Introducción a los

Sistemas Inteligentes (I)

 Caracterización (¿Qué es un sistema

inteligente?).
 Paradigmas principales.
 Ejemplos de aplicación: Supervisión y
Diagnosis
 Caracterización

The field of artificial intelligence (AI) is concerned with the

design and analysis of autonomous agents. These are
software systems and/or physical machines, with
sensors and actuators, embodied for example within a
robot or an autonomous spacecraft. An intelligent
system has to perceive its environment, to act rationally
towards its assigned tasks, to interact with other agents
and with human beings.

Computer Science
Curriculum 2008: An Interim Revision of CS 2001
December 2008
Association for Computing Machinery
IEEE Computer Society 2
 Algunas definiciones de
Inteligencia Artificial

“El nuevo y excitante esfuerzo de hacer que los “El estudio de las facultades mentales mediante el uso
computadores piensen ... maquinas con mente, en el más de modelos computacionales”.
amplio sentido literal”. Charniak y McDermott, 1985.
Haugeland, 1985. “El estudio de los cálculos que hace posible percibir,
“[La automatización de] actividades que vinculamos con razonar y actuar”.
procesos de pensamiento humano, actividades como la Winston, 1992.
toma de decisión, resolución de problemas, aprendizaje
...”
Bellman, 1978.

“El arte de desarrollar máquinas con capacidad para “La Inteligencia Computacional es el estudio del diseño
realizar funciones que cuando son realizadas por de agentes inteligentes”.
personas requieren de inteligencia”. Pool y col., 1988.
Kurzweill, 1990. “IA... está relacionada con conductas inteligentes en
“El estudio de cómo lograr que los computadores realicen artefactos”.
tareas que, por el momento, las personas hacen mejor” Nilsson, 1998.
Rich y Knight, 1991.

Las definiciones están organizadas en cuatro categorías:

Sistemas que piensan como personas Sistemas que piensan racionalmente
Sistemas que actúan como personas Sistemas que actúan racionalmente
3
 ¿Qué es un sistema inteligente?

 Sistema Inteligente
 Agente inteligente o, mejor, racional

4
 Concepto de Agente

 Entidad que
 percibe su entorno a través de sensores
 modifica el entorno mediante actuadores

sensores
Agente
E
N
T
? O
R
N
O
actuadores
5
 Conceptos básicos

 Secuencia de Percepciones (SP)

 Acciones
 Función de Agente

6
 Agente racional

 Intuitivamente:
 “hacer lo correcto”
 considerar creencias y percepción del entorno
para seleccionar la acción que proporcione mayor
éxito, satisfacción, etc.
 Medida de rendimiento
 objetiva
 externa
 cuantifique el éxito

7
 Agente racional

 Agente racional ideal, Russell, Norvig

 “Aquel que para cada posible secuencia de
percepciones, realiza la acción que se
espera que maximice su medida de
rendimiento, basándose en la evidencia
proporcionada por su secuencia de
percepción y el conocimiento que el agente
mantiene almacenado”

8
 Aclaraciones

 Agente racional ≠ Agente omnisciente

 Necesidad de aprendizaje

 Agente autónomo

9
 Ejemplos de agentes y
descripción REAS

Tipo de Medida de Entorno Actuadores Sensores

Agente Rendimiento

Robot para la Porcentaje de Cinta Brazo y Cámara,

selección de componentes transportado mano sensor
componentes clasificados en los ra con articulados angular
cubos correctos componente
s, cubos
Controlador de Maximizar la Refinería, Válvulas, Temperatura,
una refinería pureza, producción operadores bombas, presión,
y seguridad calentadores, sensores
monitores químicos
Tutor de Ingles Maximizar la Conjunto de Visualizar los Teclado de
interactivo puntuación de los estudiantes, ejercicios, entrada
estudiantes en los agencia sugerencias,
exámenes examinadora correcciones
 Entornos y sus características

 Ejemplos de entornos:
 Crucigrama, Ajedrez con reloj, Análisis de
imagen, Robot clasificador, Diagnóstico
médico

 Características del entorno

 Observable, Determinista, Episódico,
Estático, Discreto, Agentes

11
 Introducción: Encargo E1

 Desarrollar el apartado “Entorno y sus

características”.
 Referencia básica: Rusell y Norvig.

 Definir las características básicas

 Proponer ejemplos de entornos
adicionales y caracterizarlos

12
 Estructura de agente

 Función de agente
 secuencia percepciones  acciones
 Especifica el comportamiento del agente
 Estructura de Agente
 arquitectura de agente + programa de
agente
 arquitectura: hard + soft
 programa: función de agente

13
 Agente reactivo simple

Agente sensores

E
N
descripción del mundo
T
O
R
acción N
Reglas condición/acción
O

actuadores
14
 Introducción: Encargo E2

 Completar el apartado “Estructura de

Agente”.
 Referencia básica: Rusell y Norvig.

 Revisar las estructuras básicas

propuestas por Russel y Norvig y
proponer ejemplos adicionales de
Agentes que puedan ser soportados por
dichas estructuras

15
 Paradigmas principales (I)

 Sistemas inteligentes “basados en

conocimiento”
 No sólo técnicas de búsqueda
 De interés en numerosos entornos (juegos,
optimización de rutas, etc…)
 Incluyen conocimiento, implícito o explicito,
sobre el problema a resolver

16
 Paradigmas principales (II)

 Sistemas basado en conocimiento

(sistemas expertos)
 Razonamiento basado en casos
 Métodos de aprendizaje y minería de
datos
 Razonamiento basado en modelos

17
Sistemas basado en conocimiento
(sistemas expertos)

 Identificación y explotación del

conocimiento humano para la resolución
de problemas
 Suposiciones básicas
 El conocimiento proviene de la experiencia
 Los expertos codifican el conocimiento
mediante asociaciones (heurística)
 El conocimiento se puede extraer del
experto y codificar mediante un Lenguaje
de Representación de Conocimiento
18
 Reglas de producción

 Estructura
 SI antecedente ENTONCES consecuente

 Ejemplo
SI las diferencias de temperaturas son anormalmente altas Y
las presiones se mantienen aproximadamente constantes
ENTONCES sospechar fallo en sensores de temperatura

19
 Ejemplo de MYCIN

 Diagnosis y terapia de enfermedades infecciosas

 Base de conocimiento: Reglas de Producción
if (1) the stain of the organism is gram-negative
(2) the morphology of the organisms is coccus
(3) the growth configuration of the organism is chains
then there is a suggestive evidence (0.7)
that the identity of the organisms is streptococcus
 Control: encadenamiento hacia atrás, meta-
reglas
 Razonamiento aproximado: factores de certeza

20
 Clasificación jerárquica

Espacio de datos Espacio de soluciones

Datos Soluciones
abstractos Equiparación abstractas
Clasificación
Abstracción Refinamiento Jerárquica

Datos Soluciones

[Clancey, Chandrasekaran, 83, 85]

21
 SI (1) se dispone de un análisis de sangre,
(2) el recuento leucocitario es menor que 2,500

Ejemplo: MYCIN ENTONCES (3) las siguientes bacterias podrían estar causando
la infección: E. Coli (.75), Pseudonomas-aeuroginosis (.5),
Klebsiella-pneumoniae (.5).

Espacio de datos Espacio de soluciones

CAUSA Clases de enfermedades

Abstracciones del paciente
Equiparación Bacteria que coloniza territorios
Huésped Inmunocomprometido no estériles

GENERALIZACIÓN
SUBTIPO
Abstracción Refinamiento

Datos del paciente

Bacteria que coloniza
Inmunodepresión el tracto GI

GENERALIZACIÓN
SUBTIPO
Refinamiento
Leucopenia

DEFINICIÓN Enterobacterias

Recuento Leucocitario bajo SUBTIPO

Refinamiento
CUALITATIVA
Enfermedades específicas
Recuento Leucocitario < 2.500
Infección por E. Coli

Investigación: Diagnosis basada en modelos 22

 Aplicaciones SBC (SE)

 Numerosos dominios de aplicación:

 Medicina, Mecánica, Electrónica, Control de Procesos,
Aeronáutica, ...
 Numerosas tareas:
 Diagnosis, configuración, clasificación, …
 Numerosos sistemas:
 Representativos: MYCIN, INTERNIST, R1/XCONF…
 Actuales: Expert systems with applications (An
international Journal)

23
 Ventajas aproximación SBC

 Aproximación bien establecida

 Metodologías (Ingeniería de conocimiento,
Ontologías), sistemas
 Adecuada si
 Suficiente experiencia
 No hay otras fuentes de conocimiento
 Suficientes observaciones
 El sistema permanece estable

24
Inconvenientes aproximación SE

 Relacionadas con la experiencia

 Dificultad tarea adquisición conocimiento
 Disponibilidad experiencia/expertos
 Dependencia del dispositivo
 Relacionado con el método de solución
 Situaciones no previstas
 Combinación de soluciones(ej: fallos múltiples)
 Fragilidad
 Ingeniería de software
 Obtención del conocimiento
 Reutilización de conocimiento (tareas, dispositivos)
 Mantenimiento de (la consistencia de ) la base de
conocimiento

25
 Razonamiento basado en casos

 Caso: descripción de un problema y su

solución
 Solución nuevo problema
 Buscar caso(s) con descripción más similar
 Adaptar solucion(es) y revisar resultado
 Almacenar nuevo caso si interesante

26
Ciclo CBR

 Recuperar (retrieve) los

casos más parecidos
 Reutilizar (reuse) la
solución propuesta en los
casos para tratar de
resolver el problema
 Revisar (revise) la
solución propuesta
 Almacenar (retain) la
nueva solución como
parte de un nuevo caso

27
 Ventajas/inconvenientes
aproximación CBR

 Ventajas
 No requiere representación explicita del
conocimiento
 Capacidad de aprendizaje
 Adecuado si no se dispone de modelo
explicito

 Inconvenientes
 Necesidad de casos previos
 Limitaciones de la etapa de REVISIÓN
28
 Aprendizaje y Minería de datos

 Permiten inferir conocimiento nuevo

 Descripción de conceptos a partir de
ejemplos etiquetados (clasificación)
 Descubrimiento de conceptos a partir de
ejemplos no etiquetados (clustering)
 Descubrimiento de regularidades en datos
 Mejora de la eficiencia

29
 Ventajas/inconvenientes
paradigma de aprendizaje

 Ventajas:
 Permiten generar automáticamente
conocimiento a partir de datos
 Adecuado si no se dispone de modelo
explicito

 Inconvenientes
 Necesidad de disponer de datos
 Habitualmente de utilidad en alguna parte
del proceso de solución
30
Razonamiento basado en modelos

Libros Diseño Primeros Principios

Sistema
Modelo
Real

Comportamiento Comportamiento
Diferencias
(observado/deseado) Predicho

Solución

31
Razonamiento basado en modelos

 Conocimiento: modelos (estructura,

comportamiento) de los componentes
del sistema
 Razonamiento: proceso de
manipulación de los modelo hasta
obtener solución del problema

32
 Ventajas RBM

 Independiente de la experiencia
 Aplicable a dispositivos nuevos
 Independencia del dispositivo
 Problema de las variantes
 Soluciones complejas (ej: Fallos múltiples)
 Sólido y completo
 Respecto a los modelos
 Mantenimiento y reutilización del conocimiento
 Biblioteca de modelos (disponibles desde el diseño)

33
 Inconvenientes RBM

 Dificultad de obtención de los modelos

 Procesos poco conocidos
 Sistemas con numerosos componentes
 Comportamientos complejos: dinámica, no
linealidades, rango de validez de modelo…
 Mayor carga computacional del proceso
de razonamiento
 Limitaciones aplicaciones en tiempo real

34
 Áreas de aplicación

 Planificación y Scheduling
 Configuración y diseño
 Diagnosis
 Control
 Visión
 Tecnologías del habla
 Robótica
 Lenguaje natural
 Análisis de transacciones
 Industria informática actual
 navegadores, buscadores, gestor e-mail, reconocimiento
matrículas aparcamientos, compras on-line …

35
 Industrial del automóvil

 De gran interés por

 Seguridad
 Medio ambiental
 Económicos

 Varios proyectos
Europa, USA
 Diagnosis a bordo
 Diagnosis en el taller
 Elaboración de manuales
 Diagnosis, mantenimiento
preventivo

36
 Industria Aeroespacial

 Sistemas de Monitorización de las funciones básicas de naves

espaciales (Health Managment Systems)
 subsistemas de propulsión, guiado, “de vida”...
 Para detección, localización y reconfiguración
 Satélites, lanzaderas...
 ESA (European Espace Agency), NASA (National Space
Agency), Deimos Space, IBERESPACIO

Investigación: Diagnosis basada en modelos 37

Localización de fallos en copiadoras

On/Off Vacuum

Power
blower
(a)
relay (c)

Paper
Height
(b) valve
sensor
Air Knife

None

Investigación: Diagnosis basada en modelos 38

Supervisión de procesos
industriales

Aporta
 Atención continuada
 Seguridad
 Calidad homogénea

39
 Introducción: Encargo E3

 Buscar ejemplos de aplicación de

Sistemas Inteligentes “Industria
Informática Actual”
 Información sobre 4 Sistemas
Inteligentes asimilables. Breve
descripción del problema y del Sistema
Inteligente (paradigma principal)
 Referencias: IEEE Intelligent Systems,
Engineering Applications of Artificial Intelligence,
Expert Systems with Applications…

40