Upload
hanhu
View
221
Download
1
Embed Size (px)
Citation preview
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