Upload
nelsson-alvarez
View
262
Download
0
Tags:
Embed Size (px)
DESCRIPTION
todo sistema intekigente abarca
Citation preview
Introduccin a losSistemas Inteligentes (I)
Caracterizacin (Qu es un sistema inteligente?).
Paradigmas principales. Ejemplos de aplicacin: Supervisin y
Diagnosis
Caracterizacin
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 ms amplio sentido literal.Haugeland, 1985.[La automatizacin de] actividades que vinculamos con procesos de pensamiento humano, actividades como la toma de decisin, resolucin 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 clculos que hace posible percibir, razonar y actuar.Winston, 1992.
El arte de desarrollar mquinas con capacidad para realizar funciones que cuando son realizadas por personas requieren de inteligencia.Kurzweill, 1990.El estudio de cmo 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 diseo de agentes inteligentes.Pool y col., 1988.IA... est relacionada con conductas inteligentes en artefactos.Nilsson, 1998.
Las definiciones estn organizadas en cuatro categoras:Sistemas que piensan como personas Sistemas que piensan racionalmenteSistemas que actan como personas Sistemas que actan racionalmente
Qu es un sistema inteligente?
Sistema Inteligente Agente inteligente o, mejor, racional
4
5Concepto de Agente
Entidad que percibe su entorno a travs de sensores modifica el entorno mediante actuadores
ENTORNO
sensores
actuadores
?
Agente
Conceptos bsicos
Secuencia de Percepciones (SP) Acciones Funcin de Agente
6
7Agente racional
Intuitivamente: hacer lo correcto
considerar creencias y percepcin del entorno para seleccionar la accin que proporcione mayor xito, satisfaccin, etc.
Medida de rendimiento objetiva externa cuantifique el xito
8Agente racional
Agente racional ideal, Russell, Norvig Aquel que para cada posible secuencia de
percepciones, realiza la accin que se espera que maximice su medida de rendimiento, basndose en la evidencia proporcionada por su secuencia de percepcin y el conocimiento que el agente mantiene almacenado
Aclaraciones
Agente racional Agente omnisciente
Necesidad de aprendizaje
Agente autnomo
9
Ejemplos de agentes y descripcin REAS
Tipo de Agente
Medida de Rendimiento
Entorno Actuadores Sensores
Robot para la seleccin de componentes
Porcentaje de componentes clasificados en los cubos correctos
Cinta transportadora con componentes, cubos
Brazo y mano articulados
Cmara, sensor angular
Controlador de una refinera
Maximizar la pureza, produccin y seguridad
Refinera, operadores
Vlvulas, bombas, calentadores, monitores
Temperatura, presin, sensores qumicos
Tutor de Ingles interactivo
Maximizar la puntuacin de los estudiantes en los exmenes
Conjunto de estudiantes, agencia examinadora
Visualizar los ejercicios, sugerencias, correcciones
Teclado de entrada
Entornos y sus caractersticas
Ejemplos de entornos: Crucigrama, Ajedrez con reloj, Anlisis de
imagen, Robot clasificador, Diagnstico mdico
Caractersticas del entorno Observable, Determinista, Episdico,
Esttico, Discreto, Agentes
11
Introduccin: Encargo E1
Desarrollar el apartado Entorno y sus caractersticas. Referencia bsica: Rusell y Norvig.
Definir las caractersticas bsicas Proponer ejemplos de entornos
adicionales y caracterizarlos
12
13
Estructura de agente
Funcin de agente secuencia percepciones acciones
Especifica el comportamiento del agente
Estructura de Agente arquitectura de agente + programa de
agente arquitectura: hard + soft programa: funcin de agente
14
Agente reactivo simple
ENTORNO
sensores
actuadores
descripcin del mundo
accinReglas condicin/accin
Agente
Introduccin: Encargo E2
Completar el apartado Estructura de Agente. Referencia bsica: Rusell y Norvig.
Revisar las estructuras bsicas 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 slo tcnicas de bsqueda
De inters en numerosos entornos (juegos, optimizacin de rutas, etc)
Incluyen conocimiento, implcito o explicito, sobre el problema a resolver
16
Paradigmas principales (II)
Sistemas basado en conocimiento (sistemas expertos)
Razonamiento basado en casos Mtodos de aprendizaje y minera de
datos Razonamiento basado en modelos
17
Sistemas basado en conocimiento (sistemas expertos)
Identificacin y explotacin del conocimiento humano para la resolucin de problemas
Suposiciones bsicas El conocimiento proviene de la experiencia Los expertos codifican el conocimiento
mediante asociaciones (heurstica) El conocimiento se puede extraer del
experto y codificar mediante un Lenguaje de Representacin de Conocimiento
18
Reglas de produccin
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 Produccin
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 atrs, meta-reglas
Razonamiento aproximado: factores de certeza
20
21
Clasificacin jerrquica
Soluciones abstractas
Datos abstractos
Datos Soluciones
Espacio de datos Espacio de soluciones
Clasificacin Jerrquica Abstraccin
Equiparacin
Refinamiento
[Clancey, Chandrasekaran, 83, 85]
Investigacin: Diagnosis basada en modelos 22
Ejemplo: MYCIN
SUBTIPO Refinamiento
SUBTIPO Refinamiento
SUBTIPO Refinamiento
Enfermedades especficas
Datos del paciente
Espacio de datos Espacio de soluciones
Abstracciones del paciente
Husped Inmunocomprometido
Inmunodepresin
Leucopenia
Recuento Leucocitario bajo
Recuento Leucocitario < 2.500
GENERALIZACIN
DEFINICIN
CUALITATIVA
GENERALIZACIN
CAUSA Clases de enfermedades
Bacteria que coloniza territorios no estriles
Abstraccin
Bacteria que coloniza el tracto GI
Enterobacterias
Equiparacin
Infeccin por E. Coli
SI (1) se dispone de un anlisis de sangre, (2) el recuento leucocitario es menor que 2,500 ENTONCES (3) las siguientes bacterias podran estar causando la infeccin: E. Coli (.75), Pseudonomas-aeuroginosis (.5), Klebsiella-pneumoniae (.5).
Aplicaciones SBC (SE)
Numerosos dominios de aplicacin: Medicina, Mecnica, Electrnica, Control de Procesos,
Aeronutica, ...
Numerosas tareas: Diagnosis, configuracin, clasificacin,
Numerosos sistemas: Representativos: MYCIN, INTERNIST, R1/XCONF Actuales: Expert systems with applications (An
international Journal)
23
24
Ventajas aproximacin SBC
Aproximacin bien establecida Metodologas (Ingeniera de conocimiento,
Ontologas), sistemas
Adecuada si Suficiente experiencia No hay otras fuentes de conocimiento Suficientes observaciones El sistema permanece estable
25
Inconvenientes aproximacin SE
Relacionadas con la experiencia Dificultad tarea adquisicin conocimiento Disponibilidad experiencia/expertos Dependencia del dispositivo
Relacionado con el mtodo de solucin Situaciones no previstas Combinacin de soluciones(ej: fallos mltiples) Fragilidad
Ingeniera de software Obtencin del conocimiento Reutilizacin de conocimiento (tareas, dispositivos) Mantenimiento de (la consistencia de ) la base de
conocimiento
Razonamiento basado en casos
Caso: descripcin de un problema y su solucin
Solucin nuevo problema Buscar caso(s) con descripcin ms similar Adaptar solucion(es) y revisar resultado Almacenar nuevo caso si interesante
26
27
Ciclo CBR
Recuperar (retrieve) los casos ms parecidos
Reutilizar (reuse) la solucin propuesta en los casos para tratar de resolver el problema
Revisar (revise) la solucin propuesta
Almacenar (retain) la nueva solucin como parte de un nuevo caso
28
Ventajas/inconvenientes aproximacin CBR
Ventajas No requiere representacin explicita del
conocimiento Capacidad de aprendizaje Adecuado si no se dispone de modelo
explicito
Inconvenientes Necesidad de casos previos Limitaciones de la etapa de REVISIN
Aprendizaje y Minera de datos
Permiten inferir conocimiento nuevo Descripcin de conceptos a partir de
ejemplos etiquetados (clasificacin) 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 automticamente
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 solucin30
Razonamiento basado en modelos
31
Sistema Real Modelo
Libros Diseo Primeros Principios
Comportamiento (observado/deseado)
Comportamiento Predicho Diferencias
Solucin
Razonamiento basado en modelos
Conocimiento: modelos (estructura, comportamiento) de los componentes del sistema
Razonamiento: proceso de manipulacin de los modelo hasta obtener solucin 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 mltiples) Slido y completo
Respecto a los modelos
Mantenimiento y reutilizacin del conocimiento Biblioteca de modelos (disponibles desde el diseo)
Inconvenientes RBM
Dificultad de obtencin de los modelos Procesos poco conocidos Sistemas con numerosos componentes Comportamientos complejos: dinmica, no
linealidades, rango de validez de modelo
Mayor carga computacional del proceso de razonamiento Limitaciones aplicaciones en tiempo real
34
reas de aplicacin
Planificacin y Scheduling Configuracin y diseo Diagnosis Control Visin Tecnologas del habla Robtica Lenguaje natural Anlisis de transacciones Industria informtica actual
navegadores, buscadores, gestor e-mail, reconocimiento matrculas aparcamientos, compras on-line
35
36
Industrial del automvil
Diagnosis a bordo Diagnosis en el taller Elaboracin de manuales Diagnosis, mantenimiento
preventivo
De gran inters por Seguridad Medio ambiental Econmicos
Varios proyectos Europa, USA
Investigacin: Diagnosis basada en modelos 37
Industria Aeroespacial
Sistemas de Monitorizacin de las funciones bsicas de naves espaciales (Health Managment Systems) subsistemas de propulsin, guiado, de vida...
Para deteccin, localizacin y reconfiguracin Satlites, lanzaderas... ESA (European Espace Agency), NASA (National Space
Agency), Deimos Space, IBERESPACIO
Investigacin: Diagnosis basada en modelos 38
Localizacin de fallos en copiadoras
relay
blower
sensor
valve
(a)
(b)
(c)
None
Power
PaperHeight
On/Off Vacuum
Air Knife
39
Supervisin de procesos industriales
Aporta Atencin continuada Seguridad Calidad homognea
Introduccin: Encargo E3
Buscar ejemplos de aplicacin de Sistemas Inteligentes Industria Informtica Actual
Informacin sobre 4 Sistemas Inteligentes asimilables. Breve descripcin del problema y del Sistema Inteligente (paradigma principal)
Referencias: IEEE Intelligent Systems, Engineering Applications of Artificial Intelligence, Expert Systems with Applications
40
Introduccin a losSistemas Inteligentes (I)CaracterizacinAlgunas definiciones de Inteligencia ArtificialQu es un sistema inteligente?Concepto de AgenteConceptos bsicosAgente racionalAgente racionalAclaracionesEjemplos de agentes y descripcin REASEntornos y sus caractersticasIntroduccin: Encargo E1Estructura de agenteAgente reactivo simpleIntroduccin: Encargo E2Paradigmas principales (I)Paradigmas principales (II)Sistemas basado en conocimiento (sistemas expertos)Reglas de produccinEjemplo de MYCINClasificacin jerrquicaEjemplo: MYCINAplicaciones SBC (SE)Ventajas aproximacin SBCInconvenientes aproximacin SERazonamiento basado en casosCiclo CBRVentajas/inconvenientes aproximacin CBRAprendizaje y Minera de datosVentajas/inconvenientes paradigma de aprendizajeRazonamiento basado en modelosRazonamiento basado en modelosVentajas RBMInconvenientes RBMreas de aplicacinIndustrial del automvilIndustria AeroespacialLocalizacin de fallos en copiadorasSupervisin de procesos industrialesIntroduccin: Encargo E3