La naturaleza del entorno

INTRODUCCIÓN

Como ya sabemos la inteligencia artificial tiene el objetivo de estudiar entidades inteligentes, el estudio de estas entidades debe darse mediante un orden y clasificación de las diferentes entidades racionales que existen o pueden crearse para ser más clara , un agente taxista no tendrá los mismos objetivos que cumplir, ni el mismo entorno, ni los mismos actuadores ni sensores que los que tendría un agente aspiradora y si los tuviera, uno de los dos agentes o ambos tendría un diseño equivocado por lo cual no cumplirá con su función correctamente , es por ésto que la inteligencia artificial, clasifica los tipos de entorno en los que un agente pueda trabajar, de manera que se facilite la implementación de un agente y se escoja bien el diseño del mismo ya que de una correcta clasificación depende también el correcto funcionamiento del agente.

OBJETIVO

El objetivo de la siguiente clase es el estudio de los distintos entornos de trabajo que existen dependiendo el tipo de agente a diseñar.

MARCO TEÓRICO

¿Qué es un entorno de trabajo?

Se podría definir al entorno de trabajo como las condiciones que ocurren dentro del cumplimiento laborar, pero enfocando éste concepto a la Inteligencia Artificial y al diseño de agentes inteligentes o racionales, entorno de trabajo es representado por los problemas, los cuales serán solucionados por los agentes.

Especificación del entorno de trabajo

La inteligencia artificial debe tomar en cuenta siempre el entorno en el que los agentes se desenvolverán por lo cual se especifica el REAS que significa lo siguiente:

Imagen 1: REAS definición.

Cabe recalcar que el REAS varía dependiendo del tipo de agente así como lo indica el cuadro 1:

Cuadro 1: REAS para cada tipo de agente.

Propiedades de los entornos de trabajo

Los entornos de trabajo que pueden tener los agentes varían dependiendo del tipo de agente y la clasificación de estos entornos servirá mucho para diseñar el agente.

• Totalmente observable  vs. parcialmente observable

El entorno de trabajo es totalmente observable cuando los aspectos que sirven para la toma de decisiones son todos detectados por los sensores y es parcialmente observable cuando se da lo contrario por razones como ruido o quizá sensores no muy exactos o adecuados para el tipo de agente.

• Determinista vs. estocástico.

Un agente es estocástico cuando se basa en las probabilidades y la incertidumbre de no saber exactamente lo que ocurrirá en su entorno, en cambio cuando el medio está determinado por el estado actual,  el agente es Determinista.

Estratégico: Un agente puede ser estratégico si el medio es determinista sin embargo las acciones de otros agentes no lo son, como en el caso del juego de ajedrez o el taxi automático.

• Episódico vs. secuencial

Un agente es episódico cuando su acción no determina una secuencia de acciones futuras, en cambio es secuencial cuando sus acciones pueden cambiar el resto de acciones, como por ejemplo una frenada en mal momento del agente taxista puede determinar un sin número de acciones futuras.

• Estático vs. dinámico.

Un agente es estático cuando el medio ambiente no cambia mientras se toma la decisión, y un agente dinámico es todo lo contrario, como en el caso del agente taxista, al girar a la derecha puede cambiar su entorno de muchas maneras mientras toma esa decisión de girar. 

SemiDinámico: Es cuando el rendimiento del agente cambia aunque el entorno no lo haga.

• Discreto vs. contínuo.

Un agente discreto es aquel en el que el tiempo, el medio y las percepciones que tiene no son infinitas como lo haría un agente continuo.

• Agente individual vs. multiagente

Un agente individual es aquel que no depende de otro para cumplir con su medida de rendimiento, como es el caso del agente aspiradora, sin embargo un multiagente sería un agente jugador de ajedrez cuya medida de rendimiento depende también del rendimiento del otro agente.

Para poder entender mejor los distintos entornos con los que el agente puede ser diseñado el cuadro 2 muestra algunos ejemplos con diferentes agentes.

Cuadro 2: Propiedades del entorno según los agentes.

Aporte: Chips basados en el cerebro humano

El cerebro humano tiene un funcionamiento complejo y sorprendente y su red de información tiene alrededor de 86.000 millones de neuronas que se conectan unas con otras en un constante intercambio de información, y es que a pesar de que los computadores realicen tareas mucho más rápido que las personas, para ser más concretos el tiempo de respuesta es en una nanosegundo, el cerebro es mucho más experto en lo que sabe hacer, por lo cual ningún ordenador se compara a su funcionamiento.

La empresa desarrolladora mundialmente reconocida IBM desarrolló un chip llamado TrueNorth que tiene aproximadamente 256 millones de conexiones y es la base del sistema computacional.

CONCLUSIÓN

El diseño de un agente y su implementación no puede darse sin antes tener en cuenta las medidas de rendimiento que especifican las funcionabilidades principales, el entorno que será donde trabaje el agente, los actuadores que permiten que actué con el entorno y los sensores que permiten percibir el mismo, todo lo anteriormente dicho es definido más claramente como REAS.

Un agente puede tener varios tipos de entorno así mismo como distintos REAS y de su correcto diseño depende también el correcto funcionamiento del agente y que éste pueda alcanzar los objetivos que en un principio fueron planteados. 

BIBLIOGRAFÍA

Hermoso, R y Centeno, R. 2010. Inteligencia Artificial. ES. Consultado el 12 de nov. 2014. Formato PDF. Disponible en: www.ia.urjc.es/cms/sites/default/files/userfiles/.../tema01_to_print.pdf

Jiménez,L. Sánchez, L. 2007. Agentes Inteligentes. ES. Consultado el 12 de nov. 2014. Formato PDF. Disponible en: http://www.sanchezcrespo.org/Docencia/IA/IA%20-%20Tema%203B%20-%20Busquedas%20v1.3.pdf

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

V. Julián, V. Botti. 2000. Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial. ES. Consultado el 11 de nov. 2014. Formato PDF. Disponible en: http://www.ati.es/novatica/2000/145/vjulia-145.pdf

Buen comportamiento: el concepto de racionalidad

INTRODUCCIÓN

La inteligencia artificial tiene como objetivo principal estudiar las entidades inteligentes, para luego crear entidades que logren pensar como humanos. Los agentes racionales son aquellos que logran actuar de manera correcta dentro de su entorno, todo esto mediante actuadores y sensores, así como los seres humanos, el cuerpo es el que percibe el entorno mediante los sensores, y la mente determina las acciones que conllevan las percepciones, una medida de rendimiento será en este caso la guía del proceso.

Hacer que un agente artificial tenga autonomía, es decir actué en base a la secuencia de percepciones y pueda tener la capacidad de ir aprendiendo a medida que su entorno evoluciona, es el principal objetivo de la IA, para así lograr crear agentes que sepan hacer lo correcto y actúen de manera eficiente sin depender únicamente de los conocimientos que los diseñadores impongan.

OBJETIVO

El objetivo de la siguiente publicación es aprender sobre los agentes que son capaces de razonar, es decir, los agentes inteligentes o racionales y la omnisciencia, aprendizaje y autonomía que pueden tener los mismos.

MARCO TEÓRICO

Agente Racional

Un agente racional es un ente capaz de actuar de manera razonable analizando su entorno y ejecutando acciones mediante actores y sensores los que permitirán elegir la mejor de las opciones posibles para de esta forma lograr obtener beneficios.

Un agente racional debe tener la capacidad de diferenciar entre lo que es correcto y lo que no lo es.

Un agente de es un sistema de computación que tiene autonomía y flexibilidad, entendiéndose por ésto último a las siguientes características:

• Reactivo: Es decir que pueda responder a cambios en el medio que se encuentre
• Pro-activo: El agente debe cumplir sus objetivos propios.
• Social: Debe existir comunicación con otros agentes.

La meta de la Inteligencia Artificial es diseñar un agente que tenga la capacidad de razonar de acuerdo con el medio en el que se desenvuelva, y que básicamente haga dos cosas importantes:

• Deben fijar medidas de rendimiento eficientes
• Tener en cuenta el Principio de Racionalidad Restringida de Herbert Simon

Imagen 1: Agente inteligente

Medidas de Rendimiento

Las medidas de rendimiento son los criterios determinadores del éxito de un agente, un agente debe percibir el entorno y luego de ésto tendrá una secuencia de percepciones y si ésta es la adecuada, el agente actúa de manera correcta.

Existen distintas medidas de rendimiento distinguiendo los tipos de agente al que se refieran, los agentes podrían no saber qué responder sobre su actuar , o podrían también engañarse a si mismos como las personas que fingen no querer algo después de que ya no lo han conseguido, para que un agente sepa responder sobre su actuar es necesario tener medidas de rendimiento objetivas.


Las medidas de rendimiento deben diseñarse de acuerdo con el agente y su entorno, más que por cómo se cree que el agente debe comportarse.

Racionalidad

La racionalidad depende de 4 factores:

Gráfico 1: Factores de la racionalidad

Un agente racional pretende actuar de la manera más correcta maximizando las utilidades, es decir el rendimiento, basándose en la secuencia de percepciones que tiene almacenadas.

Gráfico 2: Factores importantes para determinar si un agente es racional o no.

En el caso del agente aspiradora éste es premiado por cada recuadro limpio alrededor de un promedio de tiempo y esa es su medida de rendimiento, conoce el entorno aunque el agente no sabe qué tan lejos está de la suciedad, el agente aspiradora mantiene limpio el cuadriculo en el que se encuentra y percibe su localización actual mediante sensores, su actuador es realizar la acción de moverse a la izquierda, derecha, limpiar o simplemente no hacer nada. Explicando de ésta forma se podría decir que el agente es racional, sin embargo, cuando el piso está limpio no habría nada que hacer y si el agente realiza acciones de buscar cuadros sucios, este no estaría actuando de manera racional, el agente debe tener la capacidad de percibir el entorno y limpiar sólo si es necesario y si no conoce el entorno , explorarlo.

Omnisciencia, aprendizaje y autonomía

La Omnisciencia: Ser omnisciente o clarividente no nos hace inteligentes, y la omnisciencia trata de ésto, es la capacidad que tendrá un agente, de saber absolutamente todo, hasta lo que ocurrirá en el futuro, es decir, tener todo calculado.

Un ejemplo de que los agentes no aplican la omnisciencia independientemente de si son o no racionales, es lo que pasó en un caso de 1000 maneras de morir, un señor cruzo la calle cuando estaba en rojo y ésto era lo que haría cualquier agente racional en su posición sin embargo, por fallas eléctricas para los conductores el semáforo estaba en verde, por lo cual el señor fue atropellado y murió. Son muchas las cosas que pasan que no siguen una secuencia con lo que suele pasar, cada día es distinto y no existe el plan llevado a cabo con perfección, por lo cual, ser omnisciente es imposible hasta ahora.

La perfección no hace que el agente sea racional, más bien el agente se debe guiar y ejecutar acciones por medio de la secuencia de percepciones que tendrá y se llevan a cabo acciones con el fin de modificar las futuras percepciones para lo cual es necesario :

• Recopilar información.
• Explorar.

El aprendizaje: Para que un agente sea considerado racional necesita no sólo percibir algo, sino también aprender sobre la secuencia de percepciones que tiene, existen algunos agentes que conocen su entorno de trabajo a la perfección, por lo cual solo tienen que dedicarse a actuar de manera correcta o incorrecta.

Existen agentes que siguen solamente la secuencia de percepciones pero en este caso el agente debe tener la capacidad de percibir y aprender en conjunto, como por ejemplo las hormigas, cuando llevan su alimento lo hacen casi mecánicamente, si alguien les quitara el alimento de encima, ellas no se regresarían a ver otro poco de comida si no que más bien harían de cuenta que nada pasó, y ésto es muy propio de agentes no racionales, es decir no aprenden sobre las percepciones.

La autonomía: 

Para que un agente sea autónomo necesita centrarse en las percepciones del medio en que se encuentre más que en el código que le dio el diseñador, es decir, los agente autónomos no se guían por reglamentos externos impuestos. Pueden haber dos clases de agentes autónomos y son los que tienen una conducta basada en su experiencia es decir percepciones, y los que basan su conducta a partir de su red neuronal.

Cuando es la primera vez que el agente se encuentra en un medio o actuando, este no necesariamente tiene que ser autónomo, ya que al igual que los seres humanos, primero el agente debe aprender para luego y llenando el conocimiento que le dieron al inicio, como cuando se enseña a los bebés a decir papá o mamá y en el transcurso el niño aprende palabras que oyó y que los padres no enseñaron inicialmente, ese sería el comportamiento de un agente inteligente.

Un agente aspiradora con autonomía por ejemplo, será más eficiente ya que sabrá hacia dónde deber ir según lo que va aprendiendo.

Aporte: Robot Golem 

Es el primer robot desarrollado en México, capaz de mantener una conversación en español, de la forma en la que lo haría una persona y se basa en la tecnología que se desarrolló para los Diálogos Inteligentes Multimodales.
Los componentes que permitían que el robot mantuviera una conversación son:

• Visión computacional.
• Desligue de texto, imágenes y videos.

CONCLUSIÓN

Un agente racional es aquel que tiene la capacidad de razonar, es decir es inteligente, ya que por medio de percepciones o redes neuronales va aprendiendo y no se quedará sólo con el conocimiento dado por el diseñador, ya que el medio en el que los agentes se desarrollan cambia, y el agente debe tener las medidas de rendimiento más eficientes para cumplir mejor sus objetivos.

Un agente inteligente artificial sin embargo no puede saberlo todo y actuar respecto a este conocimiento, ya que ni siquiera los seres humanos lo han logrado, el agente inicialmente tendrá conocimientos básicos y luego deberá aprender según como se den los sucesos en su entorno,y razonará en base a la secuencia de percepciones lo cual lo llevará a ser un agente autónomo.

BIBLIOGRAFÍA

Jiménez,L. Sánchez, L. 2007. Agentes Inteligentes. ES. Consultado el 13 de nov. 2014. Formato PDF. Disponible en: http://www.sanchezcrespo.org/Docencia/IA/IA%20-%20Tema%203B%20-%20Busquedas%20v1.3.pdf

Romero, J; Dafonte, C; Gómez, A; Penousal, J. 2007. Inteligencia Artificial y Computación Avanzada. ES. Colección Informática nº 13. p 400.

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

V. Julián, V. Botti. 2000. Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial. ES. Consultado el 11 de nov. 2014. Formato PDF. Disponible en: http://www.ati.es/novatica/2000/145/vjulia-145.pdf

Agentes y su Entorno

INTRODUCCIÓN

Para que la inteligencia artificial sea llevada a cabo se necesitan de agentes que cumplan ciertos procesos, quienes más participan en la ciencia de la IA son los agentes inteligentes, entidades capaces de percibir de su entorno y así pensar y actuar de manera racional entendiendo que debe maximizar los resultados para obtener beneficios.

Los agentes inteligentes son  tomados como parte central de la Inteligencia Artificial y en las siguientes publicaciones se explicará como la racionalidad es aplicada a los diferentes agentes del universo analizando los medios en los que éstos se desenvuelven.

OBJETIVO

El objetivo de la siguiente publicación es aprender cómo los agentes pueden razonar con respecto al entorno en el que se desenvuelven.

MARCO TEÓRICO

¿Qué es un agente?

Un agente es cualquier organismo capaz de percibir el entorno que lo rodea es decir su medio ambiente, por medio de sensores y que se permite actuar por medio de actuadores.

Imagen 1: Los agentes interactúan con el medio ambiente por medio de actuadores y sensores.

¿Qué son los sensores y por qué permiten que agentes perciban su entorno?

Un sensor es un dispositivo detector de magnitudes físicas o químicas tales como temperatura, intensidad lumínica, distancia, aceleración, inclinación, desplazamiento, presión, fuerza, torsión, humedad, movimiento, pH, etc.

Imagen 2: Ejemplo de sensor, sensor de efecto Hall para la determinación de la posición.

Mediante los sensores los agentes pueden percibir el entorno que los rodea como en la Imagen 2 , un agente con el sensor de Hall podrá determinar su posición así como también medir campos magnéticos o corrientes.

¿Qué son los actuadores y por qué permiten que agentes interactúen con su entorno?

Los actuadores tienen el objetivo de generar el movimiento de los elementos de un agente según las ordenes dadas por la unidad de control es decir que los agentes reaccionan a un estímulo realizando una acción.

Agentes humanos - Agentes Inteligentes

Una agente humano tiene órganos sensoriales y partes del cuerpo que permiten realizar acciones, como las piernas para caminar o correr, un agente robot también recibe pulsaciones tan solo que éstas por medio del teclado, vía red entre otras.

Las percepciones son las entradas de datos o información que los agentes reciben en cualquier momento y al conjunto de percepciones que hacen referencia al historial de percepciones que el agente ha tenido a lo largo de un determinado tiempo, se les llaman secuencia de percepciones.

Gráfico 1: Agente inteligente simple.

La función de los agentes es controlar el comportamiento de los agentes: "Un agente tomará una decisión en un momento dado dependiendo de la secuencia completa de percepciones hasta ese instante". ( Russell, S y Norvig, P. 2008). Es por esto que se podría saber la decisión que tomará un agente en base a la secuencia de percepciones.

Programa del agente: Es la implementación completa que se ejecuta en la arquitectura del agente.

En la siguiente figura se simula a una aspiradora y su función de limpiar tanto en el mundo  A como en el B la aspiradora percibe en qué cuadro se encuentra y si está sucio o no lo está, si está sucio deberá limpiar, una vez limpio puede elegir si se mueve a la izquierda o derecha o no hacer nada.

Imagen 3: Mundo Aspiradora

Imagen 4: Tabla parcial de una función de agente sencilla para el mundo de la aspiradora

Los distintos agentes tienen una tabla de secuencias con las que pueden dirigirse, de cómo funcionan los agentes y que hace que estos sean considerados razonables o no depende de aspectos considerados en las siguientes publicaciones.

Aporte: Congreso Internacional sobre Redes Neuronales

El Granada Seminar que es patrocinado por Ministerio de Educación y Ciencia, por la Sociedad Europea de Física (EPS) y por la Fundación SNN de Redes Neuronales trata fundamentalmente de los recientes avances de las redes neuronales y del paradigma que es el cerebro humano, distintos catedráticos de la Universidad de Granada celebran desde 1990 los descubrimientos sobre redes neuronales y en el 2014 catedráticos y expertos en el tema de más de 30 países, se reunieron para dar conferencias sobre el tema.
En éste congreso se debaten temas como:

• Resultados experimentales de las RNA.
• Mecanismos congnitivos de las RNA
• Toma de decisiones
• Almacenamiento de información
• Procesos de reconocimiento
• Criticalidad, estabilidad y sincronización del cerebro.

Más de 200 investigadores de primera línea provenientes de América, Europa, Asia y África son acogidos por el congreso de la Universidad de granada.

CONCLUSIÓN

Los agentes son organismos capaces de realizar alguna acción determinada y puedes ser diferenciados entre inteligentes o no, sin embargo un agente inteligente o no debe ser capaz de percibir su entorno y actuar en cuanto a el, para lo cual necesita actuadores que permiten ejecutar las acciones y sensores que permiten percibir el medio ambiente.

Las percepciones que tiene un agente son importantes para las siguientes acciones que desempeñará es por lo tanto que el agente guarda una especie de lista con las secuencias de las percepciones en cuanto a su entorno.

BIBLIOGRAFÍA

Basogain, X. 2008. Redes neuronales artificiales y sus aplicaciones.(En línea). ES. Consultado, 21 de dic.2014. Formato PDF. Disponible en: cvb.ehu.es/open_course_ware/castellano/.../redes.../libro-del-curso.pdf

Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España. Pearson Education. p 248

Romero, J; Dafonte, C; Gómez, A; Penousal, J. 2007. Inteligencia Artificial y Computación Avanzada. ES. Colección Informática nº 13. p 400.

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

V. Julián, V. Botti. 2000. Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial. ES. Consultado el 4 de nov. 2014. Formato PDF. Disponible en: http://www.ati.es/novatica/2000/145/vjulia-145.pdf