Inteligencia Artificial Cl sica

1. Inteligencia Artificial Clásica

2. 200213 2 Definiciones de IA La inteligencia artificial es el estudio de cómo hacer que las computadoras hagan cosas que, hasta el momento, las personas hacen mejor. - Rich

3. 200213 3 Definiciones de IA El intento de hacer que un artefacto (generalmente una computadora) imite el comportamiento que, de observarse en una persona, lo clasificaríamos como inteligente. - Minsky

4. 200213 4 Definiciones de IA El estudio de facultades mentales a través del uso de modelos computacionales. – Charniak & McDermott El estudio de las ideas que permitan a las computadoras ser inteligentes. - Winston

5. 200213 5 Definiciones de IA La rama de las ciencias computacionales que busca la automatización del comportamiento inteligente. – Luger & Stubblefield

6. 200213 6 Problemas de IA El trabajo inicial en IA se centró en jugar algunos juegos como ajedréz y la demostración automática de teoremas. Las personas que hacen esto parecen demostrar inteligencia. Las computadoras pueden realizar estas tareas por poder explorar más rápidamente un gran número de posibles soluciones.

7. 200213 7 Limitaciones ¿Puede una computadora lidiar con la explosión combinatoria generada por muchos problemas?.

8. 200213 8 Otros problemas de IA Razonamiento de sentido común. Percepción (visión, habla). Procesamiento de lenguaje natural. Diagnóstico médico. Reconocimiento de patrones. Robótica.

9. 200213 9 Técnicas de IA Deben ser capaces de manipular símbolos. Necesita del manejo de conocimiento el cual debe tener estas características: Facilitar la generalización. Ser comprensible para las personas. Puede modificarse para corregir errores o expresar cambios. Puede usarse aunque no sea exacto o completo. La inteligencia necesita CONOCIMIENTO.La inteligencia necesita CONOCIMIENTO.

10. 200213 10 Técnicas de IA ... Buscan una solución. Utilizan conocimiento. Proveen una abstracción de los elementos importantes. Añadida por J. Ejemplo: gato.Añadida por J. Ejemplo: gato.

11. 200213 11 Espacios de búsqueda Ejemplo: Programa para jugar ajedréz. Especificar: Posición de inicio en el tablero. Reglas que definen los movimientos legales. Posiciones en el tablero que definen un estado de “ganar”. Buscar jugar legalmente y ganar.

12. 200213 12 Representación de reglas

13. 200213 13 Problemas? 10120 posibles posiciones del tablero. Demasiadas reglas. Sujeto a tomar decisiones erróneas. Problemas para guardar las reglas.

14. 200213 14 Solución Escribir las reglas lo más general posible. Si peón blanco en cuadro (columna e, fila 2) y cuadro (columna e, fila 3) está vacío y cuadro (columna e, fila 4) está vacío entonces mover peón en cuadro (columna e, fila 2) a cuadro (columna e, fila 4).

15. 200213 15 Descripción formal de un problema Definir espacio de estados que contiene las posibles configuraciones de los objetos relevantes. Especificar uno o más estados iniciales. Especificar uno o más estados finales. Especificar un conjunto de reglas que describan las operaciones permitidas.

16. 200213 16 Descripción formal de un problema... Problema (Jarras de Agua): Se tienen dos jarras de agua, una de 4 lts y otra de 3 lts. Ninguna de las jarras tiene marcas con medidas. Existe una bomba para llenar las jarras con agua. ¿Cómo se pueden tener exactamente 2 litros de agua en la jarra de 4 litros? Añadido por J.Añadido por J.

17. 200213 17 Sistemas de producción (SP) Los procesos de búsqueda son el núcleo de muchos sistemas inteligentes. SP, permiten describir y desarrollar los procesos de búsqueda. Formados por: Conjunto de reglas. Bases de conocimiento. Estrategia de control. Ejecutor de reglas. Los sistemas expertos son ejemplos de los SP. Si se puede definir un problema en terminos de un espacio de estados y un conjunto de reglas, entonces se puede resolver utilizando SP.Los sistemas expertos son ejemplos de los SP. Si se puede definir un problema en terminos de un espacio de estados y un conjunto de reglas, entonces se puede resolver utilizando SP.

18. 200213 18 Estrategias de control Especifica el orden en el que se compararán las reglas en la base de datos y la forma en la que se resolverán los conflictos cuando se cumplen varias reglas. Deben causar movimiento. Debe ser sistemática. Búsqueda en profundidad. Búsqueda en anchura. Búsqueda heurística. Ventajas Depth: Menos memoria (solo camino actual es guardado – no todos los nodos como en Breadth) Si las reglas son ordenadas cuidadosamente, se puede llegar a la solución rápidamente (Breadth tiene que evaluar todos los nodos hasta el nivel N para poder evaluar el nivel N+1) Ventajas Breadth: Encuentra la solución – depth se puede llegar a quedar analizando caminos muy largos que no llevan a nada Encuentra la solución con el número mínimo de pasos – Depth puede llegar a encontrar uno muy largo.Ventajas Depth: Menos memoria (solo camino actual es guardado – no todos los nodos como en Breadth) Si las reglas son ordenadas cuidadosamente, se puede llegar a la solución rápidamente (Breadth tiene que evaluar todos los nodos hasta el nivel N para poder evaluar el nivel N+1) Ventajas Breadth: Encuentra la solución – depth se puede llegar a quedar analizando caminos muy largos que no llevan a nada Encuentra la solución con el número mínimo de pasos – Depth puede llegar a encontrar uno muy largo.

19. 200213 19 Heurística Técnica que mejora la eficiencia de un proceso de búsqueda, posiblemente sacrificando completez, pero ahorrando tiempo de búsqueda. Ej. Guía de turistas.

20. 200213 20 Heurística Ayuda a evitar una explosión combinatoria. Rara vez se necesita obtener la solución óptima (lugar de estacionamiento). Aunque las aproximaciones obtenidas por una heurística pueden no ser buenas en el peor caso, éste rara vez se presenta en el mundo real. Comprender por qué funciona una heurística, o por qué no, ayuda a comprender el problema.

21. 200213 21 Búsquedas heurísticas Se utilizan básicamente en dos situaciones: Un problema no tiene soluciones conocidas. Un problema tiene una solución precisa pero tiene un costo computacional prohibitivo. NO es infalible. Consisten en dos partes: La medida heurística. Un algoritmo que usa la medida para buscar en el espacio de estados. Problema del viajero: solución no precisa, costo computacional prohibitivo.Problema del viajero: solución no precisa, costo computacional prohibitivo.

22. 200213 22 Técnicas heurísticas Hill climbing. Recocido simulado. Best-first search. Problem reduction. Constraint satisfaction. Means-ends analysis.

23. 200213 23 Hill climbing Algoritmo Seleccione aleatoriamente un nodo, n0, como nodo actual n. Genere los sucesores de n (utilizando los operadores definidos para el problema) y seleccione el sucesor, nb, para el que la función v(nb) = vb tenga el valor mínimo (en caso de que existan más de un sucesor con el valor mínimo, elija uno aleatoriamente).

24. 200213 24 Hill climbing Si vb < v(n), haga n = nb, y vaya al paso 2. En cualquier otro caso, termine el proceso y devuelva n como el mejor nodo encontrado.

25. 200213 25 Hill climbing Diferencia con métodos no heurísticos? Uso de una función de evaluación para proporcionar mayor conocimiento al proceso de control.

26. 200213 26 Hill climbing Diferencia con la búsqueda primero en profundidad? Se expande el descendiente con el mayor (o menor) valor de la función. No se guarda información para realizar la vuelta atrás. Los movimientos realizados son irrevocables.

27. 200213 27 Hill climbing Ejemplo Colorear las celdas de una matriz de 3x3. Inicia con una distribución aleatoria de dos colores, rojo y azul. Se debe encontrar una distribución que tenga el menor número de celdas adyacentes con el mismo color. Se puede modificar el color de una celda.

28. 200213 28

29. 200213 29 Hill climbing Si se selecciona un movimiento que no modifica el valor de v, esto nos indicará que estamos situados en una meseta del espacio de estados. Estas mesetas pueden provocar que el proceso de ascensión de colinas deambule sin parar, volviendo a visitar nodos que ya han sido considerados, sin ascender a terrenos más altos. ¿Cómo solucionar esto?

30. 200213 30 Hill climbing Añadir un contador que indique el número de veces que se repite v. Evitar visitar nodos que ya han sido visitados (a costo de memoria).

31. 200213 31 Hill climbing También es posible encontrar “barrancos” o “cordilleras” en donde el proceso de ascensión no encuentre un movimiento que nos lleve a un nodo de mayor altura, que sí podríamos encontrar con dos o más movimientos seguidos. ¿Cómo solucionar esto?

32. 200213 32 Hill climbing Permitir la combinación de dos o más movimientos. Permitir una búsqueda anticipada limitada.

33. 200213 33 Recocido simulado También es útil para tratar con los máximos (o mínimos) locales. Se seleccionan los movimientos de acuerdo a una distribución de probabilidad definida sobre el conjunto de posibles movimientos. Esta distribución tiende a favorecer los movimientos hacia nodos situados a menor altura (descenso de colinas). El proceso comienza con una distribución de probabilidad que apenas favorece los movimientos hacia los nodos más bajos.

34. 200213 34 Recocido simulado Gradualmente, el proceso va aumentado su predisposición a los movimientos hacia nodos más bajos hasta que, muy avanzado el proceso, la probabilidad de seleccionar un movimiento hacia zonas más bajas es muy alta. Es decir, al principio del proceso estaremos moviéndonos de forma aleatoria por el paisaje. Sin embargo, a medida que avanza el proceso empezaremos a descender por alguno de sus valles. Si el valle no es muy profundo probablemente tampoco sea muy ancho, con lo que pronto ejecutaremos un movimiento que nos saque de él.

35. 200213 35 Recocido simulado En cambio, es menos probable que nos salgamos de un valle más ancho (y probablemente más profundo) con lo que al final del proceso (cuando ya no haya movimientos aleatorios), estaremos situados en el punto más bajo del paisaje.

36. 200213 36 Recocido simulado Ejemplo: Silicón utilizado en dispositivos de circuitos integrados. Se calienta el silicón y debe enfriarse de tal forma que la estructura sea perfecta y regular a temperatura ambiente. Si se enfría muy rápido, se presentan imperfecciones que tienen mayor energía (mínimo local) que una estructura perfecta. Estas imperfecciones pueden ser: Con la estructura Una sustancia con apariencia de vidrio, no cristalina

37. 200213 37 Recocido simulado Ejemplo (cont.) Se usa un proceso de recocido para encontrar el mínimo global. La temperatura del silicón debe reducirse gradualmente, dando oportunidad a los átomos a que se acomoden en una configuración adecuada. Debe guardarse cierto tiempo en cada temperatura para esperar que el material llegue al equilibrio. De lo contrario, puede regresarse a un mínimo local aún cuando ya haya llegado al mínimo global.

38. 200213 38 Recocido simulado Sistema con dos mínimos: Ea mínimo local, Eb mínimo global. Es: es la energía inicial Sistema con dos mínimos: Ea mínimo local, Eb mínimo global. Es: es la energía inicial

39. 200213 39 Best-First search Es una combinación de las búsquedas ciegas de: Depth-first search. Breadth-first search. En cada paso se selecciona el nodo más prometedor aplicando una función heurística. Posteriormente se expande dicho nodo generando sus sucesores.

40. 200213 40 Best-First search Si alguno de los sucesores es la solución, termina. Si no, todos los nodos se agregan al conjunto de nodos generados hasta el momento. Se selecciona el más prometedor y el proceso continúa.

41. 200213 41

42. 200213 42 Problem reduction Se consideran estrategias en grafos AND-OR en donde se descompone un problema en subproblemas. Esta descomposición genera arcos llamados AND. Un arco AND puede apuntar a varios sucesores, todos los cuales deben resolverse para llegar a una solución.

43. 200213 43

44. 200213 44 Constraint satisfaction El objetivo es descubrir algún estado del problema que satisfaga un conjunto dado de restricciones (tiempo, costo, materiales).

45. 200213 45 Constraint satisfaction Un problema de CS se caracteriza por: Conjunto de variables {x1, x2, .., xn}, Para cada variable xi un dominio Di con los posibles valores que puede tomar dicha variable, Conjunto de restricciones: relaciones que deben permanecer entre los valores de las variables

46. 200213 46 Constraint satisfaction Ejemplo Crossword puzzle (Crucigrama) Restricción: Palabras que se crucen deben coincidir con la misma letra en la localidad de la intersección

47. 200213 47

48. 200213 48

49. 200213 49

50. 200213 50 Constraint satisfaction Métodos de solución Generate and test Backtracking Consistency driven

51. 200213 51 Constraint satisfaction Generate and test Generar, uno a uno, todos los posibles valores de una variable y probar cada uno para ver si cumple con todas las restricciones. La implementación es simple. La ejecución puede ser muy lenta.

52. 200213 52 Constraint satisfaction Backtracking Se ordenan las variables de tal forma que primero se consideren aquellas con mayor número de restricciones o con menor rango de valores. Este orden mejora la eficiencia del algoritmo.

53. 200213 53 Constraint satisfaction Ejemplo del crucigrama con Backtracking: Ordenamos las variables: 1ACROSS, 2DOWN, 3DOWN, 4ACROSS, 7ACROSS, 5DOWN, 8ACROSS, 6DOWN Iniciamos las asignaciones:

54. 200213 54

55. 200213 55 Constraint satisfaction Consistency driven Se usa información de las restricciones para reducir el espacio de estados lo antes posible durante la búsqueda. Un problema CS es i-consistente sí y solo si para cada elección de dominios Dj1, Dj2, .., Dji y para cualquier elección de valores en los primeros i-1 dominios existe un valor en Dji tal que la i-tupla, consistente de todos estos valores, no violará ninguna restricción.

56. 200213 56

57. 200213 57 Constraint satisfaction

58. 200213 58 Means-Ends analysis Las estrategias de búsqueda pueden ir en ambos sentidos. Se basa en detectar las diferencias entre el estado actual y el estado final. Una vez que se encuentra la diferencia se realiza alguna operación para reducirla.

59. 200213 59

60. 200213 60 Conocimiento Conjunto de hechos y principios acumulados por la humanidad. Se debe tener conocimiento de lenguaje, conceptos, ideas, reglas, abstracciones, lugares, hechos, costumbres, y asociaciones ligados con la habilidad de usarlos eficientemente para modelar diferentes aspectos del mundo.

61. 200213 61 Representación Usando lógica matemática Lassie es un perro Perro (Lassie) Tiene_cola(Lassie) Lassie tiene cola

62. 200213 62 Conocimiento relacional

63. 200213 63 Conocimiento heredable

64. 200213 64 Conocimiento inferencial Se utiliza la lógica de predicados. Se representan los hechos como fórmulas bien formadas. Provee una forma de deducir nuevos hechos a partir de los ya existentes. Cuenta con procedimientos que pueden probar un teorema, si lo es (semi decidible).

65. 200213 65 Cálculo de predicados El cálculo de predicados es un lenguaje con el que pueden representarse y razonar sobre propiedades y relaciones del mundo.

66. 200213 66 Símbolos en el cálculo de predicados Los símbolos pueden representar predicados. Inician con letra minúscula y definen una relación entre cero o más objetos del mundo. igual cerca parte_de gusta

67. 200213 67 Símbolos en el cálculo de predicados Una sentencia atómica en el cálculo de predicados es un predicado de aridad n seguido de n términos entre paréntesis y separados por comas. Las sentencias en el cálculo de predicados se delimitan con un punto. amigos (sara, jorge). padre (antonio, mary).

68. 200213 68 Descripción del mundo usando cálculo de predicados mamá (eva, abel). mamá (eva, caín). papá (adan, abel). papá (adan, caín).

69. 200213 69 Ejemplo 1 Marco fue un hombre Marco fue un Pompeyano Todos los Pompeyanos eran Romanos César fue un dirigente Todos los Romanos eran leales a César o lo odiaban Todos somos fieles a alguien La gente trata de asesinar a los dirigentes a los cuáles no le es fiel Marco trató de asesinar César

70. 200213 70 Representación usando lógica de predicados como wff´s Marco fue un hombre hombre (marco) Marco fue un pompeyano pompeyano (marco) Todos los pompeyanos eran romanos César fue un dirigente dirigente (césar)

71. 200213 71 Representación usando lógica de predicados como wff´s Todos los romanos eran leales a César o lo odiaban Todos somos fieles a alguien

72. 200213 72 Representación usando lógica de predicados como wff´s La gente trata de asesinar a los dirigentes a los cuáles no le es fiel Marco trató de asesinar César

73. 200213 73 Pregunta ¿Fue Marco leal a César? Se necesita hacer una prueba formal, razonando hacia atrás a partir de la meta deseada:

74. 200213 74 Intento de probar la pregunta

75. 200213 75 Intento de probar la pregunta El intento anterior falla porque no hay una proposición que nos permita concluir que Marco es una persona aunque sabemos que Marco es un hombre. Agregamos: Todos los hombres son personas

76. 200213 76 Ejemplo 2 hombre (marco) pompeyano (marco) nació (marco, 40) erupción (volcán, 79)

77. 200213 77 Ejemplo 2 (cont.) ahora (2001)

78. 200213 78 Pregunta ¿Está muerto Marco?

79. 200213 79 Probar la pregunta

80. 200213 80 Probar la pregunta El término nil al final de la prueba indica que la lista de condiciones pendientes para ser probadas está vacía y, por lo tanto, la prueba ha terminado exitósamente.

81. 200213 81 Resolución Es un procedimiento para dirigir el razonamiento que se emplea para probar una proposición. Se realiza una prueba por refutación. Demostrar que la negación de una sentencia genera una contradicción con los hechos conocidos (no es satisfacible).

82. 200213 82 Resolución Convertir la sentencia a forma clausal. Eliminar con: Reducir el alcance de cada a un solo término con:

83. 200213 83 Forma clausal Estandarizar variables de tal forma que cada cuantificador tenga una sola variable.

84. 200213 84 Forma clausal Mueve todos los cuantificadores a la izquierda de la fórmula, sin cambiar su orden relativo. Cambia a:

85. 200213 85 Forma clausal Elimina los cuantificadores existenciales cambia a: donde s1 es una función, sin argumentos, que produce un valor que satisface presidente.

86. 200213 86 Forma clausal Si el cuantificador existencial se encuentra en el alcance de un cuantificador universal, el valor que satisface el predicado puede depender de los valores de las variables del cuantificador universal. Por ejemplo: el valor de y que satisface padre_de depende del valor de X.

87. 200213 87 Forma clausal Así, debemos generar funciones con el mismo número de argumentos de los cuantificadores universales. El ejemplo anterior cambia a: Estas funciones se conocen como funciones Skolem.

88. 200213 88 Forma clausal Deshazte del prefijo. Así, la fórmula del punto 4 cambia a:

89. 200213 89 Forma clausal Convierte la fórmula en una conjunción de disyunciones. En el ejemplo anterior no existen conjunciones por lo que sólo es necesario usar la propiedad asociativa del or y eliminar los paréntesis:

90. 200213 90 Forma clausal Sin embargo, a veces es necesario usar la propiedad distributiva del or: Ejemplo:

91. 200213 91 Forma clausal Cambia a:

92. 200213 92 Forma clausal Crea una cláusula separada por cada conjunción. Para que una wff sea verdadera, todas las cláusulas generadas de ella deben ser verdaderas.

93. 200213 93 Forma clausal Estandariza las variables en el conjunto de cláusulas generadas en el punto anterior. Es decir, renombra las variables de tal forma que dos cláusulas no puedan referenciar la misma variable.

94. 200213 94 Resolución Una vez que tenemos las cláusulas, pueden utilizarse en la resolución para generar pruebas.

95. 200213 95 Resolución Elegir una sentencia, P, a probar. Negar P y convierte el resultado a la forma clausal. Agrégalo al conjunto de cláusulas obtenidas en 1. Repetir, hasta que se encuentre una contradicción o no se puede avanzar más:

96. 200213 96 Resolución 4.1 Selecciona dos cláusulas. 4.2 Resuélvelas usando unificación (sustitución de literales) 4.3 Si el resolvente es la cláusula vacía, se ha encontrado una contradicción, de lo contrario, añádela al conjunto de cláusulas disponibles.

97. 200213 97 Ejemplo hombre (marco) pompeyano (marco) dirigente (césar) leal_a (X3, fl (x3)) Trata_matar(marco, césar)

98. 200213 98 Ejemplo 1 Probar que Marco odia a César Fig 5.9 Fig 5.10 Fig 5.11 Fig 5.12 Fig 5.13