PRESENTACION

Nombre: Felix Alejandro Camilo Javier

Matricula: 2021-1016

Profesor: Jorge Ramon Taveras González

Asignatura: Inteligencia Artificial

Asignación: los agentes lógicos

1
Introducción:

El capítulo 7, titulado "Agentes Lógicos", explora la aplicación de la lógica en la

construcción de agentes inteligentes. Los agentes lógicos son aquellos que utilizan la
lógica proposicional y de primer orden para representar y razonar sobre el
conocimiento, y para tomar decisiones basadas en ese razonamiento.

En este capítulo, Russell y Norvig introducen los conceptos fundamentales de la lógica

proposicional y de primer orden, y explican cómo se pueden utilizar para representar el
conocimiento en un agente inteligente. También exploran cómo se puede realizar el
razonamiento lógico en un agente, utilizando métodos como la resolución y la
inferencia hacia delante y hacia atrás.

Además, el capítulo aborda la cuestión de la incertidumbre y la probabilidad en la

lógica, y cómo se pueden combinar estos dos enfoques para construir agentes lógicos
más poderosos. También se discuten las limitaciones de los enfoques basados en la
lógica y se exploran alternativas como lossistemas basados en reglas y el razonamiento
basado en casos.

Este capitulo proporciona una visión general de cómo se puede utilizar la lógica en la
construcciónde agentes inteligentes. Presenta las bases de la lógica proposicional y de
primer orden, explora elrazonamiento lógico y discute las ventajas y limitaciones de los
enfoques basados en la lógica en comparación con otros métodos de construcción de
agentes.

Resumen del capítulo 7 de los agentes lógicos

La lógica también debe determinar la semántica del lenguaje. Si lo relacionamos con el

lenguaje hablado, entonces la semántica se ocupa del "significado" de la oración.
Lógicamente, esta definición es más precisa. La semántica del lenguaje determina el
valor de verdad de cada oraciónen relación con todos los mundos posibles. Cuando se
necesite más precisión, usaremos el término modelo en lugar de "mundo posible".
(También usaremos la frase "m es un modelo" para mostrarque la afirmación es válida
para el modelo m.) Aunque podemos considerar que los mundos posibles son entornos
reales (potencialmente posibles). función) donde un agente puede o no estar, pero los
modelos son simples abstracciones matemáticas que nos permiten determinar el
verdadero o falso de cada declaración relevante. Ahora que tenemos el concepto de
valor lógico, podemos hablar de inferencia lógica. Requiere una conexión lógica entre
declaraciones (la idea de que una declaración se sigue lógicamente de otra). Se dice que
2
un algoritmo de inferencia que genera solooraciones implícitas es confiable o veraz. La
durabilidad es una propiedad muy deseable. Un increíble proceso de inferencia
mostrará cada paso (anunciando el descubrimiento de agujas inexistentes). Es fácil ver
que la prueba de muestras, siempre que sea posible, es un procedimiento seguro. La
propiedad de completitud también es muy deseable: un algoritmo de inferencia está
completo si puede deducir declaraciones.
Hemos descrito un proceso de inferencia en el que se garantiza que las conclusiones son
verdaderas en cualquier mundo donde las premisas sean verdaderas; En particular, si
BC es verdadera en el mundo real, cualquier proposición derivada de BC mediante un
procedimiento de inferencia lógica también será verdadera en el mundo real. Así,
mientras que el proceso de inferencia se basa en la "sintaxis" (configuración física
interna, como bits en registros o patrones de impulsos eléctricos en el cerebro), el
proceso corresponde a relaciones en el mundo real, según las cuales algún aspecto del
mundo real es verdad. por el hecho de que otros aspectos del mundo real son
verdaderos. Presentaciones. El último problema a resolver en la computación basada en
agentes lógicos es el problema de la notación (el vínculo, si lo hay, entre los procesos
de razonamiento lógico y el entorno real en el que reside el agente).

Sintaxis

La sintaxis de la lógica proposicional nos define las sentencias que se pueden construir.
Las sentencias atómicas (es decir, los elementos sintácticos indivisibles) se componen
de un único símbolo proposicional.
Semántica

Una vez especificada la sintaxis de la lógica proposicional, vamos a definir su

semántica. La semántica define las reglas para determinar el valor de verdad de una
sentencia respecto a un modelo en concreto. En la lógica proposicional un modelo
define el valor de verdad (verdadero ofalso).
La semántica en lógica proposicional debe especificar cómo obtener el valor de verdad
de cualquier sentencia, dado un modelo. Este proceso se realiza de forma recursiva.
Todas las sentencias se construyen a partir de las sentencias atómicas y las cinco
conectivas lógicas; entonces necesitamos establecer cómo definir el valor de verdad de
las sentencias atómicas y cómo calcularel valor de verdad de las sentencias construidas
con las cinco conectivas lógicas.

3
Inferencia

El algoritmo es muy sólido porque realiza directamente la definición de participación y se

completa porque funciona para cualquier BC y cualquier oración, y siempre termina
(solo el modelo final debe probarse). (La complejidad espacial es solo (n) debido a la
primera transferencia de profundidad). Desafortunadamente, cada algoritmo de
inferencia conocido en lógica proposicionaltiene el peor de los casos cuya complejidad
es exponencial al tamaño de la entrada.
El primer concepto es la equivalencia lógica: dos enunciados son lógicamente
equivalentes si tienen el mismo valor real en el mismo conjunto de modelos. El segundo
concepto que necesitamos es el concepto de importancia. Una oración es válida si es
verdadera en todos los modelos. Las oraciones correctas también se conocen como
oraciones repetidas y son necesariamente verdaderasy, por lo tanto, sin sentido.
Dado que el enunciado Verdadero es verdadero en todos los modelos, cualquier
enunciado verdadero es lógicamente equivalente al enunciado Verdadero. inferencia
correcta. El último concepto que necesitamos es el concepto de satisfacción. Una
afirmación se considera exitosa si se cumple para algún patrón. La factibilidad se puede
encontrar enumerando los modelos posibles hasta que uno de ellos satisfaga el
enunciado. Determinar la satisfacción de las proposiciones en lógica proposicional es el
primer problema que debe probarse como NP-completo.

Patrones de razonamiento en lógica proposicional

La conclusión a la que hemos llegado (el orden en que se aplican las reglas de
inferencia) se llama prueba (o demostración). Obtener una prueba es muy similar a
encontrar una solución a un problema de búsqueda. Puede buscar hacia adelante desde
la base de conocimiento original aplicando reglas de inferencia a la afirmación del
objetivo, o viceversa desde la afirmación del objetivo tratando de encontrar la
secuencia de reglas de inferencia que conducen a la base de conocimiento original. Más
adelante en esta sección, veremos dos familias de algoritmos que utilizan estos
métodos.
El hecho de que la inferencia en la lógica proposicional sea NP-completa sugiere que,
en el peor de los casos, la búsqueda de pruebas no será mucho más eficiente que los
modelos yuxtapuestos. Sin embargo, en muchos casos prácticos, encontrar evidencia
puede ser muy efectivo, simplementeporque las oraciones no relacionadas, sin importar
cuántas, pueden pasarse por alto en el proceso.
Esta propiedad de los sistemas lógicos en realidad se deriva de una propiedad mucho
más fundamental llamada monotonía. La propiedad de monotonía nos dice que el
conjunto de declaraciones relacionadas solo puede crecer (pero no cambiar) a medida
que se agrega información a la base de conocimiento. O. Este conocimiento puede
ayudar al agente a sacar conclusiones adicionales, pero no puede socavar las
4
conclusiones ya extraídas (por ejemplo, concluir que no hay un agujero en el cuadrado
[1, 2]). La monotonía permite aplicar reglas de inferencia siempre que se encuentre una
premisa adecuada en la base de conocimiento; la salida de la regla permanecerá
independientemente de lo que haya en la base de conocimiento.

Resolución

Los algoritmos de búsqueda, como la búsqueda iterativa en profundidad, son completos

en el sentido de que encontrarán cualquier objetivo alcanzable, pero si las reglas de
inferencia están incompletas, entonces el objetivo es inalcanzable; No hay evidencia
usando solo estas reglas de inferencia. En esta sección, presentamos una regla de
inferencia simple, una solución que, cuandose combina con un algoritmo de búsqueda
completo, produce un algoritmo de inferencia completo. En lenguaje natural: si hay un
agujero en el cuadrado [1, 1] o en [3, 1] pero no en [1, 1] entonces está en [3, 1]. Hay
un aspecto técnico más en la regla de resolución: la oración resultante debe contener
solo una copia de cada literal. El proceso de eliminar varias copias de texto se
denominafactorización.
Lo más sorprendente de las reglas de decisión es que son la base de toda una familia de
procedimientos de inferencia. Cualquier algoritmo de búsqueda completo que use solo
una regla de resolución puede sacar conclusiones arbitrarias de cualquier base de
conocimiento en lógica proposicional. Pero hay una cosa a tener en cuenta: el permiso
es completo en un sentido muy estricto. Este hecho se denomina integridad del
permiso, lo que significa que el permiso siempre se puede usar para probar o refutar
una declaración, pero no se puede usar para enumerar declaraciones como verdaderas.

Forma normal conjuntiva

La regla de resolución sólo se puede aplicar a disyunciones de literales, por lo tanto,

sería muy importante que la base de conocimiento y las preguntas a ésta estén formadas
por disyunciones. Entonces, ¿cómo nos lleva esto a un procedimiento de inferencia
completa para toda la lógica proposicional? La respuesta es que toda sentencia en
lógica proposicional es equivalente lógicamente a una conjunción de disyunciones de
literales. Una sentencia representada mediante una conjunción de disyunciones de
literales se dice que está en forma normal conjuntiva o FNC.

Completitud de la resolución

El cierre de decisión es lo que el procedimiento RESOLUCIÓN-LP evalúa y asigna a

una variable de cláusula su valor final. Cadena de ida y vuelta las bases de
conocimiento del mundo real generalmente contienen solo oraciones de un tipo limitado,
5
llamadas oraciones de Horn. La oraciónde Horn es una separación de literales donde a
lo sumo uno es positivo. Las oraciones similares a Horn que contienen solo un literal
positivo se llaman oraciones afirmativas. El literal literal positivo se llama la cabeza, y
el sustituto literal negativo se llama el cuerpo de la oración. Una oración afirmativa sin
una negativa literal simplemente establece una proposición dada, que a veces se llama
un hecho.
La oración de Horn que no tiene un significado literal positivo se puede escribir como
una implicación que lleva a un Falso literal. Estos tipos de aserciones se conocen como
restricciones de integridad en el mundo de las bases de datos, donde se utilizan para
indicar errores entre datos. Para simplificar, los siguientes algoritmos asumen que la
base de conocimiento contiene solo declaraciones y no tiene restricciones de integridad.
Entonces decimos que estos conocimientos tienen forma de cuerno.

La inferencia de las oraciones de Horn se puede hacer usando algoritmos de asociación

hacia adelante y hacia atrás que explicaremos en breve. Ambos algoritmos son muy
naturales en el sentido de que los pasos de inferencia son claros y comprensibles para
los humanos. Determinar si hay un beneficio en las propuestas de Horn se puede hacer
en tiempo lineal con respecto al tamaño de la base de conocimiento.
Es fácil descubrir que la cadena de relevos es un proceso confiable: cada resultado es
en realidad una aplicación de Modus Pones. La cadena de transición también está
completa: se derivarán todoslos operadores atómicos participantes. La forma más fácil
de ver esto es mirar el estado final esperado de la tabla (después de que el algoritmo
haya encontrado un punto fijo del cual no se puede sacar una nueva conclusión).
Algoritmo de encadenamiento directo para lógica proposicional. La variable agenda
realiza un seguimiento de los caracteres que se sabe que son verdaderos pero que no
han sido "manejados". La tabla de puntuación rastrea los antecedentes de cada
implicación desconocida. La secuencia directa es un ejemplo del concepto general de
razonamiento basado en datos, es decir, argumentosen los que la atención comienza con
datos conocidos. Este razonamiento puede ser utilizado por el agente para sacar
conclusiones de la información recibida, generalmente sin una solicitud especial. Por
ejemplo, un agente de wumpus puede informar sus conocimientos a la base de
conocimiento utilizando un algoritmo paso a paso donde se pueden agregar hechos a la
agenda para llegar a una nueva conclusión.
Cuando la nueva información está disponible para todos, se activa una cantidad
significativa de razonamiento basado en datos. El algoritmo de cadena inversa, como
sugiere el nombre, funcionaal revés según sea necesario. Si se sabe que la consulta q es
correcta no es necesario realizar ningúntrabajo. El enhebrado inverso es una especie de
argumento intencionado. Este tipo de argumento es útil al responder preguntas como
"¿Qué debo hacer ahora?" y "¿Dónde está mi llave?" Por lo general, el costo de
backchaining es mucho más bajo que la clasificación lineal para la escala de la base de
conocimiento, porque el proceso solo opera en eventos relevantes. Normalmente, un
agente debe dividir su trabajo entre la inferencia directa y la inversa, limitando la
inferencia directa a generar eventos que puedan estar relacionados con la consulta, y

6
estos deben resolverse concluyendo.

Inferencia proposicional efectiva

Sin embargo, son extremadamente importantes en sí mismos, porque muchos

problemas combinatorios en informática pueden reducirse a probar la satisfacción de
una oración proposicional. Cualquier mejora en los algoritmos satisfactorios tiene
enormes implicaciones para nuestra capacidad general para manejar la complejidad.
Algoritmo de retroceso completo El primer algoritmo que discutiremos a menudo se
denomina algoritmo de Davis y Putnam, en honor al trabajo muy influyente de Martin
Davis y Hilary Putnam (1960). De hecho, el algoritmo es la versión descrita por Davis,
Logemann y Loveland (1962), por lo que lo llamaremos DPLL por las iniciales de los
cuatro autores. DPLL acepta un operador en forma normal asociativa (un conjunto de
oraciones) como entrada. Finalización anticipada: el algoritmo determina si una
declaración esverdadera o falsa, incluso para un modelo parcialmente completado. La
proposición es verdadera si algún literal es verdadero, incluso si los otros literales aún
no son booleanos; por lo tanto, todo el enunciado puede evaluarse como verdadero
incluso antes de que se complete el modelo.

El programa AGENTE-WUMPUS-LP funciona bien en el pequeño mundo de wumpus.

Sin embargo, algo profundamente insatisfactorio está pasando con la base de
conocimientos del distribuidor. BC contiene declaraciones que definen "físico" como se
indica en las ecuaciones (7.1) y (7.2) para cada celda individual. Cuanto mayor sea el
entorno, mayor será la base de conocimiento inicial. Solo queremos dos declaraciones
que definan cómo se representa el viento o el hedor en un área. Esto va más allá de la
expresividad de la lógica proposicional. En el próximo capítulo, veremos un lenguaje
lógico más claro que facilita este tipo de declaraciones.

Agentes basados en circuitos

Un agente basado en circuitos es un tipo especial de agente de reflexión de estado. La

percepciónes la entrada a un circuito en serie (una red de puertas, cada una de las cuales
implementa un enlace lógico y registra, cada una con el valor lógico de una oración
atómica). Las salidas del esquema son registros correspondientes a acciones, por
ejemplo, la salida Grab se establece en verdadero siel agente quiere descargar algo.
De hecho, esta es la propiedad del propio mundo wumpus; decimos que un vecindario
exhibe localidad si el verdadero valor de la oración correspondiente se puede obtener
observando solo un número constante de otras oraciones. Hay un problema con el que
hemos sido muy cuidadosos: elproblema es la propiedad de la aciclicidad. Se dice que
un circuito es acíclico si cada uno de sus caminos en los que la salida de un registro está

7
conectada en sentido inverso a su entrada es tomado por un elemento de retardo.
¡Queremos que todos los circuitos sean periódicos porque los circuitosno cíclicos, como
los artefactos físicos, no funcionan!
Los agentes basados en circuitos e inferencias representan los extremos declarativos y
procedimentales del diseño de agentes. Se pueden comparar de diferentes maneras:
⦁ Precisión: el agente basado en circuitos, a diferencia del agente basado en
inferencia, no necesita disponer de copias diferentes de su «conocimiento» para
cada instante de tiempo.En vez de ello, éste sólo se refiere al instante actual y al
previo. Ambos agentes necesitan copias de la «física» de cada casilla (expresada
mediante sentencias o circuitos), y, por lo tanto, no se amplían adecuadamente a
entornos mayores.

⦁ Eficiencia computacional: en el peor de los casos, la inferencia puede tomar un

tiempo exponencial respecto al número de símbolos, mientras que evaluar un
circuito toma un tiempo lineal respecto al tamaño del circuito (o lineal respecto a
la intensidad de integracióndel circuito, si éste se construye como un dispositivo
físico).

⦁ Completitud: anteriormente insinuamos que el agente basado en circuitos

podría ser incompleto, debido a la restricción de que sea acíclico. Las causas de
la incompletitud sonen realidad más básicas.

⦁ Facilidad de construcción: este es un aspecto muy importante acerca del cual es

difícil ser precisos. Desde luego, los autores encontramos mucho más fácil
especificar la «física» de forma declarativa, mientras que idear pequeños
circuitos acíclicos, y no demasiado incompletos, para la detección directa de
hoyos, nos ha parecido bastante dificultoso. Loshumanos también disponen de
circuitos para implementar sus reflejos, y quizá, también para compilar sus
representaciones declarativas en circuitos, cuando ciertas inferencias

pasan a ser una rutina. En este sentido, el diseño de un agente híbrido podría
poseer lomejor de ambos mundos.
En resumen, Los agentes inteligentes necesitan el conocimiento acerca del mundo para
tomar lasdecisiones acertadas.
⦁ Los agentes contienen el conocimiento en forma de sentencias mediante un
lenguaje de representación del conocimiento, las cuales quedan almacenadas en
una base de conocimiento.
⦁ Un agente basado en conocimiento se compone de una base de conocimiento y
un mecanismo de inferencia. El agente opera almacenando las sentencias acerca
del mundo en su base de conocimiento, utilizando el mecanismo de inferencia
para inferir sentencias nuevas, y utilizando estas sentencias nuevas para decidir
qué acción debe tomar.

8
 ⦁ Un lenguaje de representación del conocimiento se define por su sintaxis, que
especifica laestructura de las sentencias, y su semántica, que define el valor de
verdad de cada sentenciaen cada mundo posible, o modelo.
⦁ La relación de implicación entre las sentencias es crucial para nuestro
entendimiento acercadel razonamiento.
⦁ La inferencia es el proceso que consiste en derivar nuevas sentencias a partir de
las ya existentes. Los algoritmos de inferencia sólidos sólo derivan aquellas
sentencias que son implicadas; los algoritmos completos derivan todas las
sentencias implicadas.
⦁ La lógica proposicional es un lenguaje muy sencillo compuesto por los
símbolos proposicionales y las conectivas lógicas. De esta manera se pueden
manejar proposiciones que se sabe son ciertas, falsas, o completamente
desconocidas.
⦁ El conjunto de modelos posibles, dado un vocabulario proposicional fijado, es
finito, y así se puede comprobar la implicación tan sólo enumerando los
modelos. Los algoritmos de inferencia basados en la comprobación de modelos
más eficientes para la lógica proposicional, entre los que se encuentran los
métodos de búsqueda local y backtracking, a menudo pueden resolver
problemas complejos muy rápidamente.
⦁ Las reglas de inferencia son patrones de inferencia sólidos que se pueden
utilizar para encontrar demostraciones. De la regla de resolución obtenemos un
algoritmo de inferencia completo para bases de conocimiento que están
expresadas en forma normal conjuntiva. El encadenamiento hacia delante y el
encadenamiento hacia atrás son algoritmos de razonamiento muy adecuados
para bases de conocimiento expresadas en cláusulas de Horn.
⦁ Se pueden diseñar dos tipos de agentes que utilizan la lógica proposicional: los
agentes basados en inferencia utilizan algoritmos de inferencia para guardar la
pista del mundo y deducir propiedades ocultas, mientras que los agentes
basados en circuitos representan proposiciones mediante bits en registros, y los
actualizan utilizando la propagación de señalde los circuitos lógicos.
⦁ La lógica proposicional es razonablemente efectiva para ciertas tareas de un
agente, pero no se puede escalar para entornos de tamaño ilimitado, a causa de
su falta de poder expresivo para manejar el tiempo de forma precisa, el espacio,
o patrones genéricos de relaciones entre objetos.

Conclusión:

En conclusión, el capítulo 7 del libro de Stuart Russell nos ofrece una valiosa
perspectiva sobre los agentes lógicos y su aplicación en la inteligencia artificial. Hemos
explorado cómo la lógica proposicional y de primer orden se utilizan para modelar el
conocimiento y la toma de decisionesde estos agentes.

9
A lo largo del capítulo, hemos aprendido sobre la representación del conocimiento
mediante la lógica, la inferencia lógica y la resolución de problemas. La comprensión
de los agentes lógicos nos brinda una base sólida para comprender y diseñar sistemas
inteligentes capaces de razonar y tomar decisiones basadas en reglas y conocimiento
declarativo.

El capítulo también subraya la importancia de la inferencia lógica y la resolución de

problemas en la toma de decisiones de los agentes. La capacidad de aplicar reglas y
deducir conclusiones a partirde premisas es fundamental para el razonamiento lógico y
la resolución de problemas complejos. Los agentes lógicos pueden utilizar técnicas
como el encadenamiento hacia adelante y el encadenamiento hacia atrás para inferir
información y tomar decisiones adecuadas.

En resumen, el capítulo 7 del libro "Inteligencia Artificial: Un Enfoque Moderno"

presenta los agentes lógicos como una herramienta valiosa en la construcción de
sistemas inteligentes. La lógica proposicional y de primer orden ofrecen una base sólida
para la representación delconocimiento y el razonamiento deductivo, lo que permite a
los agentes lógicos inferir conclusiones y tomar decisiones de manera inteligente. La
elección adecuada del lenguaje de representación y la formulación precisa del
conocimiento son aspectos fundamentales para el éxito de los sistemas basados en
lógica.

Bibliografía:
Russell, S. J. (2017). Inteligencia Artificial: Un Enfoque Moderno. Recuperado el 10
de junio de 2023 de
https://luismejias21.files.wordpress.com/2017/09/inteligencia-artificial-un-
enfoquemoderno-stuart-j-russell.pdf

10