Principios de Inteligencia Artificial

1
Principios de Inteligencia Artificial
Introducción e historia

• Universidad de Nebrija
• Ramiro Lago
• Curso 2004-5

2
Qué es la IA?

• Inteligencia (RAE) Capacidad de entender o
  comprender
• Sistemas que piensan como humanos
• IA es la parte de la Informática que se dedica al
  diseño de sistemas computacionales inteligentes
  (E. Feigenbaum)
• La interesante tarea de lograr que las
  computadoras piensen..., máquinas con mente
  (Haugelend, 1985)
• Sistemas que actúan como humanos
• "La ciencia de hacer máquinas que hagan cosas que
  requerirían inteligencia como si fuesen hechas
  por humanos " (Marvin Minsky)
• El arte de crear máquinas con capacidad de
  realizar funciones que realizadas por personas
  requieren inteligencia (Kurzweil, 1990)
• Simulamos o emulamos la inteligencia?
• Simulación nos interesa que el resultado (la
  conducta) del simulador represente fielmente al
  original
• Emulador el emulador quiere ser estructuralmente
  igual que el original (o incluso superarlo)

3
La prueba de Turing IA como simulación

• Turing (1950) propuso una prueba para determinar
  si una máquina era inteligente un ser humano
  mediante un teclado debía dialogar con una
  máquina. Si al final el ser humano no podía decir
  con certeza si había dialogado con una máquina o
  con un ser humano, entonces podíamos calificar a
  la máquina como inteligente
• Ventajas e inconvenientes de la prueba?

4
Simulación y emulación

• Orientaciones de la IA
• Simulación orientación simbólica, en la que el
  conocimiento es explicable por manipulación de
  símbolos (logíca formal, reglas, redes
  semánticas, etc.)
• Emulación orientación conexionista, el
  conocimiento se representa por la estructura y
  estado de la red neuronal artificial

5
Historia el periodo clásico (I)

• McCulloch y Pitts (1943) definieron la neurona
  artificial básica. Cada neurona tenía dos
  estados encendido y apagado, en función de la
  estimulación producida por las neuronas vecinas.
• Mostraron que cualquier función calculable, lo
  podía ser por medio de una red
• Hebb (1949) mostró un sencillo procedimiento por
  el que se conseguía autoaprendizaje, a través del
  cambio de los pesos o intensidades de las
  conexiones (axones)
• Minsky y Edmonds (1951) construyeron la primera
  computadora de red neuronal
• En 1962 Rosenblatt crea el Perceptron. Con el
  teorema de convergencia del perceptron fundamenta
  el procedimiento de aprendizaje

6
Historia el periodo clásico (II)

• Newell, Simon y Shaw (1955) hicieron el primer
  programa de IA (Logic Theorist), que probaba
  teoremas usando técnicas de búsqueda y reglas
• LT se aplicó a algunos teoremas de los Principia
  Mathematica de Russell y Whitehead, consiguiendo
  en algunos casos una demostración más elegante
  (sencilla). Se dice que Russell mostro su
  malestar ante el hecho
• LP da lugar al General Problem Solver. La idea
  era programar sistemas de búsqueda que fueran
  semejantes a los procesos mentales humanos
• En 1956 en la famosa conferencia del Darmouth
  College se da el nombre de IA a la nueva
  disciplina, entre otros, estaban McCarthy,
  Minsky, Newell,Simon, Shannon
• En 1958 McCarthy produce el lenguaje LISP
• Friedberg (1958) crea el concepto de evolución de
  máquina (el origen de los algoritmos genéticos)

7
Historia el periodo clásico (III)

• Dificultades
• Los programas contaban con poco o ningún
  conocimiento sobre la materia que trataban. La
  representación del conocimiento de contexto es
  importante para resolver multitud de problemas,
  como por ejemplo, la traducción en lenguaje
  natural. Un ejemplo
• La frase El espíritu es fuerte pero la carne es
  débil
• Acaba traducida por El vodka es bueno pero la
  carne está podrida
• El conocimiento se representaba predominantemente
  con lógica formal
• Dificultad para representar el conocimiento por
  sentido común
• Dificultad para abordar problemas más allá de
  micromundos, lo que lleva a escasa aplicabilidad
  (normalmente problemas geométricos y cálculo)
• Mezcla de la base de conocimiento y el modelo
  (motor) de razonamiento
• El informe Lighthill (1973) para el gobierno
  británico frena la inversión y extiende por todo
  el mundo una impresión de escepticismo

8
Historia el periodo clásico (IV)

• Pulcros frente a Desaliñados
• Para investigadores como McCarthy y Nilsson toda
  aplicación debe tener una sólida base teórica
  (lógica matemática, teoría de autómatas, etc.)
• Hay que basar los programas en sólidas teorías
• Para Minsky, Schank o Feigenbaum los modelos de
  simbolismo formal son escasamente aplicables a
  problemas de cierta complejidad
• Hay que conseguir programas que funcionen
• Chu-en-Lai Da igual el color del gato, lo que
  importa es que cace ratones

9
Historia sistemas basados en conocimiento (I)

• Buchanan y Feigenbaum (1969) en Stanford crean
  DENDRAL, que infería una estructura molecular a
  partir de la información de un espectrómetro de
  masas. Hitos
• El primer sistema que almacenaba una una cantidad
  respetable de conocimiento
• Representación mediante reglas (SI-ENTONCES)
• Separa la base de conocimiento (reglas) del motor
  de inferencia
• Surge el concepto de Sistema Experto
• Una consecuencia de DENDRAL es el Proyecto de
  Programación Heurística (Heuristic Programming
  Project) de Stanford (Feigenbaum y otros)

10
Historia sistemas basados en conocimiento (II)

• Buchanan, Feigenbaum y Shortliffe diseñan MYCIN
  (1976) en Stanford para el diagnóstico y
  tratamiento de la meningitis
• El primer ejemplo de Sistema Experto en medicina
• Diferencia entre
• Base de conocimiento, formada por módulos de
  reglas de producción. Las reglas tenían asociado
  un Coeficiente de Credibilidad. Ej
• SI la coloración es GRAM NEGATIVO Y
• la morfología es BASTONCILLO Y
• el paciente es de ALTO RIESGO
• ENTONCES se sugiere (con certeza de 0,6) que es
  PSEUDOMONAS
• (la combinación de la certeza de los
  antecedentes con la certeza de la regla nos da la
  certeza del consecuente)
• Base de hechos con la estructura
  objeto-atributo-valor
• Motor de inferencia
• Estrategia de control (reglas heurísticas)
• Subsistema de explicación siguiendo la traza de
  la inferencia
• MYCIN era tan bueno como los especialistas, sin
  embargo no llegó a la práctica clínica. Razones
• La interacción hombre-máquina no era rápida.
  Desde la introducción de datos hasta que se
  examinaba la traza se llegaba a media hora
  aproximadamente
• Las máquinas necesarias no estaban al alcance de
  los médicos
• Insuficiente explicación del resultado

11
Historia sistemas basados en conocimiento (III)

• Minsky diseña (1975) una nueva forma de
  representar el conocimiento en forma de marcos
• Representa estereotipos o esquemas de un objeto
• Combina lo declarativo (atributos) con lo
  procedimental (procedimientos para determinar el
  valor de los atributos)
• INTERNIST-1 se crea usando marcos para
  representar las enfermedades. Los marcos se
  relacionaban entre si mediante relaciones del
  tipo causa ..., coincide con ..., precede a
  ...
• Problemas
• Falla en explicar las relaciones causales de bajo
  nivel (referencia a estados fisiopatológicos
• Debido a defectos en el diseño de los marcos no
  se puede razonar temporalmente
• Otros sistemas usan redes semánticas
• CASNET (1975) para el diagnóstico y terapia de
  glaucoma. Relaciona hechos y estados
  fisiopatológicos

12
Historia Resurge la orientación conexionista

• En 1986 Rumelhart y McClelland desarrollan el
  perceptrón multicapa y el algoritmo de
  aprendizaje por retropropagación del error (BP)

13
Cuándo utilizamos técnicas de IA?

• Problemas que producen una gran explosión
  combinatoria, es decir, gran cantidad de estados
  intermedios para llegar a una solución
• Conocimiento impreciso o aproximado
• Dificultad a la hora de representar el
  conocimiento, ya que implica modelos de
  representación heterogéneos (procedimientos,
  reglas, declaraciones, etc.)
• Dificultad para representar las reglas o
  procedimientos de resolución de problemas. La
  adquisición de conocimiento es un problema
• Es importante que el conocimiento se puede
  representar de manera estructurada, si no es así,
  es muy probable que el proyecto fracase