Revolución IA

La Inteligencia Artificial está llamada a protagonizar la próxima Revolución tecnológica

Inicio Sobre Revolucionia Temas Para saber más Contacto

Estrategias básicas en Inteligencia Artificial

Fernando P.    27/07/2017

Temas:  Fundamentos    Divulgación

Hemos mencionado varias veces que la Inteligencia Artificial es un conjunto de técnicas para resolver problemas. Son técnicas bastante heterogéneas, pero podemos tratar de poner un poco de orden en ellas y agruparlas por tipos, de forma que podamos tener una visión de conjunto de todas ellas.

Básicamente, podemos hablar de 4 grupos de técnicas en Inteligencia Artificial.

Naturalmente, hay problemas que requieren de estrategias múltiples y hay técnicas complejas que toman ideas de más de uno de estos grupos. Pero nos viene muy bien poder establecer una clasificación simple en función de las estrategias básicas disponibles.

Por otro lado, la construcción de sistemas inteligentes de relativa complejidad va a requerir el concurso de varias técnicas, normalmente de varios tipos distintos o incluso de los 4 tipos existentes.

Búsqueda
Se trata del tipo de técnicas más sencillo. Básicamente, disponemos de un problema que tiene un espacio de soluciones conocido y con un coste conocido para cada solución.

Las técnicas de búsqueda tratan de localizar soluciones con un coste lo más reducido posible (o un beneficio lo más alto posible, según lo miremos).
Estrategias
Un ejemplo de búsqueda es la localización de la ruta más corta entre dos ciudades de un país. En este caso, conocemos todos los tramos de carretera que hay en el país así como su longitud. Dada una ciudad de inicio y otra de final, se trata de encontrar un camino de longitud mínima, o suficientemente pequeña al menos.

Los primeros programas de ajedrez utilizaban técnicas de búsqueda para jugar, pero no es posible vencer a buenos jugadores humanos usando únicamente este tipo de técnicas.

Razonamiento lógico
En este caso, disponemos de una serie de hechos conocidos acerca del problema que nos ocupa y disponemos de unas relaciones lógicas entre estos hechos.

Básicamente, se trata de usar las reglas de la lógica para tratar de deducir hechos adicionales a partir de lo que ya sabemos de forma que, encadenando razonamientos, podamos llegar a resolver el problema.

Este tipo de técnicas implican una carga muy elevada de abstracción y de formalidades teóricas, no es fácil aplicarlas y hay mucho por hacer aún, pero deberían tener un fuerte protagonismo en la Inteligencia Artificial fuerte.

Un ejemplo de aplicación de este tipo de técnicas es la planificación.

A la hora de fabricar algo muy complicado, como un coche, hay muchos pasos a dar y muchas condiciones que deben darse antes de dar cada paso. Por ejemplo, no podemos pintar el coche si ya tiene puestos los cristales. Este tipo de cosas pueden parecer obvias, pero en procesos que tienen cientos de pasos y miles de restricciones, un sistema de planificación basado en Inteligencia Artificial está en mejor posición que un humano para diseñar el mejor proceso posible.

Problemas con incertidumbre
En los dos casos anteriores, todas las reglas, restricciones o hechos conocidos son básicamente ciertos, no hay incertidumbre. Pero sucede que en el mundo real ráramente tenemos seguridad al 100% de que algo va a ser así.

Por ejemplo, en la localización de la ruta más rápida entre dos ciudades deberíamos tener en cuenta la posibilidad de que haya atascos, obras u otro tipo de problemas en la carretera. Esta incertidumbre sobre el estado de la carretera podemos incorporarlas a la descripción de nuestro problema en forma de probabilidades.

Los problemas que incorporan incertidumbre (estocásticos) son mucho más difíciles de resolver que los problemas determinísticos. Además, las soluciones de estos problemas también son estocásticas, esto es, que pueden ser buenas ... o no.

En este tipo de técnicas se usan herramientas como la aproximación bayesiana al cálculo de probabilidades, que nos permite encadenar cálculos de probabilidades condicionadas a unos hechos más o menos conocidos para poder conocer la probabilidad de que una determinada solución sea buena o no.

Se trata de técnicas de bastante dificultad, muy arraigadas en la disciplina matemática del cálculo de probabilidades.

Un ejemplo de aplicación de este tipo de técnicas es en el campo de inversiones financieras, que son situaciones en las que hay mucha incertidumbre pero debemos tomar decisiones que maximicen la probabilidad de obtener un buen beneficio.

Aprendizaje automático
En este tipo de técnicas (machine learning en Inglés), sucede que no sabemos casi nada sobre la estructura interna del problema que tenemos. Pero sí que conocemos muchos ejemplos con sus soluciones, suelen ser problemas muy sencillos para los humanos.

Un ejemplo típico de uno de estos problemas es clasificar imágenes de perros en base a su raza, algo sencillo para nosotros pero muy difícil de describir formalmente con una notación matemática.

Realmente, se trata de problemas de clasificación. La solución que damos desde el punto de vista de la Inteligencia Artificial es construir algoritmos que vayan modelando poco a poco un clasificador en base a los ejemplos que le vamos suministrando. Decimos que al modelar el clasificador, la máquina aprende la estructura del problema, pero no es exactamente así.

El ejmplo más conocido de este tipo de técnicas son las redes neuronales artificiales, que en los últimos tiempos han evolucionado a algo que se ha venido en llamar deep learning y que agrupa la mayor parte de aplicaciones de gran éxito actual en Inteligencia Artificial.


Para saber más:

Muchos problemas bastante difíciles se pueden formular usando teoría de grafos y es una forma bastante popular de describir problemas para resolver mediante técnicas de búsqueda en Inteligencia Artificial.

La lógica de proposiciones está en la base del razonamiento lógico y es fundamental para construir agentes inteligentes.

Las redes bayesianas son mecanismos muy útiles para representar y cuantificar los mecanismos de incertidumbre en un problema determinado.

Las redes neuronales artificiales son mecanismos muy generales y muy potentes que permiten construir clasificadores para una gran variedad de problemas mediante aprendizaje automático.



 

Inicio Powered by NetBSD
 
HTML5
 
En general, todo el contenido de este sitio web es original, salvo referencias o enlaces a otros sitios web y citas o reproducciones expresamente presentadas como tales.

No está permitida la reproducción ni la copia del contenido de este sitio web sin el permiso expreso de la propiedad del mismo.

Este sitio web no utiliza cookies ni ningún otro mecanismo para almacenar información en los navegadores de los visitantes ni para realizar seguimiento de los mismos.

2017,2018 Revolucionia.net
Sobre Revolucionia
Temas
Para saber más
Contacto