Universidad nacional Jos mara

Arguedas
ESCUELA PROFESIONAL DE
INGENIERIA DE SISTEMAS
INTELIGENCIA
ARTIFICIAL

DOCENTE: ING. CANDIA QUISPE WILSON

NOMBRE: CACERES MARIO ERVIN LEWIS
CICLO: X
CODIGO: 1002920101

INDICE
1.

.................................................INTRODUCCION
3

2.

OBJETIVO GENERAL.................................................................................................... 4

3.

OBJETIVOS ESPECIFICOS............................................................................................. 4

4.

HISTORIA DE LA INTELIGENCIA ARTIFICIAL.................................................................5

5.

AGENTES INFORMATICOS........................................................................................... 8

6.

AGENTES RESOLVENTES DE PROBLEMAS POR MEDIO DE BUSQUEDA......................13

7.

LOGICA DIFUSA......................................................................................................... 19

8.

REDES NEURONALES................................................................................................ 23

9.

CONCLUSION............................................................................................................ 25

1.

INTRODUCCION

El presente trabajo monogrfico pretende explicar sobre los comienzos de la

inteligencia artificial y la definicin de los agentes inteligentes y tambin definir
sobre la lgica difusa como los avances y los altercados que tubo esta
investigacin y bsqueda de la informacin respecto a la inteligencia artificial.

Antes de la aparicin de la computadora, el hombre ya se preguntaba si se le

arrebatara el privilegio de razonar y pensar. En la actualidad existe un campo
dentro de la inteligencia artificial al que le atribuye esa facultad. El de los
sistemas expertos. Estos sistemas permiten la creacin de mquinas que razona
como el hombre, restringindose a un espacio de conocimientos limitado. En
teora pueden razonar siguiendo los pasos que seguira un experto humano
(medico, analista, empresario, ect.) para resolver un problema concreto. Este
tipo de modelo de conocimiento por ordenador ofrece un extenso campo de
posibilidades en resolucin de problemas y en aprendizaje. Su uso se extender
ampliamente en el futuro, debido a su importante impacto sobre los negocios y
la industria.
A partir de la aparicin de las computadoras hasta nuestros das, la gente ha
invertido grandes esfuerzos por tratar de dar una cierta capacidad de decisin a
estas mquinas, incluso un cierto grado de inteligencia.
Estos esfuerzos se han visto reflejados en los sistemas expertos, los cuales, en si
no tienen verdadera inteligencia artificial; ms bien, es un sistema basado en el
conocimiento que, mediante el buen diseo de su base de informacin y un
adecuado motor de inferencias para manipular dichos datos proporcionan una
manera de determinar resoluciones finales de datos ciertos criterios.
Los sistemas expertos son una herramienta poderosa en el apoyo o gua de los
usuarios en los procesos que tienen una secuencia de o pasos definida, pero que
puede ser configurable.
El presente trabajo aborda el tema como ya se ava mencionado de sistemas
expertos, debido a que son una herramienta cuya utilidad ya est comprobada,
y que sin embargo, muchas personas desconocen y otras mas no las aceptan
todava. Se desean presentar los aspectos generales de un sistema experto, sus
orgenes, componentes, costruccion y utilizacin primordialmente, con el fin de
crear conciencia en las empresas de la inteligencia artificial representan una
oportunidad innegable de modernizacin y mejoramiento de sus procesos.

2.

OBJETIVO GENERAL

Desarrollar un trabajo monogrfico para que sea de utilidad a las nuevas

generaciones de personas y tengan conociendo de la historia de la inteligencia
artificial tal que permita apoyar la toma de decisiones en la empresa, al
momento de evaluar la facilidad para la implementacin de un sistema experto.

3.

OBJETIVOS ESPECIFICOS
Incrementar la difusin de la inteligencia artificial con los conocimientos
impartidos en este trabajo.
Proporcionar una herramienta de trabajo sobre sistemas expertos y
aplicaciones al personal de tecnologa de la informacin.
Entender a la IA concebida como el intento por desarrollar una tecnologa
capaz de proveer al ordenador capacidades de razonamiento similares a
los de la inteligencia humana.
Probar que los agentes en su concepcin como investigacin relativa a los
mecanismos de la inteligencia humana que se emplean en la simulacin
de validacin de teoras
Entender los objetivos de los agentes de informacin

4.

HISTORIA DE LA INTELIGENCIA ARTIFICIAL

La idea de algo parecido a la inteligencia artificial existe desde hace millones de aos.
El primer hombre primitivo que tomo conciencia de su propia existencia, y de que era

capaz de pensar, seguramente se pregunt cmo funcionara su pensamiento y

posterior me llegara a la idea de un "creador superior". Por lo tanto, la idea de que un
ser inteligente cree a otro, la idea de un diseo
virtual para la inteligencia, es tan remota como
la toma de conciencia del ser humano. - Los
juegos matemticos antiguos, como el de la
torres de hanoi (aprox 3000ac), demuestran el
inters por la bsqueda de un bucle resolutor,
una IA capaz de ganar en los mnimos
movimientos posibles.
En 1903 Lee De Forest inventa el triodo
(tambin llamados bulbo o vlvula de vaco).
Podra decirse que la primera gran maquina
inteligente diseada por el hombre fue el computador ENIAC, compuesto por 18.000
vlvulas de vaco, teniendo en cuenta que el concepto de "inteligencia" es un trmino
subjetivo que depende de la inteligencia y la tecnologa que tengamos en esa poca. Un
indgena del amazonas en el siglo 20 podra calificar de inteligente un tocadiscos,
cuando en verdad no lo es tanto.
En 1937, el matemtico ingls Alan Mathison Turing (1912-1953) public un artculo de
bastante repercusin sobre los "Nmeros Calculables", que puede considerarse el
origen oficial de la Informtica Terica.
En este artculo, introdujo la Mquina de Turing, una entidad matemtica abstracta que
formaliz el concepto de algoritmo y result
ser la precursora de las computadoras
digitales. Con ayuda de su mquina, Turing
pudo demostrar que existen problemas
irresolubles, de los que ningn ordenador ser
capaz de obtener su solucin, por lo que a Alan
Turing se le considera el padre de la teora de
la compatibilidad.
Tambin se le considera el padre de la
Inteligencia Artificial, por su famosa Prueba de
Turing, que permitira comprobar si un
programa de ordenador puede ser tan
inteligente como un ser humano.
En 1951 William Shockley inventa el transistor
de union. El invento del transistor hizo posible
una nueva generacin de computadoras
mucho ms rpidas y pequeas.
En 1956, se acuo el trmino "inteligencia artificial" en Dartmouth durante una
conferencia convocada por McCarthy, a la cual asistieron, entre otros, Minsky, Newell y
Simon. En esta conferencia se hicieron previsiones triunfalistas a diez aos que jams
se cumplieron, lo que provoc el abandono casi total de las investigaciones durante
quince aos.
- En 1980 la historia se repiti con el desafo japons de la quinta generacin, que dio
lugar al auge de los sistemas expertos, pero que no alcanz muchos de sus objetivos,
por lo que este campo ha sufrido una nueva detencin en los aos noventa.
- En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un agente
inteligente. Al intentar describir con un mayor mbito (no solo la comunicacin) los
atributos de un agente inteligente, la IA se ha extendido a muchas reas que han

creado ramas de investigacin enorme y diferenciada. Dichos atributos del agente

inteligente son:

Tiene actitudes mentales tales como creencias e intenciones

Tiene la capacidad de obtener conocimiento, es decir, aprender.
Puede resolver problemas, incluso particionado problemas complejos en otros
ms simples.
Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas
o contradictorias.
Planifica, predice consecuencias, evala alternativas (como en los juegos de
ajedrez)
Conoce los lmites de sus propias habilidades y conocimientos.
Puede distinguir a pesar de la similitud de las situaciones.
Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando
analogas.
Puede generalizar.
Puede percibir y modelar el mundo exterior.
Puede entender y utilizar el lenguaje y sus smbolos.

Podemos entonces decir que la IA incluye caractersticas humanas tales como el

aprendizaje, la adaptacin, el razonamiento, la autocorreccin, el mejoramiento
implcito, y la percepcin modelar del mundo. As, podemos hablar ya no slo de un
objetivo, sino de muchos dependiendo del punto de vista o utilidad que pueda
encontrarse a la IA. - Muchos de los investigadores sobre IA sostienen que "la
inteligencia es un programa capaz de ser ejecutado independientemente de la mquina
que lo ejecute, computador o cerebro".
Test de Turing
Si usted seor lector hablara con una mquina a travs de internet, podra distinguir si
se trata de un computador? Los seres humanos evalan la inteligencia de sus
congneres a travs de la interaccin con ellos, si un computador pudiera hacerse pasar
por una persona... se podra afirmar que esinteligente? Existen algunos candidatos que
estn muy cerca de aprobar este examen, conocido como el test de Turing, incluyendo
al robot cleverbot.
El Test de Turing (o Prueba de Turing) es una prueba propuesta por Alan Turing para
demostrar la existencia de inteligencia en una mquina. Fue expuesto en 1950 en un
artculo (Computing machinery and intelligence) para la revista Mind, y sigue siendo
uno de los mejores mtodos para los defensores de la Inteligencia Artificial. Se
fundamenta en la hiptesis positivista de que, si una mquina se comporta en todos los
aspectos como inteligente, entonces debe ser inteligente.
La prueba consiste en un desafo. Se supone un juez situado en una habitacin, y una
mquina y un ser humano en otras. El juez debe descubrir cul es el ser humano y cul
es la mquina, estndoles a los dos permitido mentir al contestar por escrito las
preguntas que el juez les hiciera. La tesis de Turing es que si ambos jugadores eran
suficientemente hbiles, el juez no podra distinguir quin era el ser humano y quin la
mquina. Todava ninguna mquina puede pasar este examen en una experiencia con
mtodo cientfico.
En 1990 se inici un concurso, el Premio Loebner, una competicin de carcter anual
entre programas de ordenador que sigue el estndar establecido en la prueba de Turing.
Un juez humano se enfrenta a dos pantallas de ordenador, una de ellas que se
encuentra bajo el control de un ordenador, y la otra bajo el control de un humano. El
juez plantea preguntas a las dos pantallas y recibe respuestas. El premio est dotado
con 100.000 dlares estadounidenses para el programa que pase el test, y un premio

de consolacin para el mejor

Todava no ha sido otorgado el

programa anual.
premio principal.

Las
consecuencias
de
estos
estudios
turing y sala china que en si son lo
fueron discutidas durante la dcada de
I.J. Good, y John von Neumann quien
trmino "singularidad" para describir el
tecnolgico durante la dcada de 1950.
no es sino hasta en los 80s que la
popularizada por Vernor Vinge. Si la
ocurrir o no, es un hecho muy
debatido, pero la aproximacin ms comn
entre los futuristas la sita dentro de la tercera
Siglo XXI.

(Mquina
de
mismo)
los 60s por
usa
el
progreso
Sin embargo,
Singularidad es
Singularidad

dcada del

Otros, notablemente Raymond Kurzweil, han propuesto teoras que expanden la Ley de
Moore hacia tipos de computacin que van ms all de los simples transistores,
sugiriendo un patrn exponencial de progreso tecnolgico. Sin embargo Kurzweil
supone que el propio patrn de crecimiento cambia y la aceleracin se hace mayor
hasta el punto de adquirir un patrn de crecimiento hiperblico. Lo cual es anlogo al
espacio hiperblico de los agujeros negros. Segn Kurzweil, este patrn culmina en un
progreso tecnolgico inimaginable en el Siglo XXI, el cual conduce a la Singularidad, un
punto en el cual el crecimiento se hace infinito. Ley en el sentido cientfico, sino ms
bien una observacin, y ha sentado las bases de grandes saltos de progreso.
En 2004 la industria de los semiconductores produjo ms transistores (y a un costo ms
bajo) que la produccin mundial de granos de arroz, segn la Semiconductor Industry
Association (Asociacin de la Industria de los Semiconductores) de los Estados Unidos.
Gordon Moore sola estimar que el nmero de transistores vendidos en un ao era igual
al nmero de hormigas en el mundo, pero para el 2003 la industria produca cerca de 10
transistores y cada hormiga necesitaba cargar 100 transistores a cuestas para
conservar la precisin de esta analoga.
En 1978, un vuelo comercial entre Nueva York y Pars costaba cerca de 900 dlares y
tardaba 7 horas. Si se hubieran aplicado los mismos principios de la Ley de Moore a la
industria de la aviacin comercial de la misma forma que se han aplicado a la industria
de los semiconductores desde 1978, ese vuelo habra costado cerca de un centavo de
dlar y habra tardado menos de 1 segundo en realizarse. El crecimiento hiperblico es
el patrn que algunos indican que sigue el aumento de la informacin y de hecho ha
sido el ritmo en como ha venido creciendo la poblacin mundial por lo menos hasta
principios de siglo. Robert Anton Wilson generalizo la ley del crecimiento de la
informacin bajo el nombre del fenmeno del Jess saltador, que se inspira en la idea
de comenzar a contar los aos a partir del nacimiento de Jess, aunque tambin parece
un nombre irnico y humorstico, porque a medida que pasa el tiempo no son pocos los
que siguen pensando en el fin del mundo y la inminente llegada de Jess.
Segn Wilson, se inspir en Alfred Korzybski, el autor de la Semntica General, quien
habra observado que la informacin se duplicaba cada cierto tiempo. Korzybski tomo
como base, de todo el conocimiento acumulado y disponible por la humanidad, el ao 1
despus de cristo, Wilson le llama el primer Jess. La primera duplicacin se habra
dado durante el apogeo del renacimiento, con lo que se tendran entonces 2 Jess. La
segunda en el ao 1750, 4 Jess y las siguientes en los aos, 1900, 1950, 1960, 1967 y
1973 (128 Jess). Para el 2000 se calculaba que la informacin se duplicaba 2 veces en
un ao. Sin embargo de acuerdo a otro estudio realizado por la Universidad de Berkeley
en el ao 2004 por los profesores Peter Lyman y Hal Varian, a instancias de Microsoft

Research, Intel, HP y EMC, la informacin que se genera y se registra en el mundo

aumenta a un ritmo de solamente 30% anual desde 1999.

5.

AGENTES INFORMATICOS

Actualmente, dentro del rea de la Inteligencia Artificial ha surgido un nuevo paradigma

conocido como paradigma de agentes, el cual est tomando un gran auge entre los
investigadores. Dicho paradigma aborda el desarrollo de entidades que puedan actuar
de forma autnoma y razonada y que, segn sus defensores, permite la construccin de
sistemas complejos de manera ms apropiada. Ante un comentario de este tipo, para
un profano surgen obligatoriamente ciertas preguntas de carcter general, como por
ejemplo: qu es un agente?, cmo se caracteriza un agente?, qu nos ofrece de
nuevo? etc... Algunas de estas preguntas son difciles de responder, entre otras cosas
debido a que estamos hablando de una tecnologa en ciernes y todava existen lagunas
a nivel conceptual y de desarrollo. Estas lagunas se ven todava ms agravadas cuando
el rea de aplicacin es un campo tan inexplorado y cambiante como Internet.
En la ltima dcada los mtodos para gestionar y organizar la informacin han variado
de forma notable, debido a la aparicin de Internet. Hoy en da, la red se ha convertido
en el gran vehculo o contenedor de informacin. A medida que sta ha ido
evolucionando y creciendo se ha complicado la forma de localizar y consultar la
informacin disponible en la propia red. La mayora de herramientas disponibles
actualmente para la localizacin y recuperacin de informacin se centran ms en la
cantidad que en la calidad de la propia informacin. Es habitual en cualquier proceso de
recuperacin que un usuario se sienta desbordado por el elevado volumen de
documentos o de referencias que se le suministran. Resulta, en este caso, evidente la
necesidad de una cierta automatizacin en el proceso que facilite la labor de
localizacin de informacin de calidad y que a su vez permita diferenciar entre ella
desde el punto de vista subjetivo del propio usuario. En este punto, el empleo de
tcnicas inteligentes resulta adecuado para la mejora de los resultados obtenidos, y es
justo en este momento donde cabe plantearse el uso de agentes inteligentes.
Actualmente, podemos encontrar un gran nmero de propuestas en la literatura acerca
de lo que es y lo que no es un agente, sin que ninguna de ellas haya sido plenamente
consensuada por la comunidad cientfica. Una definicin bastante aceptada es la
propuesta por Michael Wooldridge en [Wooldridge 1995], segn la cual, un agente es un
sistema software, el cual, viene definido por su flexibilidad, entendiendo por flexible que
un agente sea:

Reactivo, responda al entorno en que se encuentra.

Proactivo, que sea capaz de intentar cumplir sus propios objetivos.
Social, sea capaz de comunicarse con otros agentes mediante algn tipo de
lenguaje.

En los trabajos ms recientes relacionados con el tema se tiende a etiquetar a un

agente en funcin del papel que desempea. As, por ejemplo, un agente con acceso a
diversas fuentes de informacin y que es capaz de agrupar y manipular la informacin
obtenida de dichas fuentes para ponerla a disposicin del usuario se conoce como
agente de informacin.
Ms formalmente, los agentes inteligentes de informacin o agentes de Internet
pueden definirse como aquellos sistemas software de computacin que tienen acceso a
mltiples y heterogneas fuentes de informacin que estn distribuidas
geogrficamente [Klusch 1999]. Esta clase de agentes suelen ayudar a sus usuarios en
la bsqueda de informacin til y relevante. Los agentes de informacin, adems de
proveer acceso transparente a las diferentes fuentes de informacin existentes en

Internet, deben ser capaces de recuperar, analizar, manipular, e integrar informacin

heterognea cuando esta sea solicitada. En resumen, este tipo de agentes trata de
resolver el problema de la obtencin de la informacin correcta en el tiempo preciso.
Para que este tipo de agentes pueda servir eficientemente a sus distintos usuarios,
necesita ser capaz de almacenar, aprender y manipular las preferencias y gustos de
cada usuario, as como sus cambios. Adems, necesitan reaccionar flexiblemente a las
modificaciones producidas en su entorno. El ltimo requisito implica la capacidad de
aprendizaje y de comunicacin con otros agentes que tengan caractersticas similares.
Esto conlleva a desarrollar agentes, no de forma independiente, sino como entidades
que constituyen un sistema. A este sistema se le denomina multi-agente [Huhns 1998].
Las interacciones ms habituales, tales como informar o consultar a otros agentes,
permiten a los agentes conversar entre ellos, tener en cuenta las acciones que realizan
cada uno de ellos y razonar acerca del papel jugado por los agentes.
Agentes de Informacin
Al consultar la bibliografa referente a dicho tipo de agentes, es frecuente la aparicin
de trminos como Interface agents, System agents, Advisory agents, Filtering agents,
Retrieval agents, Navigation agents, Monitoring agents, Recommender agents, Profiling
agents y otros que estn surgiendo continuamente. A continuacin se presentan
diferentes tipologas que nos permiten clasificar a los agentes inteligentes de
informacin, basndose tanto en el mbito en el que actan como en las tareas que
llevan a cabo.
La primera clasificacin toma como criterio el mbito de actuacin de los agentes
[Caglayan 1997], distinguiendo entre:
Agentes de escritorio: se trata de agentes que se encargan de las tareas
habituales en el manejo cotidiano de un ordenador. Dependiendo del tipo de
software al que sirvan como base, se puede distinguir entre agentes de sistema
operativo, agentes de aplicaciones, etc.
Agentes Intranet: operan en una red local y facilitan el uso de la red, el compartir
informacin y la cooperacin entre los usuarios. Entre ellos se encuentran los
agentes de ayuda colaborativa, agentes de bases de datos, agentes de
automatizacin de procesos, etc.
Agentes Internet: su mbito de trabajo es Internet. En funcin del tipo de
acciones que realizan, se pueden encontrar agentes de bsqueda, filtrado,
recuperacin de informacin, agentes de notificacin, agentes mviles, etc.
En [Klusch 1999] se proponen cuatro clases de agentes de informacin, atendiendo a
las caractersticas que poseen como agentes. Cada clase no es exclusiva, de forma que
un agente determinado puede pertenecer a varias de ellas al mismo tiempo:
Agentes de informacin cooperativos o nocooperativos, dependiendo de la
habilidad de los agentes para cooperar entre ellos en la ejecucin de sus tareas.
Existen diversos modelos para la cooperacin en diferentes escenarios, tales
como la delegacin jerrquica, los contratos y la negociacin descentralizada.
Agentes de informacin adaptativos. Son capaces de adaptarse a los cambios en
las redes y en la informacin que en ellas se encuentra. Un ejemplo claro son los
asistentes personales para el aprendizaje en la Web.
Agentes de informacin racionales. Son capaces de actuar por s mismos o de
colaborar con el fin de incrementar su propio beneficio. El principal campo de
aplicacin de este tipo de agentes es el comercio electrnico en Internet (icommerce); por ejemplo, los shop bots y los sistemas para subastas mediadas
por agentes en la Web.

 Agentes de informacin mviles, son capaces de viajar de forma autnoma a

travs de Internet y permiten, por ejemplo, balancear la carga en redes de gran
escala o reducir la transferencia de datos entre servidores de informacin.

De acuerdo a la definicin de agentes de informacin y a esta ltima clasificacin,

podemos concluir que un agente de informacin debe mantener un conjunto de
habilidades bsicas, que se pueden resumir en cuatro: (1) habilidades para ejecutar sus
tareas, (2) habilidades de conocimiento, (3) habilidades de comunicacin y (4)
habilidades de colaboracin. En ella, debajo de cada habilidad se enumeran las
tecnologas clave disponibles en la actualidad.
La clasificacin propuesta en este artculo divide los agentes de informacin segn su
funcin y se puede considerar como una clasificacin ms generalista:
Agentes de bsqueda (retrieval agents): agentes que buscan, recuperan y
proporcionan la informacin como si fueran autenticos gestores de informacin y
documentacin (information brokers). Muchos productos se autoproclaman como
agentes de bsqueda, tanto aplicaciones cliente: AT1, BullsEye, Copernic,
CiteSeer, BargainFinder, Kasbah, Go-Get-It, Got-It, Surfbot y WebCompass; como
aplicaciones servidor: Agentware e InfoMagnet.
Agentes de filtrado (filtering agents): agentes que se usan para reducir la
sobreabundancia de informacin mediante el borrado de los datos no deseados
(por ejemplo, los datos que no satisfacen completamente el perfil de usuario).
Muchos clientes de e-mail, as como los productos Agentware e InfoMagnet
proporcionan prestaciones bsicas de agentes de filtrado. Podemos resaltar
Letizia, Tapestry System, Usenet News Reader, NewsHound e If-Web.
Agentes de monitorizacin (monitoring agents): proporcionan al usuario la
informacin cuando sucede un determinado acontecimiento; por ejemplo cuando
los datos han sido actualizados, trasladados de lugar o borrados. Algunos
productos ejemplo son: Do-I-Care, WBI de IBM y SmartBookmarks.
Al igual que en la clasificacin anterior, estos grupos no son excluyentes y un mismo
agente puede pertenecer a varios de ellos.
Agentes de bsqueda
Los agentes de bsqueda son, quizs, el tipo de agente de informacin ms conocido y
del que se pueden encontrar ms ejemplos en la literatura. Este tipo de agente permite
al usuario la bsqueda de informacin en servidores de la red (el agente en s es
independiente de si nos encontramos en Internet o en una Intranet). Actualmente
existen en la red infinidad de robots de bsqueda con los que el usuario interacta
directamente con mayor o menor fortuna.
La calidad de la respuesta a una consulta determinada se basa en dos parmetros:
precisin: mide la relacin existente entre los documentos relevantes para la
consulta y el total de documentos devueltos por la misma.
recall: mide la relacin entre el total de documentos relevantes devueltos y el
total de documentos.

Web
Ambos parmetros son inversamente proporcionales, por tanto si intentamos mejorar
uno perjudicaremos el otro. Se debera intentar conseguir un equilibrio entre los dos, lo
cual es bastante complejo en los actuales motores de bsqueda. Los agentes de
bsqueda proporcionan un punto de inicio en la exploracin en Internet para los
usuarios. Las ventajas que podemos encontrar o que deberan proporcionar son:
Facilidad de uso
Incremento de la productividad si el usuario sabe lo que quiere
Incremento de la precisin en la bsqueda sin aumentar notablemente el nmero
de documentos devueltos.
Reduccin de la sobrecarga que generan los procesos de bsqueda en la Web y
en el propio sistema.

Este tipo de agentes podran realizar las siguientes funciones en una organizacin:
Indexar informacin sobre los servidores de la organizacin para mejorar el
rendimiento de las bsquedas realizadas por los empleados.
Desarrollar servicios especializados de bsqueda, empleando recursos externos si
es relevante para la organizacin.
Promocionar mediante servicios especficos el uso de los recursos internos
disponibles.
Permitir compartir resultados de bsquedas entre diferentes comunidades de
usuarios.
Agentes de fi ltrado
Para que un agente de informacin pueda servir eficientemente a sus distintos usuarios,
necesita almacenar, aprender y manipular las preferencias y gustos de cada uno de
ellos, as como contemplar cualquier cambio que se produzca. Este perfil de usuario
puede servir como un indicador mucho ms fiable de la informacin a recuperar que las
palabras clave proporcionadas por el usuario, mtodo utilizado por los distintos
buscadores de informacin que existen en la actualidad.
La tarea de filtrado de un agente de Internet consiste en determinar si un artculo es
relevante o irrelevante para el usuario basndose en el perfil de usuario [Caglayan
1997], en un entorno donde la probabilidad de encontrar un documento relevante es
muy baja en comparacin con la alta probabilidad de encontrar un documento
irrelevante.
Existen diferentes tcnicas de aprendizaje que los agentes utilizan para aprender el
perfil de usuario. Entre ellas se pueden destacar los clasificadores Bayesianos, el vecino
ms cercano, los rboles de decisin, TF-IDF, redes neuronales y algoritmos genticos.

Despus de haber logrado aprender el perfil, ste puede ser utilizado para el filtrado de
informacin, pudiendo adems anticiparse a la obtencin de la informacin solicitada
por el usuario. La arquitectura de un agente de filtrado de informacin es la que

muestra

El funcionamiento de un agente de filtrado de informacin es el siguiente:

Establece el perfil del usuario. Esto se puede llevar a cabo de dos formas
diferentes: o Directa: Cuando el usuario determina su perfil a travs de una
interfaz en el que especifica, por medio de palabras clave, los temas de inters.
Indirecta: Por el control efectuado por el propio agente de los enlaces
seguidos por el usuario en una sesin concreta.
Comienza la bsqueda en las diferentes fuentes de informacin, indizando,
mediante el motor de indizacin, todos los artculos que encuentre de acuerdo
con el perfil de usuario establecido previamente.
Una vez filtrados aquellos artculos que se ajustan a la especificacin del usuario,
elabora el informe que presenta los resultados obtenidos los cuales sern
enviados a la direccin correspondiente.
El motor de indizacin asigna una palabra clave a cada artculo. La mayora de sistemas
de recuperacin de informacin tambin generan diccionarios de sinnimos con la
intencin de indizar palabras por su raz.
Para conocer la representatividad de un trmino dentro de un documento determinado
y, por tanto para establecer la pertinencia del mismo al perfil del usuario, el motor de
indizacin emplea tcnicas de frecuencia de trminos como la siguiente frmula:

Donde f es la frecuencia de ocurrencias de trminos K en un documento i, d es el nmero

de documentos en la coleccin con trminos K, y n es la coleccin total. Esta
ponderacin significa que el trmino K en un documento i es directamente proporcional
al nmero de veces que l aparece en el documento, y la importancia del trmino K es
inversamente proporcional al nmero de documentos de la coleccin donde el trmino
aparece.
Algunas de las aplicaciones de este tipo de agentes son:
Entrega de noticias de cualquier tipo (financieras, polticas, etc.) que puedan
tener repercusin para el usuario.
Seguimiento de las noticias de un determinado perfil de usuario.

 Actualizacin automtica de configuraciones hardware segn un perfil, incluso

proporcionando precios de posibles actualizaciones.
Proporcionar noticias de un determinado perfil a diferentes comunidades de una
organizacin.
Agentes de monitorizacin: Este tipo de agentes permiten tener alerta a un
usuario frente a eventos interesantes para el mismo. Los eventos frente a los cuales
estos agentes lanzan algn tipo de notificacin pueden ser:

Cambios en una pgina Web lo suficientemente importantes para un usuario

Comunicacin de eventos de tipo personal. Por ejemplo, lanzar un mensaje el
da del cumpleaos de alguien.
Adiciones a los motores de bsqueda para determinadas palabras clave.

Los agentes de monitorizacin se pueden considerar como un software localizado en un

determinado servidor que se encarga de descubrir y notificar eventos interesantes
especificados previamente por el usuario. La forma en que este tipo de agentes sirven
la informacin a su usuario puede ser variada:

6.

Indicar nicamente qu pgina o pginas han cambiado y desde cundo ha

sucedido esto.
Descargar el texto de las pginas actualizadas y que son de inters para el
usuario, filtrando en este caso imgenes, grficos y dems.
Construir pginas HTML que embeben las modificaciones encontradas en la
Web por el agente y que son presentadas al usuario.

AGENTES RESOLVENTES DE PROBLEMAS POR

MEDIO DE BUSQUEDA

Los agentes ms simples discutidos en este trabajo fueron los agentes reactivos. Los
cuales basan acciones en una aplicacin directa desde los estados a las acciones. Tales
agentes no pueden funcionar bien en entornos en los que esta aplicacin sea
demasiado grande para almacenarla y que tarde mucho en aprenderla. Por otra parte,
los agentes basados en objetivos pueden tener xito considerando las acciones futuras
y lo deseable de sus resultados.
Este captulo describe una clase de agente basado en objetivos llamado agente
resolvente problemas. Los agentes resolventes de problemas deciden qu hacer para
encontrar secuencias de acciones que conduzcan a los estados deseables. Comenzamos
definiendo con precisin los elementos que constituyen el problema y su
<<solucin> y daremos diferentes ejemplos para ilustrar estas definiciones. Entonces,
describimos diferentes algoritmos de propsito general que podamos utilizar para
resolver estos problemas y as comparar las ventajas de cada algoritmo. Los algoritmos
son no informados, en el sentido que no da informacin sobre el problema salvo su
definicin. En este trabajo no se hablara sobre los algoritmos de bsqueda.
Este proceso de hallar esta secuencia se llama bsqueda. Un algoritmo de bsqueda
toma como entrada un problema y devuelve una solucin de la forma secuencia de
acciones. Una vez que encontrarnos una solucin, se procede a ejecutar las acciones
que sta recomienda. Esta es la llamada fase de ejecucin. As, tenemos un diseo
simple de un agente formular, buscar, ejecutar, Despus de formular un objetivo y un
problema a resolver, el agente llama al procedimiento de bsqueda para resolverlo.
Entonces, usa la solucin para guiar sus acciones, haciendo lo que la solucin le

indica como siguiente paso a hacer generalmente, primera accin de la secuencia

y procede a eliminar este paso de la secuencia. Una vez ejecutada la solucin, el
agente formula un nuevo objetivo.
Antes de entrar en detalles, hagamos una breve pausa para ver dnde encajan los
agentes resolventes de problemas en la discusin .
Agentes para la solucin de problemas (Metas), basado en metas, tiene algoritmos
de bsqueda, el esqueleto es:

Formulacin del Problema

Formulacin de Metas

Bsqueda (Algoritmos) para llegar del Estado Inicial al estado de meta

Solucin

Conocimiento y tipos de problemas

Considere el siguiente ejemplo: El mundo de la aspiradora.
En este mundo hay dos posibles ubicaciones en ellas puede o no puede haber mugre y
el agente se encuentra en una de las dos.
El mundo puede asumir 8 posibles estados. Son tres las acciones que el agente
puede emprender en el mundo de la aspiradora. La meta es eliminar toda la mugre.

Problemas bien defi nidos y soluciones

Problema: Un problema en realidad es un conjunto de informacin que el agente

utiliza para decidir lo que va a hacer.

Estado inicial: Es donde el agente sabe que all es en el que se encuentra.

Operador: Denota la descripcin de una accin que nos servir para alcanzar un
estado.

Espacio de estado: Es el conjunto de todos los estados que pueden alcanzarse a partir
del estado inicial mediante cualquier secuencia de acciones.

Ruta: Es cualquier secuencia de acciones que me permiten pasar de un estado a otro.

Prueba de meta.- Se aplica a la descripcin de un solo estado para saber si se trata de

un estado meta.

Costo de ruta.- Es una funcin mediante la cual se asigna un costo a un ruta

determinada.

Solucin.- Es la salida producida por un algoritmo de bsqueda, es decir, una ruta que
va del estado inicial al estado que satisface la prueba de meta.

Espacio de conjunto de estado .- Si mediante un operador relaciono un

conjunto de estados segn los resultados obtenidos, yo estoy construyendo un espacio
denominado espacio de conjunto de estados.

El espacio del conjunto de espacios del mundo de la aspiradora simplificado, sin

sensores. Dentro de las cajas de lnea punteada hay un conjunto de estados. En un
punto determinado, el agente est dentro de un conjunto de estados, pero ignora en
cul. El conjunto del estado inicial (total ignorancia) est en la caja superior del
centro. Las acciones se representan por arcos identificados. Por claridad se han
omitido los autobucles.

Buena parte de los esfuerzos invertidos en el rea de la bsqueda han

quedado en la determinacin de la estrategia de bsqueda
adecuada para un problema. Se utiliza para hallar una solucin "sin
informacin".

Bsqueda
Bsqueda
Bsqueda
Bsqueda
Bsqueda
Bsqueda

preferente por amplitud(anchura)

de costo uniforme
preferente por profundidad
limitada por profundidad
por profundizacin iterativa
bidireccional

Para explicar mejor las estrategias imaginemos un problema sencillo como:

"Ir en auto de
Arad a Bucarest utilizando las carreteras del mapa de Rumania"

Bsqueda de costo uniforme

Primero se expande el nodo hoja de menor costo. Es un mtodo completo
y, a diferencia de la bsqueda preferente por amplitud, es ptimo incluso
si el costo de cada uno de los operadores es distinto. Su complejidad
espacio-temporal es la misma que la de la bsqueda preferente por
amplitud.
Siempre se tiene un costo o unidades. Los costos deben ser positivos, caso
contrario no se aplica esta bsqueda.
Tmese el caso del problema de la determinacin de ruta que
radica en ir de S a G.
Bsqueda preferente por profundidad
Primero se expande el nodo ms profundo del rbol de bsqueda. No es
un mtodo completamente ptimo; su complejidad temporal O(bm) y su
complejidad espacial es O(bm), en donde m es la profundidad mxima.
Los rboles de bsqueda cuya profundidad es muy grande o infinita,
invalidan la utilidad de este mtodo.
Slo si la bsqueda conduce a un callejn sin salida (un nodo sin meta
que no tiene expansin), se revierte la bsqueda y se expanden los
nodos de niveles menos profundos.

Bsqueda limitada por profundidad

Se pone un lmite a la bsqueda preferente por profundidad. Si el lmite
fuera igual a la profundidad del estado meta ms superficial, se reduce al
mnimo la complejidad espacio- temporal.
Bsqueda por profundizacin iterativa
Se emplea la bsqueda con lmite de profundidad, pero los lmites van
aumentando hasta encontrar una meta. Es completa y ptima; su
complejidad temporal es O(bd) y su complejidad espacial es O(bd).
Bsqueda bidireccional
Ayuda a reducir notablemente la complejidad temporal, aunque no
siempre pueda utilizrsele. La cantidad de memoria que necesita
puede hacerla poco prctica.
Es bsicamente, una bsqueda simultnea que avanza a partir del estado
inicial y que retrocede a partir de la meta y que se detiene cuando ambas
bsquedas se encuentran en algn punto intermedio

Bsqueda heurstica
En casi todos los espacios de estado, existe informacin que permite
guiar los procesos de bsqueda, normalmente esa informacin no es
perfecta, es decir no es un algoritmo que permite conocer de forma
precisa cual es el mejor camino para obtener la solucin.
Este tipo de informacin no perfecta que ayuda a resolver problemas a un
espacio de estado, pero que no siempre acierta con el mejor camino se
denomina heurstica.
Cuando se dispone de este tipo de informacin las tcnicas de bsqueda
se pueden ver muy beneficiadas de su utilizacin.

Tcnica de escalada
La tcnica de escalada es la evolucin de la tcnica de profundidad en
la que cada nodo se dispone en una forma de evaluar cmo est de
cerca o de lejos la solucin. La forma ms comn de evaluar es la
funcin de evaluacin.
Que devuelven un nmero que representa como est de cerca un
determinado estado de la solucin, cuanto mayor sea el nmero se
estar cerca de la solucin.
Por tanto si se tiene que elegir entre varios estados se debera escoger
aquel, que tendra un valor mayor de esta funcin, es decir es una funcin
que se debe maximizar
La tcnica de escalada exagera los problemas de la profundidad en el
sentido de que no asegura de que se alcance la solucin ptima
relacionada con esto; existen dos problemas que ocurren a menudo
cuando se utiliza escalada:
Retroceder: A la lista de razones a la que se debe retroceder que
provienen a la tcnica de profundidad se le aade cuando ocurra
cualquier caso de los anteriores.
Dar ms de un paso: En lugar de retroceder se generan todos los
sucesores de los sucesores del nodo en cuestin y aun as no hay ningn
sucesor de los sucesores que sea mejor que el nodo, se puede expandir
un nivel ms, hasta que se obtenga un valor mayor / menor que el nodo.
Bsqueda Avara
Es cuando se reduce al mnimo el costo estimado para alcanzar una meta,
h(n). Aunque por lo general, el tiempo de bsqueda disminuye en
comparacin con lo necesario cuando se emplea un algoritmo que no
cuenta con informacin, el de la bsqueda vara no es un algoritmo
ptimo y completo.
Mtodo de bsqueda asterisco (A*)
La reduccin al mnimo de f(n)= g(n) + h(n) combina las ventajas de la
bsqueda por costo uniforme y la bsqueda vara. Cuando se repiten los
estados que se manejan y se garantiza que h(n) nunca haga una
sobreestimacin, existe una bsqueda asterisco.
Si aplicramos el mtodo Asterisco obtendramos:
En donde g(n) = ruta inicial hasta n y h(n) = unidad establecida en el
cuadro de distancias en lnea recta a Bucarest.

7.

LOGICA DIFUSA

La lgica difusa es una extensin de la lgica tradicional (Booleana) que

utiliza conceptos de pertenencia de sets ms parecidos a la manera de
pensar humana
La lgica difusa es una metodologa que proporciona una manera simple y
elegante de obtener una conclusin a partir de informacin de entrada
vaga, ambigua, imprecisa, con ruido o incompleta. En general la lgica
difusa imita como una persona toma decisiones basada en informacin con
las caractersticas mencionadas. Una de las ventajas de la lgica difusa es la
posibilidad de implementar sistemas basados en ella tanto en hardware
como en software o en combinacin de ambos. La mayora de los
fenmenos que encontramos cada da son imprecisos, es decir, tienen
implcito un cierto grado de difusidad en la descripcin de su naturaleza.
Esta imprecisin puede estar asociada con su forma, posicin, momento,
color, textura, o incluso en la semntica que describe lo que son. En muchos
casos el mismo concepto puede tener diferentes grados de imprecisin en
diferentes contextos o tiempo. Un da clido en invierno no es exactamente
lo mismo que un da clido en primavera. La definicin exacta de cuando la
temperatura va de templada a caliente es imprecisa -no podemos identificar
un punto simple de templado, as que emigramos a un simple grado, la
temperatura es ahora considerada caliente. Este tipo de imprecisin o
difusidad asociado continuamente a los fenmenos es comn en todos los
campos de estudio: sociologa, fsica, biologa, finanzas, ingeniera,
oceanografa, psicologa, etc.
La lgica difusa es una rama de la inteligencia artificial que se funda en el
concepto "Todo es cuestin de grado", lo cual permite manejar informacin
vaga o de difcil especificacin si quisiramos hacer cambiar con esta
informacin el funcionamiento o el estado de un sistema especfico. Es
entonces posible con la lgica borrosa gobernar un sistema por medio de
reglas de 'sentido comn' las cuales se refieren a cantidades indefinidas.
Las reglas involucradas en un sistema borroso, pueden ser aprendidas con
sistemas adaptativos que aprenden al ' observar ' como operan las personas
los dispositivos reales, o estas reglas pueden tambin ser formuladas por un
experto humano. En general la lgica borrosa se aplica tanto a sistemas de
control como para modelar cualquier sistema continuo de ingeniera, fsica,
biologa o economa.
FUNCION DE LA LOGICA DIFUSA
La fusin Lgica se adapta mejor al mundo real en el que vivimos, e incluso
puede comprender y funcionar con nuestras expresiones, del tipo "hace
mucho calor", "no es muy alto", "el ritmo del corazn est un poco
acelerado", etc.
HISTORIA
Los conjuntos difusos fueron introducidos por primera vez en 1965; la
creciente disciplina de la lgica difusa provee por s misma un medio para

acoplar estas tareas. En cierto nivel, la lgica difusa puede ser vista como
un lenguaje que permite trasladar sentencias sofisticadas en lenguaje
natural a un lenguaje matemtico formal. Mientras la motivacin original fue
ayudar a manejar aspectos imprecisos del mundo real, la prctica temprana
de la lgica difusa permiti el desarrollo de aplicaciones prcticas.
Aparecieron numerosas publicaciones que presentaban los fundamentos
bsicos con aplicaciones potenciales. Esta frase marc una fuerte necesidad
de distinguir la lgica difusa de la teora de probabilidad. Tal como la
entendemos ahora, la teora de conjuntos difusos y la teora de probabilidad
tienen diferentes tipos de incertidumbre.
En 1994, la teora de la lgica difusa se encontraba en la cumbre, pero esta
idea no es nueva, para muchos, estuvo bajo el nombre de lgica difusa
durante 25 aos, pero sus orgenes se remontan hasta 2,500 aos. An
Aristteles consideraba que existan ciertos grados de veracidad y falsedad.
Platn haba considerado ya grados de pertenencia.
En el siglo XVIII el filsofo y obispo anglicano Irlands, George Berkeley y
David
Hume describieron que el ncleo de un concepto atrae conceptos similares.
Hume en particular, crea en la lgica del sentido comn, el razonamiento
basado en el conocimiento que la gente adquiere en forma ordinaria
mediante vivencias en el mundo. En Alemania, Immanuel Kant, consideraba
que solo los matemticos podan proveer definiciones claras, y muchos
principios contradictorios no tenan solucin.
Por ejemplo la materia poda ser dividida infinitamente y al mismo tiempo
no poda ser dividida infinitamente. Particularmente la escuela americana de
la filosofa llamada pragmatismo fundada a principios de siglo por Charles
Sanders Peirce, El hombre, en la bsqueda de la precisin, intent ajustar el
mundo real a modelos matemticos rgidos y estticos, como la lgica
clsica binaria. Cuando Aristteles y sus precursores idearon sus teoras de
la lgica y de las matemticas, propusieron la Ley del Centro Excluido que
indica que cada asunto debe ser verdad o falso. La hierba es verde o no
verde; claramente no puede ser verde y no verde.
Lo que se busca, mediante el empleo de la teora de los conjuntos difusos es
describir y formalizar la realidad, empleando modelos flexibles que
interpreten las leyes que rigen el comportamiento humano y las relaciones
entre los hombres. Para describir esa realidad incierta, tanto en el orden de
lo social como en el de lo natural, es necesario valerse de predicados, que
pueden ser ntidos o difusos.
El nuevo punto de vista propuesto por Zadeh
choca con siglos de tradicin cultural la lgica
binaria de Aristteles, ser no ser-, por lo cual
hubo resistencia por parte de los cientficos,
quienes se negaban a aceptar que se trataba de
un intento por estudiar cientficamente el campo
de
la
vaguedad,
permitiendo
manipular
conceptos del lenguaje cotidiano, lo cual era
imposible anteriormente.
Segn comenta Zadeh: "En Occidente la acogida
fue menos positiva. En Asia aceptan que el
mundo no es blanco o negro, verdad o mentira.
En Occidente todo es A o B." Por este motivo es
en
Asia
(Japn
sobretodo)
donde
ms
aplicaciones tecnolgicas se realizan a partir de
la lgica difusa.

Aunque el concepto de lgica difusa fue introducido en los EEUU, los

cientficos e investigadores americanos y europeos no hicieron caso en gran
parte de ella por aos, principalmente por razones culturales. Algunos
matemticos discutieron que la lgica confusa fuera simplemente una
probabilidad disimulada. Esta resistencia, sin embargo, contrastaba con los
resultados exitosos de la aplicacin tecnolgica de la teora.
En 1974, el Britnico Ebrahim H. Mamdani, demuestra la aplicabilidad de
la lgica difusa en el campo del control. Desarrolla el primer sistema de
control difuso prctico, la regulacin de un motor de vapor. Las aplicaciones
de la lgica difusa en el control no pudieron ser implementadas con
anterioridad a estos aos debido a la poca capacidad de cmputo de los
procesadores de esa poca.
Pero la lgica confusa fue aceptada fcilmente en Japn, China y otros
pases asiticos, que han estado desde la dcada de los 80 construyendo
aplicaciones reales y productos que funcionan basados en esta lgica. Por
ejemplo en 1986 Yamakawa publica el artculo, "Fuzzy Controller hardward
system" y desarrolla controladores difusos en circuitos integrados. En 1987,
se inaugura en Japn el metro de Sendai, uno de los ms espectaculares
sistemas de control difuso creados por el hombre. Desde entonces el
controlador inteligente ha mantenido los trenes rodando eficientemente. En
1987, surge el "FUZZY BOOM", se comercializan multitud de productos
basados en la lgica difusa. En este sentido, en Japn desde 1988 se viene
dando un auge de la lgica borrosa, en especial por los trabajos de Michio
Sugeno, que renen complejos desarrollos matemticos con aplicaciones
tecnolgicas de gran importancia, lo cual permite hablar de una "ingeniera
difusa", adems de la lgica y la tecnologa difusa. A partir de los trabajos
de Sugeno, se puede advertir que la convergencia de tcnicas borrosas con
tcnicas neuronales, probabilsticas y otras como los algoritmos genticos,
van generando un nuevo campo en las ciencias de la computacin:
computacin flexible, que parece muy prometedora para manejar
razonamientos de sentido comn y lograr que las computadoras "razonen"
de un modo similar al humano. Tambin se utilizan elementos de la teora
de los conjuntos difusos para describir y resolver problemas de gestin,
economa, medicina, biologa, ciencias polticas y lingstica. Lo que se
busca en estos casos es, en definitiva, describir la realidad a travs de
metodologas flexibles que interpreten ms apropiadamente las leyes del
comportamiento individual y social. El nmero ms grande de
investigadores se encuentra hoy en China, con unos 10.000 cientficos.
Japn, aunque considerado el abanderado en los estudios borrosos, tiene
pocas personas contratadas a este tipo de investigaciones.
SIETE VERDADES DE LA LGICA DIFUSA
1) Lgica confusa no es confusa. La lgica confusa no es
intrnsecamente imprecisa, no viola el sentido comn ni produce
resultados inequvocos. La lgica clsica (booleana), en verdad, es
simplemente un caso especial de la lgica confusa.
2) La lgica confusa es diferente de probabilidad. Con probabilidad,
nosotros intentamos determinar algo sobre el resultado potencial de
los acontecimientos claramente definidos que pueden ocurrir al azar.
Con lgica confusa, nosotros intentamos determinar algo sobre la
naturaleza del acontecimiento en s mismo.La borrosidad se expresa

3)

4)

5)

6)

7)

a menudo como ambigedad, no como imprecisin o incertidumbre,

es una caracterstica de la opinin as como del concepto.
Disear sistemas borrosos es fcil. Los sistemas borrosos reflejan, de
una manera general, lo que la gente piensa realmente de un
problema. Generalmente es rpido y fcil perfilar la forma
aproximada de un sistema borroso. Ms adelante en, despus de
cierta prueba o experiencia, podemos ajustar sus caractersticas
exactas.
Los sistemas borrosos son estables y fcilmente ajustables y pueden
ser validados. Es ms rpido y ms fcil crear sistemas borrosos y
construir un sistema borroso que l debe crear sistemas basados en
el conocimiento convencionales, puesto que la lgica confusa maneja
todos los grados de libertad que intervienen. Estos sistemas se
validan como sistemas convencionales, pero ajustarlos es
generalmente mucho ms simples.
Los sistemas borrosos no son Redes Neuronales. Un sistema borroso
procura encontrar la interseccin, la unin o el complemento de las
variables borrosas del control. Mientras que esto es algo anlogo a las
redes neuronales y a la programacin lineal, los sistemas borrosos se
acercan a estos problemas de forma diferente.
La lgica confusa es ms que control de proceso. Aunque alguna
gente opina que la lgica confusa sirve principalmente como
herramienta para el anlisis del control de proceso y de la seal, esa
interpretacin es demasiado limitada. La lgica confusa es una
manera de representar y de analizar la informacin,
independientemente de usos especficos.
La lgica confusa es un proceso de representacin y razonamiento. La
lgica confusa es una herramienta de gran alcance y verstil para la
informacin imprecisa, ambigua y vaga de la representacin. No puede
solucionar todos los problemas, pero nos ayuda a modelar problemas
difciles, incluso intratables.

LOGICA DIFUSA EN INTELIGENCIA ARTIFICIAL

Esta se utiliza para la resolucin de una variedad de problemas,
principalmente los relacionados con control de procesos industriales
complejos y sistemas de decisin en general, la resolucin y la compresin
de datos. Los sistemas de lgica difusa estn tambin muy extendidos en la
tecnologa cotidiana. Ejemplo: cmaras digitales, sistemas de aire
acondicionado, lavarropas, entre otros.

8.

REDES NEURONALES

Las Redes Neuronales Artificiales (RNA) estn inspiradas en la biologa, esto significa
que estn formadas por elementos que se comportan de manera anloga a las neuronas
(en las funciones ms elementales) y estn organizadas de una forma similar a la del
cerebro, pero las analogas no son muchas ms.

Las caractersticas fundamentales de las RNA

son:
Aprenden de la experiencia: Las RNA
pueden modificar su comportamiento
como respuesta a su entorno. Dado un conjunto de
entradas (quiz con las salidas deseadas), las RNA
se ajustan para producir respuestas consistentes. Una
amplia variedad de algoritmos de
entrenamiento se han desarrollado, cada uno
con sus propias ventajas e inconvenientes.
Generalizan de ejemplos anteriores a los
ejemplos nuevos: Una vez que la RNA est
entrenada, la respuesta de la red puede
ser, hasta un cierto punto, insensible
pequeas
variaciones
en
las
entradas, lo que las hace idneas para
el reconocimiento de patrones.
Abstraccin de la esencia de las
entradas: Algunas RNA son capaces de
abstraer informacin de un conjunto
de entradas. Por ejemplo, en el caso de
reconocimiento de patrones, una red
puede ser entrenada en una
secuencia
de
patrones
distorsionados de una letra. Una vez
que
la
red
sea
correctamente
entrenada ser capaz de producir un
resultado correcto ante una entrada
distorsionada, lo que significa que
ha sido capaz de aprender algo que
nunca haba visto.

Redes de capa simple

A pesar de que una sola neurona puede
realizar modelos simples de funciones,
su mayor productividad viene dada cuando se
organizan en redes. La red ms simple
es la formada por un conjunto de
perceptrones a los que entra un patrn
de entradas y proporcionan la salida
correspondiente. Por cada perceptrn
que tengamos en la red vamos a tener una
salida, que se hallar como se haca con un
perceptrn solo, haciendo el sumatorio de
todas las entradas multiplicadas por los
pesos. Al representar grficamente una red, se aade una "capa" inicial que
no es contabilizada a efectos de computacin, solamente sirve para
distribuir las entradas entre los perceptrones. La denominaremos la capa 0.
De esta manera, la representacin grfica de una red de capa simple sera
la siguiente:

Redes multicapa: Las redes multicapa se forman por un conjunto de

redes de capa simple en cascada unidas por pesos, donde la salida de
una capa es la entrada de la siguiente capa. Generalmente son capaces
de aprender funciones que una red de capa simple no puede aprender,
por lo que ofrecen mejores capacidades computacionales. Para que este
incremento en poder computacional sea tal, tiene que existir una
funcin de activacin no lineal entre las capas, por lo que generalmente
se utilizar una funcin de activacin sigmoidea en detrimento de la
lineal o umbral. Para calcular la salida de una red multicapa se debe
hacer de la misma manera que en las redes de capa simple, teniendo en
cuenta que las salidas de una capa son las entradas de la siguiente
capa.
Redes recurrentes: Las redes consideradas hasta ahora no tienen
conexiones entre pesos de la salida de una capa a la entrada de la
misma capa o anteriores. Las redes que poseen esta caracterstica son
conocidas como redes recurrentes. Las redes recurrentes no tienen
memoria, es decir, la salida solamente est determinada por las
entradas y los pesos. Las capas recurrentes re direccionan previas
salidas a entradas. Su salida es determinada por su entrada y sus
salidas previas, por lo que se puede asemejar a la memoria a corto
plazo de los seres humanos.
Software SNNS.
El SNNS (Stuttgart Neural Network Simulator) es un software de simulacin
para redes neuronales desarrollado en el Institute for Parallel and
Distributed High Performance
Systems de la Universidad de Stuggart. El objetivo del proyecto SNNS fue la
creacin de un entorno de simulacin eficiente y flexible para la
investigacin y aplicacin de redes neuronales.
El simulador consta de dos componentes principales:
ncleo escrito en C
una interfaz grfica.
El ncleo opera con las estructuras de datos de las redes neuronales y
realiza todas las operaciones de aprendizaje y prueba. Tambin puede ser
utilizado como un programa en
C. Permite trabajar con topologas arbitrarias de redes. Adicionalmente,
permite que el usuario extienda los programas aadiendo funciones de
activacin, funciones de salida y funciones de aprendizaje, que se escriben
como programas en C y se enlazan con el ncleo del simulador.
La interfaz grfica XGUI (X Graphical User Interface) permite la
representacin grfica en 2D y 3D de las redes neuronales y controla el
ncleo durante una ejecucin.
El paquete SNNS se puede obtener via ftp annimo de:
ftp informatik.uni-tuebingen.de en
MB).

/pub/SNNS/SNNSv4.2.tar.gz (2.18

DIFERENCIA ENTRE UN SER CEREBRO HUMANO Y UNA

COMPUTADORA
Cerebro
Sistema
de
datos
de
mltiple propsito capaz
de tratar gran cantidad de
informacin
en
poco
tiempo
pero
no
nesesariamente
con
exactitud.
La
frecuencia
de
los
impulsos nerviosos puede
variar.
Las
llamadas
sinapsis
cumple en el cerebro la
funcin
simultnea
de
varias compuertas (and,
or, not etc.)
La memoria es del tipo
asociativo y no se sabe
dnde
quedara
almacenada.
Los impulsos fluyen a 30
metros por segundo.

9.

Computadora
Sistemas
altamente
especializados
con
capacidad para procesar
informacin
muy
concreta, siguiendo unas
instrucciones dadas.
La
frecuencia
de
transmisin es inalterable
y est dada por el reloj
interno de la mquina.
Las compuertas lgicas
tienen
una
funcin
perfectamente
determinada
e
inalterable.
La informacin se guarda
en posiciones de memoria
de acceso directo por su
direccin.
En el interior de una
computadora los impulsos
fluyen a la velocidad de la
luz.

CONCLUCION

Y por qu es tan importante la disponibilidad de datos? Porque la fiabilidad

de los algoritmos de inteligencia artificial depende directamente del
volumen de datos con los que estos pueden ser entrenados. El proceso de
aprendizaje de una red neuronal es muy similar al de cualquier ser humano,
ya que la red comienza el proceso con una ignorancia absoluta respecto a lo
que ha de evaluar pero aprende de sus errores tras cada decisin.

Una de las aplicaciones ms tiles de la inteligencia artificial es el

reconocimiento automtico de la voz. Aunque existen aplicaciones prcticas
desde hace algunos aos en el campo mdico o militar, la utilidad real del
reconocimiento de voz ha explotado durante estos ltimos aos con los
asistentes de los telfonos mviles, especialmente en el caso de Google. El
dictado fiable de mensajes o la bsqueda por voz de lugares son ya posibles
desde la popularizacin del sistema operativo Android, tras la mejora de
unos sistemas difcilmente usables hace solo una dcada. La inteligencia
artificial est aqu para quedarse, y cada da surgen nuevas aplicaciones
prcticas con impacto directo en nuestras vidas. En su cara ms oscura se
encuentra la posibilidad de que muchos servicios de espionaje se dediquen
a rastrear toda la informacin disponible en la red, y que incluso empresas o
individuos con objetivos dudosos puedan tambin llegar a hacerlo. Los
gobiernos habrn de realizar un mayor esfuerzo para garantizar la
privacidad y limitar los posibles comportamientos poco ticos que esta
nueva tecnologa nos trae. Tanto para mal como para bien, las posibilidades
sern cada vez ms ilimitadas.
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).
A continuacin se citan algunos ejemplos de su aplicacin de lgica difusa:
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
Sistemas expertos del conocimiento (simular el comportamiento de
un experto humano)
Tecnologa informtica
Bases de datos difusas: Almacenar y consultar informacin imprecisa.
Para este punto, por ejemplo, existe el lenguaje FSQL.

La logica difusa es una rama de la inteligencia artificial que le permite a una

computadora analizar informacin del mundo real en una escala entre lo
falso y lo verdadero, manipula conceptos vagos, como "caliente" o
"humedo", y permite a los ingenieros construir dispositivos que juzgan la
informacin difcil de definir.