INTELIGENCIA ARTIFICIAL DISTRIBUIDA

21. TRES CONCEPTOS Y UNA PROPIA DE INTELIGENCIA ARTIFICIAL

DISTRIBUIDO
* La Inteligencia artificial distribuida es un campo de la IA dedicado al estudio de las
técnicas y el conocimiento necesario para la coordinación y distribución del
conocimiento y las acciones en un entorno con múltiples agentes.
* La Inteligencia Artificial Distribuida (DAI) también llamada Inteligencia Artificial
Descentralizada es un sub-campo de investigación de inteligencia artificial dedicado al
desarrollo de soluciones distribuidas para problemas. DAI está estrechamente
relacionado y es un predecesor del campo de los sistemas multi-agente.
* Es un enfoque para resolver problemas complejos de aprendizaje, planificación y
toma de decisiones. Es vergonzosamente paralelo, por lo que es capaz de explotar el
cálculo a gran escala y la distribución espacial de los recursos informáticos. Estas
propiedades le permiten resolver problemas que requieren el procesamiento de
conjuntos de datos muy grandes.
22. MAPAS MENTAL DE AGENTES INTELIGENTES

23. CONCEPTO AGENTES COGNITIVOS

Agente que mantiene un cierto nivel de inteligencia y capaz de decidir en base a la
programación realizada. Una vez aclarado el concepto de agente podemos entrar a
los agentes cognoscitivos, es aquel que es capaz de efectuar operaciones complejas, es
individualmente inteligente (es un sistema más o menos experto, con capacidad de
razonamiento sobre su base de conocimiento).
24. CONCEPTO DE LAS TEORÍAS ARQUITECTURAS LENGUAJE
TAXONOMÍA COOPERACIÓN.
 25. REALIZA INFORME DE LO SIGUIENTE:
A. SISTEMAS MULTIAGENTE
Un sistema multiagente (SMA) es un sistema compuesto por múltiples agentes
inteligentes que interactúan entre ellos. Los sistemas multiagente pueden ser utilizados
para resolver problemas que son difíciles o imposibles de resolver para un agente
individual o un sistema monolítico.
Los ámbitos en los que la investigación de sistemas multiagente puede ofrecer un
enfoque adecuado incluyen el comercio en línea, la respuesta a desastres y el modelado
de estructuras sociales.
El dominio del sistema multiagente o de inteligencia artificial distribuida es
una ciencia y una técnica que trata con los sistemas de inteligencia artificial en red.
El bloque fundamental de construcción de un sistema multiagente, como es de
esperarse, son los agentes.
Aunque no existe una definición formal y precisa de lo que es un agente, éstos son por
lo general vistos como entidades inteligentes, equivalentes en términos computacionales
a un proceso del sistema operativo, que existen dentro de cierto contexto o ambiente, y
que se pueden comunicar a través de un mecanismo de comunicación interproceso,
usualmente un sistema de red, utilizando protocolos de comunicación.
En cierto modo, un sistema multiagente es un sistema distribuido en el cual los nodos o
elementos son sistemas de inteligencia artificial, o bien un sistema distribuido donde la
conducta combinada de dichos elementos produce un resultado en conjunto inteligente.
Características
Los agentes en un sistema multiagente tienen varias características importantes:

 Autonomía: los agentes son al menos parcialmente autónomos

 Visión local: ningún agente tiene una visión global del sistema, o el sistema es
demasiado complejo para un agente para hacer un uso práctico de esos
conocimientos
 Descentralización: no hay un agente de control designado (o el sistema se
reduciría a un sistema monolítico).
Normalmente la investigación de sistemas multiagente se refiere a agentes de software.
Sin embargo, los agentes en un sistema multiagente también podrían ser robots, seres
humanos o equipos humanos.

B. FUNDAMENTOS IAD
La existencia de un único formalismo de representación puede no ser suficiente para
capturar todos los atributos relevantes de un dominio en el que muy diferentes tareas
confluyen. En problemas complejos diversas tareas han de ser aprendidas, pues la
solución satisfactoria de estos problemas requiere la concurrencia de muy diversas
habilidades, los métodos aplicados en unos casos pueden no ser los apropiados en otros.
No es de esperar que un único sistema sea capaz de aprender funciones discontinuas.
Una función discontinua puede representar diferentes comportamientos en diferentes
regiones del dominio, y el conocimiento aprendido en una región, puede no ser
aplicable en otras. Por consiguiente, los sistemas monolíticos están limitados a una
única manera de interpretar sus entradas y producir soluciones, es decir, a una única
forma de resolver problemas. Este planteamiento puede resultar inadecuado cuando los
datos provienen de fuentes heterogéneas, reflejan diferentes comportamientos y llegan
por flujos de entrada en paralelo.
C. ÁREAS IAD
La inteligencia artificial distribuida es un campo de la inteligencia artificial dedicada al
estudio de las técnicas y el conocimiento necesario para la coordinación y distribución
del conocimiento y las acciones en un entorno con múltiples agentes. Se puede
distinguir dos áreas principales de desarrollo:
(1) Solución cooperativa de problemas distribuidos. Estudia como unos conjuntos de
módulos, o nodos, cooperan para dividir y compartir el conocimiento de un problema y
en el desarrollo de la solución.
(2) Sistemas multiagente. Estudia la coordinación de la conducta inteligente entre un
conjunto de agentes inteligentes autónomos.
D. CARACTERÍSTICAS IAD
Las principales razones de transición de la inteligencia artificial hacia la inteligencia
artificial distribuida son:
(1) Razones epistemológicas. Las razones epistemológicas surgen principalmente
cuando las propuestas para solucionar problemas mediante la inteligencia artificial se
muestran insuficientes ante la aparición de otros agentes en el entorno social de agentes
que es manejado por la inteligencia artificial y la consideración de que los agentes son
inteligentes en gran medida en cuanto sociales.
(2) Razones técnicas. La primera razón técnica es que en esta época muchos problemas
son esencialmente distribuidos y la segunda es la integración de los sistemas de
inteligencia artificial para mejorar la capacidad mediante la distribución del
conocimiento lo que conlleva a un manejo descentralizado ofreciendo las siguientes
ventajas:
(a) Incremento de la flexibilidad. Se permite la adición de nuevos agentes.
(b) Mejor seguridad y efectividad. Los agentes se pueden especializar en una tarea
específica.
(c) Mejor tiempo de respuesta. Los agentes pueden resolver sus problemas particulares
al mismo tiempo.
(d) Reducción de la complejidad. Una tarea puede ser descompuesta en varias subtareas
y ser asignadas a los agentes.
(e) Reutilización: La solución presentada por un agente en un sistema puede ser
incorporada a otro.
 26. HISTORIA DE IAD
La inteligencia artificial distribuida aparece en la década de los años 1980 como una
nueva rama de la inteligencia artificial que tiene el fin de estudiar sistemas inteligentes
formados por un conjunto de varios agentes, estos intentan resolver problemas en donde
una conducta colectiva es más eficiente que una conducta individual, como lo estudia la
inteligencia artificial que hace el análisis de un único agente que se encuentra en un
ambiente no cambiante y que intenta resolver todo el problema con solo esta entidad.
La dimensión y la complejidad de los nuevos sistemas de información son cada vez
mayores, los planes para encontrar una solución global ante cierto problema necesitan
integrar soluciones de problemas más pequeños. Lo anterior se asemeja a la idea de
“divide y vencerás”, en la cual los planes para resolver subproblemas son más simples y
precisos.
27. MAPA CONCEPTUAL SOBRE LO SIGUIENTE TEMAS:
a. la metamorfosis robótica
b. Segmentos de programas

c. Computadoras en RED
d. Distribución Inherente

e. Conocimiento Distribuido

f. Control descentralizado
g. Sistemas Monolíticos
h. IAD

28. SOLUCIONES COOPERACIÓN DE PROBLEMAS DISTRIBUIDOS

La solución cooperativa para problemas distribuidos (SCPD): se basa en el estudio de
como un grupo de solucionadores de problemas (agentes o nodos) desacoplados y
descentralizados pueden trabajar conjuntamente para resolver problemas, con
capacidades superiores a aquellas que puede enfrentar cualquier agente (o nodo de una
red) conforme a sus capacidades individuales. Los agentes o nodos son capaces de
solucionar problemas sofisticados y pueden trabajar independientes, sin embargo no
pueden formar una solución global del problema, si no existe una cooperación entre
ellos.
En este caso los agentes son nodos de un proceso o de una red. Los mismos tendrán una
posición definida dentro de ese proceso (su participación) y estarán conectados,
interactuando, con los demás agentes. Cada agente es capaz de resolver tareas locales
propias de su experticia
Los SCPD tienen la ventaja que los agentes pueden trabajar en paralelo
Incrementar la variedad de soluciones. Cada agente puede proponer varias soluciones
independientes, las cuales podrían ser analizadas (combinadas) por otros agentes.
Los agentes pueden servir de críticos a las propuestas de otros agentes, o tener otro
punto de vista a la hora de compatibilizar los criterios basados en su pericia sobre el
tema donde converge la pericia del otro (temas que se solapan).
29. COMUNICACIÓN E INTERCAMBIO DEL CONOCIMIENTO ENTRE LOS
AGENTES INTELIGENTES.
ONTOLOGÍAS Y REDES SEMÁNTICAS.
En ciencias de la computación y ciencias de la comunicación, una ontología es una
definición formal de tipos, propiedades, y relaciones entre entidades que realmente o
fundamentalmente existen para un dominio de discurso en particular. Es una aplicación
práctica de la ontología filosófica, con una taxonomía.
Una ontología cataloga las variables requeridas para algún conjunto de computación y
establece las relaciones entre ellos.12En los campos de la inteligencia artificial, la Web
Semántica, ingeniería de sistemas, ingeniería de software, informática
biomédica, bibliotecología y arquitectura de la información se crean ontologías para
limitar la complejidad y para organizar la información.
La ontología puede entonces ser aplicada para resolver problemas.
Las ontologías provienen de la rama de la filosofía conocida como metafísica, la cual
tiene que ver con la naturaleza de la realidad  de lo que existe. Esta rama se preocupa
por el análisis de varios tipos o modos de existencia, frecuentemente con especial
atención en las relaciones entre lo particular y lo universal, entre las propiedades
intrínsecas y extrínsecas y entre la esencia y la existencia. El objetivo tradicional del
análisis ontológico es de dividir el mundo "en conjuntos" para descubrir aquellas
categorías o tipos fundamentales en el cual los objetos del mundo están naturalmente. 5
Durante la segunda mitad del siglo XX, los filósofos debatieron exhaustivamente los
posibles métodos o aproximaciones para construir ontologías sin ser
realmente construidas en cualquier ontología elaborada por ellos. En contraste, los
científicos de la computación fueron construyendo algunas ontologías grandes y
robustas, tales como WordNet y Cyc, con debates de como deberían ser construidas.
Redes Semánticas.
Semántica o esquema de representación en Red es una forma de representación del
conocimiento lingüístico en la que los conceptos y sus interrelaciones se representan
mediante un grafo. En caso de que no existan ciclos, estas redes pueden ser visualizadas
como árboles.
Las redes semánticas son usadas, entre otras cosas, para representar mapas
conceptuales y mentales. En un grafo o red semántica los elementos semánticos se
representan por nodos. Dos elementos semánticos entre los que se admite se da la
relación semántica que representa la red, estarán unidos mediante una línea, flecha o
enlace o arista. Cierto tipo de relaciones no simétricas requieren grafos dirigidos que
usan flechas en lugar de líneas.
Note que el concepto de Web semántica es diferente de Red semántica. En inglés la
Web Semántica es referida como "Semantic Web", mientras que una Red semántica se
denominaría "Semantic Network".
30. DIFERENCIA ENTRE SISTEMAS DISTRIBUIDOS Y LA INTELIGENCIA
ARTIFICIAL DISTRIBUIDA.
La principal diferencia entre ambas áreas estriba en la flexibilidad de la coordinación
entre los agentes. En la solución cooperativa de problemas distribuidos, las
interacciones y tareas que cada agente realiza, están prefijadas de antemano, hay un plan
centralizado de resolución de problemas. Suele haber un miembro que ejerce un control
global que centraliza los resultados parciales y datos entre el resto de los componentes
del sistema.
En contraposición en los sistemas multiagente, los agentes tienen un grado de
autonomía mayor y pueden decidir dinámicamente que interacciones son adecuadas,
que tareas deben realizar, quien realiza cada tarea y, además, es posible mantener
conocimiento que no es globalmente consistente, incluso los agentes pueden mantener
objetivos globales diferentes.
Esta definición permite distinguir entre sistemas que se centran en el comportamiento
global, con una conducta fija de los agentes, Solución cooperativa de problemas
distribuidos, y sistemas que se centran en la conducta de los individuos que como
resultado, obtenían una conducta del sistema, sistema multiagente.
Vista como una sociedad, seria escoger entre un estado que planifica y regula las
conductas de los individuos (que serán predecibles) o dejar que el sistema se resuelva
por la libre iniciativa de los individuos.

31. ANALIZAR Y PRESENTAR NO MENOS DE 1 PÁGINA DE LA

COORDINACIÓN Y COHERENCIA IA DISTRIBUIDA.
La Inteligencia artificial distribuida es un campo de la IA dedicado al estudio de las
técnicas y el conocimiento necesario para la coordinación y distribución del
conocimiento y las acciones en un entorno con múltiples agentes.
Hay dos tipos de DAI ha surgido:

 En sistemas multi-agente agentes coordinar sus conocimientos y actividades y

razonar acerca de los procesos de coordinación. Los agentes son entidades físicas o
virtuales que pueden actuar, percibir su entorno y comunicarse con otros agentes. El
agente es autónoma y tiene habilidades para alcanzar los objetivos. Los agentes
cambian el estado de su entorno por sus acciones. Hay un número de diferentes
técnicas de coordinación.
 En el problema distribuido resolver el trabajo se divide entre los nodos y el
conocimiento es compartido. Las principales preocupaciones son la descomposición
de tareas y la síntesis de los conocimientos y soluciones.
Áreas donde se han aplicado DAI son:

 El comercio electrónico, por ejemplo, para las estrategias de negociación del

sistema DAI entera de reglas de comercio financiero de submuestras de muestras
muy grandes de datos financieros.
 Redes, por ejemplo, en las telecomunicaciones del sistema DAI controla los
recursos de cooperación en una red WLAN http://dair.uncc.edu/projects/past-
projects/wlan-resource.
 Routing , por ejemplo, modelo de flujo de vehículo en las redes de transporte.
 Programación , por ejemplo, tienda de flujo de programación , donde la entidad
de gestión de recursos asegura la optimización local y la cooperación para mantener
la coherencia global y local.
 Los sistemas multi-agente, por ejemplo Artificial Life , el estudio de la vida
simulada.
 sistemas de energía eléctrica, por ejemplo, monitorización de condición de
sistema multi-agente (comas) aplicados al transformador de monitorización de
estado, y el IntelliTEAM II Sistema de Restablecimiento Automático.

32. RESOLUCIÓN SOLUCIÓN DISTRIBUIDA.

En la resolución distribuida de problemas (SDP) se pretende dividir el trabajo nece
sario para la solución de un problema entre diversos módulos (también denominados
nodos). Estos módulos suelen ser agentes inteligentes distribuidos que en este caso
buscan darle una funcionalidad global al sistema. En este tipo de planteamientos el gran
problema es establecer el mecanismo de control adecuado para que, aunque haya
descentralización en la toma de decisiones, se produzca el resultado global buscado.
Caracterización
En la SDP los agentes cumplen unas características mínimas [Durfee & Rosenschein,
1994]: benevolencia (intención positiva de cooperar), objetivos compartidos, diseño
central (se integran en un sistema capaz de resolver un problema).
Los agentes comparten un lenguaje y desempeñan funciones complementarias para
alcanzar un objetivo global.
El proceso de un SDP se divide en cuatro etapas [Yang & Zhang, 1996]:
descomposición de tareas, asignación de tareas y recursos entre agentes, solución de sus
problemas e integración de soluciones, para componer y conseguir una solución a la
tarea inicial.
Podemos destacar la descomposición de tareas que se puede realizar siguiendo alguna
de las siguientes técnicas:
Tareas inherentemente descomponibles: la propia descripción de la tarea incluye su
descomposición.
Descomposición realizada por el programador.
Planificación jerárquica: es uno de los sistemas más empleados para descomponer de
forma automática. Las tareas se definen en forma de planes que satisfacen unos
objetivos y dan lugar a árboles Y-O. Un plan contiene subplanes.
Agregación de subtareas: enfoque ascendente en lugar de descendente en la
descomposición.
Metodologías orientadas a agentes
Sistemas multiagente
En el área de los sistemas multiagente los agentes son heterogéneos y forman un
entorno o sociedad en la que actúan sin presuponer las propiedades de benevolencia o
compartición de objetivos. En este marco las piezas claves son la autonomía y la
comunicación entre agentes.
Fundamentos
Los sistemas de este tipo se caracterizan por [Dufee & Rosenschein, 1994]:
heterogeneidad de agentes (diferentes arquitecturas, representaciones, lenguajes, etc.) y
homogeneidad de intereses.
En esta área se estudia cómo se coopera, se forman coaliciones, se compite, etc. Para
ello se definen diferentes técnicas de negociación, negociación de contratos [Smith,
1980], negociación para asignación de recursos, negociación para resolución de
conlictos, modelado cognitivo de la negociación, planificación multiagente etc.

33. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL DISTRIBUIDA A

LOS PROBLEMAS EN EL MUNDO REAL.
Es útil para las empresas observar la IA a través de la lente de las capacidades
empresariales en lugar de las tecnologías. En términos generales, AI puede satisfacer
tres necesidades comerciales importantes: automatizar los procesos comerciales, obtener
información a través del análisis de datos e interactuar con clientes y empleados.
Automatización de procesos.
De los 152 proyectos que estudiamos, el tipo más común fue la automatización de tareas
físicas y digitales, que suelen ser actividades administrativas y financieras de back-
office, utilizando tecnologías de automatización de procesos robóticos. RPA es más
avanzado que las herramientas de automatización de procesos empresariales anteriores,
porque los “robots” (es decir, el código de un servidor) actúan como un humano
ingresando y consumiendo información de múltiples sistemas de TI.
Las tareas incluyen: transferir datos del correo electrónico y los sistemas del centro de
llamadas a sistemas de registro; por ejemplo, actualizar los archivos de los clientes con
cambios de dirección o adiciones al servicio;

– reemplazar la pérdida de crédito o tarjetas de cajero automático, acceder a múltiples

sistemas para actualizar registros y manejar las comunicaciones de los clientes.

– reconciliando fallas en el cobro por servicios a través de sistemas de facturación al

extraer información de múltiples tipos de documentos.

– “Leyendo” documentos legales y contractuales para extraer disposiciones utilizando el

procesamiento de lenguaje natural.
RPA es la aplicación más barata y fácil de implementar de las tecnologías cognitivas
que analizaremos aquí, y generalmente brinda un rápido y alto retorno de la inversión.
(También es el menos “inteligente” en el sentido de que estas aplicaciones no están
programadas para aprender y mejorar, aunque los desarrolladores están agregando
lentamente más inteligencia y capacidad de aprendizaje). Está particularmente bien
adaptado para trabajar en múltiples sistemas de back-end.
En la NASA, las presiones de costos llevaron a la agencia a lanzar cuatro pilotos de
RPA en cuentas por pagar y por cobrar, gastos de TI y recursos humanos, todos
administrados por un centro de servicios compartidos. Los cuatro proyectos funcionaron
bien (en la aplicación de Recursos Humanos, por ejemplo, el 86% de las transacciones
se completaron sin intervención humana) y se están implementando en toda la
organización.
La NASA ahora está implementando más robots RPA, algunos con niveles más altos de
inteligencia. Como señala Jim Walker, líder del proyecto para la organización de
servicios compartidos, “Hasta ahora no es ciencia espacial”.
Uno podría imaginar que la automatización de procesos robóticos rápidamente dejaría
a las personas sin trabajo. Pero en los 71 proyectos de RPA que revisamos (47% del
total), reemplazar empleados administrativos no fue el objetivo principal ni un resultado
común. Solo unos pocos proyectos llevaron a reducciones en el número de empleados, y
en la mayoría de los casos, las tareas en cuestión ya se habían trasladado a trabajadores
subcontratados. A medida que la tecnología mejore, es probable que los proyectos de
automatización robótica conduzcan a algunas pérdidas de empleos en el futuro, en
particular en la industria de la externalización de procesos empresariales en el
extranjero. Si puede externalizar una tarea, probablemente pueda automatizarla.
En otros casos, el conocimiento existe, pero el proceso para usarlo toma demasiado
tiempo o es caro de escalar. Tal es a menudo el caso con el conocimiento desarrollado
por asesores financieros. Es por eso que muchas firmas de gestión de inversiones y de
riqueza ahora ofrecen capacidades de “consejo-asesoramiento” respaldadas por AI que
brindan a los clientes una guía rentable para problemas financieros de rutina.
En la industria farmacéutica, Pfizer está abordando el problema de la escala mediante el
uso de Watson de IBM para acelerar el laborioso proceso de investigación de
descubrimiento de fármacos en inmuno-oncología, un enfoque emergente para el
tratamiento del cáncer que utiliza el sistema inmunológico del cuerpo para ayudar a
combatir el cáncer. Los medicamentos de inmuno-oncología pueden demorar hasta 12
años en ser comercializados. Al combinar una revisión exhaustiva de la literatura con
los propios datos de Pfizer, como los informes de laboratorio, Watson está ayudando a
los investigadores a establecer relaciones y encontrar patrones ocultos que deberían
acelerar la identificación de nuevos objetivos farmacológicos, terapias de combinación
para el estudio y estrategias de selección de pacientes para esta nueva clase de drogas.
 34. WEB SEMÁNTICA
La web semántica (del inglés semantic web) es un conjunto de actividades
desarrolladas en el seno de World Wide Web Consortium con tendencia a la creación de
tecnologías para publicar datos legibles por aplicaciones informáticas (máquinas en la
terminología de la Web semántica). Se basa en la idea de
añadir metadatos semánticos y ontológicos a la World Wide Web. 
Esas informaciones adicionales que describen el contenido, el significado y la relación
de los datos se deben proporcionar de manera formal, para que así sea posible evaluarlas
automáticamente por máquinas de procesamiento. El objetivo es mejorar Internet
ampliando la interoperabilidad entre los sistemas informáticos usando "agentes
inteligentes". Agentes inteligentes son programas en las computadoras que buscan
información sin operadores humanos.
El precursor de la idea, Tim Berners-Lee, intentó desde el principio incluir información
semántica en su creación, la World Wide Web, pero por diferentes causas no fue posible.
Por ese motivo introdujo el concepto de semántica con la intención de recuperar dicha
omisión.
DEFINIR.
1. DEFINICIÓN DE RAZONAMIENTO.
Razonamiento es el proceso y el resultado de razonar. Este verbo, por su parte, consiste
en organizar y estructurar las ideas para arribar a una conclusión. Por ejemplo: “Creo
que tu razonamiento es incorrecto: Mariano no tendría que haber hecho eso bajo
ninguna circunstancia”, “No entiendo cuál es tu razonamiento”, “Mi hijo, en muchas
ocasiones, me sorprende con sus razonamientos”.
Un razonamiento, por lo tanto, implica una cierta actividad mental que deriva en el
desarrollo de conceptos. Estos conceptos pueden emplearse con fines persuasivos o para
llevar a cabo una cierta demostración.
El razonamiento, en definitiva, posibilita la resolución de problemas y el aprendizaje a
través de la lógica, la reflexión y otras herramientas. De acuerdo a la actividad mental
en cuestión, es posible diferenciar entre más de una clase de razonamiento.
2. PARADIGMAS DE RAZONAMIENTO.
Los Sistemas de Enseñanza-Aprendizaje Inteligentes son programas que portan
conocimientos de cierto contenido mediante un proceso interactivo individualizado.
En este trabajo se expone un modelo que integra el paradigma del Razonamiento y los
Sistemas de Enseñanza-Aprendizaje Inteligentes que favorece la concepción de estos
sistemas a usuarios no expertos en informática, teniendo en cuenta las facilidades y
naturalidad del enfoque basado en casos.
3. SISTEMAS BASADOS EN CONOCIMIENTO: SISTEMAS DE REGLAS E
INFERENCIA.
Un Sistema Basado en el Conocimiento es aquel que basa la solución de un problema
en el conocimiento experto humano.
Los sistemas basados en el conocimiento (SBC) son parte del área de la Inteligencia
Artificial “IA” que es una rama de la informática, estos sistemas imitan las actividades
de un ser humano para la solución de un problema utilizando para ello el conocimiento
declarativo (hechos sobre objetos, situaciones) y el conocimiento de control
(información sobre el seguimiento de una acción) mientras operan y se adaptan a
dominios dinámicos e inciertos que no están completamente especificados.
La IA está dividida en una serie de áreas de investigación, cada una con propósitos
específicos que permite contribuir e un propósito de un objetivo general. Entre estos
están las redes neuronales, procesamiento lenguaje natural, robótico y sistemas basados
en el conocimiento.
Los Sistemas Basados en el Conocimiento (SBC) tratan problemas complejos en área o
dominio este sistema intenta imitar el comportamiento que podría tener un experto
humano en dominio del problema, ante los cual los SBC tienen metodologías que
intentan reflejar el conocimiento y el razonamiento que posee el experto para tomar
decisiones ente una situación puntual.
Dentro de estas metodologías se encuentran los “Sistemas Expertos SE” estos nacieron
en la década de los 60, durante esta década los investigadores Alan Newell y Herbert
Simón desarrollaron un programa llamado GPS (General Problem Solver; solucionador
general de problemas), los SE son representativos de los SBC debido a su calidad y
cantidad de conocimiento que manejan en relación al experto humano.

4. ENCADENAMIENTO HACIA DELANTE / ENCADENAMIENTO HACIA

ATRÁS.
 Un grupo de múltiples reglas de inferencia que contiene un problema con su
solución se llama cadena.
 Una cadena que realiza una búsqueda o camino desde el problema a la solución
se llama una cadena hacia adelante.
 Este tipo de cadena va desde los hechos hasta las conclusiones que siguen a
partir de los hechos.
Una cadena que transita hacia atrás desde una hipótesis hasta los hechos que
soportan tal hipótesis se llama una cadena hacia atrás. Otra forma de definirla es en
términos de una meta que puede estar formada por submetas que se han cumplido.
Un enlace, por otra parte también indica la unificación de variables a hechos. Por
ejemplo la variable x en el predicaco conejo(x) debe ser unificada en el primer lugar con
el hecho conejo(Bugs Bunny) antes de que la regla conejo se pueda aplicar, por lo que
la cadena causal será en realidad una sucesión de implicaciones y unificaciones
En el encadenamiento hacia atrás el proceso es el inverso: queremos probar la
hipótesis de animal (Bugs-Bunny). El problema central del encadenamiento hacia atrás
es encontrar una cadena de enlace entre la evidencia y la hipótesis.
El hecho conejo (Bugs Bunny>) se llama la evidencia en el encadenamiento hacia atrás,
para indicar que se usará para sostener la hipótesis, siendo esta evidencia usada para
probar dicha hipótesis. Tenemos una estructura de claúsulas.
Los encadenamientos hacia adelante y hacia atrás son en realidad caminos a través
de un espacio de estados de un problema. En este espacio de estados del problema los
estados intermedios se corresponden con hipótesis intermedias bajo el encadenamiento
hacia atrás o conclusiones intermedias bajo el encadenamiento hacia adelante.
Describir una serie de representaciones o de agentes basados en objetos se llama un
representante de resolución de problemas. Este representante o agente decide que hacer
para encontrar secuencias de oraciones que conduzcan a un determinado estado.
El tipo de problema que resulta del proceso de formulación del mismo dependerá del
conocimiento disponible por el representante o agente, en especial si conoce el estado
actual y las salidas de las acciones podremos entonces definir con más precisión los
elementos que constituyen el problema y sus soluciones.
Resolución de problemas: Los agentes se supone que actúan de forma tal que a través
del entorno transita a través de una secuencia de estados de forma tal que se maximice
una medida de rendimiento.
Consideraremos en primer lugar que una meta es un conjunto de estados del problema y
donde esta meta es la primera etapa a definir en la resolución del problema y que se
formula en base a la situación actual del mismo.
Las acciones se pueden considerar como la causa de la transición entre los estados del
problema. Así el agente se encontrará con acciones que le lleven a un estado meta u
objeto, siendo previo que acciones y estados debemos de considerar en el problema. A
esta fase se le llama formulación
En general, por tanto, un agente con varias acciones inmediatas examinará primero las
distintas secuencias de acciones que le llevará a estados de valor conocido y entonces
deberá elegir cual es la mejor de esas opciones. Al procedimiento de mirar tal secuencia
de acciones se le llama búsqueda.
Formulación de problemas
En primer lugar veremos el conocimiento que un determinado agente puede tener
respecto de sus acciones y del estado en el que está. Esto dependerá de cómo esté
conectado el agente a su entorno a través de sus percepciones y acciones. Por tanto, en
general, se conocerá 4 tipos de problemas:
 Problema de estado sencillo.
 Problema de estado múltiple.
 Problema de contingencia.
 Problema de exploración.
 Problemas de estado sencillo.
Consiste en suponer que los sensores o las percepciones del representante dan suficiente
información para decirle exactamente en qué estado está, es decir, el mundo es
accesible. También suponemos que sabe exactamente lo que cada una de sus acciones
hace.
Problemas de estado múltiple
Suponemos que el agente conoce todos los efectos de sus acciones, pero tiene un acceso
limitado al estado del mundo, por ello que en este caso el agente solo puede razonar
acerca de un conjunto de estados que él puede obtener en vez de estados simples de un
elemento de un conjunto.
Problemas de contingencia
El agente necesita para resolver el problema una cierta información adicional durante la
fase de ejecución, por lo que el agente calcula un árbol completo de acciones en vez de
una sola secuencia de acciones. En general, cada rama del árbol está relacionada con las
posibles contingencias que puedan presentarse. Por esta razón se le llama problema de
contingencia.
Problemas de exploración
Podemos considerar problemas relacionados con lo que es la búsqueda y ejecución, de
los que su expresión más sencilla son los juegos bipersonales.

5. RAZONAMIENTO BORROSO.
La lógica borrosa es una herramienta de toma de decisiones. Inicialmente fue concebida
como un concepto matemático con una única finalidad de involucrar datos numéricos y
términos lingüísticos para representar la forma de razonamiento común cualitativo.
La lógica borrosa, o difusa, se puede considerar una disciplina dentro de la Inteligencia
Artificial que permite representar el conocimiento acerca de un dominio y realizar
procesos de inferencia o razonamiento. Para ello, proporciona un formalismo o lenguaje
formal de representación del conocimiento basado en la lógica y las matemáticas. La
representación del conocimiento con imprecisión permite modelar dominios en los que
se presentan categorías o conjuntos cuyas fronteras no están definidas de forma exacta.

6. INFERENCIAS Y APRENDIZAJE.
Las inferencias constituyen el fenómeno más representativo del procesamiento
constructivo de información. Aunque ocurren en muy variados contextos de la actividad
cotidiana (conversaciones, observación de eventos y testimonio sobre ellos, anuncios
publicitarios, etc.), la investigación de este fenómeno se ha centrado en la comprensión
y memoria de textos.
En este ámbito las inferencias pueden definirse como construcción de significados que
el lector hace de un texto cuando añade información que no se menciona explícitamente
en el mensaje escrito. Por ejemplo, si una persona lee la frase "Al niño se le cayó el
huevo", puede inferir que "el huevo se rompió".
El hecho hipotético de romperse el huevo no se menciona explícitamente (el huevo
podría no haberse roto si hubiera caído en una superficie blanda, o desde una altura
mínima, etc.). Sin embargo, el lector puede no sólo generarlo como información
adicional cuando lee la frase inicial y representarlo junto con la información explícita;
puede, además, recordarlo más tarde como si realmente hubiera sido mencionado en la
frase inicial, y no únicamente como información implicada.
Dentro de las inferencias se distinguen dos aspectos: uno de procesamiento constructivo
y otro de memoria reconstructiva. El primero hace referencia a la generación o
activación de la información no explícita, pero implicada, durante la lectura. El
segundo, a las conjeturas de los sujetos acerca de lo que supuestamente han leído
cuando tienen que recordarlo posteriormente. Aquél suele considerarse como el
fenómeno inferencial genuino; en cambio, éste puede reflejar equívocamente no sólo la
presencia de la inferencia incorporada a la representación cognitiva de lo leído
previamente, sino las suposiciones que las personas hacen acerca de lo que podrían
haber leído en base a lo que de hecho recuerdan (Singer, 1988).
 7. EL CONOCIMIENTO Y LA EXPERIENCIA.
El conocimiento es más bien toda la información teórica sobre un tema, pero a
diferencia de la experiencia que es más bien un conocimiento de acción sobre este tema,
por ejemplo: Supongamos que tenemos conocimiento de todo sobre las computadoras,
pero nunca hemos tenido la experiencia de tocar una y de utilizarla. Nos encontraríamos
en un dilema, así que ese conocimiento sería inútil, igual pasa con una experiencia sin
conocimiento, ambas se complementan entre sí.
8. LA INGENIERÍA DEL CONOCIMIENTO.
Es aquella disciplina moderna que forma parte de la Inteligencia Artificial y cuyo fin es el
diseño y desarrollo de Sistemas Expertos. Para esto, se apoya en metodologías instrucciones y
en las ciencias de la computación y de las tecnologías de la información, intentando representar
el conocimiento y razonamiento humanos en un determinado dominio, dentro de un sistema
artificial.

A. Sistemas basados en conocimiento.

Un Sistema Basado en el Conocimiento es aquel que basa la solución de un problema en
el conocimiento experto humano. Los sistemas basados en el conocimiento (SBC) son
parte del área de la Inteligencia Artificial “IA” que es una rama de la informática, estos
sistemas imitan las actividades de un ser humano para la solución de un problema
utilizando para ello el conocimiento declarativo (hechos sobre objetos, situaciones) y el
conocimiento de control (información sobre el seguimiento de una acción) mientras
operan y se adaptan a dominios dinámicos e inciertos que no están completamente
especificados.
B. Conocimiento en los SS.BC.
La ingeniería del conocimiento es aquella disciplina moderna que forma parte de la
Inteligencia Artificial y cuyo fin es el diseño y desarrollo de Sistemas expertos (o
Sistemas Basados en el Conocimiento SS.BB.C.). Para ello, se apoya en metodologías
instruccionales y en las ciencias de la computación y de la Información, intentando
representar el conocimiento y razonamiento humanos en un determinado dominio,
dentro de un sistema artificial.
La ingeniería del conocimiento engloba a los científicos, tecnología y metodología
necesarios para procesar el conocimiento. Su objetivo es extraer, articular e informatizar
el conocimiento de un experto.
C. Niveles de Razonamiento en los SS.BC.
Programas convencionales y SBC Programas: Sentencias sobre datos que se realizan
en un orden predeterminado. Solución única Para el usuario el programa es una caja
negra SBC = Conocimiento + Control Programas = Estructuras de Datos + Algoritmos
SBC: Se distingue el conocimiento del dominio de la estrategia de control Esto permite
la incorporación de más conocimiento sin manipular la estructura global del sistema Se
pueden obtener varias soluciones El programa puede explicar como llega a su solución.
2. Desarrollo de un SBC ¿Se pueden clasificar las aplicaciones de SEs sobre la base de
características de las tareas o del dominio? ¿Se pueden identificar métodos de
resolución de problemas bien diferenciados que sean útiles para ciertas clases de
aplicaciones de SEs? ¿Podemos identificar estilos de representación e inferencia más
adecuados para un método de resolución de problemas dado?
Definición del Problema Solución Especificación Diagnóstico Configuración
Clasificación ... Objetivos y datos Abstracciones Simulación cualitativa ... Heurísticas
Relaciones causales Cuantitativa Orientada a Objeto Basada en reglas. Niveles de
descripción Especificación Tarea Método de resolución Base de conocimiento
Herramienta Seleccionar tipo de problema Seleccionar método Seleccionar
Representación Seleccionar paradigma
Niveles de descripción El desarrollo de un SBC puede verse como un proceso de
transformación desde el nivel de especificación al de herramienta Nivel de
Especificación: Se describe el problema, las restricciones sobre el problema y la
solución. Nivel de Tarea: Se describe los tipos de problemas, como diagnóstico,
planificación, etc. Nivel de resolución del Problema: Estrategias de resolución que se
utilizan para resolver las diferentes tareas Nivel de Base de conocimiento: Heurísticas,
asociaciones causales, relaciones matemáticas describiendo fenómenos físicos. Nivel de
Herramienta: Implementación del SBC
D. Arquitectura de los SS.BC.
SBCs de última generación Se quieren construir sistemas con características específicas:
Representación del conocimiento semánticamente rica Resolución de problemas
mediante razonamiento y métodos heurísticos Capacidad de auto-explicación
Interactividad (con usuarios y con el entorno).
Componentes de los SBCs de última generación Se necesita un conjunto básico de
componentes: Subsistema de razonamiento Almacenamiento del conocimiento Uso e
interpretación del conocimiento Almacenamiento del estado del problema Subsistema
de justificación e inspección de la solución Interfaz de comunicación con el usuario
Subsistema de aprendizaje
Clases de SBCs Basados en reglas Basados en casos Basados en redes neuronales
Basado en modelos Sistemas multiagente.
Sistemas basados en reglas La resolución se obtiene a partir del proceso de
razonamiento de un motor de inferencia. El conocimiento del dominio esta expresado
mediante una ontología. El conocimiento de resolución de problemas esta almacenado
habitualmente como reglas de producción (o un formalismo equivalente).
Almacenamiento del conocimiento Tres posibles tipos de conocimiento: Conocimiento
factual (objetos del dominio y sus características) Conocimiento relacional (relaciones
entre los objetos del dominio) Conocimiento condicional (reglas) Los dos primeros
tipos de conocimiento están descritos mediante la ontología de dominio.
Almacenamiento del conocimiento: reglas El conocimiento condicional incluye:
Conocimiento deductivo (estructural): describe los procesos de resolución de problemas
como cadenas de deducción Conocimiento sobre objetivos (estratégico): orienta el
 proceso de resolución Conocimiento causal (de soporte): apoya al proceso de
explicación de la resolución.
9. METODOLOGÍAS DE DESARROLLO PARA SISTEMAS BASADOS EN
CONOCIMIENTO

Nombre Descripción Característica

CommonKAD Se utiliza como un Su fortaleza radica en dos conceptos: primero, muestra lo
S estándar por los importante que es el análisis de la organización en las
responsables de la estrategias de introducción y desarrollo de sistemas de
gestión del conocimiento tecnologías de la información, punto que se ha aprovechado
e ingenieros del en el desarrollo de este trabajo de investigación. En segundo
conocimiento para el lugar, CommonKads se muestra cómo una metodología
desarrollo de sistemas de estándar del conocimiento, que soporta las aplicaciones de
conocimiento. ingeniería y de gestión del conocimiento a la hora de
construir los sistemas del conocimiento.
Protege Es un editor libre de Al igual que Eclipse, Protege es un framework para el cual
código abierto y un otros proyectos sugieren plugins. La aplicación está escrita
sistema de adquisición en Java y usa fuertemente Swing para crear su compleja
de conocimiento. interfaz. Protégé recientemente tiene más de 100000 usuarios
registrados.
Knowledge Knowledge Structure Con KSM, el modelo de conocimiento para un sistema
Structure Manager (KSM) es una inteligente se formula siguiendo un enfoque de modelado de
Manager herramienta de software conocimiento (como se hace, por ejemplo, en
(KSM) que ayuda a los CommonKADS) y luego se implementa utilizando los
desarrolladores en la bloques de construcción proporcionados por la biblioteca de
construcción y el KSM. Durante el mantenimiento, KSM también es útil para
mantenimiento de consultar y modificar los contenidos de las bases de
sistemas de conocimiento y la estructura del modelo de conocimiento.
conocimiento grandes y Aquí puede ver algunas instantáneas de KSM para Windows.
complejos.

KSM sigue un enfoque

de modelado de
conocimiento según las
metodologías modernas
de ingeniería del
conocimiento.
Model-based Define un marco de propone la integración de modelos de ciclo de vida, creación
and incremental ingeniería para extraer, de prototipos, semiformal y formal
Knowledge interpretar e Técnicas de especificación en un marco coherente.
Engineering implementar Representaciones semiformales integradas
(MIKE) conocimiento Para proporcionar un nivel de comunicación entre el
para construir sistemas ingeniero del conocimiento y el experto.
basados en el
conocimiento (kbs)