Download Inteligencia Artificial - Página en Construcción

Resumen de Inteligencia Artificial
Inteligencia Artificial
Definiciones Varias
– Dominio:
Se define como el contexto del problema que se busca resolver.
– Experto:
Es una persona que puede resolver problemas de una forma correcta y rápida empleando técnicas de
razonamiento. Posee la capacidad de aprender adquiriendo conocimientos y experiencia.
La Inteligencia Artificial
La Inteligencia es la capacidad de resolver problemas no comunes o complejos en un dominio
determinado de forma sistemática. Tener Inteligencia es poseer la capacidad de aprendizaje o capacidad
adaptativa.
La Inteligencia Artificial estudia el comportamiento inteligente del ser humano; y puede observarse
desde dos puntos de vista:
 Científico: Trata el estudio del comportamiento inteligente, siendo su fin el conseguir una teoría
de la inteligencia que explique la conducta que se produce en seres naturales inteligentes que
guíe la creación de entes artificiales capaces de alcanzar dicho proceder inteligente.
En síntesis, busca comprender y analizar la inteligencia humana para emularla.
 Ingeniería: Se ocupa de los conceptos, la teoría, y la práctica de cómo construir máquinas
inteligentes; es decir, máquinas que resuelvan problemas coextensivos con los que, al
resolverlos los seres humanos, estos son tenidos por inteligentes.
Clasificación de los Sistemas
Los Sistemas se Clasifican según se muestra a continuación:
 Sistemas: Conjunto de partes interrelacionadas que interactúan entre si con el fin de satisfacer
un objetivo común.
o Sistemas de Información: Sistema que permite recolectar, almacenar, procesar y distribuir
datos.
 Sistemas Inteligentes: Son todos aquellos Sistemas que emplean determinadas
heurísticas para poder resolver problemas.
 Sistemas Basados en Conocimientos: Programa de Inteligencia Artificial,
cuyas prestaciones dependen más de la presencia explícita de un cuerpo
de conocimientos que de la posesión de ingeniosos procedimientos
computacionales. Pertenecen a los Sistemas Inteligentes. Son sistemas
que incluyen los Datos, las Noticias y los Conocimientos. Sus reglas se
encuentran separadas de los procedimientos. Su Base de Conocimientos
es pública y accesible. Es multidominio y reutilizable.
Tiene una base de conocimientos explícita que puedo identificar, y posee
un comportamiento inteligente. Es como una BD pero en vez de datos hay
hechos y reglas.
o Sistemas Expertos: Pertenecen al grupo de los Sistemas Basados
en Conocimientos. Sus reglas provienen de distintas fuentes y de
las decisiones que toma un experto. Su Base de Conocimientos no
es pública y está conformada por reglas específicas de un dominio
que no pueden ser modificadas por el usuario final.
 Sistemas Expertos: Puede no tener una base de conocimiento explícita.
Son más particulares que los sistemas basados en conocimiento porque se
basan en una persona llamada “Experto”. El Sistema experto no reemplaza
al experto sino que lo asiste.
Página 1 de 42
Resumen de Inteligencia Artificial
Construcción de Sistemas Basados en Conocimientos
Problemas en la Construcción de Sistemas Basados en Conocimientos
Los Problemas que se dan en la construcción de Sistemas Basados en Conocimientos son:
 La adquisición de los conocimientos.
 La representación de los conocimientos.
 La generación de inferencias.
Principios Para Construir Sistemas Basados en Conocimientos
Los principios arquitectónicos que se deben seguir para construir Sistemas Basados en Conocimientos
son los siguientes:
 Separación del mecanismo de inferencia de la Base de Conocimientos.
 Uniformidad en la representación.
 Conservar simple el motor de inferencias.
Página 2 de 42
Resumen de Inteligencia Artificial
Sistemas Basados en Conocimientos (SBC)
Componentes de un Sistema Basado en Conocimiento
Los componentes de un Sistema Basado en Conocimientos son los siguientes:
1. Base de Conocimientos (BC): Posee las reglas que guían la resolución de problemas. Es pública
y accesible. Sus reglas son de la forma: SI [CONDICIÓN] [ACCIÓN].
2. Motor de Inferencia (MI): Es quien consulta la BC para obtener las reglas con el fin de satisfacer
una consulta del usuario. Se encarga de la realimentación.
3. Interfaz de Entrada/Salida (IES): Transforma las peticiones del usuario para que las entienda el
MI; y viceversa, transforma los resultados que le provee el MI para que los pueda interpretar el
usuario.
BC
MI
IES
SBC
USUARIO
Mundo Real
Sistemas Expertos (SE)
Componentes de un Sistema Experto
Los componentes de un Sistema Experto son los siguientes:
1. Base de Conocimientos (BC): Es la unión del conjunto de acciones y el conjunto de reglas.
Contiene el conocimiento público y privado que el sistema requiere para dar solución a los
problemas planteados por el usuario sobre un dominio específico. Sus reglas son de un dominio
específico y no pueden ser modificadas por el usuario final.
2. Base de Datos (BD): Está formada por los distintos datos sobre el problema particular que el
Sistema Experto está tratando de resolver. Su función es suministrar información al MI. Posee los
datos iniciales. Mientras la BC posee reglas, la BD posee datos.
3. Memoria de Trabajo (MT): Es una base de datos temporal en la cual el MI deposita la información
deducida a partir de la BC, la BD y la propia MT.
4. Motor de Inferencia (MI): Activa las reglas en función de la información contenida en la BD y en la
MT. La nueva información es puesta en la MT. También se encarga de proporcionar al TE las reglas
que se aplicaron ante una determinada consulta del usuario. El MI trabaja bajo uno de los dos
principios siguientes:
a. Principio de Universo Cerrado: Establece que toda la información se encuentra contenida
en el sistema, y en consecuencia lo que no se puede demostrar como verdadero se
demuestra como falso.
b. Principio de Universo Abierto: Establece que la información necesaria no está contenida en
el sistema, está fuera de él, y en consecuencia se comunica con el usuario. Un sistema con
un Universo Abierto puede comenzar a funcionar con a una BD vacía.
5. Trazador de Consultas (TC): Organiza y presenta en una forma sintáctica y semánticamente
aceptable para el usuario los requerimientos de información del sistema. Las respuestas
suministradas por el usuario serán asentadas en la MT. Formula las preguntas al usuario sobre los
datos necesarios para resolver el problema.
6. Trazador de Explicaciones (TE): Interpreta requerimientos del usuario sobre el porqué de
determinadas preguntas por parte del sistema trazando la ejecución de las mismas. Esa traza se
realiza utilizando información que le suministra el MI.
7. Manejador de Comunicaciones (MC): Posee dos funciones bien definidas:
Página 3 de 42
Resumen de Inteligencia Artificial
a. Derivar la información inicial que suministra el usuario hacia la BD.
b. Interpretar los mensajes del usuario que pueden ser respuestas del usuario a una pregunta
del sistema; o una solicitud de una explicación a partir de una consulta del sistema.
Los sistemas expertos, deben expresar sus conclusiones al usuario.
M
A
N
E
J
A
D
O
R
U
S
U
A
R
I
O
D
E
Mundo Real
C
O
M
U
N
I
C
A
C
I
O
N
E
S
TE
BD
MI
BC
MT
TC
SE
Tipos de Sistemas Expertos
Los tipos de Sistemas Expertos que hay son:
 Consejo al Usuario.
 Instrucción.
 Control.
 Ayudante Inteligente.
 Asimilación de Información y Descubrimiento.
Ingeniería en Software vs INCO
La diferencia entre la Ingeniería en Software y la INCO es que la Ing. en Software se aplica a tipos de
problemas sistemáticos y procedimentales, y la INCO se caracteriza por ser heurísticos y declarativos.
Página 4 de 42
Resumen de Inteligencia Artificial
Los Conocimientos
Pirámide de la Información
A continuación se presenta la clasificación de la Información y su ubicación jerárquica
Sabiduría
Nivel Pragmático
Nivel Semántico
Nivel Sintáctico
Juicios Éticos,
Experiencia
Conocimiento
Síntesis
Noticias
(Información)
Análisis
Datos
Nota: El nivel Pragmático es el mayor nivel que puede manipular un SE.
En donde podemos encontrar los siguientes conceptos:
 Datos: Son los valores o métricas que pueden llegar a brindar información a algún individuo en
un contexto determinado.
 Noticias: Suele conocerse con el nombre de Información. Son aquellos Datos que poseen un
significado específico en un determinado contexto para un determinado individuo.
 Conocimiento: Es el conjunto de Noticias que posibilitan resolver problemas.
 Sabiduría: Permite aplicar los Conocimientos según un juicio de valor (moral, ético, correcto).
Relación entre la Pirámide de la Información y las Ingenierías
Sabiduría
Conocimiento
Noticias
(Información)
Ingeniería de
Software
Ingeniería en
Conocimiento
Ingeniería en
Sistemas de
Información
Datos
Los Conocimientos
El Conocimiento es poder percibir conclusiones a partir de determinada información. Es relativo a la
persona que lo percibe.
Tipos de Conocimiento
Los conocimientos se clasifican según la Operatividad, la Privacidad y según la Definición del
Problema:

Según la Operatividad:
o Descriptivos o Declarativos: Se refieren básicamente a qué son las cosas, y describen el
dominio de aplicación, habitualmente en términos de conceptos, objetos, atributos, valores y
relaciones entre las entidades anteriores, sin que importe cómo se usen esos
conocimientos.
 Derivados: Son los que se aprenden y aprehenden bien a través de la experiencia,
o bien se compilan a partir de conocimientos más fundamentales. Los principios
básicos suelen estar implícitos.
Página 5 de 42
Resumen de Inteligencia Artificial



Compilados: Son los transformados a partir de otros tipos de
conocimientos.
 Heurísticos: Son los que establecen asociaciones entre descripciones de
estado y una solución.
 Abstracciones: Son los que contienen, para una situación, todos los detalles
relevantes y suprime los irrelevantes.
 Generalizaciones: Son aquellos que yendo de lo particular a lo general, son
el paso de la consideración de un concepto a la consideración de un
conjunto conteniendo ese concepto.
 Modelizados: Son una descripción de los conocimientos fundamentales ya
refinados. Aparecen en los soportes de los conocimientos públicos y constituyen los
conocimientos de primeros principios.
 Fórmulas Lógico-Matemáticas.
 Leyes Naturales.
 Modelos Causales y Temporales.
 Modelos Físicos.
o Prescriptitos o Procedimentales: Conciernen fundamentalmente al cómo son las cosas.
Sirven para controlar el proceso de solución de un problema, centrándose en el uso de los
conocimientos y esquema de razonamiento usado para alcanzar una solución.
 Secuencial e Iterativo: Representan las acciones que se ejecutan un número de
veces (Iteración), o acciones que se ejecutan en un cierto orden (Secuencia).
 Metaconocimientos o Condiciones de Metanivel: Describen los conocimientos
usados para tomar decisiones acerca de cómo otros conocimientos pueden
emplearse en el proceso de razonamiento.
 Verosimilitud: Cubren el uso de medidas de certidumbre en el proceso de
razonamiento.
Según la Privacidad:
o Públicos: Son aquellos que, por haber sido publicados, están ya en forma explícita, por
consiguiente, representables y utilizables inmediata o mediatamente en y por la
computadora.
o Privados: Son los conocimientos que los expertos tienen interiorizados y adquieren con el
ejercicio de su profesión, y lo usan implícitamente.
Según la Definición del Problema:
o Estructurantes: Generalmente vienen expresados de manera declarativa y tradicionalmente
se han identificado con los conocimientos públicos. Detectan los conceptos relevantes
estableciendo relaciones entre los conceptos y las estructuras conceptuales. Definen los
mecanismos que dan origen a la certeza.
o Heurísticos: Pueden expresarse en formas de reglas que típicamente son atajos que
conducen a la solución en grandes espacios de búsqueda en un tiempo limitado.
o Epistemológicos: Son los conocimientos naturales. Poseen la característica de que son
inciertos, por: incompletos, inconsistentes y/o imprecisos.
o Cognoscitivos o de Modelización Conceptual: Modelizan el dominio en el cual se manejan
los expertos.
Fuentes de Conocimientos
Las principales fuentes de conocimientos que podemos encontrar son:
 Libros y Manuales.
 Documentación Formal.
 Documentación Informal.
 Registros Internos.
 Presentaciones.
 Publicaciones Especializadas.
 Investigaciones.
 Visitas a los Centros de Trabajo del Experto.
 Los Humanos.
La Experiencia
La experiencia es pasar por un mismo hecho varias veces. Permite generar conocimiento. Cada
persona interpreta los hechos de forma distinta, por lo cual cada uno aplicará y creará sus propias reglas.
Página 6 de 42
Resumen de Inteligencia Artificial
Dificultades de la Experiencia
La transferencia de conocimiento de un experto a un sistema está condicionada y dificultada porque:
 Los conocimientos del experto son caros.
 Habitualmente, los conocimientos de los expertos no se encuentran explícitos.
 Los conocimientos de los expertos se adquieren gradualmente.
 Los conocimientos de los expertos suelen estar distribuidos.
 Los conocimientos de los expertos son declarativos.
 Un experto aplica efectiva y eficientemente lo que sabe.
Experiencia Artificial Frente a Experiencia Natural
Ventajas y desventajas de usar tanto la Experiencia Artificial como la Experiencia Natural.
 Razones para preferir la Experiencia Artificial:
o La Experiencia Artificial permanece.
o La Experiencia Artificial es fácil de transferir o reproducir.
o La Experiencia Artificial genera resultados reproducibles más consistentes y completos que
aquellos de los expertos humanos.
o La Experiencia Artificial es fácil de documentar.
o La Experiencia Artificial tiene un coste relativamente reducido.
o La Experiencia Artificial se encuentra difundida.
 Razones para preferir la Experiencia Natural:
o Los expertos humanos son creativos.
o Los expertos humanos son capaces de aprender y adaptarse a condiciones cambiantes
ajustando sus estrategias de acuerdo a las nuevas situaciones.
o Los expertos humanos pueden beneficiarse y usar directamente los órganos de los
sentidos.
o Los expertos humanos examinan todos los aspectos de un problema y ven de qué manera
están relacionados con la cuestión principal.
o Los expertos humanos, y en general los seres humanos, posee lo que se denomina sentido
común.
Por Qué Introducir Experiencia Artificial
Existen diversas razones para las cuales una entidad puede decidirse a construir un Sistema Basado
en Conocimientos o un Sistema Experto, entre ellas:
 Satisfacción del cliente.
 Utilización adecuada de los empleados.
 Uniformidad de la producción.
 Incremento de ingresos y reducción de gastos.
El Experto
Tareas del Experto
Las tareas que cumple un Experto son:
 Clasificación.
o Clasificación Jerarquizada.
o Interpretación.
o Diagnosis. El diagnóstico es el procedo de encontrar fallas en un sistema e interpretarlos.
Puede necesitar la combinación de varios modelos.
o Depuración, Tratamiento o Reparación.
 Predicción, Pronóstico y Prospección.
 Diseño y Síntesis.
 Planificación y Catalogación.
 Monitorización.
Características de un Experto
Las características de un Experto son:
 Pericia.
Página 7 de 42
Resumen de Inteligencia Artificial
o






Robustez: Es muy difícil de cuantificar, ya que los sistemas de este tipo se degradan
rápidamente cuando tienen que tratar con problemas distintos para los cuales fueron
creados.
Manipulación de Símbolos.
Capacidad general de resolver problemas en un dominio.
Complejidad y Dificultad.
Reformulación o Reutilización.
Capacidad para razonar sobre sí mismos.
Tareas.
Metodología de Construcción de Sistemas Basados en Conocimientos
Definiciones Varias
– Metodología:
Conjunto de etapas que se dan en un orden determinado, y que si se producen de manera exitosa
permite cumplir con determinados objetivos.
– Ingeniería:
Conjunto de Métodos, que emplean técnicas y herramientas, para generar un artefacto o producto,
que usado en buena forma, o de manera correcta, permite resolver un problema.
Metodología de Sistemas
La Metodología de Sistemas surge a partir de los pasos básicos para resolver un problema en el ámbito
de los Sistemas de Información.
El Ingeniero de Sistemas resuelve problemas empleando una metodología y construyendo artefactos.
INCO (Ingeniería en Conocimiento)
La INCO es una forma de aplicar IA
Es el conjunto de principios, métodos y herramientas que permiten aplicar el saber científico y de
experiencia a la utilización de los conocimientos y de sus fuentes, mediante invenciones o construcciones
útiles para el hombre.
La INCO abarca tanto la creación de Sistemas Basados en Conocimientos como la creación de
Sistemas Expertos.
Permite automatizar cómo se resuelve un problema. Se basa en las decisiones tomadas por un
Experto; a partir de las cuales se genera un Sistema Inteligente.
Busca construir algo que resuelva un problema. Desde el punto de vista de la Ingeniería el problema se
resuelve creando un objeto, empleando una metodología y usando el ingenio.
El Ingeniero en Conocimiento emplea métodos, técnicas, herramientas y principios básicos para
construir un modelo de los procesos lógicos producto del análisis de la información.
Pasos Previos
Estudio de Viabilidad o Estudio de Factibilidad
El Estudio de Factibilidad permite determinar si se va a desarrollar el Sistema mediante la INCO o
mediante el sistema tradicional. Tiene en cuenta aquellas condiciones bajo las cuales conviene construir un
Sistema Experto o no. Las características que se analizan para realizar el Estudio de Factibilidad son:
1. (Plausibilidad): ¿Es posible?. Se deberá analizar si existen Expertos, si son cooperativos, si la
tarea necesita viabilidad cognoscitiva, si la tarea es estructurada, si no se aplica el sentido común y
si es comprensible.
2. ¿Es adecuada?: Se deberá analizar la naturaleza, la complejidad y el tipo de tarea.
3. ¿Se Justifica?: Se deberá analizar si la tarea se desarrolla en un entorno hostil, si hay escasos
expertos, si no existen alternativas y si es útil y necesario.
4. ¿Cuál es la probabilidad de llegar al éxito?: Se deberá analizar si el Experto se va a resistir al
cambio, si hay fechas límites para que el Sistema se encuentre funcionando y si se tiene forma de
comprobar la solución.
Página 8 de 42
Resumen de Inteligencia Artificial
Identificación del Problema
Una vez que se aprueba esta etapa previa se pasa a la primera etapa de la metodología de la INCO.
A esta etapa se la subdivide en las siguientes subetapas:
1. Plan de Requisitos: Se define el objetivo y las características de la aplicación.
2. Elección del Problema: Se definen los límites del problema.
3. Definición de Características del Problemas y Concepción de la Solución.
Metodología de la INCO
1.
2.
3.
4.
Adquisición de Conocimientos: Recolección de Información y conocimientos.
Conceptualización: Entender el dominio y la terminología
Formalización: Expresa mediante técnicas el conocimiento al problema
Implementación
1. Ad qui s ic ión d e Co noc im ie nt o s
Es un proceso de recolección de información (independientemente de la fuente) necesaria para
construir el sistema experto. No es una etapa, sino un proceso que se va a dar a lo largo del ciclo de vida.
Uno de los objetivos fundamentales es adquirir toda la información posible para construir en las etapas
posteriores los modelos estáticos y dinámicos, de cuya unión surge la conducta del Experto en la solución
encontrada. Luego de ejecutar el ciclo de educción es necesario analizar los conocimientos obtenidos y
generar la documentación necesaria para pasar luego a la fase de Conceptualización.
Adquisición de Conocimientos
La Adquisición de Conocimientos comprende los siguientes tipos:
 Extracción de Conocimientos: Es la adquisición de los conocimientos públicos de sus
fuentes escritas (libros, documentos, manuales, etc.).
 Educción de Conocimientos: Es la adquisición de los conocimientos privados de los
Expertos.
Proceso de Adquisición de Conocimientos
El proceso de adquisición de conocimientos es el siguiente:
 Primeras Reuniones y Evaluación de Vialidad: (De Expertos, Directivos y Usuarios). Se
buscan conocimientos generales, terminologías del dominio. Se emplea una baja profundidad.
Se pueden usar las Entrevistas Abiertas
 Extracción de Conocimientos: Es el estudio de la documentación existente. Se emplean las
técnicas de Estudio de Documentación y Análisis Estructural de Textos.
 Educción de Conocimientos: Se obtienen los conocimientos privados de los expertos.
Comprende las siguientes etapas:
o Interrogatorio Inicial: Se tratará una visión de alto nivel del dominio, la comprensión de las
tareas del Experto, la comprensión del entorno de las tareas. Puede emplearse la técnica
de Observación de Tareas Habituales.
o Investigación Profunda: Se baja a mayor profundidad para obtener los conocimientos.
Cuando se trata de conocimientos estáticos del dominio, se emplean las técnicas de
Entrevista Estructurada, Incidentes Críticos, Clasificación de Conceptos, Emparrillado y
Cuestionarios. Cuando se tratan de buscar las estrategias de resolución del Experto se
emplea la técnica de Análisis de Protocolos. Cuando el objetivo sea validar los
conocimientos adquiridos se emplean las técnicas de Cuestionarios y Entrevistas
Estructuradas.
Ciclo de Educción
El ciclo de Educción es el siguiente, el cual deberá repetirse por cada sesión:
 Preparación de la Sesión: Información a tratar; amplitud, profundidad; técnica adecuada;
preparación de las preguntas.
 Sesión: Repaso del análisis de la última sesión; explicación al experto de los objetivos de la
nueva sesión; Educción; resumen y comentarios del Experto.
 Transcripción.
Página 9 de 42
Resumen de Inteligencia Artificial


Análisis de la Sesión: Lectura para obtención de una visión general; extracción de
conocimientos concretos; lectura para recuperar detalles olvidados; crítica parar mejoras por
parte del Ingeniero en Conocimientos.
Evaluación: ¿Se han conseguido los objetivos?; ¿es necesario volver sobre el mismo objetivo?;
Número y tipo de sesiones necesarias para cubrir el área.
Técnicas de Adquisición de Conocimientos
Las Técnicas de Adquisición de Conocimientos se pueden clasificar según se muestra a continuación:
 Técnicas de Extracción de Conocimientos: Permiten obtener conocimientos públicos de
fuentes escritas.
o Estudio de Documentación: Se deberá analizar la documentación escrita existente que
permita al Ingeniero en Conocimiento comprender el dominio, conocer las tareas que realiza
el Experto, etc.
o Análisis Estructural de Textos: Consiste en la búsqueda, a través de la documentación, de
determinados términos que le permitan al Ingeniero en Conocimiento introducirse en el
dominio del problema. Posee la ventaja de permite adquirir gran cantidad de conocimientos.
Posee las desventajas de que se limita a los conocimientos publicados; posee problemas
con los gráficos; y no siempre aborda bien la semántica de los textos.
 Técnicas de Educción de Conocimientos: Permiten obtener los conocimientos privados de
los Expertos.
o Directos: El Experto reporta aquellos conocimientos que puede articular directamente.
Comprende las siguientes técnicas:
 Entrevistas: Es el método más común de educir conocimientos.
 Abiertas: Es una entrevista no estructurada, que no quiere decir que sea
improvisada. Se trata de conseguir que el Experto entienda bien la tarea lo
más rápidamente posible y al Sistema Experto en construcción. Sus
ventajas son que permite generar gran cantidad de conocimientos sobre la
terminología y sobre el dominio; y permite educir información imprevista.
 Estructuradas: Combina una Observación de Tareas Habituales con una
Entrevista Abierta. Una vez definido el tema y su profundidad, el Ingeniero
en Conocimientos planifica las preguntas de la sesión.
Son excelentes para coleccionar conocimientos básicos acerca de: enlaces, valores,
acciones, atributos e información conceptual; hechos, reglas, etc. Posee las
desventajas de que consume mucho tiempo; se basa en la memoria del experto.
 Cuestionarios: Consiste en realizar una Entrevista Estructurada al Experto de forma
indirecta, a través de cuestionarios. Posee las ventajas de acumular información
más eficientemente; el Experto lo completa cuando puede.
o Indirectos: El Ingeniero en Conocimientos debe inferir los conocimientos que el Experto
trata de transmitir debido a que el Experto no sabe cómo hace para resolver los problemas.
Comprende las siguientes técnicas:
 Observaciones de Tareas Habituales: El Ingeniero en Conocimientos no debe
interferir con las tareas del Experto, sino sólo observarlo y registrarlo. Permite
proporcionar una primera idea de los tipos de conocimientos y habilidades
implicadas en el dominio, así como también para captar conocimientos
procedimentales. Sus inconvenientes son que el Ingeniero en Conocimientos actúa
como un observador pasivo; en algunos dominios no se puede implementar por
razones de privacidad; hay tareas que no son muy informativas solo observándolas;
es consumidora de tiempo.
 Observación de Tareas a Través de un Novato: La variación consiste en
hacer que una persona novata realice las tareas del Experto, el cual lo
guiará en la resolución de los problemas sin estar presente físicamente.
 Incidentes Críticos: Se le pide al Experto que describa casos especialmente
interesantes o difíciles que se le hayan presentado y cómo los resolvió. Suele
emplearse cuando la educción llega a un punto muerto Presenta las ventajas de
que permite recolectar rápidamente información útil. Presenta las desventajas de
que el Experto puede olvidar detalles de la solución.
 Imposición de Restricciones: Se le pide a un Experto que resuelva un
problema normal, pero con ciertas restricciones. Permite determinar las
prioridades del Experto. Presenta como desventaja que los Expertos se
encuentran a disgusto con éste método.
Página 10 de 42
Resumen de Inteligencia Artificial


Clasificación de Conceptos: Se emplea para estructurar conceptos en dominios
muy amplios. Consiste en presentarle fichas a los Expertos con conceptos para que
éste los clasifique.
 Análisis de Protocolos: Es similar a la Observación de Tareas Habituales, salvo que
el Experto deberá decir constantemente lo que piensa. Se busca capturar y
después estudiar todo lo que dice el Experto en el momento en que trata un
problema. Es útil cuando los casos han sido seleccionados previamente. Posee las
ventajas de que provee gran cantidad de información; puede usarse de manera
complementaria a otras técnicas; permite extraer heurísticas del Experto; va más
allá de lo que el Experto puede contar explícitamente. Posee las desventajas de
que no puede ser usado para todo tipo de tareas; el coste en tiempo de su
utilización; la incompletitud del método; puede interferir en la forma de llegar a la
solución.
 Análisis Retrospectivo: Consiste en que el Experto resuelva un problema y
luego que indique los pasos que siguió para resolverlo.
 Emparrillado: Incluye un diálogo inicial con el Experto, una sesión de valoración y
un análisis de los resultados, es decir, de los grupos, de los conceptos y de las
dimensiones sobre las cuales fueron valorados los elementos. También puede
usarse como medio de clasificación. Posee las ventajas de que permite obtener
información acerca de cómo piensa el Experto y cuáles son sus prioridades y
factores importantes; permite que una misma cuestión sea vista más de una vez;
permite detectar patrones o asociaciones; es excelente en las primeras etapas de
adquisición de conocimientos. Posee las desventajas de que es intrusivo; si los
elementos, las características y/o las valoraciones no se eligen bien pueden
provocar resultados erróneos.
 Inducción: Dado un conjunto de ejemplos específicos se inducen reglas que
describen los ejemplos. Si las reglas son correctas serán lo suficientemente
generales como para cumplirse no sólo en los ejemplos particulares, sino en lo
general. Para usar la inducción se necesita de un Conjunto de Entrenamiento,
Atributos, Clases y el Algoritmo de Inducción. Se suelen emplear las técnicas AQ y
TDIDT. Posee la ventaja de que es que es muy buena para capturar conocimientos
tácitos y heurísticos una vez identificado los atributos. Las desventajas que posee
son que puede producir reglas incorrectas debido a malos ejemplos; si el dominio
es complejo serán necesarios muchos ejemplos para producir las reglas; los
ejemplos y atributos pueden ser difíciles de educir.
Técnicas de Educción de Conocimientos a Partir de Grupos de Expertos: Permiten obtener
los conocimientos privados de un grupo de Expertos. Los conocimientos obtenidos son más
completos, más verosímiles, de mayor calidad y con una mayor diversidad.
o Tormenta de Ideas: Técnica en donde las ideas que llegan a la mente se analizan y
estudian en grupo. Permite desarrollar ideas y explorar su significado. Estimula el
pensamiento. Posee la desventaja de que sólo es válida en tanto que se circunscriba a
problemas de imaginación.
o Técnica Nominal de Grupo: Es una forma de estructurar reuniones de pequeños grupos que
permiten combinar efectivamente juicios individuales. Es útil en identificar problemas,
explorar soluciones y establecer prioridades.
o Entrevistas de Grupo: Son entrevistas realizadas a un grupo de personas. Favorece la
participación, la seguridad, la libertad y la estimulación de los Expertos. Puede usarse en
conjunción con la Entrevista Estructurada. Puede usarse para definir el alcance del
problema, identificar soluciones alternativas, etc.
o Emparrillado de Grupo.
o Método Delphi: Es una técnica de predicción cualitativa. El procedimiento consiste en un
proceso de retroalimentación de respuestas con el objetivo de obtener un resultado
representativo de la opinión del grupo.
2 . Con c ept u a liz ac ión
Se describe desde una necesidad del usuario para luego transformarse en un producto Software que
opere en un dominio.
El objetivo de esta fase es el entendimiento del dominio del problema y de la terminología utilizada. Le
permite al Ingeniero en Conocimiento formar un marco inicial o mapa mental del Dominio de Aplicación.
Se busca hacer explícitos los Conceptos claves y las Relaciones más importantes, ya que en la
Adquisición de Conocimientos los obtenemos de manera desestructurada, para luego estructurarlos de
forma apropiada.
Página 11 de 42
Resumen de Inteligencia Artificial
El Modelo Conceptual y el Modelo Formal
Dominio de
Aplicación
Modelo
Conceptual
Modelo
Formal
El Modelo Conceptual modeliza cómo el Software debería responder ante una necesidad. Define los
requerimientos del sistema (conocimientos descriptivos y no operativos) y además determina la validez del
sistema. Es independiente de la tecnología de implementación.
El Modelo Formal surge a partir del Modelo Conceptual y determina cómo el producto responde ante
una necesidad.
Subfases de la Conceptualización
a. Análisis: Permite identificar los Conocimientos Estratégicos, Tácticos, Operativos, y los
Metaconocimientos. Es un razonamiento Regresivo.
b. Síntesis: En esta subfase se construyen tanto el Modelo Estático como el Modelo Dinámico.
Es un razonamiento hacia adelante.
i. El Modelo Dinámico contiene las tareas (acciones) y el control (estrategias de
control).
ii. El Modelo Estático contiene el Diccionario de Conceptos y las tablas de ConceptoAtributo-Valor.
iii. El Mapa de Conocimientos toma información de los Modelos Estático y Dinámico.
3. Fo rm a liz ac ión
La formalización se corresponde con el entorno de desarrollo y expresa mediante técnicas de
representación de conocimiento al problema, a la resolución y a su estructura.
Hay distintos tipos de formalismos:
 Formalismos Basados en Conceptos: Se encuentran divididos en las técnicas:
o Tabla Concepto-Atributo-Valor.
o Marcos.
 Formalismos Basados en Relaciones: Entre los cuales podemos encontrar:
o Cálculo de Predicados en Primer Orden.
o Las Redes Semánticas: Grafos.
o La teoría de la Dependencia Conceptual: Patrones de estructuras sintácticas para armar
relaciones de conceptos.
 Acciones: Los modelos tienden a representar las cosas que se van ejecutando:
o Sistemas de Producción.
o Guiones.
4. I mpl em ent a ci ón
Consiste en la implementación del sistema.
Especificación de Requisitos
Los requisitos se pueden clasificar según se muestra a continuación:
 Respecto a las propiedades del sistema que especifican:
o Funcionales: Definen el comportamiento esperado del sistema. En el Software hace
referencia las capacidades funcionales que proveerá el producto.
o Estructurales o No Funcionales: Son los que definen las restricciones que deberá satisfacer
el producto. En el Software hace referencia a las características o propiedades que pueden
evaluarse.
Página 12 de 42
Resumen de Inteligencia Artificial


Respecto a su importancia relativa:
o Esenciales: Especifican todas las propiedades del sistema objetivo, que deben ser
realizados por él mismo, para que sea aceptable. Nunca estarán completos.
o Deseables y/o Derivados: Son los que especifican las características del sistema que se
desprenden de las especificaciones esenciales.
o Implícitos: Son los que suponen un subproducto de la práctica perspicaz de la Ingeniería de
Software.
Respecto al carácter de cada Requisito:
o Cerrados: Son aquellos Requisitos que están bien definidos y son estables.
o Abiertos: Son aquellos Requisitos que se entienden malamente y son dinámicos.
Variables de un Proyecto
Las variables que intervienen en un proyecto son:
 Costo: .
 Tiempo: .
 Calidad: .
Tipos de Mantenimiento
Los Tipos de Mantenimiento que pueden realizarse sobre un determinado producto son:
 Perfectivo: En el cual se corrige lo que anda bien con el fin de mejorarlo.
 Correctivo: En el cual se corrigen los errores que posee el producto.
A diferencia de los Sistemas de Información, los Sistemas Basados en Conocimientos comienzan
siendo productos malos con errores para ir mejorando a través del tiempo.
Página 13 de 42
Resumen de Inteligencia Artificial
Metodología IDEAL
En la INCO se emplea la Metodología IDEAL como estándar. Posee tres dimensiones; en donde en la
etapa del espiral, en el tercer eje, existe un cono que representa los conocimientos adquiridos. Al principio
se adquieren una gran cantidad de conocimientos, pero poco precisos y fiables; al final se adquieren una
menor cantidad de conocimientos, pero estos son más específicos y fiables. Las etapas se repiten
sucesivamente evaluando los riesgos y una vez que se termina el espiral, se sigue linealmente con las
etapas básicas.
Cono
Espiral
Etapas
Posteriores
Mantenimiento
Se debe tener en cuenta la etapa de Adquisición de Conocimientos, representada por el cono ya que es
muy importante y necesaria.
Fases y Etapas de la Metodología IDEAL
La Metodología IDEAL posee las siguientes fases y etapas:
1- Identificación de la Tarea
2- Desarrollo de Prototipos
3- Ejecución de la Construcción del Sistema Integrado
4- Actuación para conseguir el Mantenimiento Perfectivo
5- Lograr una adecuada Transferencia Tecnológica
1. Identificación de la Tarea: Incluye la definición de los objetivos de la aplicación y, en base a ellos,
determinar si la a realizar es susceptible de ser tratada con la tecnología de la INCO. Al completar la
fase se logran definir las funcionalidades, el rendimiento y las interfaces que se espera que tenga el
sistema. Se define el objetivo y el alcance para el SBC.
Esta fase se divide en las siguientes etapas:
c. Plan de Requisitos y Adquisición de Conocimientos: Comprende la identificación de las
necesidades del cliente describiendo los objetivos del sistema. Es necesario que el
Ingeniero en Conocimientos comience con una breve Adquisición de Conocimientos.
d. Evaluación y Selección de la Tarea: Conforma el llamado Estudio de Viabilidad. Se lleva a
cabo realizando una evaluación de la tarea y su posterior cuantificación con el fin de
determinar el grado de complejidad de la tarea.
e. Definición de las Características de la Tarea: Se configura la especificación del sistema,
completando la especificación de conocimientos iniciales que se tienen del sistema.
2. Desarrollo de los Prototipos: Concierne al desarrollo de los distintos prototipos que permiten ir
definiendo y refinando, más rigurosamente, las especificaciones del sistema, de una forma gradual
hasta conseguir las especificaciones exactas de lo que se puede hacer y cómo realizarlos. Los
Página 14 de 42
Resumen de Inteligencia Artificial
prototipos que se suelen desarrollar son los de: Demostración, Investigación, Campo y Operación.
Las etapas b a f se repiten para cada prototipo. Esta fase se divide en las siguientes etapas:
f. Concepción de la Solución (Descomposición en Subproblemas y Determinación de
Analogías): Esta etapa tiene como objetivo producir un diseño general del sistema prototipo.
Engloba las actividades del desarrollo del DFD y el diseño arquitectónico.
g. Adquisición y Conceptualización de los Conocimientos: Si bien la adquisición de
conocimientos se realiza de forma constante, en ésta etapa es donde adquiere mayor
importancia. Aparte de adquirir conocimientos, es también necesario conceptualizarlos para
modelizar el comportamiento del experto.
h. Formalización de los Conocimientos y Definición de la Arquitectura: Las actividades que
posee son: seleccionar los formalismos para representar en la máquina los conocimientos
conceptualizados, y realizar el diseño detallado del Sistema Experto.
i. Selección de la Herramienta e implementación: Seleccionar la herramienta de desarrollo
adecuada al problema para luego realizar implementación.
j. Validación y Evaluación del Prototipo: En esta etapa se valida el funcionamiento del
prototipo. Se suelen realizar Casos de Prueba y Ensayos en Paralelo con el Experto.
k. Definición de Nuevos Requisitos: Se corresponde con la definición de los requisitos,
especificaciones y diseño del siguiente prototipo.
3. Ejecución de la Construcción del Sistema Integrado: Permite integrar el Sistema Experto a otros
sistemas computacionales. Esta fase se divide en las siguientes etapas:
l. Requisitos y Diseño de la Integración: Consiste en el estudio y diseño de interfaces y
puentes con otros Sistemas Hardware y Software.
m. Implementación y Evaluación del Sistema Integrado: Su fin es desarrollar, usando técnicas
de Ingeniería en Software, los requisitos de la etapa anterior. Implementa la integración del
Sistema Experto con los otros Sistemas Hardware y Software.
n. Aceptación del Sistema por el Cliente: Es la prueba última de aceptación por los expertos y
usuarios finales, que debe satisfacer la expectativas de fiabilidad y eficiencia.
4. Actuación Para Conseguir el Mantenimiento Perfectivo: Trata del mantenimiento perfectivo del
sistema. Este mantenimiento viene reflejado en el ciclo de vida en la tercera dimensión de la espiral
cónica. Esta fase se divide en las siguientes etapas:
o. Definir el Mantenimiento del Sistema Global: Esta etapa emplea las técnicas de Ingeniería
en Software, definiendo el mantenimiento de la base de conocimientos del Sistema Experto.
p. Definir el Mantenimiento de las Bases de Conocimientos: Se encarga del mantenimiento de
la Base de Conocimientos.
q. Adquisición de Nuevos Conocimientos y Actualización del Sistema: Se encarga de diseñar
nuevos protocolos para adquirir nuevos conocimientos, y de incorporar al Sistema los
nuevos conocimientos adquiridos.
5. Lograr Una Adecuada transferencia Tecnológica: Para la correcta implantación del sistema, es
necesario una correcta transferencia tecnológica de manejo desde la parte que lo desarrolló hacia
los usuarios finales. Esta fase se divide en las siguientes etapas:
r. Organizar la Transferencia Tecnológica: Se suelen usar entrenamientos en sesiones de
tutoría entre los diseñadores y los usuarios para explicar el manejo del sistema y el
entendimiento de la documentación.
s. Completar la Documentación del Sistema Basados en Conocimientos Construido: Se debe
crear el manual de usuario, el cual deberá estar orientado al usuario final.
Página 15 de 42
Resumen de Inteligencia Artificial
Lógica
La lógica se puede emplear para:
 Representar el Conocimiento: Permite pasar del Lenguaje Natural al Lenguaje Lógico. Las
traducciones deben realizarse sin aplicar conclusiones, o sea, de forma textual y literal.
 Razonar o Generar Nuevo Conocimiento: Para ello se pueden emplear:
o La Inducción: Permite pasar de un caso particular a la regla general.
o El Método Deductivo: Del caso general se obtiene un caso particular y se deduce una
conclusión particular; y del caso general se obtiene un caso general y se deduce una
conclusión particular. El Método Deductivo se clasifica en:
 Deducción Natural.
 Deducción Automática.
 Deducción Axiomática.
o La Analogía.
Tipos de Lógica Deductiva
Lógica Proposicional
Es el modo más básico y elemental para poder representar conocimientos.
Elementos
Son los que permiten construir las proposiciones que representan los hechos de la realidad y sus
relaciones. Los elementos de la Lógica Proposicional son:
 Proposiciones: Representan hechos de la realidad. Se representan en minúscula (p, q, r, …).
 Operadores Lógicos: Relacionan hechos o Proposiciones. Son:
o Y:  .
o O:  .
o NO:  .
o Entonces:  .
o Sí y Sólo Sí:  .
Tablas de Verdad
Representan el resultado de relacionar dos proposiciones a través de un Operador Lógico.

V F

V
F
 V
F
 V
F
 V

V V F
V V V
V
V
F
V
V
F
F
F
F
V V
F
F
V
F
F
V
F
F
F V
Tautologías
Las Tautologías son expresiones que siempre son verdaderas. Las Tautologías son las siguientes:
  p  q   p  q 
Leyes de Morgan
  p  q   p  q 
  p  p
 p  p
 p  q  p  q
  p  q   q  p 
Leyes Conmutativ as
  p  q   q  p 
  p  q   r  p  q  r 
Leyes Asociativa s
  p  q   r  p  q  r 
 p p p
 p p  p
Página 16 de 42
Resumen de Inteligencia Artificial
Formas Normales
Son aquellas expresiones en las cuales las relaciones entre sus proposiciones sólo se encuentran
representadas por los operadores  ,  y  .
Existen dos Formas Normales, las cuales se enumeran a continuación:
 Forma Normal Conjuntiva (FNC): Posee la forma             


 
 

Forma Normal Disyuntiva (FND): Posee la forma           
El método de simplificación para llevar una expresión a alguna de las Formas Normales es el siguiente:
1) Sustituir:
2) Sustituir:
3) Sustituir:
 p  q
 p  q
 p  q 
 p  q 
por:
por:
por:
 p  q  q  p
p  q
p  q
p  q
4) Sustituir:
por:
5) Sustituir:  p
por: p
6) Aplicar las Leyes Distributivas.
7) Sustituir:
por: V
p  p


 p  p
por:
F
Lógica de Primer Orden
A diferencia de la Lógica Proposicional, la Lógica de Primer Orden agrega varios elementos para
descomponer la expresión.
Elementos
Son los que permiten construir las proposiciones que representan los hechos de la realidad y sus
relaciones. Los elementos de la Lógica de Primer Orden son:
 Variables: Representan hechos de la realidad. Se representan en minúscula (x, y, z, w, …).
 Constantes: Se representan en minúscula (a, b, c, d, …).
 Operadores Lógicos: Relacionan hechos o Variables. Son:
o Y:  .
o O:  .
o NO:  .
o Entonces:  .
o Sí y Sólo Sí:  .
 Cuantificadores: Permiten englobar y definir un alcance para los hechos individuales. Son:
o Para Todo:  .
o Existe:  .
 Funciones de Verdad: Indican funciones sobre las Variables H x : x es ... .
 
En las expresiones, generalmente los
la existencia de  .

 implican la existencia de  o  ; mientras que los  implican
El Método Deductivo
Deducción Natural
Se parte de un conjunto de hipótesis que se consideran verdaderas y se llega a demostrar la tesis. Se
deben usar todas las hipótesis, a las cuales se les aplican reglas. Aplicando las reglas obtengo nuevas
hipótesis que también deberán ser verdaderas.
Las Hipótesis y la Tesis poseen la siguiente estructura:
Página 17 de 42
Resumen de Inteligencia Artificial
Hipótesis 1
Hipótesis 2

Hipótesis n
Tesis
Y a medida que se van resolviendo las Hipótesis para llegar a la Tesis se tendrá la siguiente estructura:
1) Hipótesis 1
2) Hipótesis 2

n) Hipótesis n
n  1) Hipótesis n  1
HIP 1
HIP 2
HIP n
Regla , i , j 
Reglas de Deducción Natural Para Proposiciones
A continuación se enumeran las Reglas Básicas de Deducción Natural Para Proposiciones:
1. Introducción de la Implicación (II): Si al llegar a una determinada etapa de la deducción, nos
interesa demostrar A → B, entonces se debe suponer “A” (ésta es un tipo de hipótesis que se
introduce por conveniencia en la demostración).
Si al hacer esa suposición, y aplicando reglas de deducción se llega a deducir “B”, se cierra la
suposición escribiendo A B.
A

B

AB
2. Eliminación de la Implicación (EI) o Modus Ponens (MP): Si en dos líneas determinadas
aparecen fórmulas de la forma A y A → B, se puede escribir en la línea que sea más conveniente
para la demostración, posterior a esas dos, una fórmula de la forma B.
A
AB

B
3. Introducción de la Conjunción (IC): Si en dos líneas determinadas aparecen A y B, en una línea
posterior se puede escribir su conjunción.
A
B

AB
4. Eliminación de la Conjunción (EC): Si en una línea se tiene la conjunción de dos fórmulas, se
puede, en cualquier línea posterior, escribir cualquiera de las dos fórmulas.
AB
AB


A
B
5. Introducción de la Disyunción (ID): Si en una línea se tiene A o se tiene B, en otra línea posterior
se puede escribir A  B.
Página 18 de 42
Resumen de Inteligencia Artificial
A
B


AB
AB
6. Eliminación de la Disyunción (ED): Una vez dada o deducida una disyunción A  B, se trata de
comprobar si suponiendo cada uno de los términos, A y luego B, se obtiene un mismo resultado C.
Si es así, se cierran las suposiciones y se escribe C.
A B
A
B


C
C
C
7. Introducción de la Negación (IN): Si suponiendo una fórmula A, se llega a una contradicción, en
una línea posterior se puede escribir la negación de A.
A

B  B

A
8. Eliminación de la negación (EN): De la doble negación de una fórmula, se obtiene esa misma
fórmula.
 A

A
Reglas de Deducción Natural Para Predicados
A continuación se enumeran las Reglas Básicas de Deducción Natural Para Predicados:
1. Introducción de  (I  ): Esta regla dice que si un elemento de un colectivo tiene una propiedad y
ese elemento “a” es genérico, entonces se puede afirmar que el resultado vale para cualquier
elemento del colectivo.
Por lo tanto, esta regla se puede aplicar si “a” es genérico, es decir, si no está en ningún otro
supuesto previo que lo restrinja.
Pa

xPx
2. Eliminación de  (E  ): Esta regla dice que si de un colectivo se afirma algo universalmente, lo
mismo se puede afirmar de cualquier miembro del colectivo.
xPx

Pa
3. Introducción de  (I  ): Esta regla dice que si un elemento de un colectivo tiene una propiedad,
entonces existe algún elemento que la cumple.
Pa

xPx
4. Eliminación de  (E  ): Esta regla dice que si existe algún elemento de un colectivo que cumple
una propiedad, entonces puedo particularizar el predicado P para ese determinado individuo.
En este caso, “a” queda restringido.
Página 19 de 42
Resumen de Inteligencia Artificial
xPx

Pa
Deducción Automática
Es un método que permite automatizar la deducción.
Posee las siguientes etapas:
1. Preparar las Fórmulas: Consiste en preparar las expresiones para su posterior demostración.
Primero se deben llevar las expresiones a Lógica Proposicional, a través de la Forma Prenex y la
Forma Skolem.
a. Forma Prenex: Una fórmula se encuentra en Forma Prenex cuando todos sus
cuantificadores se encuentran al comienzo de la misma. Para pasar una fórmula a Forma
Prenex se deberán seguir las siguientes reglas:
   x Ax   Bx    x Ax  Bx 
Ax    x Bx     x Ax  Bx 
   x Ax   Bx    x Ax  Bx 
Ax    x Bx     x Ax  Bx 
  x Ax   x Ax 
 x Ax   x Ax 
 x Ax   Bx  x Ax  Bx 
x Ax   Bx  x Ax  Bx 
 Ax  x Bx   x Ax  Bx 
Ax  x Bx   x Ax  Bx 
b. Forma Skolem: Una fórmula se encuentra en Forma Skolem una vez que se han eliminado
todos sus cuantificadores. Para ello se siguen las siguientes reglas:
i.  : Si es el primer cuantificador de izquierda a derecha en una fórmula se deberá
reemplazar la variable por una constante y se eliminará el cuantificador. Si no es el
primer cuantificador de izquierda a derecha en una fórmula se deberá reemplazar la
variable por una función de las variables de todos los  precedentes.
ii.  : Directamente se elimina el cuantificador.
Si una expresión se encuentra en Forma Skolem, también se encuentra implícitamente en
Forma Prenex.
c. Forma Normal: Una vez que las expresiones se encuentran en Lógica Proposicional será
necesario llevarlas a Forma Normal, ya sea conjuntiva o disyuntiva a través de los pasos
vistos anteriormente.
Si una expresión se encuentra en Forma Normal, también se encuentra implícitamente en
Forma Skolem y en Forma Prenex.
2. Demostración: Para poder realizar la demostración, el método se basa en las siguientes dos
teorías:0
a. Teoría de la Completitud: F1  F2    Fn   V   Modelo F1  F2    Fn  .
Una teoría es consistente si y solo si existe un modelo que lo sustente.
b. Teoría de la Consistencia: H ├─ T  H  T  F y H  H 1  H 2


 Hn .
Este teorema establece que un conjunto de hipótesis demuestran una tesis si y solo si al
agregar al conjunto de hipótesis la negación de la tesis, se llega a una inconsistencia.
A partir de éstas dos teorías, se trata de buscar un modelo para H  T . Para poder realizar la
demostración se emplea el Método Herbrand, para ello se deberán obtener:
a. Universo de Herbrand: U H  Constantes .




AH  A cada función de verdad aplicarle U H .
c. Sistema de Herbrand: S H  Aplicar fórmula a todas las combinacio nes del U H .
b. Átomos de Herbrand:
Finalmente a partir de SH, cada combinación es un valor de verdad, con lo que pueden pasar dos
cosas:
Página 20 de 42
Resumen de Inteligencia Artificial
a. Si al menos una de las combinaciones de SH es verdadera, entonces existe un modelo y se
cumple que H  T  V . Por lo tanto no se puede demostrar la Tesis.
b. Si todas las combinaciones de SH son falsas, entonces no existe un modelo y se cumple
que H  T  F . Por lo tanto sí se puede demostrar la Tesis.




Resumen de Reglas
Deducción natural en lógica proposicional
II
Regla
H
Introducción de la implicación
A
..
B
EI Eliminación de la implicación o
MP Modus Ponens
T
A -> B
A
A -> B
A
B
IC
Introducción de la Conjunción
EC
Eliminación de la Conjunción
A^B
ID
Introducción de la Disyunción
A
ED
Eliminación de la Disyunción
AvB
IN
Introducción de la Negación
EN
Eliminación de la Negación
A [Sup]
..
B
A ->B
B
A^B
Elijo A ó
Elijo B
AvB
Sup A Sup B
..
..
C
C
C
A
..
B ^ ¬B
¬¬A
¬A
A
Tip:
Si tengo NO implicaciones en la tesis -> NO puedo suponer en la hipótesis.
Deducción natural de Lógica de Primer Orden
Regla
I∀
Introducción de ∀
Pa
con ‘a’ genérico sin restricciones
(sale de un ∀)
E∀
Eliminación de ∀
∀ x Px
Pa
generico
I∃
Introducción de ∃
Pa
con ‘a’ restringido (sale de un ∃)
∃ x Px
E∃
Eliminación de ∃
∃ x Px
Pa
restringido
∀ x Px
Tip:
Si al hacer un ejercicio, una hipótesis tiene el cuantificador ∃, entonces la tesis deberá tener el mismo
cuantificador ya que la variable se encuentra restringida.
Página 21 de 42
Resumen de Inteligencia Artificial
Métodos de Búsqueda
Definiciones Varias
– Heurística:
Se la puede definir como “sentido común”. Es una función aplicada a cada nodo que indica una directriz
sobre qué tan bueno es estar en cada nodo.
Es un mecanismo de evaluación que guía la búsqueda en un sentido determinado.
Los Métodos de Búsqueda
Los Métodos de Búsqueda son métodos de resolución de problemas.
Al presentarse un problema éste debe descomponerse. El primer paso para resolverlo consiste en crear
una forma descriptiva formal y manipulable a partir de la descripción informal del problema.
El Espacio de Estados o Espacio del Problema
Es el dominio que contiene todos los posibles estados del sistema. Surge para representar la forma
descriptiva formal necesaria para resolver el problema. El Espacio de Estados puede ser:
 Finito: Si la cantidad de Estados que lo componen es finita y determinable.
 Infinito: Si la cantidad de Estados que lo componen no es finita o determinable.
Los Estados
Los Estados son representaciones que contienen el conjunto de toda la información que describe la
situación del sistema en un momento dado. Se pueden clasificar en:
 Estado Inicial: Es el estado del cual se parte en la búsqueda de la solución al problema.
 Estados Intermedios: Estados que no son el Estado Inicial ni un Estado Solución.
 Estado/s Final/es: Son los estados solución o estados objetivo.
Las Reglas u Operadores
Es un mecanismo que se emplea para modificar o transformar un Estado del sistema. Se utilizan para
enlazar un Estado Actual con otro Estado Objetivo. Una Regla se compone por:
 Estado Actual: Es el Estado sobre el cual se aplican la Regla.
 Operando: Es el operador.
 Estado Resultado: Es el Estado resultante.
El proceso de solución de un problema es el proceso mediante el cual partiendo de un Estado Inicial y
mediante una Estructura de Control que selecciona y aplica Reglas que producen Transiciones entre
Estados pertenecientes al Espacio de Estados del problema, se llega a un Estado Solución.
Clasificación de los Problemas
Los problemas se pueden clasificar en:
 Ignorables: Son aquellos en los cuales un error en la búsqueda no altera el proceso.
 Recuperables: Son aquellos en los cuales existen movimientos que pueden compensar los
errores en la búsqueda.
 No Recuperables: Son aquellos en los que los errores no tienen vuelta atrás.
Sistema de Producción
Un Sistema de Producción es un Sistema Informático con una estructura especial que permite realizar
los procesos de búsqueda. El Sistema de Producción posee:
 Las Reglas: Son las que producen las transiciones entre los distintos Estados.
 La Base de Conocimientos: Contiene la información apropiada para la tarea en particular.
 La Estrategia de Control: Especifica el orden en el que las reglas son procesadas y la forma
de resolver los conflictos que surjan cuando varias reglas puedan ser aplicadas a la vez. La
inteligencia se ve en la decisión tomada. La Estrategia de Control debe:
o Causar algún cambio: Debe poder producir cambios a corto plazo.
o Ser sistémica: Debe poder producir cambios a largo plazo.
 El Aplicador de Reglas: Nunca contradice la Estrategia de Control, ya que es la parte crítica.
Página 22 de 42
Resumen de Inteligencia Artificial
Clasificación de los Sistemas de Producción
Los Sistemas de Producción se pueden clasificar en los siguientes tipos:
 Monótono: Es aquel en el cual la aplicación de una regla no prevé la posterior aplicación de
otras reglas, que podrían haberse aplicado cuando se seleccionó la primera.
 No Monótono: Es aquel en que se aplican todas y cada una de las reglas que pueden ser
tomadas en un momento determinado.
 Parcialmente Conmutativo: Es aquel en el cual si se aplican una secuencia de reglas
transforma el estado X al estado Y, entonces por alguna permutación permitida de estas reglas
también transforma el estado X en estado Y.
 No Parcialmente Conmutativo: Aquel donde si se permutan cualquiera de las reglas no se
llega del estado X al estado Y. Son aptos para resolver Problemas No Recuperables.
 Conmutativo: Sistema que es a su vez monótono y Parcialmente Conmutativo. No contemplan
volver a estados pasados. Tienden a alcanzar muchos estados individuales duplicados.
Métodos de Búsqueda Sin Información del Dominio
Son los Métodos que operan sin un conocimiento que pueda guiar la búsqueda acerca del dominio del
problema, por lo que se deberá realizar una búsqueda exhaustiva en todo el Espacio de Estados.
Primero en Amplitud
A diferencia del Método Primero en Profundidad, recorre el árbol modificando (modifica) el Estado
Actual por Niveles, en vez por ramas.
Parte del Estado Inicial y aplica todas las reglas posibles, luego por cada nodo generado vuelve a
aplicar todas las reglas posibles, generando así los nodos por niveles.
En la práctica se implementa con una estructura de cola FIFO.
Ventajas



No queda “atrapado” en una rama cíclica o periódica.
Si existe una solución, la encuentra.
Si hay varias soluciones, encuentra la mejor de ellas.
D e s ve n t a j a s

Consume una mayor cantidad de recursos computacionales (memoria, tiempo de CPU, etc.).
Primero en Profundidad
El algoritmo barre el árbol (o grafo) una rama a la vez, buscando el Estado Final en cada subrama de
cada Estado del Espacio de Estados.
A Medida que el Algoritmo va cambiando el Estado Actual, analiza las reglas para el nuevo Estado y va
actualizando el Estado Actual “Moviéndose” en el árbol a través de las ramas.
En la práctica se implementa con una estructura de cola LIFO.
Ventajas



Consume una menor cantidad de recursos computacionales (memoria, tiempo de CPU, etc.).
Si existe una solución, la encuentra.
Se puede encontrar una solución sin haber buscado en gran parte del árbol.
D e s ve n t a j a s


Puede llegar a quedar “atrapado” en una rama cíclica o periódica, por lo que será necesario
establecer un valor de corte como umbral.
Devuelve la primera solución que encuentra. Si hay varias soluciones devuelve la primera de
ellas, que puede no ser la mejor de ellas.
Bidireccional
Combina los Métodos de Búsqueda Primero en Amplitud y Primero en Profundidad.
Se deberán conocer tanto el Estado Inicial como un Estado Final a fin de realizar dos búsquedas:
1. Búsqueda Top–Bottom: Partiendo desde el Estado Inicial se pretende hallar el Estado Final.
2. Búsqueda Bottom–Top: Partiendo desde el Estado Final se pretende hallar el Estado Inicial.
Si bien cada búsqueda puede usar cualquiera de los dos métodos, una de ellas deberá usar el Método
Primero en Amplitud. Cuando las búsquedas se crucen se podrá reconstruir el camino.
Página 23 de 42
Resumen de Inteligencia Artificial
Generación y Prueba
En éste Método se genera una posible solución y se la compara contra todas las demás. Emplea el
Método Primero en Profundidad, en donde se va explorando una rama a la vez. Generalmente se
implementa con una vuelta hacia atrás.
Ventajas


Es adecuado para problemas sencillos.
Si existe una solución, la encuentra.
D e s ve n t a j a s

Si el problema es complejo puede consumir mucho tiempo en encontrar la solución, ya que
recorre todo el Espacio de Estados.
Métodos de Búsqueda Con Información del Dominio
Son aquellos Métodos que operan con un conocimiento que guía la búsqueda en un determinado
sentido. Generalmente el conocimiento se basa en una función heurística que permite probar primero los
caminos más prometedores, evitando una explosión combinatoria.
Permiten facilitar la búsqueda de el/los Estado/s Final/es. Se suelen usar para encontrar una solución
aceptablemente buena, no necesariamente la mejor dentro de todo el Espacio de Soluciones.
Escalada
Es una variante del Método Generación y Prueba. Utiliza una Función Heurística a los propósitos de
obtener retroalimentación. Permite escalar por los nodos si el valor heurístico del nodo destino es mejor al
valor heurístico del nodo origen o actual.
Es un Método Local, o sea que tiene en cuenta únicamente las consecuencias inmediatas y no
contempla retrocesos en la búsqueda. El Método funciona correctamente siempre y cuando la Función
Heurística sea monótonamente decreciente (o creciente).
Posee dos variantes: Escalada Simple y Escalada de Máxima Pendiente.
– Escalada Simple
Dado un Estado Actual, se aplican uno a uno los Operadores sobre éste y se “escala” por el primer
sucesor cuya Función Heurística sea mejor que la del Estado Actual.
Ventajas

El Método es más rápido que el Método de Escalada de Máxima Pendiente.
D e s ve n t a j a s






Necesita más pasos para poder llegar a la solución.
Se ensaña con una rama y abandona el resto.
Posee mayor probabilidad de estancarse ante un mínimo (o máximo) local.
No garantiza encontrar la solución, pese a que esté a un nodo de distancia.
Si existe un sucesor mejor que por el que escala, pero que aún no se ha generado, éste se
pierde.
No se puede aplicar en problemas donde la solución es relativa.
– Escalada de Máxima Pendiente
Es una variante del Método de Escalada Simple. Pretende resolver el problema que se da al generar y
evaluar los sucesores de un nodo de a uno.
Dado un Estado Actual, generar todos los sucesores del Estado y luego los evalúa uno por uno,
“escalando” por el mejor de ellos incluyendo al Estado Actual.
Ventajas



Posee menor probabilidad de estancarse ante un mínimo (o máximo) local.
Si encuentra una solución, ésta es mejor que la posible solución encontrada por el Método de
Escalada Simple, en el caso de que difieran.
Necesita menor cantidad de pasos para hallar la solución.
D e s ve n t a j a s


Se ensaña con una rama y abandona el resto.
El Método es más lento que el Método de Escalada Simple.
Página 24 de 42
Resumen de Inteligencia Artificial



No garantiza encontrar la solución, pese a que esté a un nodo de distancia.
De todas formas puede no hallar la solución si se cae en un mínimo (o máximo) local.
No se puede aplicar en problemas donde la solución es relativa.
El Primero Mejor
Combina las ventajas de los Métodos de Primero en Amplitud y Primero en Profundidad. Sigue un único
camino a la vez y lo cambia cuando otro camino parece más prometedor.
Resuelve el problema de los Métodos de Escalada. Es parecido al Método de Escalada de Máxima
Pendiente ya que por cada nodo se evalúan todas las reglas para determinar los nodos hijos. Igualmente
posee dos diferencias:
1. En Escalada, al elegir un nodo, todos los demás se abandonan.
2. En este Método se elige el mejor estado disponible, aún si el valor de su función es menor al actual.
El Método emplea dos listas:
 Lista de Abiertos: Nodos generados pero que no se han explorado los sucesores. Se
encuentra ordenada y priorizada por el valor heurístico de cada nodo.
 Lista de Cerrados: Nodos generados, de los cuales ya se han generado los nodos sucesores
correspondientes. Se encuentra ordenada históricamente.
En cada iteración se reordena la Lista de Abiertos, lo que posibilita la vuelta atrás.
Al generar un nodo se debe controlar que ya no se encuentre en la Lista de Cerrados. Si esto sucede
no se evaluará pero si se indicará ésta situación en el modelo, para no simplificar la realidad.
Como el algoritmo avanza siempre por el mejor camino, al hallar una solución asume que ésta es la
mejor y termina el proceso de búsqueda. El proceso también termina en el caso de que la Lista de Abiertos
quede vacía.
Es una simplificación del Método A*, dado que su Función Heurística sólo pondera la estimación del
costo desde un nodo al nodo solución, lo que queda por recorrer, y no el costo desde la raíz hasta ese
nodo, o sea el camino recorrido.
En la resolución de problemas se deberá emplear la siguiente tabla:
Iteración
1
…
N
Ítem
Nodo Actual
¿Es Solución?
Lista de Abiertos
Lista de Cerrados
…
Nodo Actual
¿Es Solución?
Lista de Abiertos
Lista de Cerrados
Valor
(Estado Inicial)
SI / NO
(Sucesores del Estado Inicial)
(Estado Inicial)
…
(Primer Nodo de la Lista de Abiertos)
SI / NO
Reordenar(Lista de Abiertos – Nodo Actual + Sucesores del Nodo Actual)
(Lista de Cerrados + Nodo Actual)
A*
Es similar al anterior, salvo que la Función Heurística se reemplaza por la siguiente aproximación:
F '  g estado  h ' estado
En donde:

g estado representa la suma de los costos de los nodos predecesores (el costo de llegar
hasta ese nodo).



h estado representa la estimación de lo que cuesta llegar a un nodo objetivo desde ese nodo.
El Costo es relativo a la Transición y no al Estado. Puede ser:
 Lineal: Es el mismo en cada nivel.
 Exponencial: Crece al ir pasando a un nivel inferior.
'
Permite encontrar el camino de mínimo costo. En caso de existir una solución, el algoritmo la
encuentra. Por esto se dice que el Método A* es un Método Completo.
En la resolución de problemas se deberá emplear la tabla vista en el Método el Primero Mejor. Salvo
que en la Lista de Abiertos los nodos tendrán la forma


Nodo g  h ' , y se deberá reordenar por éste valor.
Página 25 de 42
Resumen de Inteligencia Artificial
Método de Reducción de Problemas
Se emplea en los casos en que los problemas pueden descomponerse en subproblemas. Dado un
problema se lo divide de manera recursiva en problemas menores hasta llegar a Problemas Primitivos
(problemas atómicos de resolución inmediata).
Problema Meta   Problema Primitivo
 Solución Problema Meta    Solución Problema Primitivo

La resolución de todos los problemas primitivos implica que el problema principal ha sido resuelto.
Para graficar se emplean los denominados Grafos Y-O. En donde se dibujan arcos en las transiciones
entre estados para representar el Y.
Se comienza por el Estado Inicial generando todos los posibles sucesores y se evalúan los valores a fin
de determinar el mejor camino. Al ir visitando los nodos descendientes se van reevaluando los valores
heurísticos, con lo cual se deben propagar los cambios hacia arriba. Constantemente hay que comparar los
nuevos valores obtenidos con los valores anteriores para determinar si se debe seguir por un camino o
cambiarlo por otro con mejor valor. El proceso termina cuando se encuentra una solución o cuando todos
los caminos llevan a callejones sin salida.
Las principales diferencias con el Método el Primero Mejor son:
 En el Primero Mejor la vuelta atrás no es necesaria, en cambio en el Método de Reducción de
Problemas si porque hay que reevaluar los nodos expandidos para determinar el mejor camino.
 En el Primero Mejor se buscaba el camino con menor costo, en cambio en el Método de
Reducción de Problemas los caminos individuales que van de un nodo a otro no deben ser
tomados independientemente de los caminos a través de otros nodos conectados a los nodos
originales mediante arcos Y.
Página 26 de 42
Resumen de Inteligencia Artificial
Análisis de Protocolos
Es una técnica que permite observar y grabar a un Experto en la resolución de un problema para lograr
educir conocimientos del él, que luego sirvan en la construcción de un Sistema Basado en Conocimientos.
Etapas del Análisis de Protocolos
Esta técnica de Educción de Conocimientos posee las siguientes etapas.
1. Grabación del Protocolo
La cual se divide en las subetapas siguientes:
 Introducción: El Ingeniero en Conocimiento le explica al Experto lo que espera de él. Se le pide
que hable en voz alta diciendo que diga lo que piensa, lo que hace, pero no que explique sus
razonamientos. Si el Experto se quedase callado por un lapso mayor a los tres segundos,
deberá indicarse tal situación y pedirle que continúe.
 Puesta en Situación: Se busca brindarle confianza al Experto, por ejemplo mediante la
resolución de algún ejercicio introductorio.
 Registro del Protocolo: Es la grabación y la registración de lo que dice y hace el Experto.
2. Transcripción
Se transcribe lo grabado segmentándolo en frases con el fin de poder analizarlo de una mejor forma.
La división en frase se realiza tratando de que cada una aporte algo por sí sola.
En la resolución de la transcripción, se deberá emplear la siguiente tabla:
Línea
1
2
…
n
Transcripción
Se deberán indicar
las pausas que tuvo el
Experto
empleando
corchetes, y dentro de
ellos
indicando
la
…
duración de las mismas.
3. Codificación
A esta etapa se la divide en las siguientes subetapas:
 Identificación de Conceptos, Características, Valores, Relaciones y Operadores: Se los
suele denominar también como Elementos del Protocolo. Se debe analizar frase por frase de la
tabla anterior para poder determinar cada uno de estos Elementos.
o Conceptos: Representan una entidad, un conocimiento.
o Características: Las Características se relacionan con los Conceptos, ya que establecen las
cualidades que pueden tener éstos. Serían como los atributos.
o Valores: Se relacionan con las Características. Son los valores que puede adoptar una
determinada Característica. O sea que definen las particularidades de un Concepto
determinado que lo hacen distinguible de otros Conceptos de su misma especie.
o Relaciones: Son explícitas y pueden relacionar un Concepto con otro Concepto o un
Concepto con una Característica.
o Operadores: Son los medios que el Experto utiliza para pasar de un estado del problema a
otro estado más próximo a la solución.
Se deberá emplear la siguiente tabla:
Significado
Concepto
Característica
Valor
Relación
Operador
…

Texto
…
Identificación de las Relaciones de Protocolo: Consiste en determinar las relaciones que
existen dentro del protocolo. Se deberá construir la siguiente tabla, denominada Tabla
Concepto-Característica-Valor, para ordenar y relacionar los Elementos del Protocolo
detectados en la tabla anterior:
Concepto
Característica
Valor
Página 27 de 42
Resumen de Inteligencia Artificial
Concepto
Concepto
…
Característica
(Característica)
…
Valor
Valor
…
Entre paréntesis se deberán indicar aquellas relaciones implícitas entre un Concepto y un Valor.
El siguiente paso consiste en establecer las Relaciones de Protocolos, que son relaciones explícitas
entre Conceptos.
Para ello se emplea un grafo como se muestra a continuación:
Concepto k
RELACIÓN A
Concepto i
RELACIÓN B
Concepto j

RELACIÓN C
Concepto
m
Identificación de la búsqueda: Consiste en determinar los estados por los cuales pasa el
Experto desde el estado inicial hasta llegar al estado solución.
En la resolución de los ejercicios se deberá seguir el siguiente esquema:
Estado Inicial
Características distintivas 1
Operador 1
Estados Intermedios
Características distintivas n
Operador n
Estado Final

Identificación de Metacomentarios, Sinónimos e Incertidumbres: En base a la primera tabla
se deberán detectar los Metacomentarios, los Sinónimos y las Incertidumbres.
o Metacomentarios: Frases o palabras que no aportan nada en el Protocolo, sin embargo
pueden representar razonamientos ocultos y pueden servir más adelante en otro Análisis de
Protocolo. Sus Elementos no deben ser tenidos en cuenta en el Análisis.
o Sinónimos: Palabras que representan la misma idea o concepto.
o Incertidumbres: Palabras o frases que implican dudas o deducciones inciertas. Influyen en
los operadores pero no forman parte de él. Representa un grado de certidumbre para un
operador que brinda el Experto.
En la resolución de los ejercicios se deberá seguir el siguiente esquema:
 Sinónimos: …
…
 Metacomentarios:
Línea
n
…

Metacomentario
…
…
Significado
…
…
Incertidumbres: …
…
4. Interpretación
En ésta etapa se definen las reglas de razonamiento del experto.
La cantidad de reglas debe ser la misma que la cantidad de operadores, que no pertenezcan a un
metacomentario.
Las Reglas son de la forma:
SI ( CONDICIONES )
ENTONCES ( ACCIONES )
Y en donde,
CONDICIONES: CONCEPTO.CARACTERÍSTICA = VALOR
Página 28 de 42
Resumen de Inteligencia Artificial
Anexo: Ejercicios (by JuanMA)
“podríamos sostener que estamos identificando”
Podríamos sostener: incertidumbre. Relación
Estamos identificando: Operador (cambia el estado)
Cuando hay un Vx, tiene que haber una implicación de la variable principal, pero no necesariamente de
la/s secuandaria/s
Página 29 de 42
Resumen de Inteligencia Artificial
Emparrillado
Esta es otra técnica para poder educir conocimientos de un Experto. Permite tomar en cuenta cómo
piensa el experto y qué juicios emplea.
Metodología
1. Identificación de los Elementos
En ésta primera etapa se deben obtener los Elementos que conformarán la Parrilla. Éstos deben ser
homogéneos y representativos del dominio. Que sean homogéneos se refiere a que estén en el mismo
nivel. Que sean representativos indica que deberán abarcar todo el dominio.
Para obtener los Elementos se pueden usar entrevistas.
2. Identificación de las Características
Las Características son las cualidades que pueden ser atribuidas a los Elementos o conceptos del
pensamiento. Deben ser bipolares, o sea, un Elemento es una cosa o la otra. La cantidad de Características
no depende de la cantidad de elementos.
Dichas Características pueden ser obtenidas mediante entrevistas.
También se deberán determinar los polos de las Características, o sea cuál es el extremo que toma en
cuenta en primera instancia el Experto.
3. Diseño de la Parrilla
Se deberá construir una matriz, denominada Parrilla, tal como se muestra a continuación:
C1
C2
C3
…
Cm
E1
E2
E3
…
En
V11
V21
V31
…
Vm1
V12
V22
V32
…
Vm2
V13
V23
V33
…
Vm3
…
…
…
…
…
V1n
V2n
V3n
…
Vmn
Los tipos de Parrilla que se pueden construir son:
 Dicotómica: Es una matriz binaria. Las celdas adoptan los valores 0 (el elemento no posee esa
característica) o 1 (el elemento sí posee esa característica).
 Clasificatoria: Las celdas adoptan valores entre 1 y n, donde n es el número total de
elementos. No puede haber valores repetidos.
 Evaluativa: Las celdas adoptan valores entre 1 y x, como una escala numérica. El margen se
aplica a todas las características. Al ser una escala sí puede haber valores repetidos.
4. Formalización
Consta de las siguientes subetapas.
4.1. Clasificación de los Elementos
Se comparar elementos contra elementos. Para ello se deberá calcular una matriz de distancia; que al
ser simétrica, sólo se usará la diagonal superior.
La distancia entre dos elementos E i y E j se calcula usando la siguiente fórmula:
Dist Ei , E j    Vki  Vkj  V1i  V1 j  V2i  V2 j    Vmi  Vmj
m
k 1
Luego de calcular las distancias, la matriz quedaría:
E1
E2
E3
…
En
E1
E2
E3
…
En
0
Dist(E1, E2)
0
…
…
Dist(E1, E3)
Dist(E2, E3)
0
…
…
…
…
…
…
Dist(E1, En)
Dist(E2, En)
Dist(E3, En)
…
0
Página 30 de 42
Resumen de Inteligencia Artificial
Luego se deberán agrupar los elementos tomando la menor distancia que figure en la nueva Parrilla (si
se está tratando de minimizar las distancias), o tomando la mayor de las distancias (si se están
maximizando las distancias entre elementos).
Con los elementos agrupados se construye una nueva Parrilla, como se muestra a continuación:
E1
0
E1
E2
…
[Ei, Ej]
…
En
…
E2
Dist(E1, E2)
0
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
…
[Ei, Ej]
Dist(E1, [Ei, Ej])
Dist(E2, [Ei, Ej])
…
0
…
En
Dist(E1, En)
Dist(E2, En)
…
Dist([Ei, Ej], En)
…
0
Y, para completar los valores de cada celda se deberá tener en cuenta una nueva fórmula para calcular
las distancias entre los elementos, que se muestra a continuación:


Dist  Ei , E j , E h   Min Dist Ei , E h , Dist E j , E h 
O sea que se aplica la ley distributiva entre los elementos de la parte izquierda de la fórmula, se
calculan las distancias correspondientes entre los elementos de la parte derecha de la fórmula según la
fórmula original y luego se elige la mejor distancia para armar una nueva Parrilla con los nuevos elementos
que puedan ser agrupados.
El método vuelve a ciclar hasta que todos los elementos se hayan agrupado.
Una vez que se han agrupado los elementos se deberá construir el Árbol Jerárquico de Distancias de
Elementos, tal como se muestra a continuación:
k
…
3
2
1
Ei
Ej
Eh
…
En
4.2. Clasificación de las Características
Es similar al proceso de Clasificación de los Elementos, salvo que se calculan dos valores de distancia:
 En la Diagonal Superior de la Parrilla se calcula la Distancia 1 (d1) de forma similar al cálculo de
las distancias entre elementos.
 En la Diagonal Inferior de la Parrilla se calcula la Distancia 2 (d2), tal cual se muestra a
continuación.
Para calcular ambas distancias se emplean las siguientes fórmulas:
d1 : Dist 1 Ci , C j    Vik  V jk  Vi1  V j1  Vi 2  V j 2    Vin  V jn
n
k 1



d 2 : Dist 2 Ci , C j   Dist 1 Ci , C 'j  Dist 1 Ci' , C j
'
h
En donde el valor de C es el opuesto de

C h . Esto se logra armando una nueva Parrilla basada en la
Parrilla original y en donde sus valores son opuestos de acuerdo a la escala empleada:
 En el caso de las Parrillas Dicotómicas, se debe negar el valor de cada celda.
 En el caso de las Parrillas Clasificatorias o Evaluativos se deberá emplear la siguiente fórmula:
Vij'  w  1  Vij
En donde w adopta el mayor valor de los valores de la escala (n o x, según el tipo de Parrilla).
Finalmente la matriz de distancias entre características quedaría así:
C1
C2
C3
C1
0
Dist1(C1, C2) Dist1(C1, C3)
C2 Dist2(C1, C2)
0
Dist1(C2, C3)
C3 Dist2(C1, C3) Dist2(c2, C3)
0
…
…
…
…
Cm Dist2(C1, Cm) Dist2(C2, Cm) Dist2(C3, Cm)
…
Cm
…
…
…
…
…
Dist1(C1, Cm)
Dist1(C2, Cm)
Dist1(C3, Cm)
…
0
Página 31 de 42
Resumen de Inteligencia Artificial
Como sólo hay que trabajar con la diagonal superior, se deberá construir una nueva Parrilla de
distancias de características tomando de la matriz anterior la distancia mínima entre los opuestos por la
diagonal:
Dist Ci , C j   Min Dist 1 Ci , C j , Dist 2 Ci , C j 
C1
C2
C3
…
Cn
C1
C2
C3
…
Cn
0
Dist(C1, C2)
0
…
…
Dist(C1, C3)
Dist(C2, C3)
0
…
…
…
…
…
…
Dist(C1, Cn)
Dist(C2, Cn)
Dist(C3, Cn)
…
0
Al construir la nueva matriz se deberán agrupar las características siguiendo el mismo proceso que se
ha indicado en la Clasificación de los Elementos. Salvo que para calcular las distancias en base a la Parilla
diagonal superior se deberá emplear la siguiente fórmula:


Dist  Ci , C j , C h   Min Dist Ci , C h , Dist C j , C h 
El método vuelve a ciclar hasta que todas las características se hayan agrupado.
Una vez que se han agrupado todas las características se deberá construir el Árbol Jerárquico de
Características.
k
…
3
2
1
Ci
Cj
Ch
…
Cn
5. Interpretación o Análisis de los Resultados
En esta última etapa se deberán analizar los siguientes ítems con el fin de obtener una conclusión:
 En base a los Elementos:
o Cantidad de grupos que se han formado.
o Grupos que se han formado.
o Similitud entre los Elementos.
 En base a las Características:
o Cantidad de grupos que se han formado.
o Grupos que se han formado.
o Similitud entre las Características.
6. Red de relaciones entre Características
Se arma a partir del Texto
Página 32 de 42
Resumen de Inteligencia Artificial
Paralela
Recíproca
A
B
A
B
A
B
X
Y
X
Y
X
Y
Ortogonal
Ambiguas
A
B
A
B
A
B
A
B
X
Y
X
Y
X
Y
X
Y
Página 33 de 42
Resumen de Inteligencia Artificial
Algoritmos Genéticos
Introducción a los Algoritmos Genéticos
Bases de los Algoritmos Genéticos
Los Algoritmos Genéticos se encuentran basados en la:
 Genética.
 Teoría de la Evolución: Fue propuesta por Darwin, y propone:
o Adaptación.
o Supervivencia del más fuerte (del más adaptado).
Los factores fundamentales que posee la Teoría de la Evolución son:
o Selección Natural: Sólo los más aptos sobreviven en el ecosistema.
o Cruzamiento: Es la concepción de nuevos individuos a partir de los ya existentes.
o Mutación: Cambios aleatorios en los cromosomas.
Comparación entre la Biología y los Algoritmos Genéticos
Podemos comparar la Biología con los Algoritmos Genéticos a través de la siguiente tabla:
Biología
Ecosistema
Organismos/Individuos
Población
Genes
Algoritmos Genéticos
Problema
Posibles Soluciones
(Individuos o Cromosomas)
Población
(De cada Ciclo)
Genes
(Valores binarios)
Genotipo
(Conjunto de Genes)
Propiedad
Pasos Para Configurar un Algoritmo Genético
Ante un problema deberemos seguir los siguientes pasos a fin de configurar el Algoritmo Genético:
1. Definir el Cromosoma: Primero se deberán identificar las propiedades o características del
problema en cuestión. Y luego se deberán asignar las posiciones dentro del cromosoma a cada una
de las propiedades identificadas. El Cromosoma es el patrón de las características o propiedades
que deberá tener la solución.
La definición del Cromosoma quedaría como se muestra a continuación:
…
PROPIEDAD 1
PROPIEDAD n
2. Definir la Función de Aptitud: Es el segundo paso en la configuración de un Algoritmo Genético.
La Función de Aptitud ( f ) permite comparar y descartar alternativas en base al análisis de los
cromosomas. Esta función puede ser tanto una función matemática, una serie de condiciones como
una combinación de ambas.
Esta función depende del problema dado y del cromosoma
La Función de Aptitud emplea la heurística para determinar qué tan bueno es estar en determinado
estado.
La Función de Aptitud queda representada por la expresión f Cromosoma  Valor Real .


Esquema de los Algoritmos Genéticos
A continuación se presenta el esquema que posee un Algoritmo Genético.
Página 34 de 42
Resumen de Inteligencia Artificial
GENERAR
POBLACIÓN
INICIAL
Pi+1
P0
SELECCIÓN
PS
CRUZAMIENTO
PD
MUTACIÓN
Pi+1
NO
PARO
?
SI
POBLACIÓN
FINAL
Operadores o Funciones Básicos
Los operadores o funciones básicas que posee el Algoritmo Genético son:
1. Selección: Comparación y selección de los mejores individuos. Permite seleccionar los candidatos
a cruzar. Se realiza en todas las Iteraciones
2. Cruzamiento: Generación de nuevos individuos a partir de los individuos seleccionados.
3. Mutación: Alteración esporádica y al azar de un gen del cromosoma de un individuo. Este operador
evita la pérdida de posibles soluciones. Por tal motivo la mutación permite acercarnos más a la
solución.
En cuanto a la convergencia, no converge más rápido si ningún individuo de la población
E t a p a s d e l Al g o r i t m o G e n é t i c o
Las etapas que sigue el Algoritmo Genético para resolver un problema son:
1. Generar Población Inicial: Se genera un conjunto de cromosomas, no todo el espacio de
soluciones, denominado Población Inicial (P0). La convergencia del Algoritmo Genético no depende
de P0.
Sin embargo sí deben configurarse dos parámetros:
o Cantidad de Individuos: Puede ser tanto fija como variable, aunque generalmente se
emplea una cantidad fija.
o Generación de Cromosomas: Puede ser tanto aleatoria como mediante un método genético,
generalmente se generan de manera aleatoria.
2. Selección: En esta segunda etapa se emplea la Función de Aptitud para comparar y seleccionar los
mejores cromosomas. No se generan nuevos individuos, sino que se busca obtener la Población
Seleccionada (PS) a partir de P0. A veces suele hacerse una depuración de individuos no válidos en
Página 35 de 42
Resumen de Inteligencia Artificial
ésta etapa si no se realiza en una etapa anterior o un paso intermedio. Los métodos de selección
más comunes son:
a. Torneo: Hace competir a los individuos entre sí y los ganadores son elegidos para cruzarse.
Presenta el problema de que tiende a elegir los cromosomas con mejor Función de Aptitud,
con lo cual se puede perder algún cromosoma con alguna propiedad interesante y también
se pierde diversidad.
b. Ruleta: Emplea el azar para solucionar el problema del Método de Torneo.
El primer paso consiste en construir la siguiente tabla para determinar la probabilidad de
cada individuo:
Individuo
f x 
I1
k1
px  f x
 f x 
Px
m1
s1
…
…
…
…
In
kn
mn
1
1
–

 f x 

Luego se deberá construir el “paño” de probabilidades en base a la columna P x con las
probabilidades acumuladas de cada individuo.
Finalmente se deberán elegir números al azar entre 0 y 1, y comparándolos contra el “paño”
se determinará PS.
c. Control Sobre Número Esperado: Es similar al Método de la Ruleta, salvo la tabla que
permite calcular las probabilidades de cada individuo.
Se deberá emplear la siguiente tabla para determinar las probabilidades de cada individuo:
Individuo
f x 
I1
k1
f x Promedio
d1
…
…
…
In
kn
dn

Promedio:
 f x 
 f x  n
Mant d1 
…
Mant d n 
p x  
f x  Promedio
 f x Promedio
Px
m1
s1
…
…
mn
1
 f x Promedio
m
–
–
–
–
i
Aquellos individuos que superen con su parte entera al promedio serán seleccionados
inmediatamente. Luego se sigue con el procedimiento normal del método de la Ruleta
calculando la probabilidad de cada individuo, armando el “paño” y generando los números al
azar para terminar de seleccionar la población.
3. Cruzamiento: En esta etapa se busca cruzar los individuos seleccionados en la Etapa de
Selección. Se generan nuevos individuos y se obtiene la Población Descendente (P D). En general
no se tiene en cuenta la Función de Aptitud. Las técnicas de cruzamiento pueden tener en cuenta
las propiedades del cromosoma o no (genotipo). Dichas técnicas son:
a. Simple: Se truncan los cromosomas en una determinada posición para armar subcadenas
que luego se van a combinar. No tiene en cuenta las propiedades del cromosoma.
Generalmente de dos padres se obtienen dos hijos.
Ie: A1 A2 … Ai Ai+1 … An-1 An
A1 A2 … Ai Bi+1 … Bn-1 Bn
Id: B1 B2 … Bi Bi+1 … Bn-1 Bn
B1 B2 … Bi Ai+1 … An-1 An
b. Multipunto: Es similar a la Técnica de Cruzamiento Simple, salvo que se establecen
múltiples puntos de corte. Puede tener en cuenta las propiedades del cromosoma o no.
c.
Ie: A1 A2 … Ai Ai+1 … Aj Aj+1 … AnA1 A2 … Ai Bi+1 … Bj Aj+1 … An1 An
1 An
Id: B1 B2 … Bi Bi+1 … Bj Bj+1 … BnB1 B2 … Bi Ai+1 … Aj Bj+1 … Bn1 Bn
1 An
Binomial: Considera cada gen como posible punto de corte. Para generar los hijos sigue la
siguiente regla: por cada posición genera un número al azar, luego establece un umbral y
finalmente compara cada número obtenido al azar con el umbral para determinar a qué hijo
pertenece.
Página 36 de 42
Resumen de Inteligencia Artificial
Ie: A1 A2 … Ai Ai+1 … An-1 An
≥ Umbral
A1 B2 … Ai Bi+1 … An-1 Bn
Id: B1 B2 … Bi Bi+1 … Bn-1 Bn
< Umbral
B1 A2 … Bi Ai+1 … Bn-1 An
4. Mutación: Es la etapa en la cual se altera algún gen del cromosoma para producir la mutación de
los individuos. No siempre se produce mutación, debido a que se trata de mantener controlada. Los
métodos de mutación que se pueden emplear son:
a. Simple: Primero se obtiene un valor al azar, el cual es comparado contra un umbral
denominado Probabilidad de Mutación, que puede ser generalmente de 0,1; 0,05 o 0,01. Si
el valor al azar supera el umbral, no se muta; si no los supera, se muta y para ello se
genera un nuevo número al azar (RPOS.MUT) que va a definir qué gen del conjunto de todos
los cromosomas de los individuos se va a alterar.
b. Optativa por Convergencia: A medida que la media de la función de aptitud crece, la
probabilidad de mutación baja.
c. Adaptativa por Temperatura: Puede ser:
i. Ascendente: Al aumentar la cantidad de ciclos, aumenta la probabilidad de
mutación.
ii. Descendente: Al ir aumentando la cantidad de ciclos, disminuye la probabilidad de
mutación.
5. Criterio de Paro: Como criterio de paro se pueden tomar la cantidad de ciclos, el tiempo
transcurrido, que la Función de Aptitud supere un mínimo preestablecido ( f x  Min ), que el
promedio de todas las Funciones de Aptitud de una generación sea mayor a un mínimo
( Prom f x  Min ), etc. Lo más común es tomar la cantidad de ciclos o f x  Min .
6. Población Final: Es el conjunto de individuos que podrían ser solución. Para obtener la solución se
deberá determinar el individuo que posea la mejor Función de Aptitud.

  

Página 37 de 42
Resumen de Inteligencia Artificial
Redes Neuronales
Redes Neuronales Naturales
Estructura de las Redes Neuronales Naturales
A continuación se muestra la estructura de las Redes Neuronales Naturales.
Dendritas
Núcleo
Axión
Funcionamiento de las Redes Neuronales Naturales
Una célula neuronal, o neurona, recibe impulsos de entrada a través de las Dendritas, lo cual produce
una excitación en el núcleo de la neurona que se traslada hacia el Axión para ser transmitido a otra
neurona. El poder de éste modelo se encuentra en la red neuronal y no en algún conocimiento almacenado.
Sinapsis
La Sinapsis es el contacto que existe entre las terminales axónicas de una neurona y las dendritas de la
neurona siguiente. Cabe aclarar que las Dendritas y los Axiones no se tocan físicamente entre sí.
La Sinapsis puede ser:
 Exitadora: Cuando los neurotransmisores disminuyen el potencial de la membrana de la célula
posináptica y favorecen la generación de impulsos a mayor velocidad.
 Inhibidora: Es cuando los neurotransmisores tienden a estabilizar el potencial de la membrana
y dificulta la emisión de impulsos.
Redes Neuronales Artificiales
Estructura de las Redes Neuronales Artificiales
A continuación se muestra la estructura de las Redes Neuronales Artificiales.
Yi
wij
Yj
f(NET)
W nj
n Entradas
Unidad
Salida
Funcionamiento de las Redes Neuronales Artificiales
Xi
Yi
i
Xj
j
Wij
Peso de la
conexión
entre i y j
Yj
Página 38 de 42
Resumen de Inteligencia Artificial
En la Redes Neuronales Artificiales se sigue el mismo modelo que en las Redes Neuronales Naturales,
se construye una red de unidades (o neuronas) que no posee conocimiento almacenado.
Los pesos ponderan la conexión (sinapsis) entre la neurona i y la j.
Cada entrada posee un peso asociado wij . A su vez, a cada entrada se conectan las salidas de otras
neuronas, las cuales en un momento determinado tendrán un valor
Yi . La sumatoria de cada uno de esos
pesos multiplicados por la entrada correspondiente es lo que se considera como Peso Neto:
NET   wij  Yi 
n
i 1
El Peso Neto será la entrada para la Función de Activación, la cual dará como resultado el valor de
salida de dicha neurona.
Cada Neurona de una Red Neuronal Artificial entonces queda definida por:
 Las entradas y sus pesos wij correspondientes.
f NET  .

La Función de Activación

Cómo se conectan las neuronas, los tipos de capas y los tipos de conexión que se presentan.
Las Redes Neuronales Artificiales poseen memoria implícita, es decir que no se haya centralizada, sino
distribuida en el conjunto de las Neuronas y sus pesos e interconexiones.
Los tipos de conexión que pueden darse en una Red Neuronal Artificial son:
 Sólo hacia delante.
 Consigo misma.
 Con neuronas del mismo nivel.
Tipos de Neuronas
En las Redes Neuronales Artificiales podemos encontrar los siguientes tipos de Neuronas:
 Neuronas de Entradas: Son aquellas neuronas que reciben los estímulos del exterior.
 Neuronas de Procesamiento: Son aquellas neuronas que se encargan de transformar la
información.
 Neuronas de Salida: Son las neuronas que se encargan de dar la respuesta al entorno.
Tipos de Redes Neuronales Artificiales
Las Redes Neuronales Artificiales se clasifican en:
 Redes Monocapa: Son aquellas Redes Neuronales en las que existe una única capa de
neuronas que se encargan de las entradas, el procesamiento y la salida.
 Redes Multicapa: Son aquellas Redes Neuronales en las que existen varias capas que se
encargan de la funcionalidad del sistema. Las capas que se pueden encontrar son:
o Capa de Entrada (1 capa): Posee Neuronas de Entrada y se encarga de Interpretar las
entradas recibidas desde el exterior.
o Capas de Procesamiento (n capas): Se compone de Neuronas de Procesamiento. Pueden
haber varias capas de éste tipo de neuronas. Son capas ocultas.
o Capa de Salida (1 capa): Se compone de Neuronas de Salida. Esta capa se encarga de dar
salida a la información procesada.
Estado de Activación
El Estado de Activación es un valor numérico que posee una neurona en un instante de tiempo dado.
La actualización de los Valores de Estado de una Neurona puede ser:
 Asincrónica: Las Neuronas evalúan su estado continuamente según les llega la información y
actualizan su Valor de Estado de forma independiente al resto de las Neuronas.
 Sincrónica: Si bien la información también llega de forma continua a las Neuronas, los cambios
en los Valores de Estado se realizan simultáneamente en toda la Red Neuronal.
Función de Activación o Transferencia
La Función de Activación es la función que transforma el Estado de Activación en una señal de salida.
Es decir que transforma la entrada neta de la neurona en una señal de salida.
Página 39 de 42
Resumen de Inteligencia Artificial
Los distintos tipos de Función de Activación que hay son:
 Escalón: Se usa para salidas binarias, es limitada pero fácil de implementar. Pueden adoptar
valores 0 o 1; -1 o 1.
 Lineal Mixta: Combina una función lineal con una función escalón a partir de un determinado
rango de valores que excede los límites preestablecidos de entrada.
 Monotónicas Asintóticas o Sismódicas: Son funciones continuas asintóticas.
 Campana de Gauss: La función sigue la curva de la campana de Gauss, y por ende es
continua.
La función de activación puede ser desfasada respecto del Eje Y, generando así un umbral de
activación o desvío.
Para ello, se introduce en la entrada neta NET como un peso negativo y se le asigna una entrada
unitaria, tal como se muestra a continuación:
NET   w
n
i 1
ij
 Y      w
n
i
ij
i 1
 Yi       Y  w1 j  w2 j    wnj      Y
En donde :     w j e Y  1
El tipo de Función de Activación a usar en una Red Neuronal Artificial depende de:
 El dominio del problema en cuestión.
 La salida a mostrar.
 El tipo de aprendizaje a implementar.
Entrenamiento de las Redes Neuronales Artificiales
El entrenamiento es someter a la red a los casos de prueba. Para cada caso de prueba se deben
conocer las respuestas esperadas a fin de determinar si la red funciona de manera correcta o no.
Mecanismos de Aprendizaje
El aprendizaje es incorporar conocimiento nuevo. Esto permite modificar el comportamiento de la Red
Neuronal para adaptarse a una situación que antes no podía.
Mediante el aprendizaje se establecen y se ajustan los distintos valores wij (pesos) que llevará cada
una de las entradas de de las neuronas.
Los mecanismos de aprendizaje que podemos encontrar son los que se enumeran a continuación:
 Mecanismos de Aprendizaje Supervisado: Constantemente un ente externo controla que la
Red Neuronal aprenda de forma correcta. Este a su vez puede ser:
o On-Line: El Sistema se implementa en producción. Dentro de ésta categoría podemos
encontrar los siguientes mecanismos:
 Adaptive Heuristic Critic: Emplea la heurística para aprender, aunque siempre de
forma supervisada.
o Off-Line: El Sistema toma muestras en tiempo de desarrollo (paro para poder entrenarlas).
En este tipo de aprendizaje, los pesos de las conexiones permanecen fijos después de que
termina la etapa de entrenamiento, por lo cual no presentan problemas de estabilidad en su
funcionamiento.
Dentro de ésta categoría podemos encontrar los siguientes mecanismos:
 Perceptrón: El aprendizaje se realiza por corrección de errores. La Red Neuronal
puede ser multicapa o no. El umbral de desvío permanece constante, y lo que se
varía son los pesos de las entradas reales.
El algoritmo de aprendizaje es el siguiente:
1. Se calcula la salida real S R y se compara con la salida deseada S D .
n
n
i 1
i 1
S R   wi  ei   w0  e0   wi  ei   w0  1
En donde
wi es el peso de la entrada e i y w0 es el peso del umbral de desvío.
2. Si coinciden, o sea que S R  S D , el algoritmo finaliza. Si no coincide se calcula
la variación del peso de cada entrada como se muestra a continuación.
S i    ei  S D  S R 
Página 40 de 42
Resumen de Inteligencia Artificial
En donde  es el Coeficiente de Aprendizaje.
3. Se actualizan los pesos de las entradas sumando algebraicamente la variación
calculada en el paso anterior y se vuelve al paso 1.
wi  wi  S i

 Back Propagation: Este algoritmo corrige el peso en base a lo que contribuyó
Mecanismos de Aprendizaje No Supervisado: No existe un ente externo que controle el
aprendizaje de la red. Este a su vez puede ser:
o On-Line: El Sistema se implementa en producción.
o Off-Line: El Sistema toma muestras en tiempo de desarrollo. En este tipo de aprendizaje,
los pesos de las conexiones permanecen fijos después de que termina la etapa de
entrenamiento, por lo cual no presentan problemas de estabilidad en su funcionamiento.
Dentro de ésta categoría podemos encontrar los siguientes mecanismos:
 Hebbiano: Al algoritmo se le brindan todos los posibles elementos que se quieran
reconocer, así ante una entrada se comparan los elementos conocidos para
determinar qué elemento se ingresó, aún si éste no es idéntico. Para ello emplea un
concepto de simbiosis entre celdas o elementos que le permite identificar elementos
que no presenten la misma forma que cuando fueron aprendidos por la red.
El algoritmo de aprendizaje, y su función reconocedora, es el siguiente:
1. Transformar cada uno de los elementos de entrada en matrices aplicándole la
función signo. Son las denominadas Matrices de Hoppfield.
v11  v1n
Mi    
v n1  v nn
2. Transformar cada Matriz de Hoppfield en vectores.
Vi  v11  v1n  vn1  vnn  v11 v12  vnn
3. Calcular la Pseudomatriz de Aprendizaje
Pi por cada vector según se muestra
a continuación:
Pi  Vi  ViT  I
Esto posibilita que cada elemento tenga simbiosis consigo mismo.
4. Obtener la Matriz de Pesos Finales o Matriz de Aprendizaje A sumando todas
las Pseudomatrices de Aprendizaje Pi .
k
A   Pi
i 1
Cabe aclarar que el modelo sólo puede aprender la mitad o la mitad menos uno
de elementos (el valor k ) respecto del total de posibilidades que brinda la
matriz.
5. Operar con la red. Dado un elemento a reconocer, se transforma en vector
aplicando la función signo.
Ri  r11
r12  rnn
6. Multiplicar el vector a reconocer por la Matriz de Aprendizaje A .
T  Ri  A
7. Aplicarle la función signo al vector T .
T  sg T 
8. Continuar iterando con los puntos 5, 6 y 7 hasta que el nuevo vector T coincida
con el vector T de la iteración anterior.
Página 41 de 42
Resumen de Inteligencia Artificial
Cuadro Comparativo de las RNA
RNA
Tipo Conexión
Cant. Capas
Perceptron
FeedForward (hacia
adelante)
2
Back
Propagation
FeedForward (hacia
adelante)
N
HoppField
Laterales (se
encuentra conectada
a todas, pero no
consigo misma)
1
Tipo Aprendizaje
Supervisado
Off-Line
Corrección Error
Supervisado
Off-Line
Corrección Error
No Supervisado
Off-Line
Hebbiano
Representación Info
E/S
Red Hibrida
Entrada = continuo
Salida = discreto
Red Continua
Entrada = analógica
Salida = analógica
Continuos HoppField
Red Continua
Discrete HoppField
Red Discreta
Cuadro Comparativo de Métodos de Aprendizaje
On Line
Supervisado
Off Line
Por Refuerzo: El supervisor
es un crítico. Te dice si está
bien o mal la Rta pero no
dice cual sería la deseada
No supervisado
On Line y Off line
Corrección de Error: El supervisor
dice la salida deseada y se ajustan
los pesos entre la salida deseada y
la obtenida
Hebbiano: ajuste de pesos segun la
multiplicacion de las salidas de las
neuronas conectadas
Estocástico: Cambia los pesos en
forma aleatoria
Competitivo (se mide familiaridad) y
Cooperativo (se clasifican los datos)
Supervisado
Por Refuerzo
Corrección de Error
Estocástico
No Supervisado
Hebbiano
Competitivo
Cooperativo
Página 42 de 42