugadores, y
lógicamente gana aquel que seleccione la mejor estrategia (algunos piensan que la mejor estrategia
es empezar primero y ubicarse en la celda céntrica del tablero… ¿qué piensa usted?). Es conveniente
para este tipo de problemas de búsqueda elegir la mejor estrategia, pero ¿cómo hacerlo? o ¿cuál es la
decisión óptima? Pues bien, con la lectura siguiente podrá aclarar estas interrogantes.
56
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Regresar a su texto básico y dentro de la sección 6.2. “Decisiones óptimas en juegos”,
revisar el apartado "Algoritmo minimax", para conocer a detalle el funcionamiento de
este algoritmo.
Considere que el algoritmo minimax realiza una exploración exhaustiva del árbol de búsqueda, de
manera que el jugador que debe mover en primer lugar, al que llamaremos MAX tiende a elegir en
cada uno de sus movimientos aquel camino que le conduzca a un nodo con el mayor valor posible de la
BIMESTRE
PRIMER
función de evaluación de la función heurística. La estrategia del otro jugador al que llamaremos MIN es
la contraria, ya que tratará de oponerse a la estrategia de MAX, tomando el peor valor para aquella, es
decir, el más pequeño.
La anterior es una definición muy interesante, de hecho propone que MAX y MIN son oponentes y
lógicamente uno debe ser declarado ganador. Sin embargo, existen otras propuestas de la teoría de
SEGUNDO
BIMESTRE
juegos, en donde los adversarios colaboran para obtener el mejor resultado para ambos jugadores.
SOLUCIONARIO
MAX
MIN
7 MAX
ANEXOS
8 MIN
En la Figura 6.2. Desde el nodo MIN superior se puede llegar a un nodo con valor 7. El otro camino
posible solo es conveniente explorarlo mientras se sepa que se puede llegar por él a un nodo cuyo valor
sea menor que 7. Como consecuencia de esto no es necesario explorar el camino de MAX ya que nos
conduce a un valor de 8, el cual es mayor que 7 y por lo tanto no es la solución que buscamos.
Una vez comprendido lo que es el algoritmo MINIMAX, nos gustaría que revise el siguiente resumen:
¡Recuerde!, Desde un nodo padre MAX se elegirá aquella jugada que conduzca al hijo con mayor
valor asociado, por el contrario desde un nodo padre MIN se elegirá la jugada que lleve al hijo
con menor valor asociado.
Hay que considerar que en este tipo de búsqueda solo hay un ganador.
Ejercicio
Considere el siguiente árbol, y señale las estrategias ganadoras (si las hubiera) para un jugador MAX
y para un jugador MIN. Se considera que un nodo terminal (hoja) es ganador para MAX si su valor es
57
ÍNDICE
Guía didáctica: Inteligencia Artificial
superior o igual a 5. Por lo contrario, un estado ganador para MIN es aquél valor inferior a 5. Justifique su
respuesta.
PRELIMINARES
MAX
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
Figura 6. Árbol de búsqueda.
SOLUCIONARIO
Cómo se habrá dado cuenta, el algoritmo MINIMAX que lo estudiamos anteriormente permite determinar
que existen dos jugadores adversarios, esto hace que el algoritmo se vuelva lento por tener que explorar
muchas ramas del árbol de búsqueda para encontrar una solución. ¿Qué hacer para que MINIMAX opere
más rápido?, veamos una alternativa realizando lo siguiente:
ANEXOS
de búsqueda.
De la lectura realizada se podrá dar cuenta que la poda ALFA-BETA es una excelente técnica para disminuir
el tiempo de respuesta del MINIMAX, debido a que no explora todas las ramas del árbol de búsqueda, y
además PODA (corta) las ramas que no interesan. Su funcionamiento se basa en los siguientes puntos:
–– α representa la cota inferior de los valores que se van a ir buscando en la parte del árbol
que queda por explorar.
Si en algún momento α llega a ser mayor que β, no tendrá sentido seguir con la búsqueda,
realizándose una poda α si estamos en un nodo MAX o β si estamos en un nodo MIN.
Ahora realicemos una analogía con una lista de números: para entender bien la técnica alfa-beta,
primero debemos darnos cuenta que podemos sacar el mayor o menor de una lista de números, como
por ejemplo:
De la Lista = 1 2 4 8
El mayor es 8 y el menor es 1.
58
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Coloque ahora los siguientes números en un árbol de búsqueda como se muestra en la figura siguiente
(ver hojas del árbol) y obtengamos otras listas aplicando la función heurística:
MAX ->20
BIMESTRE
PRIMER
MAX ->20 MIN ->15
SEGUNDO
BIMESTRE
5 15 10 20 15 30
25
SOLUCIONARIO
En la figura anterior usted podrá observar que el nodo inicial es MAX, ahora al comparar MAX con MIX,
MAX es el mayor, por lo que empezamos por las hojas del árbol de MAX. Primero se compara el 5 con el
15, luego como 15 es mayor a 5, el ganador parcial es 15. Luego se verifica si 10 es mayor a 15, como no
lo es, entonces se mantiene 15 como ganador y por último se compara 15 con el 20, quedando 20 como
ganador de la comparación.
Ahora damos paso al siguiente jugador, por lo que en la otra rama utilizaríamos MIN, o sea los menores.
ANEXOS
Empezamos, comparamos 15 con el 25, el cual es mayor que 15. Si nos pasamos a MIN aquí el ganador es
15 porque es el menor (entre 25 y 15). Seguimos con el 30, pero 30 es mayor que 25 y mayor que 15, ¿es
necesario compararlo? No, porque de todas maneras 15 en MIN, es decir, sería el ganador. Por lo tanto
esa comparación ya no es necesaria, por lo que sería necesario aplicar la poda tipo α para MIN.
Hemos descifrado juntos la forma cómo podemos evitar las búsquedas innecesarias en MINIMAX, por lo
tanto estamos ya capacitados para automatizar algoritmos con agentes lógicos.
Es conveniente seguir trabajando sobre lo estudiado, por ello le invitamos a interactuar con las
tecnologías a través de la siguiente actividad.
Interactividad en el EVA
Ingresar al EVA y revisar los documentos y ejercicios que le pueden ayudar a complementar
el tema. ¡Ánimo, lo esperamos!
¡Muy bien!... hemos finalizado la quinta unidad, ahora comprobemos lo aprendido realizando la
autoevaluación siguiente.
59
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 6
PRELIMINARES
A. En cada uno de los paréntesis sírvase responder con una (V) si el enunciado es verdadero o con
una (F) si el enunciado es falso.
BIMESTRE
1. ( ) El algoritmo minimax se puede utilizar en la búsqueda en profundidad.
PRIMER
2. ( ) El algoritmo minimax es posible aplicar a la teoría de juegos.
3. ( ) En el algoritmo minimax los dos jugadores pueden colaborar para sacar un beneficio
común.
SEGUNDO
BIMESTRE
4. ( ) En el algoritmo minimax el que empieza el juego es max y min siempre es el ganador.
SOLUCIONARIO
6. ( ) La técnica poda alfa-beta puede aplicarse a árboles de cualquier profundidad.
7. ( ) La técnica poda alfa-beta permite saber cuando se puede realizar un corte en el árbol
de búsqueda.
B. Desarrolle lo siguiente:
ANEXOS
Resuelva el ejercicio propuesto en la sección 6.2 de esta guía didáctica y analice ¿qué pasaría si el nodo
inicial fuese MIN?
Ir a solucionario
60
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
En esta unidad revisará cómo diseñar agentes basados en conocimiento, utilizando lógica proposicional,
y algunas estrategias de deducción que permiten que el computador actúe de forma autónoma e
inteligente. Es por ello que, empezaremos conociendo acerca de los agentes basados en el conocimiento,
los cuales son como las personas que tomamos una decisión en base al conocimiento que tenemos a
mano sobre un caso en particular. Luego aprenderemos cómo el conocimiento puede ser representado
BIMESTRE
PRIMER
utilizando lógica proposicional y por último utilizaremos los patrones de razonamiento para deducir
sentencias de la lógica proposicional que permiten representar un contexto. Parece interesante ¡cierto!,
para nosotros es un gusto compartir con usted el desarrollo de esta unidad. ¿Empezamos?.
SEGUNDO
BIMESTRE
¿Qué es un agente basado en conocimiento? Como usted conoce, un agente puede ser visto como
cualquier “cosa” capaz de percibir de su medio ambiente. Pero, ¿basado en conocimiento?, para
comprender mejor realicemos una analogía: nosotros como personas utilizamos nuestros sentidos para
realizar una acción, en cambio un programa de computador (en este caso el agente) utiliza sensores
SOLUCIONARIO
para resolver problemas, como por ejemplo para capturar o percibir ciertas entradas al programa. Si las
personas almacenamos el conocimiento en la memoria, el agente almacena su información en una base
de conocimientos.
Bien, se está poniendo interesante el tema ¿verdad?, veamos ahora otra analogía: si nosotros aprendemos
a manejar un celular, es probable que utilizando este aprendizaje podamos manejar muchos más. De ahí
que, un agente puede inferir conocimiento nuevo con base a lo que percibe y utiliza el conocimiento
ANEXOS
anterior para tomar decisiones. A eso le denominamos: razonamiento.
Pues bien, el agente recibe el conocimiento desde cada una de sus fuentes: sensores, bases de datos, etc.
que forman su entorno, esta información reposa en una base de conocimiento que es luego recuperado
para hacer inferencias. Luego el agente produce salidas o acciones sobre su entorno o medio ambiente.
En base a esto podemos resumir que un agente basado en conocimiento es un sistema que posee
conocimiento de su entorno o medio ambiente y es capaz de razonar sobre las posibles acciones que
puede tomar para cambiar el estado de su entorno. De esta definición podemos extraer principalmente
dos componentes de estos agentes:
61
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
lenguaje de representación del conocimiento.
Es decir que siempre que se ejecuta el programa del agente basado en el conocimiento,
suceden dos cosas:
BIMESTRE
PRIMER
(PREGUNTAR), y responde mediante el razonamiento lógico.
2. Motor de inferencia
Deduce nuevas sentencias a partir de las oraciones almacenadas en la base de conocimiento y de las
nuevas percepciones. A este proceso se le denomina inferencias es decir, derivar nuevas sentencias a
SEGUNDO
BIMESTRE
partir de las ya existentes.
En la siguiente figura podemos observar el esquema que representa a un agente basado en conocimiento.
SOLUCIONARIO
Base de
conocimiento Efectores
Sensores
Percepciones Acciones
Motor de inferencia
ANEXOS
Entorno
Como se describe en el texto básico, uno de los ejemplos más claros de un agente basado en el
conocimiento es el mundo de Wumpus. Por ello le invitamos a:
Revisar la sección 7.2. “El mundo de wumpus”, donde conocerá las reglas
del funcionamiento del juego.
Luego de revisar las reglas del juego presentadas en la lectura, le invitamos a revisar el anexo 1, donde se
presenta la solución del ejercicio 7.2 propuesto en el texto básico, página 266.
Como se observa en el ejercicio presentado en el anexo, la base de conocimiento de este juego está
formada por un conjunto de sentencias, donde una sentencia es la representación de un hecho del
mundo (juego), en un lenguaje de representación del conocimiento. Un agente lógico entonces, parte
de su conocimiento y utiliza el razonamiento lógico para llegar a su objetivo.
62
ÍNDICE
Guía didáctica: Inteligencia Artificial
ACTIVIDAD RECOMENDADA
PRELIMINARES
Piense cómo sería el esquema de un agente basado en conocimiento para un sistema de
diagnóstico médico y dé respuesta a lo siguiente: ¿cuál sería su base de conocimiento, su
entorno, las nuevas sentencias o percepciones derivadas?, ¿cómo y cuáles serían las respuestas
BIMESTRE
PRIMER
que daría el sistema mediante razonamiento lógico a su entorno?
Un agente basado en el conocimiento necesita almacenar su información en una estructura que le permita
SEGUNDO
BIMESTRE
recuperarla e interpretarla de forma fácil. Para almacenar esta información en la base de conocimiento se
necesita de un lenguaje que permita representarlo con una sintaxis que permita construir las sentencias
y una semántica que permita construir las reglas para determinar el valor de verdad de cada sentencia.
Para comprender el tema es necesario:
SOLUCIONARIO
Realizar una lectura de la sección 7.4. “Lógica proposicional”, veremos
cómo las proposiciones pueden agruparse para convertirse en una base de
conocimiento.
En base a lo expuesto en el texto básico sobre la lógica proposicional, podrá deducir que no es complicado
ANEXOS
representar el conocimiento utilizando su sintaxis y semántica. Los puntos importantes de resaltar del
estudio del texto básico son los que se resumen en el esquema siguiente:
Bien, ahora, ¿cómo saber si una sentencia es válida?, para esto es necesario conocer algunos conceptos
relacionados a la implicación como: equivalencia, validez y satisfactibilidad, que los comprenderá con la
siguiente lectura.
63
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Realizar una lectura del apartado correspondiente a "equivalencia, validez y
satisfactibilidad " y analice las equivalencias lógicas especificadas.
BIMESTRE
PRIMER
Ejercicio
Realice el ejercicio 7.8 del texto básico, y verifique su decisión utilizando las equivalencias
lógicas revisadas en la lectura anterior.
SEGUNDO
BIMESTRE
¡Recuerde! Para tener todas las proposiciones de las combinaciones de p y q, se utiliza la fórmula
2n. En donde n es el número de proposiciones que hay en el ejercicio. Por lo tanto, si tenemos
dos proposiciones el resultado de la fórmula es 22= 4. Dividimos el resultado 4 para 2, el
resultado es 2. Este último resultado es el número de verdaderos (V) y falsos (F) para p. Volvemos
a dividir este último resultado 2 y lo dividimos para dos, el resultado es 1. Este último resultado
SOLUCIONARIO
es el número de V y F para q. Estos valores son ubicados en las dos primeras columnas de la
tabla de verdad.
Interactividad en el EVA
ANEXOS
Ingresar al EVA, y participe de las
actividades propuestas por su profesor.
Patrones de razonamiento
¡Qué bien, seguimos avanzando con el estudio!, seguro estará gustoso de conocer este tema, el cual trata
sobre la reducción del número de proposiciones para representar el conocimiento, proceso conocido
como patrón de razonamiento. Descubriremos entonces en esta sección cómo un conjunto de reglas
(sentencias) pueden someterse a un proceso (patrones, fórmulas lógicas) con el fin de hacer más fácil
su utilización. El objetivo es derivar sentencias de conclusiones que nos lleven al objetivo deseado de
tal forma que estas se puedan representar fácilmente en la base de conocimiento. ¡Bien, empecemos!.
De la lectura anterior es necesario que tenga claro las características más importantes de un patrón de
razonamiento:
64
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
BIMESTRE
PRIMER
Figura 7.3. Aspectos importantes de los patrones de razonamiento.
SEGUNDO
BIMESTRE
Un método de inferencia que se suele utilizar para demostrar una conclusión o para derivar ciertas
sentencias, es el encadenamiento hacia adelante o hacia atrás, el primero consiste en que a partir de un
conjunto de sentencias de la base de conocimiento encontramos una solución, es decir vamos a partir
de lo general para llegar a lo particular. En cambio el encadenamiento hacia atrás parte de la conclusión
para llegar a las sentencias que sustentan la misma, es decir de lo particular a lo general.
SOLUCIONARIO
Continuemos con la lectura de la sección 7.5. “Patrones de razonamiento
en lógica proposicional”, sección "Encadenamiento hacia adelante y hacia
atrás“ del texto básico, veremos el detalle necesario para que podamos
comprender la teoría y práctica de este tipo de encadenamiento.
De la lectura realizada se podrá dar cuenta que el proceso para estos tipos de encadenamiento es el
ANEXOS
siguiente:
Se aplica modus ponens hacia delante, añadiendo las sentencias atómicas nuevas hasta que
no se pueda realizar más inferencias.
Ejemplo:
1. Si h2 y h5 entonces h1
2. Si h4 y h3 entonces h2
3. Si h6 entonces h3
65
ÍNDICE
Guía didáctica: Inteligencia Artificial
La base de hechos inicial contiene los siguientes datos: h6, h7, h9, h8, h4 y h5.
PRELIMINARES
Base de hechos inicial (BH0)
h6
h7
h9
h8
h4
BIMESTRE
PRIMER
h5
Paso 2: aplicamos modus ponen entre la regla 3 y h6 (el primer hecho de la base de conocimiento),
SEGUNDO
BIMESTRE
obteniendo un nuevo hecho para la base de conocimiento.
SOLUCIONARIO
h9
h8
h4
h5
h3
ANEXOS
Repetimos el paso 1, seleccionando las sentencias atómicas h4 y h3 de la base de conocimiento anterior
y por conjunción formamos una sola sentencia (h3 y h4) para que formen el antecedente de la regla 2,
luego por modus ponens obtenemos la siguiente conclusión h2. Resultando de esta manera una nueva
base de hechos BH2. Repetimos estos mismos pasos hasta que el problema esté resuelto y no haya más
reglas que aplicar.
Ejercicio
66
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Se debe empezar por lo que se quiere demostrar.
Se buscan las oraciones que nos permitan llegar a una determinada conclusión, es decir
las condiciones o cláusulas que figuran en los antecedentes de las reglas, que pasan a
convertirse en nuevos subobjetivos a demostrar.
BIMESTRE
PRIMER
Una cadena que transita hacia atrás desde un objetivo hasta los hechos que soportan tal
objetivo se llama encadenamiento hacia atrás. Está basado en el método inductivo: va guiado
por un objetivo que es la conclusión (o hipótesis) que se trata de validar reconstruyendo la
cadena de razonamiento en orden inverso.
Ejemplo:
SEGUNDO
BIMESTRE
Partimos de las reglas siguientes:
SOLUCIONARIO
2. Mario Pérez es catedrático.
Para averiguar si“Mario Pérez es doctor”se busca una regla que tenga esta afirmación en sus consecuencias.
La regla o premisa 1, satisface estas condiciones; siguiendo esta regla hacia atrás tenemos que buscar
ANEXOS
una nueva que permita validar si “Mario Pérez” es catedrático, lo cual se hace con la premisa (2).
En base a este ejercicio, podemos observar que en el encadenamiento hacia atrás se parte de un
determinado concepto (objetivo) cuya validez hay que verificar de la base de conocimiento y la base
de hechos inicial, para lo cual primero se debe comprobar si el concepto pertenece o no a la base de
hechos, en caso de que no exista en la base de hechos se debe trabajar con las reglas existentes en la
base de conocimiento específicamente con aquellas en cuyo consecuente figure el concepto objetivo. Si
se demuestra la validez de estos subobjetivos para una determinada regla es posible inferir el concepto
objetivo global que era el que se pretendía demostrar (h1).
Con el fin de aplicar estos algoritmos, es necesario que realice el siguiente ejercicio:
Ejercicio
Backtracking
En esta sección describiremos otras técnicas alternativas de algoritmos que permiten hacer búsquedas
exhaustivas y sistemáticas en un espacio de estados.
67
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
para conocer dos tipos de algoritmos utilizados para la comprobación de la
satisfactibilidad.
En Pereira (2009) además se menciona que esta técnica consiste en descomponer la tarea a realizar en
tareas parciales y se prueba sistemáticamente cada una de estas, que a su vez se descompondrán en
subtareas. Además, cuando al elegir una tarea se comprueba que no lleva a una solución, se debe volver
BIMESTRE
PRIMER
atrás, y probar con otra.
Una vez realizada esta lectura y considerando lo señalado usted podrá concluir que se trata de una
técnica recursiva (de vuelta atrás) de resolución de problemas.
Con el fin de comprender de mejor manera a este algoritmo le invitamos a revisar el recurso señalado en
SEGUNDO
BIMESTRE
el apartado Bibliografía, sobre algoritmos de backtraking.
SOLUCIONARIO
Hemos llegado al estudio de la última sección de esta unidad, donde se estudiará la construcción de
agentes utilizando lógica proposicional. Para conocer del tema, es necesario:
ANEXOS
Una vez desarrollada la lectura, podrá estar en la capacidad de distinguir los tipos de agentes que utilizan
algoritmos de inferencia y una base de conocimiento de aquellos que evalúan directamente expresiones
lógicas en forma de circuitos.
ACTIVIDAD RECOMENDADA
• ¿En qué situaciones es conveniente utilizar agentes basados en lógica proposicional? Mencione
un ejemplo.
• Bien, ahora para comprobar lo que ha logrado del estudio de esta unidad le invitamos a
desarrollar la siguiente autoevaluación.
68
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 7
PRELIMINARES
A. En cada uno de los paréntesis sírvase contestar con una (V) si el enunciado es verdadero o con
una (F) si el enunciado es falso.
BIMESTRE
1. ( ) Un agente lógico es aquel que posee proposiciones en su base de conocimiento.
PRIMER
2. ( ) La lógica proposicional en un lenguaje para representar el conocimiento en base a
una sintaxis y semántica bien definidas.
3. ( ) Un agente lógico puede construir una representación de su medio ambiente utilizando
SEGUNDO
BIMESTRE
procesos de inferencia para derivar nuevas representaciones de su entorno.
SOLUCIONARIO
5. ( ) Se dice que un algoritmo de inferencia es sólido si deriva solo sentencias implicadas.
ANEXOS
9. ( ) El algortimo backtracking es un algoritmo recursivo utilizado para la resolución de
problemas mediante una búsqueda sistemática de soluciones.
¡¡¡FELICITACIONES!!!
Ir a solucionario
69
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
8.1. Introducción a la representación del conocimiento
BIMESTRE
específico sobre él. Es por ello que en esta unidad iniciaremos con otra área de la inteligencia artificial
PRIMER
que es la representación del conocimiento, que tiene como objetivo representar el conocimiento de una
manera que facilite la inferencia a partir de dicho conocimiento.
SEGUNDO
BIMESTRE
algunas otras ideas sobre este tema?
Al hablar de símbolos nos imaginamos que se preguntará ¿Cómo se relaciona la lógica con la
representación del conocimiento? Nos permitimos asegurar que en la representación del conocimiento,
generalmente se usa un tipo de lógica para proporcionar semántica formal a los símbolos del dominio,
SOLUCIONARIO
además de proveer operadores que junto a una adecuada interpretación, se da significado a la
información.
ANEXOS
Figura 8.1. Definición de conocimiento.
Los sistemas de IA necesitan diferentes tipos de conocimiento que por lo general no suelen estar
disponibles en bases de datos tradicionales y otras fuentes de información, es por ello que, aparece el
término base de conocimiento que guardan conocimiento sobre los objetos en un entorno y posibles
relaciones entre ellos. Imaginamos que habrá recordado la definición de base de conocimiento revisada
en la unidad anterior, pues bien, este sistema de oraciones que representan hechos acerca del mundo,
es expresado justamente en un algún lenguaje de representación del conocimiento.
Ahora veamos las aplicaciones de representación del conocimiento que existen. Entre las principales se
pueden mencionar:
Ingeniería de software
Web semántica
Ontologías
Más adelante analizaremos con más detalle algunas de estas aplicaciones. Ahora veamos cómo sería
un esquema de representación del conocimiento con algunos de los componentes ya analizados
anteriormente:
70
ÍNDICE
Guía didáctica: Inteligencia Artificial
Base de
PRELIMINARES
conocimientos
Entradas Salidas
Motor de inferencia
BIMESTRE
Entorno
PRIMER
Figura 8.2. Esquema de representación de conocimiento .
SEGUNDO
BIMESTRE
las reglas que permiten inferir nuevo conocimiento a partir del ya existente.
Ahora le invitamos a reflexionar sobre las siguientes interrogantes: ¿qué tipo de conocimiento se puede
representar?, ¿cree que es posible representar todo conocimiento?
SOLUCIONARIO
Una vez que haya indagado sobre las preguntas planteadas es conveniente completar este tema, para
lo cual es necesario:
ANEXOS
Durante la lectura usted se encontrará con un término nuevo “ontologías”, este tema será desarrollado
en la sección 8.4 de esta unidad.
ACTIVIDAD RECOMENDADA
La forma o estructura
Existen diferentes técnicas de representación del conocimiento sobre las que se han sustentado los
lenguajes de representación del conocimiento. Algunas de ellas son:
71
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Ejemplo
Para representar que una manzana es roja, se tendría una tripleta manzana-color-roja
Típicamente estas tripletas se representan en forma de grafos, utilizando una elipse para el objeto, un
cuadrado para el valor, y una flecha o arco dirigido entre ambos elementos representando el atributo.
BIMESTRE
PRIMER
Color
Manzana Rojo
Reglas: esta técnica representa el conocimiento utilizando unas premisas o condiciones y las
conclusiones o acciones que de ellas se derivan.
SEGUNDO
BIMESTRE
Se suelen representar de la forma Sí-entonces. Las premisas se colocan a continuación del SI en forma
normalmente de tripletas objeto-atributo-valor y utilizando operadores booleanos, mientras que las
conclusiones definirían nuevos hechos o realizarían acciones.
SOLUCIONARIO
Ejemplo
ANEXOS
que permiten representar estructuras jerárquicas de conocimiento. Los conceptos se encierran en
un recuadro o en una elipse para verlos mejor. Están relacionadas también con las tripletas objeto-
atributo-valor, en forma de estructura de proposiciones (nodo, palabra-enlace, nodo).
72
ÍNDICE
Guía didáctica: Inteligencia Artificial
Ejemplo
PRELIMINARES
Si tenemos un marco de clase “estudiante” y una instancia de esta clase “Pedro”
Cada clase o marco contiene una serie de atributos y propiedades como en la programación orientada
a objetos.
Ejercicio
BIMESTRE
PRIMER
Considerando un dominio universitario:
SEGUNDO
BIMESTRE
Representar el dominio mediante un mapa conceptual
Puede utilizar una herramienta para desarrollar mapas conceptuales como Cmaptools disponible en:
http://cmap.ihmc.us/download/
SOLUCIONARIO
8.3. Web semántica
Es hora de entrar a un nuevo tema, es decir a una nueva generación de la Web actual, como es la Web
semántica, pero ¿qué es la Web semántica?, pues no es otra cosa que aquella que añade significado a la
Web, porque está basada en “la idea de proporcionar en la Web datos definidos y enlazados, permitiendo
que aplicaciones heterogéneas descubran, integren, razonen y utilicen la información presente en la
ANEXOS
Web.” (Hendler, Berners-Lee, & Miller, 2002).
Usted a lo mejor ha escuchado hablar de Web.3, ¿cierto?, la verdad es que la Web semántica está asociada
a este término que se abrevia como W3C.
Nos imaginamos que le habrán surgido algunas preguntas referentes a este tema:
La Web semántica es una Web extendida, basada en significado, es decir, dotada de semántica en la
que cualquier usuario de Internet podrá encontrar respuestas a sus preguntas de forma más rápida.
Gracias a la Web semántica a través del uso de algún software es posible entre otras cosas procesar
contenido, razonar con este, modificarlo y realizar deducciones lógicas para resolver problemas de la
vida real automáticamente.
Para dar respuesta a la pregunta de ¿cómo funciona la Web semántica?, vamos a proponer un ejemplo:
Si tenemos un buscador semántico, a través del cual deseamos conocer los vuelos dispo-
73
ÍNDICE
Guía didáctica: Inteligencia Artificial
nibles a la ciudad de Quito mañana por la mañana, en una determinada aerolínea, los re-
PRELIMINARES
sultados de la búsqueda brindarían al usuario la información exacta que estaba buscando.
La ubicación geográfica desde la que el usuario envía su pregunta es detectada de forma
automática sin necesidad de especificar el lugar de origen o partida (por ejemplo Loja), así
elementos de la oración como “mañana” adquirirían significado, convirtiéndose en un día
concreto calculado en función del día de “hoy”. Igualmente ocurriría con el siguiente día, es
decir, el segundo “mañana”, que sería interpretado como un momento determinado del día.
BIMESTRE
PRIMER
Todos estos datos pasan a ser información llena de significado. Finalmente, como resultado
de la búsqueda se tendría la obtención de todos los vuelos disponible a Quito para mañana
por la mañana, de forma rápida y sencilla.
A partir de este ejemplo podemos determinar la diferencia con la Web actual, si realizamos
SEGUNDO
BIMESTRE
está misma búsqueda en un buscador actual por ejemplo Google (figura 8.3), se obtendrán
resultados totalmente distintos a los esperados, el cual ofrecería información variada sobre
Quito pero que no tiene nada que ver con lo que realmente el usuario buscaba. Un paso
siguiente a este es que el usuario realice una búsqueda manual entre esas opciones que
SOLUCIONARIO
aparecen, con la consiguiente dificultad y pérdida de tiempo.
ANEXOS
Figura 8.3. Ejemplo de búsqueda
En conclusión podemos señalar que la diferencia radica principalmente en que la Web actual carece de
significado, mientras que la Web Semántica al ser una Web basada en significado, es posible procesar
su contenido, razonar sobre este, combinarlo y realizar deducciones lógicas para resolver problemas
cotidianos automáticamente.
74
ÍNDICE
Guía didáctica: Inteligencia Artificial
ACTIVIDAD RECOMENDADA
PRELIMINARES
Investigue sobre las ventajas de la Web semántica y mencione algunos proyectos que se han realizado
sobre esta.
Identifique la relación que existe entre la representación del conocimiento y la Web semántica.
BIMESTRE
PRIMER
8.4. Tecnologías de la Web semántica: ontologías
Entre las tecnologías que ofrece la Web semántica para enriquecer los contenidos de la Web tradicional
están las Ontologías que se encargan de definir los términos utilizados para describir y representar un
SEGUNDO
BIMESTRE
área de conocimiento.
Definición de Ontología
SOLUCIONARIO
Para abarcar este tema, es necesario recordar lo leído sobre ingeniería ontológica
capítulo 10 del texto básico, específicamente sección 10.1 y 10.2.
Haciendo referencia a la definición de ontologías presentada por (Neches and colleagues, 1991), “Una
ontología define los términos básicos y las relaciones que comprende el vocabulario de un área temática,
así como las reglas para combinar términos y relaciones para definir extensiones al vocabulario”, y de
acuerdo a lo mencionado en el texto básico, podemos deducir que una ontología no es más que una
ANEXOS
representación de todos los hechos del mundo en una jerarquía de categorías.
De la lectura realizada, se habrá dado cuenta que las ontologías utilizan grafos para representar conceptos
generales (que se ubican en la parte superior) y conceptos más específicos que se ubican debajo de ellos.
Para complementar esta lectura, le invitamos a revisar el siguiente recurso Web, que le permitirá
identificar algunos componentes de una ontología.
Recurso OCW
http://ocw.upm.es/ciencia-de-la-computacion-e-inteligencia-artificial/ontologies-
and-semantic-web/contents/OWS_-_02_-_Ontologias.pdf
Muy bien, ahora pensemos ¿categorías y clases son lo mismo?. Bien como se reviso en lecturas anteriores
las categorías sirven para organizar los objetos y simplificar el conocimiento base a través de la herencia.
Con lo que podemos inducir que ambos términos se refieren a lo mismo, puesto que en las clases los
conceptos se toman en un sentido amplio.
Ejemplo
75
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
medios de transporte (aviones, trenes, coches, barcos, motocicletas y los buques).
Las clases en la ontología se suelen organizar en taxonomías a través del cual mecanismos de herencia
pueden ser aplicados, por ejemplo si tenemos que “Los alimentos son comestibles":
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
SOLUCIONARIO
Figura 8.4. Ejemplo de herencia.
En este ejemplo, cualquier manzana es comestible, por tanto haciendo referencia a la herencia, podemos
decir que las manzanas heredan la propiedad comestible.
Como podemos observar, las taxonomías ofrecen una clasificación de la información de forma jerárquica,
en forma de árbol donde cada nodo equivale a una clase y cada enlace a las relaciones entre ellas. De ahí
ANEXOS
que las ontologías incluyen taxonomías de conceptos. Veamos un ejemplo:
Ejercicio:
Represente mediante una taxonomía los conceptos generales y específicos que intervienen en
el dominio universitario señalado anteriormente. Es hora de interactuar con las herramientas
tecnológicas, por ello le invitamos a participar de la actividad propuesta a continuación.
Interactividad en el EVA
Ahora usted ya cuenta con los fundamentos necesarios sobre la representación del
conocimiento y está en la capacidad de emitir su criterio respecto a las interrogantes
planteadas en el EVA.
Durante su participación en el EVA esperamos que haya fortalecido algunos aspectos respecto a la
representación del conocimiento, Ahora, verifique la comprensión de los temas estudiados a través de la
realización de la autoevaluación.
76
ÍNDICE
Guía didáctica: Inteligencia Artificial
Autoevaluación 8
PRELIMINARES
A. En cada uno de los paréntesis sírvase contestar con una (V) si el enunciado es verdadero o con
una (F) si el enunciado es falso.
BIMESTRE
1. ( ) El conocimiento lo crean y lo usan los agentes humanos o máquinas.
PRIMER
2. ( ) La Web semántica es una de las aplicaciones de la representación del conocimiento.
SEGUNDO
BIMESTRE
4. ( ) Dentro de la representación del conocimiento las categorías hacen referencia a las
propiedades de los objetos representados.
5. ( ) Los frames son una forma de representar el conocimiento mediante gráficos que
SOLUCIONARIO
representan conceptos, objetos y relaciones entre ellos.
7. ( ) La Web semántica conocida también como Web 4.0 es una Web basada en significado.
ANEXOS
semántica formal a los símbolos del dominio a representar.
1. Visite algunas fuentes de información sobre Web semántica y mencione al menos 5 ventajas
de esta nueva generación de la Web en comparación con la Web tradicional o actual.
Ir a solucionario
77
ÍNDICE
Guía didáctica: Inteligencia Artificial
7. Solucionario
PRELIMINARES
PRIMER BIMESTRE
AUTOEVALUACION 1
BIMESTRE
PRIMER
1.
1. (F)
El dualismo considera que existe una parte de la mente que esta al margen de la naturaleza exenta de la
influencia de las leyes físicas.
SEGUNDO
BIMESTRE
2. (V)
3. (V)
4. (F)
Los agentes inteligentes son racionales; es decir, hacen lo correcto; para esto utilizan el razonamiento
SOLUCIONARIO
basado en el conocimiento.
5. (V)
6. (V)
7. (F)
ANEXOS
En los agentes robóticos los sensores las cámaras de video y los efectores constituyen ciertos
mecanismos.
9. (F)
La inteligencia artificial (IA) desde el primer momento abarcó temas que no eran considerados por otros
campos como: la idea de duplicar facultades humanas como la creatividad, la automejora, y el uso de
lenguaje.
10. (F)
2.
b. En los seres humanos los cinco sentidos sirven de sensores y las extremidades sirven de
efectores.
Ir a autoevaluación
78
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACION 2
PRELIMINARES
1.
1. (F)
BIMESTRE
PRIMER
3. (F)
La función que describe el comportamiento de un agente se puede presentar en forma de grafo y este
es una caracterización externa del agente.
4. (F)
SEGUNDO
Como regla general, es mejor diseñar medidas de utilidad de acuerdo con lo que se quiere para el
BIMESTRE
entorno, más que de acuerdo a cómo se cree que el agente de comportarse.
5. (V)
6. (F)
Un agente racional actúa con la intención de maximizar el valor esperado de la medida de rendimiento,
SOLUCIONARIO
dada la secuencia de percepciones que ha observado hasta el momento.
7. (V)
8. (V)
9. (V)
10. (F)
ANEXOS
Una función de agente para un agente especifica a acción que debe ejecutar un agente como respuesta
a cualquier secuencia percibida.
1. Analizar el tipo de problema que se va a tratar para poder definir claramente el problema.
1. Definición del problema del agente. Se establece una conceptualización amplia y clara
del problema que se pretende resolver con el uso de agentes inteligentes, se identifica
el problema; se realiza un análisis del mismo y finalmente se hace una construcción del
modelo conceptual de la situación.
79
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
percepciones, las acciones, los objetivos, las metas y el ambiente. Como segunda actividad
se realiza la representación del conocimiento, haciendo un análisis del conocimiento
adquirido, una selección del esquema de representación y finalmente la representación del
conocimiento.
3. Diseño del agente. Esta etapa del proceso es muy importante, es la que corresponde
con el diseño de la solución en el método clásico de diseño y construcción de sistemas
BIMESTRE
PRIMER
de información, y en el que se pretende generar un modelo del agente, que sea
computacionalmente aplicable. Para lograr esto, el proceso se divide en el diseño de la Base
de Conocimiento (BC), el diseño del motor de inferencia (MI) o motor de ejecución (ME), el
diseño de la interfaz y el diseño del lenguaje de comunicación.
SEGUNDO
BIMESTRE
diseñado, que no es más que la implantación del diseño obtenido en el proceso previo. Se
realiza un análisis y selección de herramientas de implantación, para la implantación del
agente, la implantación de la BC la implantación del MI, la implantación de la interfaz y la
implantación de la comunicación.
SOLUCIONARIO
5. Prueba del agente. Se realiza una validación del agente construido, en el cual se verifica y
ajusta el funcionamiento de dicho agente, en función de los requerimientos y la situación
analizada en el primer proceso planteado. Se inicia con el diseño de pruebas, el plan de
pruebas, se hace la aplicación de las mismas y finalmente se depuración del agente.
ANEXOS
Ir a autoevaluación
80
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACION 3
PRELIMINARES
1.
1. (V)
2. (V)
3. (F)
BIMESTRE
PRIMER
El proceso se denomina búsqueda.
4. (V)
5. (V)
6. (V)
7. (F)
SEGUNDO
BIMESTRE
Una solución óptima tiene el costo más pequeño del camino entre todas las soluciones.
8. (V)
9. (V)
10. (F)
SOLUCIONARIO
La evaluación del rendimiento de un algoritmo se la puede realizar de cuatro formas: completitud, optimi-
zación, complejidad en el tiempo, complejidad en el espacio.
ANEXOS
3. Los objetivos fundamentales de la resolución de un problema mediante búsquedas
b. Que la solución tenga un costo total mínimo, esto es costo de búsqueda off-line, tiempo y
memoria necesarios y costo del camino de la solución (costo on-line).
Ir a autoevaluación
81
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACION 4
PRELIMINARES
1.
(F)
1. Una estrategia de búsqueda informada puede encontrar soluciones de manera más eficiente que una
estrategia de búsqueda no informada.
BIMESTRE
PRIMER
2. (V)
(F)
3.
Es inexacto.
4. (V)
(F)
SEGUNDO
BIMESTRE
5.
Se parece a la búsqueda primero en profundidad.
6. (V)
7. (V)
8. (V)
SOLUCIONARIO
9. (V)
(F)
10.
Los algoritmos de búsqueda local no son sistemáticos.
ANEXOS
Únicamente usan la información de la
definición del problema. Usan la información de la definición del
problema y el coste del estado actual del
No disponen de ninguna información objetivo.
adicional a la propia definición del mismo.
Estrategias:
Estrategias:
Búsqueda primero en anchura
Búsqueda primero el mejor
Búsqueda primero en profundidad
Búsqueda primero el mejor avara
Búsqueda de profundidad limitada
Búsqueda A*
Búsqueda de profundidad iterativa
BRPM y A*MS
Búsqueda bidireccional
A* (Nodo S0)
abierta <- S0
Repetir
Si vacío? (abierta) entonces
devolver(negativo)
nodo <- primero(abierta)
Si meta? (nodo) entonces
devolver(nodo)
sucesores <- expandir(nodo)
82
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
ordInsertar (n,abierta,f*)
Fin{Repetir}
En donde,
Abierta: estructura dinámica, en este caso a nivel de implementación cola con prioridad según valores
de la estimación f*, de almacenamiento temporal del expansionamiento de los nodos intermedios de
BIMESTRE
PRIMER
camino al nodo meta o fin, a medida que el algoritmo vaya iterando, esta irá viendo cómo se introducen
en el nodos hijos a consecuencia del expansionamiento de sus respectivos antecesores, los cuales se
irán ordenando por mínimo f*, dando prioridad no garantiza a nuestra heurística, puesto que estará
determinada por los patrones de costes reales asociados, por ejemplo recorrido por la ciudad de Loja,
considerando número de paradas y transbordos realizados hasta el momento, y el coste estimado
SEGUNDO
BIMESTRE
obtenido según el camino al nodo meta.
Primero: nodo que se extrae de la estructura abierta, el cual se somete a comprobaciones de si es nodo
meta, factor que determina el comportamiento del algoritmo: si es que sí, se obtiene el resultado, en
caso contrario, se expande este, se los procesa y se los ordena nuevamente en la estructura temporal.
SOLUCIONARIO
Ir a autoevaluación
ANEXOS
83
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACIÓN 5
PRELIMINARES
Pregunta Respuesta
1. F
BIMESTRE
PRIMER
2. V
3. V
4. V
SEGUNDO
BIMESTRE
5. F
SOLUCIONARIO
6. V
7. V
8. V
ANEXOS
Ir a autoevaluación
84
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACIÓN 6
PRELIMINARES
Pregunta Respuesta
1. V
BIMESTRE
PRIMER
2. V
3. F
4. V
SEGUNDO
BIMESTRE
5. V
SOLUCIONARIO
6. V
7. V
8. F
ANEXOS
Ir a autoevaluación
85
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACIÓN 7
PRELIMINARES
Pregunta Respuesta
1. V
BIMESTRE
PRIMER
2. V
3. V
4. F
SEGUNDO
BIMESTRE
5. V
SOLUCIONARIO
6. V
7. F
8. F
ANEXOS
9. V
10. V
Ir a autoevaluación
86
ÍNDICE
Guía didáctica: Inteligencia Artificial
AUTOEVALUACIÓN 8
PRELIMINARES
Pregunta Respuesta
1. V
BIMESTRE
PRIMER
2. V
3. V
4. F
SEGUNDO
BIMESTRE
5. F
SOLUCIONARIO
6. F
7. F
8. V
ANEXOS
Ir a autoevaluación
87
ÍNDICE
Guía didáctica: Inteligencia Artificial
8. Anexos
PRELIMINARES
DI CTI ONARY
TH ESA UR US
BIMESTRE
PRIMER
ANEXO 1:
Solución al ejercicio 7.2 del texto básico
“Suponga que el agente ha avanzado hasta el instante que se muestra en la figura 7.4(a), sin haber
SEGUNDO
BIMESTRE
percibido nada en la casilla [1,1], una brisa en la [2,1], y un hedor en la [1,2], y en estos momentos está
interesado sobre las casillas [1,3], [2,2] y [3,1]. Cada una de ellas puede tener un hoyo y como mucho en
una se encuentra el Wumpus. Siguiendo el ejemplo de la figura 7.5, construya el conjunto de los mundos
posibles. (Debería encontrar unos 32 mundos). Marque los mundos en los que la BC es verdadera y
SOLUCIONARIO
aquellos en los que cada una de las siguientes sentencias es verdadera:”
De acuerdo a la figura 7.4 de su texto básico, las percepciones de las casillas en las cuales está el
interesado el agente (A en un recuadro en la figura siguiente) son: percepciones (hedor, ok, brisa). El
ANEXOS
agente lógicamente no sabe de cuál casilla le viene, qué percepción. El primer modelo válido para la
base de conocimientos (BC) sería:
1.3
¡w!
1.2 2.2.
v A s
3.1
¡p!
Figura 1. Movimiento del agente.
En la figura 1, el agente A tendrá las siguientes percepciones (hedor, brisa). Ahora si Wumpus y pozo se
mueven se tiene que:
1.3 1.3 1.3
¡P! A s A s
1.2 2.2. 1.2 2.2 1.2 2.2
v A s v v
3.1 3.1 3.1
¡w! ¡w! ¡P!
a) b) c)
88
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
Para α = << No hay ningún hoyo en la casilla [2,2]>>, se tiene que como válido a la figura 2 a). Mientras
que para α = << Hay un Wumpus en la casilla [1,3]>> serían válidos los modelos:
1.3 1.3
¡w! ¡w!
1.2 3.1 1.2 3.1
BIMESTRE
¡P! s
PRIMER
v v A s
3.1 3.1
A B ¡P!
SEGUNDO
BIMESTRE
Las configuraciones que se pueden observar tanto en la figura 2 como en la figura 3 antes mostradas, se
constituyen en la base de conocimientos del juego.
PV/mcn/26-11-2012/88
rg/2018/01/15
SOLUCIONARIO
ANEXOS
89
ÍNDICE
Guía didáctica: Inteligencia Artificial
PRELIMINARES
BIMESTRE
PRIMER
SEGUNDO
BIMESTRE
SOLUCIONARIO
ANEXOS
Diseño e impresión:
Imágenes: Shutterstock.com/Ediloja
ISBN: 978-9942-04-507-2
Asesoría virtual:
www.utpl.edu.ec
91