Introducción a los Sistemas Inteligentes (I)

Transcripción

1 Introducción a los Sistemas Inteligentes (I) Caracterización ( Qué es un sistema inteligente?). Paradigmas principales. Ejemplos de aplicación: Supervisión y Diagnosis

2 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 Science Curriculum 2008: An Interim Revision of CS 2001 December 2008 Association for Computing Machinery IEEE Computer Society 2

3 Algunas definiciones de Inteligencia Artificial El nuevo y excitante esfuerzo de hacer que los computadores piensen... maquinas con mente, en el más amplio sentido literal. Haugeland, [La automatización de] actividades que vinculamos con procesos de pensamiento humano, actividades como la toma de decisión, resolución de problemas, aprendizaje... Bellman, El estudio de las facultades mentales mediante el uso de modelos computacionales. Charniak y McDermott, El estudio de los cálculos que hace posible percibir, razonar y actuar. Winston, El arte de desarrollar máquinas con capacidad para realizar funciones que cuando son realizadas por personas requieren de inteligencia. Kurzweill, El estudio de cómo lograr que los computadores realicen tareas que, por el momento, las personas hacen mejor Rich y Knight, La Inteligencia Computacional es el estudio del diseño de agentes inteligentes. Pool y col., IA... está relacionada con conductas inteligentes en artefactos. Nilsson, Las definiciones están organizadas en cuatro categorías: Sistemas que piensan como personas Sistemas que piensan racionalmente Sistemas que actúan como personas Sistemas que actúan racionalmente 3

4 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 Agente sensores? actuadores E N T O R N O 5

6 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 7

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 8

9 Aclaraciones Agente racional Agente omnisciente Necesidad de aprendizaje Agente autónomo 9

10 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 transportado ra con componente s, 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

11 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

12 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 13

14 Agente reactivo simple Agente sensores Reglas condición/acción descripción del mundo acción E N T O R N O actuadores 14

15 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

16 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

17 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

18 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

19 Reglas de producción Estructura SI antecedente ENTONCES consecuente Ejemplo SI las diferencias de temperaturas son anormalmente altas Y las presiones se mantienen aproximadamente constantes ENTONCES sospechar fallo en sensores de temperatura 19

20 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, metareglas Razonamiento aproximado: factores de certeza 20

21 Clasificación jerárquica Espacio de datos Espacio de soluciones Datos abstractos Abstracción Equiparación Soluciones abstractas Refinamiento Clasificación Jerárquica Datos Soluciones [Clancey, Chandrasekaran, 83, 85] 21

22 Ejemplo: MYCIN 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). Espacio de datos Espacio de soluciones Abstracciones del paciente Huésped Inmunocomprometido GENERALIZACIÓN Abstracción CAUSA Equiparación Clases de enfermedades Bacteria que coloniza territorios no estériles SUBTIPO Refinamiento Inmunodepresión Datos del paciente Bacteria que coloniza el tracto GI Leucopenia GENERALIZACIÓN DEFINICIÓN SUBTIPO Refinamiento Enterobacterias Recuento Leucocitario bajo CUALITATIVA Recuento Leucocitario < SUBTIPO Refinamiento Enfermedades específicas Infección por E. Coli Investigación: Diagnosis basada en modelos 22

23 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 24

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 25

26 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 27

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 28

29 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

30 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 solución 30

31 Razonamiento basado en modelos Libros Diseño Primeros Principios Sistema Real Modelo Comportamiento (observado/deseado) Diferencias Comportamiento Predicho Solución 31

32 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) 33

34 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

35 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 , reconocimiento matrículas aparcamientos, compras on-line 35

36 Industrial del automóvil De gran interés por Seguridad Medio ambiental Económicos Varios proyectos Europa, USA Diagnosis a bordo Diagnosis en el taller Elaboración de manuales Diagnosis, mantenimiento preventivo 36

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 37

38 Localización de fallos en copiadoras On/Off Vacuum Power relay (a) blower (c) Paper Height sensor (b) valve Air Knife None Investigación: Diagnosis basada en modelos 38

39 Supervisión de procesos industriales Aporta Atención continuada Seguridad Calidad homogénea 39

40 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