Introducción a losSistemas 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 ScienceCurriculum 2008: An Interim Revision of CS 2001December 2008Association for Computing MachineryIEEE Computer Society 2

Algunas definiciones de Inteligencia Artificial

3

“El nuevo y excitante esfuerzo de hacer que los computadores piensen ... maquinas con mente, en el más amplio sentido literal”.Haugeland, 1985.“[La automatización de] actividades que vinculamos con procesos de pensamiento humano, actividades como la toma de decisión, resolución de problemas, aprendizaje ...”Bellman, 1978.

“El estudio de las facultades mentales mediante el uso de modelos computacionales”.Charniak y McDermott, 1985.“El estudio de los cálculos que hace posible percibir, razonar y actuar”.Winston, 1992.

“El arte de desarrollar máquinas con capacidad para realizar funciones que cuando son realizadas por personas requieren de inteligencia”.Kurzweill, 1990.“El estudio de cómo lograr que los computadores realicen tareas que, por el momento, las personas hacen mejor” Rich y Knight, 1991.

“La Inteligencia Computacional es el estudio del diseño de agentes inteligentes”.Pool y col., 1988.“IA... está relacionada con conductas inteligentes en artefactos”.Nilsson, 1998.

Las definiciones están organizadas en cuatro categorías:Sistemas que piensan como personas Sistemas que piensan racionalmenteSistemas que actúan como personas Sistemas que actúan racionalmente

¿Qué es un sistema inteligente?

Sistema Inteligente Agente inteligente o, mejor, racional

4

5

Concepto de Agente

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

ENTORNO

sensores

actuadores

?

Agente

Conceptos básicos

Secuencia de Percepciones (SP) Acciones Función de Agente

6

7

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

8

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”

Aclaraciones

Agente racional ≠ Agente omnisciente

Necesidad de aprendizaje

Agente autónomo

9

Ejemplos de agentes y descripción REAS

Tipo de Agente

Medida de Rendimiento

Entorno Actuadores Sensores

Robot para la selección de componentes

Porcentaje de componentes clasificados en los cubos correctos

Cinta transportadora con componentes, cubos

Brazo y mano articulados

Cámara, sensor angular

Controlador de una refinería

Maximizar la pureza, producción y seguridad

Refinería, operadores

Válvulas, bombas, calentadores, monitores

Temperatura, presión, sensores químicos

Tutor de Ingles interactivo

Maximizar la puntuación de los estudiantes en los exámenes

Conjunto de estudiantes, agencia examinadora

Visualizar los ejercicios, sugerencias, correcciones

Teclado de entrada

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

13

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

14

Agente reactivo simple

ENTORNO

sensores

actuadores

descripción del mundo

acciónReglas condición/acción

Agente

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

EjemploSI las diferencias de temperaturas son anormalmente altas Y

las presiones se mantienen aproximadamente constantesENTONCES 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

21

Clasificación jerárquica

Soluciones abstractas

Datos abstractos

Datos Soluciones

Espacio de datos Espacio de soluciones

Clasificación Jerárquica Abstracción

Equiparación

Refinamiento

[Clancey, Chandrasekaran, 83, 85]

Investigación: Diagnosis basada en modelos 22

Ejemplo: MYCIN

SUBTIPO Refinamiento

SUBTIPO Refinamiento

SUBTIPO Refinamiento

Enfermedades específicas

Datos del paciente

Espacio de datos Espacio de soluciones

Abstracciones del paciente

Huésped Inmunocomprometido

Inmunodepresión

Leucopenia

Recuento Leucocitario bajo

Recuento Leucocitario < 2.500

GENERALIZACIÓN

DEFINICIÓN

CUALITATIVA

GENERALIZACIÓN

CAUSA Clases de enfermedades

Bacteria que coloniza territorios no estériles

Abstracción

Bacteria que coloniza el tracto GI

Enterobacterias

Equiparación

Infección por E. Coli

SI (1) se dispone de un análisis de sangre, (2) el recuento leucocitario es menor que 2,500 ENTONCES (3) las siguientes bacterias podrían estar causando la infección: E. Coli (.75), Pseudonomas-aeuroginosis (.5), Klebsiella-pneumoniae (.5).

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

24

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

25

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

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

27

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

28

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

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 solución30

Razonamiento basado en modelos

31

Sistema Real Modelo

Libros Diseño Primeros Principios

Comportamiento (observado/deseado)

Comportamiento Predicho Diferencias

Solución

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

33

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)

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

36

Industrial del automóvil

Diagnosis a bordo Diagnosis en el taller Elaboración de manuales Diagnosis, mantenimiento

preventivo

De gran interés por Seguridad Medio ambiental Económicos

Varios proyectos Europa, USA

Investigación: Diagnosis basada en modelos 37

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 38

Localización de fallos en copiadoras

relay

blower

sensor

valve

(a)

(b)

(c)

None

Power

PaperHeight

On/Off Vacuum

Air Knife

39

Supervisión de procesos industriales

Aporta Atención continuada Seguridad Calidad homogénea

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