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