BATRES | PROFR: ARTURO IVAN GRAJALES VAZQUEZ | 30 de mayo de 2014

INTELIGENCIA ARTIFICIAL

PGINA 1

INSTITUTO TECNOLOGICO SUPERIOR DE COATZACOALCOS


INGENIERIA EN SISTEMAS COMPUTACIONALES

MATERIA: INTELIGENCIA ARTIFICIAL

8 SEMESTRE D

PROFR: ING. ARTURO IVAN GRAJALES VAZQUEZ


ALUMNAS:
PEREZ BATRES ARLETH
PEREZ BATRES CLAUDIA VERONICA











PGINA 2

INDICE
1 UNIDAD
Fundamentos de la Inteligencia Artificial.
1.1. Historia de la IA.
1.2. Conceptos y tcnicas (Estado del arte)
1.3. Desarrollos actuales.
1.3.1. Procesamiento de Lenguaje
Natural (PLN).
1.3.2. Reconocimiento de patrones.
1.3.3. Robtica.
1.3.4. Sistemas Expertos.
1.3.5. Lgica Difusa (Fuzzy logic).
1.4. Modelos de agente inteligente.
1.5. Heurstica.

UNIDAD 2
Tecnicas de busca
2.1 Solucin de problemas con bsqueda.
2.2 Espacios de estados
2.2.1. Determinsticos
2.2.2. No determinsticos.
2.3 Mtodos de bsqueda.
2.3.1. Primero en anchura
2.3.2. Primero en profundidad
2.3.3. Grafos O.
2.3.4. Grafos A.
2.4 Satisfaccin de restricciones
2.5Teora de juegos.


PGINA 3
UNIDAD 3
Representacin del conocimiento y razonamiento

3.1 Sistemas basados en conocimiento
3.1.1. Concepto de conocimiento.
3.1.2. Lenguajes utilizados en la representacin de conocimiento
3.2. Mapas conceptuales
3.3. Redes semnticas.
3.4. Lgica de predicados.
3.4.1. Sintaxis.
3.4.2. Semntica.
3.4.3. Validez.
3.4.4. Inferencia.
3.5. Razonamiento con incertidumbre
3.5.1. Aprendizaje.
3.5.2. Razonamiento probabilstico
3.5.3. Lgicas multivaluadas.
3.5.4. Lgica difusa.
3.6. Demostracin y mtodos

UNIDAD 4
Sistemas de razonamiento

4.1. Reglas de produccin
4.1.1. Sintaxis de las reglas de produccin
4.2. Semntica de las reglas de produccin
4.2.1. Conocimiento causal.
4.2.2. Conocimiento de diagnstico
4.3. Arquitectura de un sistema de produccin
4.3.1. Hechos
PGINA 4
4.3.2. Base de conocimientos
4.3.3. Mecanismos de control
4.4. Ciclo de vida de un sistema de produccin

UNIDAD 5
Aplicaciones con tcnicas de IA.

5.1. Robtica
5.1.1. Conceptos bsicos
5.1.2. Clasificacin
5.1.3. Desarrollos actuales y aplicaciones
5.2. Redes Neuronales (RN)
5.2.1. Conceptos bsicos
5.2.2. Clasificacin
5.2.3. Desarrollos actuales y aplicaciones
5.3. Visin artificial
5.3.1. Conceptos bsicos
5.3.2. Desarrollos actuales y aplicaciones
5.4. Lgica difusa (Fuzzy Logic).
5.4.1. Conceptos bsicos.
5.4.2. Desarrollos actuales y aplicaciones
5.5. Procesamiento de Lenguaje Natural (PLN).
5.5.1. Conceptos bsicos.
5.5.2. Desarrollos actuales y aplicaciones.
5.6. Sistemas Expertos (SE).
5.6.1. Conceptos bsicos.
5.6.2. Clasificacin.
5.6.3. Desarrollos actuales y aplicaciones

PGINA 5
INTRODUCCION

Muchas de las actividades mentales humanas, tales como escribir
programas de cmputo, demostrar teoremas, razonar con sentido
comn y an conducir un vehculo normalmente se dice que requieren
inteligencia. Durante las dcadas pasadas se ha logrado construir
programas que pueden realizar tareas como esas. Existen programas
que pueden diagnosticar enfermedades, resolver ecuaciones
diferenciales en forma simblica, analizar circuitos electrnicos,
entender en forma limitada frases habladas y escritas o escribir
programas de cmputo cumpliendo especificaciones.
Se puede decir que tales sistemas posen cierto grado de Inteligencia
Artificial (IA).
En sus orgenes, la construccin de estos sistemas fue, en gran medida,
experimental, con una orientacin ingenieril. Sin embargo los objetivos
y las expectativas que despert, tanto en los protagonistas como en la
comunidad cientfica, excedieron largamente los resultados obtenidos.
Tal es as que, a mediados del siglo pasado, (solo pocos aos despus
que estuviera en funcionamiento la primera computadora electrnica a
vlvulas) existan destacados cientficos en el rea de la IA que hacan
afirmaciones temerarias como la siguiente:
Sin afn de sorprenderlos y dejarlos atnitos, debo informarles lisa y
llanamente que actualmente en el mundo existen mquinas capaces de
pensar, aprender y crear. Adems, su capacidad para hacer lo anterior
aumentar rpidamente hasta que en un futuro previsible- la
magnitud de problemas que tendrn capacidad de manejar ir a la par
con la capacidad de la mente humana para hacer lo mismo. (Herbert
Simon, 1957, Premio Nobel de economia,1978, por sus trabajos en la
Teora de las decisiones).





PGINA 6
UNIDAD 1

FUNDAMENTOS DE LA INTELIGENCIA
ARTIFICIA

La inteligencia artificial es considerada una rama de la computacin y
relaciona un fenmeno natural con una analoga artificial a travs de
programas de computador. La inteligencia artificial puede ser tomada
como ciencia si se enfoca hacia la elaboracin de programas basados en
comparaciones con la eficiencia del hombre, contribuyendo a un mayor
entendimiento del conocimiento humano.
Si por otro lado es tomada como ingeniera, basada en una relacin
deseable de entrada-salida para sintetizar un programa de computador.
"El resultado es un programa de alta eficiencia que funciona como una
poderosa herramienta para quien la utiliza."
A travs de la inteligencia artificial se han desarrollado los sistemas
expertos que pueden imitar la capacidad mental del hombre y relacionan
reglas de sintaxis del lenguaje hablado y escrito sobre la base de la
experiencia, para luego hacer juicios acerca de un problema, cuya
solucin se logra con mejores juicios y ms rpidamente que el ser
humano. En la medicina tiene gran utilidad al acertar el 85 % de los casos
de diagnstico.
La principal arma de la CIA y las Fuerzas Armadas de EE. UU. para
combatir a los grupos extremistas de la conflictiva regin son los drones
no tripulados. Hace una dcada, el nmero de estos aparatos no rebasaba
unas cuantas unidades, pero ahora existen ms de 7.500 y su produccin
se acelera cada da ms. El 26 de enero pasado, el Pentgono anunci que
comprar 100.000 piezas ms. La razn: son ms baratos tanto en su
construccin como en su operacin que los aviones tripulados.


PGINA 7

1.1. HISTORIA DE LA IA.
La Inteligencia Artificial surge definitivamente a partir de algunos trabajos
publicados en la dcada de 1940 que no tuvieron gran repercusin, pero a partir del
influyente trabajo en 1950 de Alan Turing, matemtico britnico, se abre una nueva
disciplina de las ciencias de la informacin.
Si bien las ideas fundamentales se remontan a la lgica y algoritmos de los griegos, y
a las matemticas de los rabes, varios siglos antes de Cristo, el concepto de obtener
razonamiento artificial aparece en el siglo XIV. A finales del siglo XIX se obtienen
lgicas formales suficientemente poderosas y a mediados del siglo XX, se obtienen
mquinas capaces de hacer uso de tales lgicas y algoritmos de solucin.
En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar una
mquina? era demasiado filosfica para tener valor y, para hacerlo ms concreto,
propuso un juego de imitacin. En la prueba de Turing intervienen dos personas y
una computadora. Una persona, el interrogador, se sienta en una sala y teclea
preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la
terminal, el interrogador intenta determinar si fueron hechas por otra persona o por
una computadora. Si acta de manera inteligente, segn Turing es inteligente.
Turing, seal que una mquina podra fracasar y an ser inteligente. Aun as crea
que las mquinas podran superar la prueba a finales del siglo XX.
De todas maneras esta prueba no tuvo el valor prctico que se esperaba, aunque sus
repercusiones tericas son fundamentales. El enfoque de Turing de ver a la
inteligencia artificial como una imitacin del comportamiento humano no fue tan
prctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento
racional, de manera similar, en el campo de la aeronutica se dej de lado el enfoque
de tratar de imitar a los pjaros y se tom el enfoque de comprender las reglas de
aerodinmica. Aunque desde luego, el enfoque del comportamiento humano y el del
pensamiento humano siguen siendo estudiados por las ciencias cognitivas y
continan aportando interesantes resultados a la Inteligencia Artificial, y viceversa.








PGINA 8

1.2. Conceptos y tcnicas (Estado del arte)
Conceptos
Se define la Inteligencia Artificial como aquella inteligencia exhibida por artefactos
creados por humanos (es decir, artificial). A menudo se aplica hipotticamente a los
computadores. El nombre tambin se usa para referirse al campo de la investigacin
cientfica que intenta acercarse a la creacin de tales sistemas. La Inteligencia
Artificial trata de conseguir que los ordenadores simulen en cierta manera la
inteligencia humana. Se acude a sus tcnicas cuando es necesario incorporar en un
sistema informtico, conocimiento o caractersticas propias del ser humano.
La Inteligencia Artificial ha tenido gran auge en nuestros das, teniendo aplicabilidad
en la informtica, la ciencia, la salud y otros campos. Ha sido un gran reto tratar de
acercar la mente de una mquina al pensamiento humano, y sin dudar que en un
futuro no muy lejano no sepamos distinguir si estamos en presencia de una
Inteligencia Artificial o una verdadera mente humana.
Tcnicas
A medida que los juegos de vdeos fueron evolucionando, y fueron surgiendo nuevos
gneros la necesidad de tcnicas de Inteligencia Artificial fue aumentando en gran
medida.
Uno de los principales objetivos de un juego de vdeo es ofrecer retos al usuario, esto
se logra introduciendo tcnicas de Inteligencia Artificial, ya que ellas son las que
deciden cules son las mejores opciones que pueden tomar los elementos del juego de
vdeo a partir de las condiciones del entorno que los rodea. Las tcnicas que se
utilizan para un juego de vdeo dependen mucho del tipo de juego de vdeo que
estemos diseando.

Este Procesamiento del Lenguaje Natural, depende de la lingstica computacional.
Por ello, se le atribuyen numerosas aplicaciones, como: indizacin y traduccin
automtica (empleando el lenguaje natural como punto de partida), creacin de
resmenes de textos, respuesta a preguntas (comunicacin hombre - mquina) o
reconocimiento del habla (verificacin del lenguaje natural) entre otras.




PGINA 9

1.3 Desarrollos actuales

En cuanto al desarrollo actual de la investigacin en el campo de los
sistemas expertos, la primera fase corresponde al desarrollo de sistemas y
programas que traten directamente el lenguaje natural, si bien persisten
todava dos escollos importantes. Por un lado, el problema de cmo
emplear de un modo eficaz una gran cantidad de informacin sin
necesidad de echar mano de la combinatoria; es decir, cmo conseguir un
sistema dotado de conocimientos (metaconocimientos) que le permitan
utilizar los conocimientos del sistema y que, a su vez, le permitan deducir
automticamente nuevos conocimientos, ya que no cabe pensar en la
reunin de todos los conocimientos necesarios en casos de campos tan
sumamente vastos como el del diagnstico en la medicina.










PGINA 10

1.3.1. Procesamiento de Lenguaje Natural (PLN).

El Procesamiento de Lenguaje Natural, es una rama dependiente de la
Inteligencia artificial. El PLN, se encarga de desarrollar la comunicacin
entre hombres y mquinas de tal manera que esta pueda realizarse de un
modo natural, es decir, como si fuese una comunicacin entre humanos.
1.3.2. Reconocimiento de patrones.
Es la asociacin de una observacin, a una experiencia pasada o
conocimiento. Para el ser humano, ciertas tareas de R.P. son naturales y
las llevamos a cabo en todo momento: cuando reconocemos la voz de un
conocido en una conversacin telefnica, al recordar la cara de alguien al
escuchar su nombre, cuando resolvemos las tareas cotidianas de cada
una de nuestras profesiones en las que aplicamos una solucin dada a un
problema especfico y al recordar el telfono de un amigo, sin embargo,
existen algunas tareas que no son para nosotros tan naturales y fciles
como predicciones ssmicas y predicciones de financieras entre otras.
En el R.P., se llevan a cabo bsicamente dos tipos de tareas de las cuales
parten todas las tareas que se puedan imaginar, es decir, todas las tareas
que se resuelvan en R.P. son casos especiales o se pueden categorizar
como uno de estos dos tipos: Clasificacin y Estimacin.
1.3.3. Robtica.
La robtica es la ciencia y la tecnologa de los robots. Se ocupa del diseo,
manufactura y aplicaciones de los robots La robtica combina diversas
disciplinas como son: la mecnica, la electrnica, la informtica, la
inteligencia artificial y la ingeniera de control. Otras reas importantes
en robtica son el lgebra, los autmatas programables y las mquinas
de estados.
1.3.4. Sistemas Expertos.
En los aos 70 que surgi un nuevo paradigma en la Inteligencia Artificial
los Sistemas Expertos, cuya funcin es desarrollar trabajos similares a
los que desarrollara un especialista en un rea determinada, la idea no es
PGINA 11
sustituir a los expertos, sino que estos sistemas sirvan de apoyo a los
especialistas en un dominio de aplicacin especfico.
Estos sistemas expertos son en lo esencial sistemas de computacin
basados en conocimientos cuyos componentes representan un enfoque
cualitativo de la programacin. Muchas personas pueden creer que un
Sistema Experto (SE) es un sistema compuesto por subsistemas y a su vez
estos por otros subsistemas hasta llegar a los programas, y que los SE se
miden por la cantidad de programas que contienen. Sin embargo la
cantidad no es lo que prima en los SE, si no la cualidad del mismo, esta
cualidad est dada por la separacin de las reglas que describen el
problema (Base de Conocimientos), del programa de control que es quien
selecciona las reglas adecuadas (Motor de inferencias).
Podemos decir que un Sistema Experto es una Base de Conocimientos
(BC), una Base de Hechos (BH) y un Motor (o Mquina) de Inferencias
(MI). Por otra parte estos sistemas no se miden por la cantidad de
instrucciones o programas sino por la cantidad de reglas que hay
contenida en su Base de Conocimientos.
Para desarrollar los sistemas expertos primero es necesario abordar un
rea de inters, dentro de esta rea se seleccionan a los expertos, que son
los especialistas capaces de resolver los problemas en dicha rea. Por
ejemplo el rea de inters de las empresas de proyectos, son precisamente
los proyectos y un especialista podra ser un arquitecto, un ingeniero
civil, etc. Ahora bien, casi siempre estos especialistas, son expertos en un
dominio especfico y es sobre este dominio, donde poseen su mayor
experiencia (Dominio de Experticidad), por ejemplo un Ing. civil
especializado en cimientos.
Una vez seleccionado al experto o a los expertos y estos estn de acuerdo
en dar sus conocimientos, comienza a jugar su papel el Ingeniero de
Conocimientos, que es el encargado de extraerle los conocimientos al
experto y darle una representacin adecuada, ya sea en forma de reglas u
otro tipo de representacin, conformando asi la base de conocimientos
del sistema experto.
Formas de representacin de los conocimientos:
Reglas de produccin
PGINA 12
Redes semnticas
Marcos (Frames).
1.3.5. Lgica Difusa (Fuzzy logic).
La lgica difusa es una herramienta de gran potencial para el desarrollo
de nuevos mtodos o tcnicas de la Inteligencia Artificial. Como
habamos mencionado anteriormente este tipo de lgica permite valores
intermedios para poder definir estados convencionales como s/no,
verdadero/falso, negro/blanco, etc. Este tipo de nociones como ms
caliente o poco fro pueden expresarse matemticamente y ser
procesados por computadoras. Al hacer esto se esta realizado el intento
de aplicar la forma del pensamiento humano a la programacin de
computadoras, que es lo que busca la inteligencia artificial con sus
aplicaciones en diferentes sistemas.

1.4. Modelos de agente inteligente.
Un agente inteligente, es una entidad capaz de percibir su entorno,
procesar tales percepciones y responder o actuar en su entorno de
manera racional, es decir, de manera correcta y tendiendo a maximizar
un resultado esperado. En este contexto la racionalidad es la
caracterstica que posee una eleccin de ser correcta, ms
especficamente, de tender a maximizar un resultado esperado. Este
concepto de racionalidad es ms general y por ello ms adecuado que
inteligencia (la cual sugiere entendimiento) para describir el
comportamiento de los agentes inteligentes. Por este motivo es mayor el
consenso en llamarlos agentes racionales. Un agente inteligente puede
ser una entidad fsica o virtual. Si bien el trmino agente racional se
refiere a agentes artificiales en el campo de la Inteligencia Artificial,
tambin puede considerarse agentes racionales a los animales incluido el
hombre.
Es posible clasificar los agentes inteligentes en 5 categoras principales:
-Agentes reactivos
- Agentes reactivos basados en modelo
- Agentes basados en objetivos
PGINA 13
- Agentes basados en utilidad
- Agentes que aprenden

La racionalidad es necesaria
En muchos textos se define agente inteligente como todo agente capaz de
tener conciencia de su entorno y actuar sobre l. No obstante es
necesario exigir que estas decisiones sean racionales en el sentido de que
persigan algn fin. Vamos a mostrarlo con un contraejemplo: cuando un
fotn con la suficiente energa incide sobre un tomo, puede arrancar de
l un electrn. Podramos considerar al tomo inteligente puesto que
percibe su entorno (la incidencia del fotn) y acta sobre su entorno
(emite un electrn). La ausencia de relacin entre la emisin del electrn
y cualquier hipottico inters del tomo muestra que este no es un agente
inteligente pese a verificar la definicin de Bertrand Russell.

La conducta de un agente no suele ser la ptima.
Paradjicamente, la conducta de un agente rara vez es la optima. La
razn es muy sencilla calcular el optimo de un criterio lo suficientemente
bueno para ser considerado razonable teniendo en cuenta las mltiples
restricciones que concurren es muy difcil. Ejemplos de ello es lo difcil
que es calcular la mejor ala para un avin, el mejor perfil para un coche o
la mejor hlice para un barco. Para un estudiante es fcil calcular el
mximo de un polinomio de segundo grado derivando e igualando a cero.
En este caso el criterio es muy sencillo -es un polinomio de segundo
grado- y no concurre ninguna restriccin.
Cuando el criterio es una funcin real de muchas variables y las
restricciones tambin, los clculos son mucho ms complicados. Algunas
veces se puede lograr una buena aproximacin; pero, si un agente
inteligente debe tomar una decisin en muy poco tiempo, deber
conformarse con la mejor aproximacin que pueda calcular en el escaso
tiempo de que dispone.


PGINA 14



1.5. Heurstica.
Las funcione heursticas son la forma ms comn de transmitir el
conocimiento tradicional del problema al algoritmo de bsqueda.
La capacidad heurstica consiste en la capacidad de realizar innovaciones
positivas para conseguir los fines que se pretenden.
En las ciencias de la computacin, el mtodo heurstico es usado en
determinadas circunstancias, cuando no existe una solucin ptima bajo
las restricciones dadas. En general la manera de actuar de los programas
heursticos consiste en encontrar algoritmos con buenos tiempos de
ejecucin y buenas soluciones.
Dadas las caractersticas de la heurstica, sta es muy usada en juegos
informticos que se adelantan a lo que va a hacer el usuario basndose en
la experiencia y los pasos que ha seguido en otras ocasiones.
Muchos algoritmos en la inteligencia artificial son heursticos por
naturaleza, o usan reglas heursticas. Un ejemplo claro son los
programas que detectan si un correo electrnico es o no spam.
Cualquiera de las reglas usadas de forma independiente pueden llevar a
errores de clasificacin, pero cuando se unen mltiples reglas heursticas,
la solucin es ms robusta y creble.





PGINA 15



Unidad 2. Tcnicas de Bsqueda





PGINA 16


2.1. SOLUCIN DE PROBLEMAS CON
BSQUEDA.
La solucin de problemas es fundamental para la mayora de las
aplicaciones de IA; existen principalmente dos clases de problemas que se
pueden resolver mediante procesos computables: aqullos en los que se
utiliza un algoritmo determinista que garantiza la solucin al problema y
las tareas complejas que se resuelven con la bsqueda de una solucin; de
sta ltima clase de problemas se ocupa la IA.
La solucin de problemas requiere dos consideraciones:
-Representacin del problema en un espacio organizado.
-La capacidad de probar la existencia del estado objetivo en dicho
espacio.

Las anteriores premisas se traducen en: la determinacin del estado
objetivo y la determinacin del camino ptimo guiado por este objetivo a
travs de una o ms transiciones dado un estado inicial
El espacio de bsqueda, se le conoce como una coleccin de estados.
En general los espacios de bsqueda en los problemas de IA no son
completamente conocidos de forma a priori. De lo anterior resolver un
problema de IA cuenta con dos fases:
-La generacin del espacio de estados
-La bsqueda del estado deseado en ese espacio.

Debido a que todo el espacio de bsqueda de un problema es muy
grande, puede causar un bloqueo de memoria, dejando muy poco espacio
para el proceso de bsqueda. Para solucionar esto, se expande el espacio
paso a paso, hasta encontrar el estado objetivo.
PGINA 17




2.2. ESPACIOS DE ESTADOS
Muchos de los problemas que pueden ser resueltos aplicando tcnicas de
inteligencia artificial se modelan en forma simblica y discreta definiendo
las configuraciones posibles del universo estudiado. El problema se
plantea entonces en trminos de encontrar una configuracin objetivo a
partir de una configuracin inicial dada, aplicando transformaciones
vlidas segn el modelo del universo. La respuesta es la secuencia de
transformaciones cuya aplicacin succesiva lleva a la configuracin
deseada.
Los ejemplos ms carcteristicos de esta categora de problemas son los
juegos (son universos restringidos fciles de modelar). En un juego, las
configuraciones del universo corresponden directamente a las
configuraciones del tablero. Cada configuracin es un estado que puede
ser esquematizado grficamente y representado en forma simblica. Las
transformaciones permitidas corresponden a las reglas o movidas del
juego, formalizadas como transiciones de estado.
Entonces, para plantear formalmente un problema, se requiere precisar
una representacin simblica de los estados y definir reglas del tipo
condicin accin para cada una de las transiciones vlidas dentro del
universo modelado. La accin de una regla indica como modificar el
estado actual para generar un nuevo estado. La condicin impone
restricciones sobre la aplicabilidad de la regla segn el estado actual, el
estado generado o la historia completa del proceso de solucin.
El espacio de estados de un juego es un grafo cuyos nodos representan las
configuraciones alcanzables (los estados vlidos) y cuyos arcos explicitan
las movidas posibles (las transiciones de estado). En principio, se puede
construir cualquier espacio de estados partiendo del estado inicial,
aplicando cada una de las reglas para generar los sucesores immediatos,
y as succesivamente con cada uno de los nuevos estados generados (en la
PGINA 18
prctica, los espacios de estados suelen ser demasiado grandes para
explicitarlos por completo).
Cuando un problema se puede representar mediante un espacio de
estados, la solucin computacional correspende a encontrar un camino
desde el estado inicial a un estado objetivo.

2.2.1. Determinsticos
El espacio de estados determinsticos contienen un nico estado inicial y
seguir la secuencia de estados para la solucin. Los espacios de estados
determinsticos son usados por los sistemas expertos.
Se puede describir asu vez, que un sistema es determinstico si, para un
estado dado, al menos aplica una regla a l y de solo una manera.

2.2.2. No determinsticos
El no determinstico contiene un amplio nmero de estados iniciales y
sigue la secuencia de estados perteneciente al estado inicial del espacio.
Son usados por sistemas de lgica difusa.
En otras palabras, si ms de una regla aplica a cualquier estado
particular del sistema, o si una regla aplica a un estado particular del
sistema en ms de una manera, entonces el sistema es no determinstico.







PGINA 19




2.3. Mtodos de bsqueda.

2.3.1. Primero en anchura (breadthfirst).
En ingls, breadth-first search.
Si el conjunto open se maneja como una lista FIFO, es decir, como una cola, siempre
se estar visitando primero los primeros estados en ser generados. El recorrido del
espacio de estados se hace por niveles de profundidad.
procedure Bsqueda_en_amplitud {
open ()[estado_inicial]
closed () {}
while (open no est vaca) {
remover el primer estado X de la lista open
if (X es un estado objetivo) return xito
else {
generar el conjunto de sucesores del estado X
agregar el estado X al conjunto closed
eliminar sucesores que ya estn en open o en closed
agregar el resto de los sucesores al final de open
}
}
return fracaso
PGINA 20
}

Si el factor de ramificacin es B y la profundidad a la cual se encuentra el estado
objetivo ms cercano es n, este algoritmo tiene una complejidad en tiempo y espacio
de O(Bn). Contrariamente a la bsqueda en profundidad, la bsqueda en amplitud
garantiza encontrar el camino ms corto.

2.3.2. Primero en profundidad (depthfirst)
En ingls, depth-first search.
Si el conjunto open se maneja como una lista LIFO, es decir, como un
stack, siempre se estar visitando primero los ltimos estados en ser
generados. Esto significa que si A genera B y C, y B genera D, antes de
visitar C se visita D, que est ms alejado de la raiz A, o sea ms
profundo en el rbol de bsqueda. El algoritmo tiene en este caso la
tendencia de profundizar la bsqueda en una rama antes de explorar
ramas alternativas.

procedure Bsqueda_en_profundidad {
open () [estado_inicial]
closed () {}
while (open no est vaca) {
remover el primer estado X de la lista open
if (X es un estado objetivo) return xito
else {
generar el conjunto de sucesores del estado X
agregar el estado X al conjunto closed
eliminar sucesores que ya estn en open o en closed
agregar el resto de los sucesores al principio de open
}
}
return fracaso
PGINA 21
}
Considerando que la cantidad promedio de sucesores de los nodos visitados es B
(llamado en ingls el branching factor y en castellano el factor de ramificacin), y
suponiendo que la profundidad mxima alcanzada es n, este algoritmo tiene una
complejidad en tiempo de O(Bn) y, si no se considera el conjunto closed, una
complejidad en espacio de O(B n). En vez de usar el conjunto closed, el control de
ciclos se puede hacer descartando aquellos estados que aparecen en el camino
generado hasta el momento (basta que cada estado generado tenga un puntero a su
padre).
2.3.3. Grafos O
2.3.4. Grafos A

2.4. Satisfaccin de restricciones
Los problemas pueden resolverse buscando en un espacio de estados,
estos estados pueden evaluarse por heursticas especficas para el
dominio y probados para verificar si son estados meta.
Los componentes del estado, son equivalentes a un grafo de restricciones,
los cuales estn compuestos de:
- Variables. Dominios (valores posibles para las variables).
- Restricciones (binarias) entre las variables.
Objetivo: encontrar un estado (una asignacin completa de valores a las
variables) Que satisface las restricciones.
En los Problemas de Satisfaccin de Restricciones (PSR), los estados y la
prueba de meta siguen a una representacin estndar, estructurada y
muy simple.
Ejemplos:
- Crucigramas
- Colorear mapas


PGINA 22






2.5. Teora de juegos.
Siendo una de las principales capacidades de la inteligencia humana su
capacidad para resolver problemas, as como la habilidad para analizar
los elementos esenciales de cada problema, abstrayndolos, el identificar
las acciones que son necesarias para resolverlos y el determinar cul es la
estrategia ms acertada para atacarlos, son rasgos fundamentales.
Podemos definir la resolucin de problemas como el proceso que
partiendo de unos datos inciales y utilizando un conjunto de
procedimientos escogidos, es capaz de determinar el conjunto de pasos o
elementos que nos llevan a lo que denominaremos una solucin ptima o
semi-ptima de un problema de planificacin, descubrir una estrategia
ganadora de un juego, demostrar un teorema, reconocer
Una imagen, comprender una oracin o un texto son algunas de las
tareas que pueden concebirse como de resolucin.
Una gran ventaja que nos proporciona la utilizacin de los juegos es que
a travs de ellos es muy fcil medir el xito o el fracaso, por lo que
podemos comprobar si las tcnicas y algoritmos empleados son los
ptimos. En comparacin con otras aplicaciones de inteligencia artificial,
por ejemplo comprensin del lenguaje, los juegos no necesitan grandes
cantidades de algoritmos. Los juegos ms utilizados son las damas y el
ajedrez.




PGINA 23







Unidad 3
Representacin del conocimiento y
razonamiento

PGINA 24



3.1. Sistemas basados en conocimiento
Durante los aos 60, la mayor parte de los trabajos de investigacin sobre
inteligencia artificial se centraban en los algoritmos de bsqueda heurstica y en la
concepcin de sistemas para la resolucin de problemas con un inters, en principio,
puramente terico y acadmico (demostracin de teoremas, juegos, problemas
lgicos, etc.), pero con la idea implcita de que los resultados pudieran ser aplicables a
problemas reales. Algunas lneas con posibilidades de aplicacin prctica
inmediata, como la traduccin automtica entre lenguajes naturales, se abandonaron
PGINA 25
pronto al percibirse la dificultad del problema. A mitad de los 70 comienzan a tomar
cuerpo dos ideas clave que, aunque muy relacionadas, no son idnticas. Se trata del
paradigma del sistema experto y del paradigma del conocimiento.

3.1.1. Concepto de conocimiento.
3.1.2. Lenguajes utilizados en la representacin de conocimiento.
En el caso de los sistemas basados en conocimiento, el lenguaje en el que se expresa la
ontologa debe reunir caractersticas que a veces (dependiendo del dominio) no es
fcil compatibilizar:
-Sintaxis formalizada, para poder disear sobre bases slidas un procesador.
- Semntica bien definida y que permita la implementacin procedimental en el
procesador de algoritmos de razonamiento eficientes.
- Desde el punto de vista pragmtico, expresividad suficiente para representar de la
manera menos forzada posible el conocimiento. Esto significa que, para una
determinada conceptuacin, el lenguaje con el que se construyen los modelos en el
nivel simblico debe permitir una interpretacin declarativa que represente todos los
aspectos de esa conceptuacin. En la prctica puede ocurrir que no encontremos el
lenguaje ideal, y tengamos que forzar la conceptuacin para que se ajuste al lenguaje
elegido.








Hay lenguajes formales, o tericos, que satisfacen en mayor o menor grado esas
condiciones y lenguajes de implementacin, o prcticos, que, siguiendo el modelo de
algn lenguaje formal, estn adaptados para mecanizar la construccin de
ontologas. Nos centraremos en los primeros, que son relativamente estables, y sobre
los que se basan los segundos, algunos muy voltiles. Por ejemplo:

PGINA 26
- Prolog es un lenguaje de implementacin de la lgica de primer orden, que en sus
versiones ms recientes incluye tambin construcciones para la programacin con
restricciones.
- OWL (Web Ontology Language) es un lenguaje de ontolologas para la web basado
en una lgica de descripciones (en realidad, son tres sublenguajes). Procede de la
fusin de otros dos elaborados independientemente alrededor del ao 2000: DAML
(DARPA Agent Markup Language, de la Agencia de proyectos del Ministerio de
Defensa U.S.A) y OIL (Ontology Inference Layer, de un consorcio formado en el
marco de los programas de la U.E.). En 2001 se form un comit conjunto que hizo
una propuesta al Consorcio Web (W3C), y ste public el estndar (Proposed
Recommendation en la terminologa del W3C) en 2003, modificado el 10 de febrero de
2004. Existen numerosas propuestas de mejoras y modificaciones. En el Apndice B se
resume la versin actual.












3.2. Mapas conceptuales

PGINA 27
En Inteligencia Artificial, Quillian desarroll una forma de mapa
conceptual que se denomin redes semnticas y que se usa ampliamente
para la representar el conocimiento formal. En lingstica, Graesser y
Clark han desarrollado un anlisis de formas de argumentacin en el
texto en forma de mapas conceptuales estructurados en ocho tipos de
nodos y cuatro tipos de enlaces. En la historia de la ciencia, la dinmica
de mapas conceptuales se ha usado tambin para representar los
procesos de cambio conceptual de las revoluciones cientficas y en
filosofa de la ciencia, Toulmin desarroll una teora de argumentacin
cientfica basada en mapas conceptuales. Tambin los mapas
conceptuales han sido utilizados en la educacin, el diseo de las
organizaciones para la toma de decisiones, la adquisicin de
conocimiento especializado, los sistemas sociales, la toma de decisiones
polticas, etc.
Un mapa conceptual es una tcnica sencilla que permite representar el
conocimiento de forma grfica como redes conceptuales compuestas por
nodos que representan los conceptos, y enlaces, que representan las
relaciones entre los conceptos.












3.3. Redes semnticas
PGINA 28

Muchas disciplinas han desarrollado tcnicas de realizacin de
diagramas que constituyen lenguajes formales visuales que representan el
conocimiento operacional en forma esquemtica. El filsofo y lgico
Charles S. Pierce desarroll sus grafos existenciales como una tcnica
formal de razonamiento para la inferencia lgica y en aos recientes se
ha estado cultivando el inters en el estado formal de las pruebas visuales
en matemticas. En Inteligencia Artificial, Sowa ha desarrollado los
grafos de Peirce como estructuras formales conceptuales para la
representacin de la inferencia lgica de las declaraciones del lenguaje
natural.
La presentacin visual de las estructuras de conocimiento ha sido un
rasgo caracterstico de las redes semnticas desde sus inicios. En la
adquisicin de conocimiento, en particular, la presentacin de
conocimiento formal ha sido algo importante para su validacin. Hay
muchas tcnicas para tal adquisicin pero todas ellas, en ltima
instancia, terminan en una base de conocimiento que opera con la
semntica formal. Sin embargo, la expresin de esta base de
conocimiento en el lenguaje formal usado por el sistema no es por lo
general muy comprensible a los no programadores. Es preciso, por tanto,
un lenguaje visual que ofrezca tanto formas comprensibles como
posibilidades formales atractivas no slo para la comprensin, sino
tambin para la correccin, y para las partes del proceso de adquisicin
del conocimiento en s mismo.
Las redes semnticas son sistemas de organizacin del conocimiento que
estructuran los conceptos, no como una jerarqua sino como una red. Los
conceptos son como nodos, con varias relaciones que se ramifican hacia
fuera de ellas. Las relaciones pueden incluir relaciones tipo todo-parte,
causa-efecto, padre-nio, "es un" o "es parte".
Las redes semnticas son grafos orientados que proporcionan una
representacin declarativa de objetos, propiedades y relaciones. Los
nodos se utilizan para representar objetos o propiedades. Los arcos
representan las relaciones entre nodos. El mecanismo de inferencia
bsico en las redes semnticas es la herencia de propiedades.

PGINA 29
Las redes semnticas proporcionan un modelo de presentar las relaciones
entre los conceptos y los acontecimientos y constituyen una descripcin
de nuestra forma de razonar.
Las partes de una red semntica son:
- nodos: es un concepto y se encierra e un crculo o elipse.
- relaciones: es una propiedad del concepto y pueden ponerse de dos
formas:
* o implcitas: es una flecha que no especifica su contenido
* o explcitas: es una flecha en donde se especifica su contenido













PGINA 30
3.4. Lgica de predicados.

En lgica de predicados, los valores de verdad se atribuyen a predicados
que denotan relaciones entre entidades del universo modelado. Por
ejemplo, en vez de tener una variable q para representar "Scrates es un
hombre", se escribe el predicado hombre(scrates) que relaciona a la
entidad "Scrates" con el hecho de "ser hombre". Un predicado tambin
puede aplicarse a variables que denotan entidades annimas o genricas.
Por ejemplo, para escribir la premisa "Todos los hombre son mortales",
que no se refiere a ningn "hombre" en particular, se utiliza el predicado
hombre(X) en que X es una variable que denota a cualquier entidad del
universo modelado que cumple con el hecho de "ser hombre".
El silogismo completo queda expresado de la siguiente manera:
X (hombre(X)mortal(X))
hombre(scrates)
mortal(scrates)
Para aplicar este silogismo basta asignar la variable X, que puede tomar
un valor arbitrario, con la constante scrates. Se obtiene la frmula:
hombre(scrates)mortal(scrates)
Despus, para obtener la conclusin, se opera exactamente como en la
lgica proposicional.









PGINA 31
3.4.1. Sintaxis
Los parntesis, adems de servir como smbolos auxiliares para evitar ambigedades
sin necesidad de recordar el convenio de precedencia, se utilizan para formalizar la
idea de que un smbolo de predicado se aplica a smbolos que representan a un
objetos: p(x,A) representa la relacin p entre la variable x y la constante A. Esta
construccin, smbolo de predicado aplicado sobre uno o varios smbolos
representativos de objetos, que sustituye a las antiguas variables proposicionales ,
se llama frmula atmica, o, simplemente, tomo.
Un objeto puede estar representado por una constante, una variable o una funcin
aplicada sobre otros objetos, o sobre otras funciones. En general, se llama trmino a
la representacin de un objeto. La forma de una funcin es la misma que la de un
tomo: un smbolo de funcin seguido por trminos entre parntesis.
En lgica de proposiciones utilizbamos los simbolos , , , como metasmbolos
para representar sentencias. Aadiremos ahora , y para representar tomos,
trminos y funciones, respectivamente.
Para definir las reglas de la gramtica vamos a utilizar tambin p para representar, en
general, a un smbolo de predicado, f para un smbolo de funcin, C para un smbolo
de constante yx para un smbolo de variable. Las reglas, en notacin BNF, son:
::=C | x | (es decir, un trmino es una constante, una variable o una funcin)
::= p({,}) (es decir, un tomo se construye con un smbolo de predicado y uno o
ms trminos entre parntesis)
::=f({,}) (es decir, una funcin se construye con un smbolo de funcin y uno o
ms trminos entre parntesis; sintcticamente es igual que un tomo)
Y las sentencias se forman con las mismas reglas de la lgica de proposiciones,
aadiendo dos para los cuantificadores:
::= |
()|
()|
()|
()|
()|
(x)()|
(x)()|

PGINA 32
3.4.2. Semntica
Una fbf, como 'cadena de caracteres', no tiene significado real (semntica).
Una estructura establece la 'semntica real' de los elementos de la lgica:
- Dominio de aplicacin.
- Semntica de las constantes, predicados, funciones:
- - Qu significado tienen?:
- - Qu se cumple en el mundo real?
Un conjunto de fbf (sin significado) puede representar la "realidad" mediante una
estructura asociada.
Para la asignacin de un valor de verdad a una fbf, debe 'interpretarse' en una
estructura dada, que representa el significado (semntica) de los elementos de la fbf.


{A(J, m(M))} es cierta si:
Se establece la interpretacin:
o A se asocia a "ama"
o J se asocia a Juan y M a Mara
o m se asocia a la funcin unaria "madre de"

En la estructura S:
o Dominio: {Juan, Mara, Ana}
o {Madre-de(Mara) = Ana}
"Juan ama a la madre de
Mara" es verdadera


3.4.3. Validez
3.4.4. Inferencia
3.5. Razonamiento con incertidumbre

PGINA 33
En situaciones reales, no siempre es posible contar con toda la
informacin. Inclusive la informacin disponible puede ser incorrecta,
incompleta o cambiar muy rpidamente.
Todo esto da lugar a diferentes formas de inconsistencias e
incertidumbre.
Diversos mtodos han sido desarrollados para evaluar los grados de
certeza o de verdad de las conclusiones. Uno de los ms generalizados
consiste en asignar coeficiente de certeza o de confianza a los hechos que
intervienen en las en las condiciones y en la conclusin de una regla.
Los principales modelos desarrollados son:

Modelo estadstico probabilstico.
Modelo aproximado.
Modelo de lgica difusa.

3.5.1. Aprendizaje
3.5.2. Razonamiento probabilstico

La tcnica ms antigua y mejor definida para manejar la incertidumbre
es la Regla de Bayes, la misma que est basada en la teora clsica de la
probabilidad Las hiptesis son ms o menos probables dependiendo de las
posibilidades de los hechos o evidencias que las sostiene La
probabilidades se calculan en base a la frmula general de la probabilidad
condicionada de Bayes o algunas transformaciones de la misma.

3.5.3. Lgicas multivaluadas.

3.5.4. Lgica difusa.
3.6. Demostracin y mtodos.
PGINA 34

Unidad 4.
Sistemas de razonamiento



PGINA 35

4.1. Reglas de produccin
Regla se entiende como una proposicin lgica que relaciona 2 o ms
objetos e incluye 2 partes, la premisa y la conclusin. Cada una de estas
partes consiste en una expresin lgica con una o ms afirmaciones
objeto-valor conectadas mediante los operadores lgicos y, o no.
Reglas de produccin. Es un mtodo procedimental de representacin del
conocimiento, pone nfasis en representar y soportar las relaciones
inferenciales del algoritmo, en contraposicin a los mtodos declarativos
(hechos).
La estructura de una regla es:
SI <antecedentes>
ENTONCES <consecuentes>
Los antecedentes son las condiciones y los consecuentes las conclusiones,
acciones o hiptesis.
Cada regla por si misma constituye un grnulo completo de
conocimiento.
La inferencia en los Sistemas Basados en Reglas se realiza mediante
emparejamiento. Hay dos tipos, segn el sentido:
Sistemas de encadenamiento hacia adelante: una regla es activada si los
antecedentes emparejan con algunos hechos del sistema.
Sistemas de encadenamiento hacia atrs: una regla es activada si los
consecuentes emparejan con algunos hechos del sistema.
Arquitectura de los Sistemas Basados en Reglas:
Base de Conocimientos: rene todo el conocimiento del sistema (Hechos
+ Reglas).
Memoria Activa: contiene los hechos que representan el estado actual del
problema (iniciales + inferidos a posteriori) y las reglas activadas (en
condiciones de ser ejecutadas).
Motor de Inferencias: decide que reglas activadas se ejecutarn.
PGINA 36


4.1.1. Sintaxis de las reglas de produccin
Mtodo procedimental de representacin del conocimiento
Estructura
SI <condiciones>
ENTONCES <conclusiones, acciones, hiptesis>
Cada regla SI-ENTONCES establece un granulo completo de conocimiento
Regla_ Operador valido en un espacio de estados
CONDICIONES (tb. premisas, precondiciones, antecedentes,...)

Formadas por clausulas y conectivas (AND, OR, NOT)
Representacin clausal debe corresponderse con conocimiento del dominio
Formato tpico: <parmetro/relacin/valor>
PARMETRO: caracterstica relevante del dominio
RELACIN: entre parmetro y valor
VALOR: numrico, simblico o literal
Tambin en forma de predicados lgicos

CONCLUSIONES, ACCIONES, HIPTESIS (tb. consecuentes,...)
Conclusiones, Hiptesis: conocimiento declarativo
Acciones: cq. Accin procedimental (actualiza. conocimiento, interaccin con
Exterior etc...)

REGLAS ESPECIALES
Reglas IF ALL: equivalen a reglas con las clausulas de las condiciones conectadas con
AND
Reglas IF ANY/ IF SOME: equivalen a reglas con las clausulas de las condiciones
conectadas con OR
PGINA 37


EJEMPLO
IF: temperatura = alta
AND sudoracin = presente
AND dolor_muscular = presente
THEN: diagnostico_preliminar = gripe
IF: diagnostico_preliminar = gripe
AND descompos_organos_internos = presente
THEN: diagnostico_preliminar = _abola

SISTEMAS BASADOS EN REGLAS DE PRODUCCIN
Reglas_ Operadores en bsquedas en espacio de estados
Inferencia similar al MODUS PONENS (con restricciones)

Sintaxis relajada
Se permiten acciones en los consecuentes
Mecanismo de control determina que inferencias se pueden realizar

TIPOS de SISTEMAS
En funcin de sintaxis de reglas y de mecanismos de control (_bsqueda)
SISTEMA ENCADENAMIENTO HACIA ADELANTE (dirigidos por los datos)
Regla ACTIVADA si antecedentes emparejan con algunos hechos del sistema
En IF ALL, todos. En IF ANY, al menos uno.
Se parte de los hechos ya confirmados en el sistema
Se razona hacia adelante buscando antecedentes que emparejen
SISTEMA ENCADENAMIENTO HACIA ATRS (dirigido por los objetivos)
Regla ACTIVADA si consecuentes emparejan con algunos hechos del sistema
Se comienza con una hiptesis
PGINA 38
Se razona hacia atrs buscando consecuentes que emparejen


MOTOR DE INFERENCIAS elige que reglas ACTIVADAS ejecutar (resolucin de
conflictos)

Consecuentes y antecedentes pueden verse como submetas a verificar a partir de los
hechos o hiptesis, respectivamente.
CARACTERSTICAS Modularidad: reglas = pequeas cantidades de conocimiento
(relativamente) independiente
Incrementalidad/Modificabilidad: posible aadir/cambiar reglas con relativa
independencia
Naturalidad y Transparencia: representacin del conocimiento prxima y
comprensible por personas
Capacidad de generar explicaciones
GENERACIN de EXPLICACIONES
Posibilidad de \explicar" el porqu de un resultado
Devolver a usuario la cadena de reglas empleadas
Combinar reglas y hechos del rbol de bsqueda segn las conectivas Incrementan la
\aceptacin" del resultado ofrecido (dominios crticos)











PGINA 39

4.2. Semntica de las reglas de produccin
Es una representacin formal de una relacin, una informacin semntica o una
accin condicional. Una regla de produccin tiene, generalmente, la siguiente forma:
SI Premisa ENTONCES Consecuencia. Ofrecen una gran facilidad para la creacin y
la modificacin de la base de conocimiento. Permite introducir coeficientes de
verosimilitud para ponderar el conocimiento (estos coeficientes se van propagando
durante el proceso de razonamiento mediante unas frmulas de clculo establecidas)
y, en teora, el mtodo asegura que cuantas ms reglas posea ms potente es. Sin
embargo, aunque es la forma de representacin ms intuitiva y rpida, cuando el
nmero de reglas es grande aumenta la dificultad de verificacin de todas las
posibilidades con el consiguiente riesgo de perder la coherencia lgica en la base de
conocimiento.
Los hechos y las reglas asociadas de la base de conocimiento normalmente no son
exactos; es decir se tiene incertidumbre sobre el grado de certeza de algunos hechos y
tambin sobre el campo de validez de algunas de las reglas. Para el manejo de la
incertidumbre en los sistemas de reglas se han utilizado varios sistemas; los tres ms
conocidos son los Factores de Certeza (utilizados en MYCIN), la lgica de Dempster
Shafer, y la Lgica Difusa (Fuzzy Logic). El mtodo de tratar la incertidumbre es una
de las caractersticas ms importantes de las herramientas de desarrollo, y
actualmente se encuentra en discusin la validez de estas lgicas para tratar con la
incertidumbre. En sustitucin se han propuesto las Redes Bayesianas que tienen una
base matemtica ms firme. De todas formas es un campo actual de investigacin
que permanece abierto.











PGINA 40

4.2.1. Conocimiento causal

Relacin que vincula dos ideas a travs de una conexin supuestamente
necesaria.
Es uno de los tres principios de asociacin.
La causalidad no tiene carcter necesario cuando se aplica a las cuestiones de
hecho, sino que se funda en la costumbre: la repeticin (o conjuncin
constante) no es ms que una creencia; es algo que esperamos que suceda, no
algo que deba suceder necesariamente sino algo que debe ser evaluado en
trminos de posibilidad. En la medida en que el concepto de causalidad no
puede aplicarse a hechos que todava no han sucedido, porque no tenemos
evidencia lo todava no acaecido, la falta de un concepto de causalidad nos
conduce necesariamente al escepticismo.

4.2.2. Conocimiento de diagnstico

El problema del diagnostico ha sido, desde los comienzos de la IA, uno de los
ms estudiados y donde los investigadores han cosechado tanto satisfacciones
como fracasos. El diagnostico en el campo de la medicina es sin duda, una de
las reas de la IA que supone todava una gran desafi. Una de las
caractersticas ms frecuentes en resolucin del problema del diagnostico en
dominios reales es la necesidad de trata con la dimensin temporal. As, una
vez propuesto un modelo terico, una tendencia cada vez ms habitual a la
hora de desarrollar sistemas de diagnostico temporal es necesario abordar el
problema del diagnostico temporal desde diferentes enfoques, permitiendo
seleccionar cual es la aproximacin ms adecuada para cada problema
concreto es simplificar el dominio para que el modelo inicial sea aplicable.

4.3. Arquitectura de un sistema de produccin

Los Sistemas basados en reglas difusas (SBRD) tienen una serie de
aplicaciones diversas, pero fundamentalmente son usados para:

Modelado de sistemas

Usado para representar escenarios de actuacin con variables complejas, en
los cules no basta con usar realidades absolutas como lo sera un cierto o
falso.
En aplicaciones de control, ya que suelen estar basadas en el punto descrito
anteriormente.
PGINA 41
Pueden ser usadas para la categorizacin de elementos, detectar patrones.
Como agentes de usuario, los cules van a proporcionar una serie de ayudas a
los expertos en una determinada materia para que tomen las decisiones que
ellos consideren oportunas, en este caso estos sistemas van a ofrecer una
ayuda, pero la decisin final la va a tomar el experto en cuestin. Como
ejemplo cabe destacar el mbito financiero.
<<Minera de datos y descubrimiento de informacin, consistente en hallar el
conocimiento intrnseco dentro de una base de datos, los cules pueden no
estar presentes a simple vista, pero aplicando sistemas de este tipo pueden
llegar a averiguarse>>.

Reglas

Los sistemas basados en reglas (SBR) se rigen por una serie de reglas que los
configuran.

Una regla es definida como un modo de representacin estratgica o tcnica,
la cul es apropiada cuando el conocimiento con el que deseamos trabajar
proviene de la experiencia o de la intuicin, y por tanto carece de una
demostracin fsica o matemtica.

Tipos de reglas y proposiciones

Las proposiciones se pueden clasificar en los siguientes grupos:

Proposiciones CUALIFICADAS: Introducen un atributo para cualificar la
proposicin que forma una regla. El atributo corresponde al grado que
determina la regla. Grado de Suceso:
Probable, poco probable...

Proposiciones CUANTI FICADAS: Indican cantidades difusas en las reglas.

SI muchos alumnos suspenden ENTONCES la explicacin fue bastante mala

Respecto a esta clasificacin, podremos decir que las proposiciones que no
poseen cuantificadores ni cualificadores son proposiciones categricas,
mientras que las proposiciones no categricas no tienen por qu ser verdad
siempre.

Las reglas pueden tener variantes, entre ellas se encuentran las siguientes:

Con excepciones: Son el tipo: SI la temperatura es alta ENTONCES tendr
calor

PGINA 42
EXCEPTO que tenga aire acondicionado.

Graduales: Cuantos ms partidos ganemos, ms fcil ser ganar la liga.

Reglas conflictivas: Son reglas que dentro de un mismo sistema tienen
informacin contradictoria, lo cual puede acarrear muchos problemas, tales
como malos resultados o generar problemas.
Este tipo de reglas son aquellas que para un mismo antecedente, tienen

Consecuentes distintos, por ejemplo:
R1: SI tengo hambre ENTONCES como.
R2: SI tengo hambre ENTONCES no como.

Otro ejemplo de reglas contradictorias son aquellas que estando encadenadas

En ambos sentidos, niegan un consecuente:

R1: SI he metido un gol ENTONCES estoy feliz.
R2: SI estoy feliz ENTONCES no he metido un gol.

























PGINA 43


4.3.1. Hechos

Base de hechos, que alberga los datos propios correspondientes a los
problemas que se desea tratar con la ayuda del sistema. Asimismo, a pesar de
ser la memoria de trabajo, la base de hechos puede desempear el papel de
memoria auxiliar. La memoria de trabajo memoriza todos los resultados
intermedios, permitiendo conservar el rastro de los razonamientos llevados a
cabo. Puede, por eso, emplearse para explicar el origen de las informaciones
deducidas por el sistema en el transcurso de una sesin de trabajo o para llevar
a cabo la descripcin del comportamiento del propio sistema experto. Al
principio del perodo de trabajo, la base de hechos dispone nicamente de los
datos que le ha introducido el usuario del sistema, pero, a medida que va
actuando el motor de inferencias, contiene las cadenas de inducciones y
deducciones que el sistema forma al aplicar las reglas para obtener las
conclusiones buscadas.

Las reglas de produccin son de tipo: SI ENTONCES (SI A ENTONCES B).
Donde tanto las premisas como la conclusin, no son ms que una cadena de
hechos conectados por Y o por O, de forma general seria: SI Y/O
Y/O..ENTONCES Y/O Los hechos son afirmaciones que sirven para
presentar conceptos, datos, objetos, etc. Y el conjunto de hechos que describen
el problema es la base de hechos. Ejemplo de hechos: Juan es un estudiante
Juan tiene 8 aos El perro es blanco A Mara le gusta el cine Pedro prefiere la
pelcula La edad de Luis es de 25 aos Pedro tiene un salario de 200 pesos Una
regla es una combinante de hechos que permite representar conocimientos y
sacar inferencia de los mismos. Ejemplo de reglas R1: si y entonces R2: SI Y
ENTONCES R3: SI Y ENTONCES Observe como partiendo de hechos
conocidos que describen algn conocimiento se pueden inferir nuevos hechos
(nuevos conocimientos).












PGINA 44




4.3.2. Base de conocimientos

A base de conocimiento (o knowledgebase; abreviado KB, es una clase especial
de base de datos para gerencia del conocimiento. Proporciona los medios para
la coleccin automatizada, organizacin, y recuperacin de conocimiento.
Apenas pues tiene costumbre convertido de escribir base de datos pues una
palabra l es cada vez ms comn en informtica escribir knowledgebase como
una palabra (un acercamiento del interino era escribir el trmino con un
guin).

Las bases de conocimiento se categorizan en dos tipos importantes:

Bases de conocimiento legibles por la mquina almacene el conocimiento en
una forma legible por computador, generalmente con el fin automatizando
razonamiento deductivo aplicado a ellos. Contienen un sistema de datos, a
menudo bajo la forma de reglas que describan el conocimiento en a
lgicamente constante manera. Operadores lgicos, por ejemplo Y
(conjuncin), O (separacin), implicacin material y negacin puede ser
utilizado construirlo para arriba del conocimiento atmico. Por lo tanto, la
deduccin clsica se puede utilizar para razonar sobre el conocimiento en la
base de conocimiento.

Bases de conocimiento Human-readable se disean permitir que la gente
recupere y que utilice el conocimiento que ella contiene, sobre todo para los
propsitos del entrenamiento. Son de uso general capturar el conocimiento
explcito del organizacin, incluyendo localizacin de averas, artculos,
papeles blancos, manuales de usuario y otros. Una ventaja primaria de tal base
de conocimiento es que puede ayudar a un usuario a encontrar una solucin
existente a su problema actual (as evitando tuvieron que reinventan la
rueda).






PGINA 45





4.3.3. Mecanismos de control

El aspecto ms importante de una base de conocimiento es la calidad de la
informacin que contiene. Las mejores bases de conocimiento han escrito
cuidadosamente los artculos que se guardan actualizado, un sistema
excelente de la recuperacin de datos (tal como a Search Engine), y un formato
contento cuidadosamente diseado y clasificacin estructura.

Una base de conocimiento puede utilizar ontologa especificar su estructura
(los tipos y las relaciones de la entidad) y la clasificacin proyecte. Un
ontologa, junto con un sistema de casos de sus clases, constituye una base de
conocimiento. La determinacin de qu tipo de informacin se captura, y
donde esa informacin reside en una base de conocimiento, es algo que es
determinado por los procesos que apoyan el sistema. Una estructura de
proceso robusta es la espina dorsal de cualquier base de conocimiento
acertada.

Algunas bases de conocimiento tienen inteligencia artificial componente.
Estas clases de bases de conocimiento pueden sugerir soluciones a los
problemas basados a veces en la regeneracin proporcionada por el usuario, y
son capaces de aprender por experiencia (vase sistema experto). La
representacin del conocimiento, el razonamiento automatizado y la
argumentacin son campos de investigacin activos en la vanguardia de la
inteligencia artificial.











PGINA 46










4.4. Ciclo de vida de un sistema de produccin

El concepto de sistema de produccin se basa en la Teora General de Sistemas
que fue desarrollada por el bilogo alemn Von Bertalanffy y que en esencia es
una perspectiva integradora y holstica (referida al todo).Una de las
definiciones de la teora general de sistemas dice que los sistemas son
conjuntos de componentes que interaccionan unos con otros, de tal forma que
cada conjunto se comporta como una unidad completa. Otra definicin dice
que los sistemas se identifican como conjuntos de elementos o entidades que
guardan estrechas relaciones entre s y que mantienen al sistema directo o
indirectamente unido de modo ms o menos estable y cuyo comportamiento
global persigue, normalmente, algn tipo de objetivo. Par describir y en
general para entender un sistema, es comn el uso de diagramas, los que si
bien no dan una visin completa, facilitan la visualizacin de las
interrelaciones, como se indica en la figura siguiente.


















PGINA 47











Unidad 5.
Aplicaciones con tcnicas de IA






PGINA 48





5.1. Robtica

Qu es Robtica?
La Robtica es la ciencia encaminada a disear y construir aparatos y
sistemas capaces de realizar tareas propias de un ser humano.

Con esta definicin tan general, la palabra 'robtica' cubre muchos conceptos
diferentes, pero todos giran en torno a la misma idea.

Con la aparicin del concepto 'robot' a principios de siglo XX, se dio el
pistoletazo de salida para el desarrollo de sistemas cada vez ms autnomos.

Un robot autnomo es un dispositivo robtico capaz de operar por s mismo,
en la robtica de servicio es donde ms se estn prodigando los robots de
servicio. En qu tipo de situaciones puede ser interesante un robot que sea
completamente autnomo? por ejemplo en entornos hostiles:
Conflictos blicos.
Exploracin espacial.
Exploracin submarina.
Rescate en catstrofes.
Pero sin irnos tan lejos, la robtica de servicio combinada con la robtica
inteligente nos permitir en un futuro tener conductores autnomos para
nuestros coches, entre otras cosas. Que estas metas se consigan antes o
despus depender de la financiacin que las instituciones y mecenas siten en
los diferentes proyectos de investigacin que se desarrollan en el mundo.

PGINA 49






5.1.1. Conceptos bsicos

Robtica: es una ciencia o rama de la tecnologa, que estudia el diseo y la
construccin de mquinas capaces de desempear tareas realizadas por el ser
humano o que requieren del uso de inteligencia. Las ciencias y tecnologas de
las que deriva podran ser: el lgebra, los autmatas programables, las
mquinas de estados, la mecnica o la informtica.

Robot: es una mquina programable que puede manipular objetos y realizar
operaciones que antes slo podan realizar los seres humanos.


PGINA 50













5.1.2. Clasificacin

Robots Fsicos

Robtica Industrial: Es la parte de la Ingeniera que se dedica a la construccin
de mquinas capaces de realizar tareas mecnicas y repetitivas de una manera
muy eficiente y con costes reducidos.
Robtica de Servicio: Es la parte de la Ingeniera que se centra en el diseo y
construccin de mquinas capaces de proporcionar servicios directamente a
los miembros que forman sociedad.
Robtica Inteligente: Son robots capaces de desarrollar tareas que,
desarrolladas en un ser humano, requieren el uso de su capacidad de
razonamiento.
PGINA 51
Robtica Humanoide: Es la parte de la ingeniera que se dedica al desarrollo de
sistemas robotizados para imitar determinadas peculiaridades del ser humano.






Robots Software
Robtica de Exploracin: Es la parte de la Ingeniera del Software que se
encarga de desarrollar programas capaces de explorar documentos en busca
de determinados contenidos. Existen diversos servicios en Internet dedicados a
esta parcela de la robtica.



Segn su Generacin
1 Generacin.
Manipuladores. Son sistemas mecnicos multifuncionales con un sencillo
sistema de control, bien manual, de secuencia fija o de secuencia variable.

2 Generacin.
Robots de aprendizaje. Repiten una secuencia de movimientos que ha sido
ejecutada previamente por un operador humano. El modo de hacerlo es a
travs de un dispositivo mecnico. El operador realiza los movimientos
requeridos mientras el robot le sigue y los memoriza.
3 Generacin.
PGINA 52
Robots con control sensorizado. El controlador es una computadora que
ejecuta las rdenes de un programa y las enva al manipulador para que realice
los movimientos necesarios.
4 Generacin.
Robots inteligentes. Son similares a los anteriores, pero adems poseen
sensores que envan informacin a la computadora de control sobre el estado
del proceso. Esto permite una toma inteligente de decisiones y el control del
proceso en tiempo real.

Segn su Arquitectura

La arquitectura, es definida por el tipo de configuracin general del Robot,
puede ser metamrfica. El concepto de metamorfismo, de reciente aparicin,
se ha introducido para incrementar la flexibilidad funcional de un Robot a
travs del cambio de su configuracin por el propio Robot. El metamorfismo
admite diversos niveles, desde los ms elementales (cambio de herramienta o
de efecto terminal), hasta los ms complejos como el cambio o alteracin de
algunos de sus elementos o subsistemas estructurales. Los dispositivos y
mecanismos que pueden agruparse bajo la denominacin genrica del Robot,
tal como se ha indicado, son muy diversos y es por tanto difcil establecer una
clasificacin coherente de los mismos que resista un anlisis crtico y riguroso.
La subdivisin de los Robots, con base en su arquitectura, se hace en los
siguientes grupos: Poliarticulados, Mviles, Androides, Zoomrficos e
Hbridos.









Poliarticulados
En este grupo estn los Robots de muy diversa forma y configuracin cuya
caracterstica comn es la de ser bsicamente sedentarios (aunque
excepcionalmente pueden ser guiados para efectuar desplazamientos
limitados) y estar estructurados para mover sus elementos terminales en un
determinado espacio de trabajo segn uno o ms sistemas de coordenadas y
con un nmero limitado de grados de libertad. En este grupo se encuentran los
manipuladores, los Robots industriales, los Robots cartesianos y se emplean
cuando es preciso abarcar una zona de trabajo relativamente amplia o
alargada, actuar sobre objetos con un plano de simetra vertical o reducir el
espacio ocupado en el suelo.
PGINA 53

Mviles
Son Robots con gran capacidad de desplazamiento, basadas en carros o
plataformas y dotados de un sistema locomotor de tipo rodante. Siguen su
camino por telemando o guindose por la informacin recibida de su entorno a
travs de sus sensores. Estos Robots aseguran el transporte de piezas de un
punto a otro de una cadena de fabricacin. Guiados mediante pistas
materializadas a travs de la radiacin electromagntica de circuitos
empotrados en el suelo, o a travs de bandas detectadas fotoelctricamente,
pueden incluso llegar a sortear obstculos y estn dotados de un nivel
relativamente elevado de inteligencia.






















Androides
Son Robots que intentan reproducir total o parcialmente la forma y el
comportamiento cinemtica del ser humano. Actualmente los androides son
todava dispositivos muy poco evolucionados y sin utilidad prctica, y
destinados, fundamentalmente, al estudio y experimentacin. Uno de los
aspectos ms complejos de estos Robots, y sobre el que se centra la mayora de
los trabajos, es el de la locomocin bpeda. En este caso, el principal problema
es controlar dnamica y coordinadamente en el tiempo real el proceso y
mantener simultneamente el equilibrio del Robot.

Zoomrficos
PGINA 54
Los Robots zoomrficos, que considerados en sentido no restrictivo podran
incluir tambin a los androides, constituyen una clase caracterizada
principalmente por sus sistemas de locomocin que imitan a los diversos seres
vivos. A pesar de la disparidad morfolgica de sus posibles sistemas de
locomocin es conveniente agrupar a los Robots zoomrficos en dos
categoras principales: caminadores y no caminadores. El grupo de los Robots
zoomrficos no caminadores est muy poco evolucionado. Los
experimentados efectuados en Japn basados en segmentos cilndricos
biselados acoplados axialmente entre s y dotados de un movimiento relativo
de rotacin. Los Robots zoomrficos caminadores multpedos son muy
numeroso y estn siendo experimentados en diversos laboratorios con vistas al
desarrollo posterior de verdaderos vehculos terrenos, piloteando o
autnomos, capaces de evolucionar en superficies muy accidentadas. Las
aplicaciones de estos Robots sern interesantes en el campo de la exploracin
espacial y en el estudio de los volcanes.


Hbridos
Estos Robots corresponden a aquellos de difcil clasificacin cuya estructura se
sita en combinacin con alguna de las anteriores ya expuestas, bien sea por
conjuncin o por yuxtaposicin. Por ejemplo, un dispositivo segmentado
articulado y con ruedas, es al mismo tiempo uno de los atributos de los Robots
mviles y de los Robots zoomrficos. De igual forma pueden considerarse
hbridos algunos Robots formados por la yuxtaposicin de un cuerpo formado
por un carro mvil y de un brazo semejante al de los Robots industriales. En
parecida situacin se encuentran algunos Robots antropomorfos y que no
pueden clasificarse ni como mviles ni como androides, tal es el caso de los
Robots personales.






5.1.3. Desarrollos actuales y aplicaciones

Los robots son utilizados en una diversidad de aplicaciones, desde robots
tortugas en los salones de clases, robots soldadores en la industria automotriz,
hasta brazos teleoperados en el transbordador espacial.

Cada robot lleva consigo su problemtica propia y sus soluciones afines; no
obstante que mucha gente considera que la automatizacin de procesos a
travs de robots est en sus inicios, es un hecho innegable que la introduccin
PGINA 55
de la tecnologa robtica en la industria, ya ha causado un gran impacto. En
este sentido la industria Automotriz desempea un papel preponderante.
Aplicaciones en diversos sectores:

Industria
Los robots son utilizados por una diversidad de procesos industriales como lo
son : la soldadura de punto y soldadura de arco, pinturas de spray,
transportacin de materiales, molienda de materiales, moldeado en la
industria plstica, mquinas-herramientas, y otras ms.
A continuacin se har una breve explicacin de algunas de ellas.

Aplicacin de transferencia de material
Las aplicaciones de transferencia de material se definen como operaciones en
las cuales el objetivo primario es mover una pieza de una posicin a otra. Se
suelen considerar entre las operaciones ms sencillas o directas de realizar por
los robots. Las aplicaciones normalmente necesitan un robot poco sofisticado,
y los requisitos de enclavamiento con otros equipos son tpicamente simples.

Carga y descarga de maquinas.
Estas aplicaciones son de manejos de material en las que el robot se utiliza
para servir a una mquina de produccin transfiriendo piezas a/o desde las
mquinas. Existen tres casos que caen dentro de sta categora de aplicacin:
1. Carga/Descarga de Mquinas. El robot carga una pieza de trabajo en bruto
en el proceso y descarga una pieza acabada. Una operacin de mecanizado es
un ejemplo de este caso.

Carga de mquinas. El robot debe de cargar la pieza de trabajo en bruto a los
materiales en las mquinas, pero la pieza se extrae mediante algn otro medio.
En una operacin de prensado, el robot se puede programar para cargar
lminas de metal en la prensa, pero las piezas acabadas se permite que caigan
fuera de la prensa por gravedad.

Descarga de mquinas. La mquina produce piezas acabadas a partir de
materiales en bruto que se cargan directamente en la mquina sin la ayuda de
robots. El robot descarga la pieza de la mquina. Ejemplos de sta categora
incluyen aplicaciones de fundicin de troquel y moldeado plstico.

La aplicacin se tipifica mejor mediante una clula de trabajo con el robot en
el centro que consta de la mquina de produccin, el robot y alguna forma de
entrega de piezas.

Operaciones de procesamiento.
Adems de las aplicaciones de manejo de piezas, existe una gran clase de
aplicaciones en las cuales el robot realmente efecta trabajos sobre piezas.
PGINA 56
Este trabajo casi siempre necesita que el efector final del robot sea una
herramienta en lugar de una pinza.

Por tanto la utilizacin de una herramienta para efectuar el trabajo es una
caracterstica distinta de este grupo de aplicaciones. El tipo de herramienta
depende de la operacin de procesamiento que se realiza.

Soldadura por puntos.
Como el trmino lo sugiere, la soldadura por puntos es un proceso en el que
dos piezas de metal se soldan en puntos localizados al hacer pasar una gran
corriente elctrica a travs de las piezas donde se efecta la soldadura.

Soldadura por arco continua.
La soldadura por arco es un proceso de soldadura continua en oposicin a la
soldadura por punto que podra llamarse un proceso discontinuo. La soldadura
de arco continua se utiliza para obtener uniones largas o grandes uniones
soldadas en las cuales, a menudo, se necesita una cierre hermtico entre las
dos piezas de metal que se van a unir. El proceso utiliza un electrodo en forma
de barra o alambre de metal para suministrar la alta corriente elctrica de 100
a 300 amperes.

Recubrimiento con spray
La mayora de los productos fabricados de materiales metlicos requieren de
alguna forma de acabado de pintura antes de la entrega al cliente. La
tecnologa para aplicar estos acabados varia en la complejidad desde mtodos
manuales simples a tcnicas automticas altamente sofisticadas. Se dividen
los mtodos de recubrimiento industrial en dos categoras:
1.- Mtodos de recubrimiento de flujo e inmersin.
2.- Mtodos de recubrimiento al spray.


Los mtodos de recubrimiento mediante flujo de inmersin se suelen
considerar que son mtodos de aplicar pintura al producto de baja tecnologa.
La inmersin simplemente requiere sumergir la pieza o producto en un tanque
de pintura liquida.

Adems de la soldadura por punto, la soldadura por arco, y el recubrimiento al
spray existe una serie de otras aplicaciones de robots que utilizan alguna
forma de herramienta especializada como efector final. Operaciones que estn
en sta categora incluyen:

Taladro, acanalado, y otras aplicaciones de mecanizado.
Rectificado, pulido, desbarbado, cepillado y operaciones similares.
Remachado, Corte por chorro de agua.
PGINA 57
Taladro y corte por lser.

Laboratorios
Los robots estn encontrando un gran nmero de aplicaciones en los
laboratorios. Llevan acabo con efectividad tareas repetitivas como la
colocacin de tubos de pruebas dentro de los instrumentos de medicin. En
sta etapa de su desarrollo los robots son utilizados para realizar
procedimientos manuales automatizados. Un tpico sistema de preparacin de
muestras consiste de un robot y una estacin de laboratorio, la cual contiene
balanzas, dispensarios, centrifugados, racks de tubos de pruebas, etc.
Las muestras son movidas desde la estacin de laboratorios por el robot bajo el
control de procedimientos de un programa.
Los fabricantes de estos sistemas mencionan tener tres ventajas sobre la
operacin manual: incrementan la productividad, mejoran el control de
calidad y reducen la exposicin del ser humano a sustancias qumicas nocivas.

Manipuladores cinematicos
La tecnologa robtica encontr su primer aplicacin en la industria nuclear
con el desarrollo de teleoperadores para manejar material radiactivo. Los
robots ms recientes han sido utilizados para soldar a control remoto y la
inspeccin de tuberas en reas de alta radiacin. El accidente en la planta
nuclear de Three Mile Island en Pennsylvania en 1979 estimul el desarrollo y
aplicacin de los robots en la industria nuclear. El reactor numero 2 (TMI-2)
predio su enfriamiento, y provoc la destruccin de la mayora del reactor, y
dejo grandes reas del reactor contaminadas, inaccesible para el ser humano.
Debido a los altos niveles de radiacin las tareas de limpieza solo eran posibles
por medios remotos. Varios robots y vehculos controlados remotamente han
sido utilizados para tal fin en los lugares donde ha ocurrido una catstrofe de
este tipo. sta clase de robots son equipados en su mayora con sofisticados
equipos para detectar niveles de radiacin, cmaras, e incluso llegan a traer a
bordo un minilaboratorio para hacer pruebas.

Agricultura
Para muchos la idea de tener un robot agricultor es ciencia ficcin, pero la
realidad es muy diferente; o al menos as parece ser para el Instituto de
Investigacin Australiano, el cual ha invertido una gran cantidad de dinero y
tiempo en el desarrollo de este tipo de robots. Entre sus proyectos se encuentra
una mquina que esquila a la ovejas. La trayectoria del cortador sobre el
cuerpo de las ovejas se planea con un modelo geomtrico de la oveja.

Para compensar el tamao entre la oveja real y el modelo, se tiene un conjunto
de sensores que registran la informacin de la respiracin del animal como de
su mismo tamao, sta es mandada a una computadora que realiza las
PGINA 58
compensaciones necesarias y modifica la trayectoria del cortador en tiempo
real.

Debido a la escasez de trabajadores en los obradores, se desarrolla otro
proyecto, que consiste en hacer un sistema automatizado de un obrador, el
prototipo requiere un alto nivel de coordinacin entre una cmara de vdeo y el
efector final que realiza en menos de 30 segundos ocho cortes al cuerpo del
cerdo.

Espacio
La exploracin espacial posee problemas especiales para el uso de robots. El
medio ambiente es hostil para el ser humano, quien requiere un equipo de
proteccin muy costoso tanto en la Tierra como en el Espacio. Muchos
cientficos han hecho la sugerencia de que es necesario el uso de Robots para
continuar con los avances en la exploracin espacial; pero como todava no se
llega a un grado de automatizacin tan precisa para sta aplicacin, el ser
humano an no ha podido ser reemplazado por estos. Por su parte, son los
teleoperadores los que han encontrado aplicacin en los transbordadores
espaciales.

Educacin
Los robots estn apareciendo en los salones de clases de tres distintas formas.
Primero, los programas educacionales utilizan la simulacin de control de
robots como un medio de enseanza. Un ejemplo palpable es la utilizacin del
lenguaje de programacin del robot Karel, el cual es un subconjunto de Pascal;
este es utilizado por la introduccin a la enseanza de la programacin.







En resumen, los futuros robots tendran muchos de los atributos de los seres
humanos. Es difcil pensar que los robots llegarn a sustituir a los seres
humanos en el sentido de la obra de Carel Kapek, Robots Universales de
Rossum. Por el contrario, la robtica es una tecnologa que solo puede
destinarse al beneficio de la humanidad. Sin embargo, como otras tecnologas,
hay peligros potenciales implicados y deben establecerse salvaguardas para no
permitir su uso pernicioso.

El paso del presente al futuro exigir mucho trabajo de ingeniera mecnica,
ingeniera electrnica, informtica, ingeniera industrial, tecnologa de
materiales, ingenieras de sistemas de fabricacin y ciencias sociales.
PGINA 59
















5.2. Redes Neuronales (RN)

Las Redes Neuronales (RN) fueron originalmente una simulacin abstracta de
los sistemas nerviosos biolgicos, formados por un conjunto de unidades
llamadas "neuronas" o "nodos" conectadas unas con otras. Estas conexiones
tienen una gran semejanza con las dendrtas y losaxones en los sistemas
nerviosos biolgicos.

PGINA 60


5.2.1. Conceptos bsicos

Redes Neuronales: son una rama de la Inteligencia Artificial. En las redes
neuronales el conocimiento se incorpora mediante el aprendizaje a partir de
ejemplos.

5.2.2. Clasificacin

Una primera clasificacin de los modelos de RN podra ser, atendiendo a su
similitud con la realidad biolgica:
Los modelos de tipo biolgico. Este comprende las redes que tratan de simular
los sistemas neuronales biolgicos as como las funciones auditivas o algunas
funciones bsicas de la visin.
El modelo dirigido a aplicacin. Estos modelos no tienen porque guardar
similitud con los sistemas biolgicos. Sus arquitecturas estn fuertemente
ligadas a las necesidades de las aplicaciones para las que son diseados.



Redes Neuronales de tipo Biolgico
Se estima que el cerebro humano contiene ms de cien mil millones de
neuronas y sinpsis en el sistema nervioso humano. Estudios sobre la
anatoma del cerebro humano concluyen que hay ms de 1000 sinpsis a la
entrada y a la salida de cada neurona. Es importante notar que aunque el
tiempo de conmutacin de la neurona (unos pocos milisegundos) es casi un
milln de veces menor que en las actuales elementos de las computadoras,
ellas tienen una conectividad miles de veces superior que las actuales
supercomputadoras.
PGINA 61
El objetivo principal de de las redes neuronales de tipo biolgico es desarrollar
un elemento sinttico para verificar las hiptesis que conciernen a los sistemas
biolgicos.
Las neuronas y las conexiones entre ellas (sinpsis) constituyen la clave para
el procesado de la informacin.
La mayor parte de las neuronas poseen una estructura de rbol llamadas
dendritas que reciben las seales de entrada que vienen de otras neuronas a
travs de la uniones llamadas sinpsis. Algunas neuronas se comunican solo
con las cercanas, mientras que otras se conectan con miles. Hay tres partes en
una neurona:

1.- el cuerpo de la neurona
2.- ramas de extensin llamadas dentras para recibir las entradas, y
3.- un axn que lleva la salida de la neurona a las desdiras de otras neuronas.

Redes Neuronales para aplicaciones concretas

Las RN dirigidas a aplicacin estn en general poco ligadas a las redes
neuronales biolgicas. Ya que el conocimiento que se posee sobre el sistema
nervioso en general no es completo, se han de definir otras funcionalidades y
estructuras de conexin distintas a las vistas desde la perspectiva biolgica.
Las caractersticas principales de este tipo de RN son los siguientes:
Auto Organizacin y Adaptatividad: utilizan algoritmos de aprendizaje
adaptativo y auto organizacin, por lo que ofrecen posibilidades de procesado
robusto y adaptativo.
Procesado No Lineal: aumenta la capacidad de la red de aproximar, clasificar y
su inmunidad frente al ruido.
Procesado paralelo: normalmente se usa un gran nmero de clulas de
procesado por el alto nivel de interconectividad.

Estas caractersticas juegan un importante papel en las RN aplicadas al
procesado de seal e imagen. Una red para una determinada aplicacin
presenta una arquitectura muy concreta, que comprende elementos de
procesado adaptativo masivo paralelo combinadas con estructuras de
interconexin de red jerrquica.

5.2.3. Desarrollos actuales y aplicaciones
Las redes neuronales pueden utilizarse en un gran nmero y variedad de
aplicaciones, tanto comerciales como militares. Se pueden desarrollar redes
neuronales en un periodo de tiempo razonable, con la capacidad de realizar
tareas concretas mejor que otras tecnologas. Cuando se implementan
mediante hardware (redes neuronales en chips VLSI), presentan una alta
tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en
PGINA 62
el procesamiento de datos. Esto posibilita la insercin de redes neuronales de
bajo coste en sistemas existentes y recientemente desarrollados.
Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene
una aplicacin particular ms apropiada. Algunas aplicaciones comerciales
son:

Biologa:
- Aprender ms acerca del cerebro y otros sistemas.
- Obtencin de modelos de la retina.

Empresa:
- Evaluacin de probabilidad de formaciones geolgicas y petrolferas.
- Identificacin de candidatos para posiciones especficas.
- Explotacin de bases de datos.
- Optimizacin de plazas y horarios en lneas de vuelo.
- Optimizacin del flujo del trnsito controlando convenientemente la
temporizacin de los semforos.
- Reconocimiento de caracteres escritos.
- Modelado de sistemas para automatizacin y control.

Medio ambiente:
- Analizar tendencias y patrones.
- Previsin del tiempo.

Finanzas:
- Previsin de la evolucin de los precios.
- Valoracin del riesgo de los crditos.
- Identificacin de falsificaciones.
- Interpretacin de firmas.

Manufacturacin:
- Robots automatizados y sistemas de control (visin artificial y sensores de
presin, temperatura, gas, etc.).
- Control de produccin en lneas de procesos.
- Inspeccin de la calidad.

Medicina:
- Analizadores del habla para ayudar en la audicin de sordos profundos.
- Diagnstico y tratamiento a partir de sntomas y/o de datos analticos
(electrocardiograma, encefalogramas, anlisis sanguneo, etc.).
- Monitorizacin en cirugas.
- Prediccin de reacciones adversas en los medicamentos.
- Entendimiento de la causa de los ataques cardacos.

PGINA 63
Militares:
- Clasificacin de las seales de radar.
- Creacin de armas inteligentes.
- Optimizacin del uso de recursos escasos.
- Reconocimiento y seguimiento en el tiro al blanco.

La mayora de estas aplicaciones consisten en realizar un reconocimiento de
patrones, como ser: buscar un patrn en una serie de ejemplos, clasificar
patrones, completar una seal a partir de valores parciales o reconstruir el
patrn correcto partiendo de uno distorsionado. Sin embargo, est creciendo el
uso de redes neuronales en distintos tipos de sistemas de control.
Desde el punto de vista de los casos de aplicacin, la ventaja de las redes
neuronales reside en el procesado paralelo, adaptativo y no lineal. El dominio
de aplicacin de las redes neuronales tambin se lo puede clasificar de la
siguiente forma: asociacin y clasificacin, regeneracin de patrones,
regresin y generalizacin, y optimizacin.




















5.3. Visin artificial

La visin artificial, tambin conocida como visin por computador (del ingles
computer vision) o visin tcnica, es un subcampo de la inteligencia aritificial.
El propsito de la visin artificial es programar una computadora para que
"entienda" una escena o las caractersticas de una imagen.

PGINA 64
Los objetivos tpicos de la visin artificial incluyen:
La deteccin, segmentacin, localizacin y reconocimiento de ciertos objetos
en imgenes (por ejemplo, caras humanas).
La evaluacin de los resultados (por ejemplo, segmentacin, registro).
Registro de diferentes imgenes de una misma escena u objeto, es decir, hacer
concordar un mismo objeto en diversas imgenes.
Seguimiento de un objeto en una secuencia de imgenes.
Mapeo de una escena para generar un modelo tridimensional de la escena; este
modelo podra ser usado por un robot para navegar por la escena.
Estimacin de las posturas tridimensionales de humanos.
Bsqueda de imgenes digitales por su contenido.

Estos objetivos se consiguen por medio de reconocimiento de patrones,
aprendizaje estadstico, geometra de proyeccin, procesamiento de imgenes,
teora de grafos y otros campos. La visin artificial cognitiva est muy
relacionada con la psicologa cognitiva y la computacin biolgica.




















5.3.1. Conceptos bsicos
Se puede definir la Visin Artificial como un campo de la Inteligencia
Artificial que, mediante la utilizacin de las tcnicas adecuadas, permite la
obtencin, procesamiento y anlisis de cualquier tipo de informacin especial
obtenida a travs de imgenes digitales.

PGINA 65
La visin artificial la componen un conjunto de procesos destinados a realizar
el anlisis de imgenes. Estos procesos son: captacin de imgenes,
memorizacin de la informacin, procesado e interpretacin de los resultados.

5.3.2. Desarrollos actuales y aplicaciones
Con la visin artificial se pueden:
Automatizar tareas repetitivas de inspeccin realizadas por operadores.
Realizar controles de calidad de productos que no era posible verificar por
mtodos tradicionales.
Realizar inspecciones de objetos sin contacto fsico.
Realizar la inspeccin del 100% de la produccin (calidad total) a gran
velocidad.
Reducir el tiempo de ciclo en procesos automatizados.
Realizar inspecciones en procesos donde existe diversidad de piezas con
cambios frecuentes de produccin.

Las principales aplicaciones de la visin artificial en la industria actual son:

Identificacin e inspeccin de objetos.
Determinacin de la posicin de los objetos en el espacio.
Establecimiento de relaciones espaciales entre varios objetos (guiado de
robots)
Determinacin de las coordenadas importantes de un objeto.
Realizacin de mediciones angulares.
Mediciones tridimensionales.













5.4. Lgica difusa (Fuzzy Logic)

Fuzzy Logic tiene sus races en la teora de conjuntos difusos desarrollada por
Zadeh en la dcada de los 60, la que propone que un elemento siempre
PGINA 66
pertenece en un cierto grado a un conjunto y nunca pertenece del todo al
mismo, esto permite establecer una manera eficiente para trabajar con
incertezas, as como para acondicionar el conocimiento en forma de reglas
hacia un plano cuantitativo, factible de ser procesado por computadores.


Toda lgica consiste en formalizar el pensamiento humano, desde este punto
de vista,
Lgica Clsica: Establece que cualquier enunciado o proposicin puede tener
un valor lgico verdadero o falso, en definitiva 1 y 0. De esta forma es posible
desarrollar toda una lgica basada en leyes de este tipo.
Lgica Difusa: En vez de trabajar con el clsico concepto de inclusin o
exclusin, introduce una funcin que expresa el grado de pertenencia de una
variable hacia un atributo o variable lingstica tomando valores en el rango
de 0 a 1.
Conjunto Difuso: Par Variable lingstica funcion de pertenencia
A = {x / A (x) x X}

Ventajas
La principal ventaja de utilizar trminos lingsticos como: a medias, bastante,
casi, un poco, mucho, algo, etc, est en que permite plantear el problema en
los mismos trminos en los que lo hara un experto humano.

El xito de esta tcnica radica en que El mundo es Fuzzy. En otras palabras,
no tiene sentido buscar la solucin a un problema no perfectamente definido
por medio de un planteamiento matemtico muy exacto, cuando es el ser
humano el primero que razona empleando la inexactitud.













5.4.1. Conceptos bsicos

PGINA 67
La logica difusa es una extension de la logica tradicional (Booleana) que
utiliza conceptos de pertenencia de sets mas parecidos a la manera de pensar
humana.

La lgica difusa no usa valores exactos como 1 o 0 pero usa valores entre 1 y 0
(inclusive) que pueden indican valores intermedios (Ej. 0, 0.1, 0.2, ,0.9,1.0, 1.1,
etc)

La lgica difusa tambin incluye los valores 0 y 1 entonces se puede considerar
como un superset o extensin de la lgica exacta.

El concepto de un subset difuso fue introducido por L.A. Zadeh en 1965 como
una generalizacin de un subset exacto (crisp subset) tradicional.

Los subsets exactos usan lgica Booleana con valores exactos como por
ejemplo la lgica binaria que usa valores de 1 o 0 para sus operaciones.

5.4.2. Desarrollos actuales y aplicaciones

La lgica difusa se utiliza cuando la complejidad del proceso en cuestin es
muy alta y no existen modelos matemticos precisos, para procesos altamente
no lineales y cuando se envuelven definiciones y conocimiento no
estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algn modelo matemtico ya
soluciona eficientemente el problema, cuando los problemas son lineales o
cuando no tienen solucin.
Esta tcnica se ha empleado con bastante xito en la industria, principalmente
en Japn, extendindose sus aplicaciones a multitud de campos. La primera
vez que se us de forma importante fue en el metro japons, con excelentes
resultados. Posteriormente se generaliz segn la teora de la incertidumbre
desarrollada por el matemtico y economista espaol Jaume Gil Aluja.
A continuacin se citan algunos ejemplos de su aplicacin:
Sistemas de control de acondicionadores de aire
Sistemas de foco automtico en cmaras fotogrficas
Electrodomsticos familiares (frigorficos, lavadoras...)
Optimizacin de sistemas de control industriales
Sistemas de escritura
Mejora en la eficiencia del uso de combustible en motores.


5.5. Procesamiento de Lenguaje Natural (PLN)
PGINA 68
El recurso ms importante que posee la raza humana es conocimiento, o sea
informacin. En la poca actual de informacin, del manejo eficiente de este
conocimiento depende el uso de todos los dems recursos naturales,
industriales y humanos.

Durante toda la historia de humanidad el conocimiento, en su mayor parte se
comunica, se guarda y se maneja en la forma de lenguaje natural griego,
latn, ingls, espaol, etc. La poca actual no es ninguna excepcin: el
conocimiento sigue existiendo y crendose en la forma de documentos, libros,
artculos, aunque stos se guardan en forma electrnica, o sea digital. El gran
avance es que en esta forma, las computadoras ya pueden ser una ayuda
enorme en el procesamiento de este conocimiento.

Entre las tareas principales del procesamiento de lenguaje natural se puede
mencionar:
Recuperacin de informacin,
Interfaces en lenguaje natural,
Traduccin automtica.


5.5.1. Conceptos bsicos

Lenguaje: Sistema de signos complejo, estructurado.
(PLN o NLP, Natural Language Processing): Rama de la inteligencia artificial
que analiza, entiende y genera los lenguajes que los humanos usan
naturalmente para relacionarse con la computadora.

Lingstica: Es la disciplina que se ocupa del estudio cientfico del lenguaje.
enguaje formal: es un lenguaje artificial o sea creado por el hombre que esta
formado por smbolos y formulas y que tiene como objetivo fundamental
formalizar la programacin de computadoras o representar simblicamente
un conocimiento.








5.5.2. Desarrollos actuales y aplicaciones
PGINA 69

Proceden de la fusin de dos disciplinas: la lingstica y la informtica.
Surgen del procesamiento automtico de la lengua natural: los elementos de la
lengua fonemas, morfemas, palabras, oraciones, textos y las reglas que rigen
el funcionamiento comienzan a sistematizarse para ser informatizados,
consiguindose con ello realizar automticamente tareas lingsticas.
Estas aplicaciones tienen en cuenta la disciplina o disciplinas lingsticas
dentro de las cuales puedan encuadrarse. a pesar de que muchas de ellas
convergen en un mismo producto: por ejemplo, en el caso de la traduccin
automtica se necesitan analizadores morfolgicos, sintcticos y semnticos,
adems de reconocimiento y sntesis de voz.

TECNOLOGAS DEL HABLA

Las tres reas bsicas que configuran las tecnologas del habla son:

La sntesis del habla (el ordenador proporciona informacin oral). Este tipo de
aplicaciones informticas Permite la generacin de mensajes hablados a partir
de un texto escrito almacenado en formato electrnico. Suelen emplear los
sistemas de conversin de texto en habla, que constan por lo general de un
mdulo de procesamiento lingstico, en el que se llevan a cabo una
trascripcin fontica y un anlisis lingstico ms o menos detallado del texto
de entrada y de otro que se ocupa de los aspectos ms ligados al tratamiento
informtico de la seal sonora. Las personas con discapacidad visual pueden
por ejemplo acceder a la informacin a travs de los sistemas que convierten el
texto escrito en texto hablado.
El reconocimiento del habla (el ordenador procesa los enunciados emitidos por
un interlocutor). Este tipo de aplicaciones procede realizando a una operacin
inversa a la llevada a cabo en la sntesis: la onda sonora portadora de un
mensaje se convierte en una representacin simblica, que suele ser un texto
escrito. El ordenador recibe los sonidos del habla en forma de ondas analgicas
que se analizan para identificar las unidades que constituyen las palabras
(fonemas).
Los sistemas de dilogo (comunicacin bidireccional). Constan de un mdulo
de reconocimiento automtico del habla, un sistema de comprensin que se
ocupa de la interpretacin del enunciado, un mdulo de generacin que crea
un texto con los resultados de una consulta a una base de datos o con la
respuesta adecuada a la conversacin entre usuario y sistema, y de un
conversor de texto en habla que transforma esta respuesta en su equivalente
sonoro.



PGINA 70
TECNOLOGAS DEL TEXTO
Aplicaciones informticas basadas en el anlisis morfolgico, sintctico y
semntico del texto:

Analizadores morfolgicos / Generadores
Analizadores sintcticos
Correctores
Desambiguadores
Traductores
Textos predictivos
5.6. Sistemas Expertos (SE)

Durante aos la actividad de la Inteligencia Artificial estuvo dedicada a las
investigaciones tericas y al desarrollo de experimentos a travs de programas
que demostraran actitudes inteligentes, con estos programas se pretendia
que la mquina jugara ajedrez, demostrara teoremas matemticos, etc.
No fue hasta los aos 70 que surgi un nuevo paradigma en la Inteligencia
Artificial los Sistemas Expertos, cuya funcin es desarrollar trabajos
similares a los que desarrollaria un especialista en un rea determinada, la
idea no es sustituir a los expertos, sino que estos sistemas sirvan de apoyo a
los especialistas en un dominio de aplicacin especfico.
Estos sistemas expertos son en lo esencial sistemas de computacin basados
en conocimientos cuyos componentes representan un enfoque cualitativo de la
programacin. Muchas personas pueden creer que un Sistema Experto (SE) es
un sistema compuesto por subsistemas y a su vez estos por otros subsistemas
hasta llegar a los programas, y que los SE se miden por la cantidad de
programas que contienen. Sin embargo la cantidad no es lo que prima en los
SE, si no la cualidad del mismo, esta cualidad est dada por la separacin de
las reglas que describen el problema (Base de Conocimientos), del programa de
control que es quien selecciona las reglas adecuadas (Motor de inferencias).
Podemos decir que un Sistema Experto es una Base de Conocimientos (BC),
una Base de Hechos (BH) y un Motor (o Mquina) de Inferencias (MI). Por
otra parte estos sistemas no se miden por la cantidad de instrucciones o
programas sino por la cantidad de reglas que hay contenida en su Base de
Conocimientos.
Para desarrollar los sistemas expertos primero es necesario abordar un rea de
inters, dentro de esta rea se seleccionan a los expertos, que son los
especialistas capaces de resolver los problemas en dicha rea. Por ejemplo el
rea de inters de las empresas de proyectos, son precisamente los proyectos y
un especialista podra ser un arquitecto, un ingeniero civil, etc. Ahora bien,
casi siempre estos especialistas, son expertos en un dominio especfico y es
sobre este dominio, donde poseen su mayor experiencia (Dominio de
Experticidad), por ejemplo un Ing. civil especializado en cimientos.
PGINA 71

5.6.1. Conceptos bsicos

Un Sistema Experto (SE), es bsicamente un programa de computadora
basado en conocimientos y raciocinio que lleva a cabo tareas que
generalmente slo realiza un experto humano; es decir, es un programa que
imita el comportamiento humano en el sentido de que utiliza la informacin
que le es proporcionada para poder dar una opinin sobre un tema en especial.

Un experto humano es una persona que es competente en un rea determinada
del conocimiento o del saber. Un experto humano es alguien que sabe mucho
sobre un tema determinado y que puede dar un consejo adecuado.

5.6.2. Clasificacin
Por la naturaleza de la tarea a realizar: as se tiene cuatro posibilidades:
* Diagnostico o Clasificacin: se conocen soluciones y se tratan de clasificarlas
o diagnosticarlas en funcin de una serie de datos. Por ejemplo:
sistema de diagnstico medico.
* Monitorizacin: anlisis del comportamiento de un sistema buscando
posibles fallos, en este caso es importante contemplar la evolucin del
sistema pues no siempre los mismos datos dan lugar a idnticas soluciones.
* Diseo: se busca la construccin de la solucin a un problema, que en
principio es desconocida, a partir de datos y restricciones a satisfacer.
* Prediccin: se estudia el comportamiento de un sistema.
Por la interaccin del usuario:
* Apoyo: el sistema aconseja el usuario, que mantiene la capacidad de una
ltima decisin. Por ejemplo, el diagnostico mdico.
* Critica: Su misin es analizar y criticar decisiones tomadas por el usuario.

Por la limitacin de tiempo para tomar decisiones:
* Tiempo ilimitado: por ejemplo, aquellos que emplean conocimiento casual,
que busca orgenes de un problema que ha ocurrido y cuyo anlisis no
necesita ser inmediato.
* Tiempo limitado (tiempo real): sistemas que necesitan actuar controlando o
monitorizando dispositivos y que han de tomar decisiones inmediatas frente
a los problemas que surjan. Por ejemplo el control de una red de
comunicaciones.

Por la variabilidad temporal del conocimiento:
* Estticos: la base del conocimiento no se altera durante el proceso de
decisin.
* Dinmicos: ocurren cambios en la base de conocimiento durante la toma de
PGINA 72
decisiones. Estos cambios pueden ser predecibles o impredecibles y adems
pueden, bien aadir informacin, bien modificar la informacin ya existente.
Por la naturaleza del conocimiento almacenado:
* Basado en experiencia: el conocimiento se basa en experiencias o hechos
ocasionados conocidos por el experto, pero sin que existe una causa clara
para los efectos que se observan.
* Basado en relaciones causa-efecto.
Por la certeza de la informacin:
* Completa o perfecta: se conocen todos los datos y reglas necesarios para la
decisin.
* Imperfecta: que puede ser incompleta (falta informacin para tomar
decisiones), Datos inciertos (o no confirmados), Conocimientos incierto
(reglas no siempre validas), Terminologa ambigua (dobles sentidos, etc).
5.6.3. Desarrollos actuales y aplicaciones

Las principales aplicaciones de los sistemas expertos son las relacionadas con
el mundo empresarial. Esto se debe a que resultan muy tiles en funciones
como la contabilidad, tesorera, gestiones internasEl campo que ms
aplicaciones de sistemas expertos esta realizando es el de la auditora.
Pero los sistemas expertos son aplicados en muchas ms reas con
resultados satisfactorios. Algunas de las principales son: telecomunicaciones,
medicina, militar, derecho, aeronutica, geologa, electrnica
A continuacin se presentan algunos Sistemas Expertos que se han
desarrollado para la solucin de diversos problemas.
MYCIN es un Sistema Experto para la realizacin de diagnsticos en el rea de
la medicina, iniciado por Ed Feigenbaum y posteriormente desarrollado por E.
Shortliffe y sus colaboradores. Su funcin es la de aconsejar a los mdicos en la
investigacin y determinacin de diagnsticos en el campo de las
enfermedades infecciosas de la sangre[CRIA].
XCON es un Sistema Experto para configuraciones, desarrollado por la Digital
Equipment Corporation. Segn los deseos individuales del cliente se
configuran redes de ordenadores VAX. Ya que el abanico de productos que se
ofrecen en el mercado es muy amplio, la configuracin completa y correcta de
un sistema de estas caractersticas es un problema de gran complejidad.
Responde esencialmente a dos preguntas: Pueden conjugarse los
componentes solicitados por el cliente de forma conveniente y razonable? Y
Los componentes de sistema especificados son compatibles y completos?. Las
respuestas a estas preguntas son muy detalladas. XCON es capaz de
comprobar y completar los pedidos entrantes mucho ms rpido y mejor que
las personas encargadas de hacerlo antes que l [CRIA].
DELTA, sistema experto que ayuda a los mecnicos en el diagnstico y
reparacin de locomotoras diesel-elctricas, DELTA no slo da consejos
PGINA 73
expertos, sino que tambin presenta informaciones por medio de un
reproductor de vdeo [IBAR].