SISTEMAS mULTIAGENTE REACTIVOs

TEMARIO

Sistemas MultiAgente-Reactivos

Los principios que a continuación se explican son rescatados y son parte de la magia del análisis y diseño de los comportamientos modelados para los llamados agentes reactivos: Cuando piensas en el campo de juego, automáticamente se te va esa oportunidad, el tiempo reservado para pensar es durante la práctica de la semana. Durante el partido todo se convierte en una reacción ante lo que ves. (Albert Lewis; cornerback de Okland Raiders, 1996). Donde un agente reactivo cuenta con las siguientes características:

• Comportamiento inteligente coordinado entre una colección de agentes autónomos e inteligentes.
• Coordinan sus: conocimientos, objetivos, habilidades y planes, con el fin de ejecutar una acción o resolver un problema.
• Todos los agentes persiguen un conjunto común de objetivos pretendiendo aumentar el rendimiento total del sistema.

En las siguientes secciones se da una introducción sobre las distintas partes que explican la llegada de la corriente sub-simbólica a la inteligencia artificial y que permiten la magia del análisis y diseño de estos comportamientos; permitiendo la creación de sistemas artificiales inteligentes.

Sistemas Artificiales Inteligentes

Los sistemas inteligentes biológicos y artificiales necesitan contar con funciones sofisticadas específicas, como son: percepción, razonamiento, toma de decisiones y comunicación; con el fin de desarrollar acciones en un entrono complejo y dinámico. Dentro de las preguntas que nos hacemos están: ¿puede el nivel de inteligencia humano ser capturado por un modelo computacional? ¿es posible que nos demos cuenta del proceso que incluye el procesamiento de información que involucra un determinado comportamiento? Afortunadamente somos ingenieros así que acotamos definiendo; que una máquina cuenta con un comportamiento inteligente si es capaz de lograr el objetivo para el que fue creada.

Sistemas Simbólicos

Se puede simular un comportamiento inteligente de forma mecánica. El ejemplo es la anécdota de comunicarse en chino. Se pone en un cuarto un humano que no sabe chino pero cuenta con un montón de reglas que le permiten contestar las cartas que provienen de fuera y contienen símbolos chinos. Y en este sentido el humano tampoco conoce el tema del que trata la conversación. En otra perspectiva, se dice que un comportamiento es un fenómeno emergente y que puede ser logrado a través de métodos mecánicos. Esta posición se resume en la hipótesis de los basados en símbolos físicos. (Newell y Simon, 1976). Un sistema de símbolos físicos, es un sistema mecánico, como una computadora digital que manipula símbolos conformados como expresiones; de acuerdo a procesos que siguen reglas precisas. De acuerdo con estos autores un sistema como cuenta con las cualidades necesarias y suficientes que le permiten actuar como un sistema inteligente. Y en este caso no importa la materia del sistema. Este puede ser organismo vivo o una computadora con sus compuertas lógicas. Ahora bien los sistemas de símbolos físicos necesitan conocimiento y este conocimiento debe contar con una estructura. De esta forma un proceso inteligente estará basado en:

• Para un observador externo; representa una descripción preposicional del conocimiento que el proceso involucra, y
• De forma independiente a partir de la atribución semántica, este proceso cuenta con un formato, y un papel causal y esencial con el fin de producir el comportamiento que exhibe tal conocimiento.

Debido a lo anterior es necesario contar con un oportuno modelo que permita una descripción del conocimiento formalizado que permita exhibir el comportamiento inteligente deseado. Un ejemplo para lograrlo es la lógica matemática. Esta última conlleva manipulación automática de símbolos. Ahora una pregunta que se nos antoja es: ¿ esta forma (lógica matemática) realmente reproduce nuestro tipo de razonamiento ?

Búsquedas

Por otro lado es importante estar consiente de que la construcción de este tipo de sistemas es compleja. Entonces el primer problema es la elección de la representación: qué entidades y relaciones necesitamos representar y cómo. La forma es crucial para el comportamiento que se pretende exhibir. Y de aquí derivamos a otro problema que se nos presenta regularmente en inteligencia artificial y es la búsqueda. Esta última ocurre cuando un procedimiento automático en diferentes puntos requiere seleccionar entre diferentes posibles evoluciones. Si se le dejara al sistema libertad para hacerlo, dentro de un espacio de búsqueda; sería comparable con una persona a la cual le falla la línea de razonamiento y llega a conclusiones absurdas. Una forma de representar esta evolución es a través de un árbol de búsqueda. Donde a partir de un estado inicial es posible dirigirnos a diferentes estados y de ahí a otros. El problema consiste en encontrar un camino que permita partir de un estado inicial y terminar en un estado significativo. El estado final representa el objetivo. Ahora bien es altamente deseable que el camino que se sigue sea lo más directamente posible (tiempo). Y es en este punto cuando aparecen las estrategias de búsqueda, mejor conocidas como búsquedas inteligentes. Lo anterior conlleva al uso de funciones heurísticas. Estas últimas requieren un conocimiento y análisis profundo del sistema.

Sistemas sub-simbólicos

Como se ha visto en los párrafos anteriores; uno de las características de los sistemas simbólicos es el hecho de que el significado permanece externo a la representación y al proceso que opera sobre él. Todo mundo sabe que un lenguaje necesita ser interpretado, caso contrario permanece incomprensible. De esta forma la intervención de un humano es necesaria para dar significado a los símbolos. Esto es, necesitamos una función que nos permita mapear la representación de las entidades y sus relaciones a un mundo real.

• Una función de interpretación no pude ser definida con base en otros símbolos ya que causaría una regresión infinita.
• Una función de interpretación debe ser calculada utilizando algunos símbolos del sistema (los primitivos) por un dispositivo sub-simbólico.

Un dispositivo (función) sub-simbólico, puede estar formado por: algoritmos genéticos, redes neuronales, mapas cognitivos difusos, el algoritmo de hormigas, entre otros. Estos últimos podrán hacer una abstracción del entrono que permitirá la interpretación del entrono con el fin de regresar con una acción que permita modificar el entorno, y conseguir los objetivos. Lo anterior da pie a la necesidad de niveles cognitivos sub-simbólicos que hagan posible las relaciones de la función con el entrono a través de percepción y acción. Con el fin de lograrlo es crucial contar con una adecuada reorganización y agregación de información en entidades significativas. Esto mismo se aplica a las acciones y a los actuadores. Diferentes sistemas para procesamiento sub-simbólico han sido propuestos, y ellos tienen la propiedad de interactuar con el mundo externo a través de sus sensores y actuadores. Ellos cuentan con una representación general no local, debido a que están caracterizados por parámetros que no necesariamente e individualmente representan entidades del mundo. De esta forma se comunican de forma global; actúan de forma asociativa con el fin de mediar correspondencias entre las percepciones o entre acciones y símbolos.

Ejemplos de sistemas sub-simbólicos

Algoritmos genéticos: los algoritmos genéticos o estrategias evolutivas, son Algoritmos de búsqueda basados en los mecanismos de selección natural y genética natural, es una robusta herramienta de optimización que emula la evolución biológica como estrategia que pueden ser usados para resolver un amplio abanico de problemas de forma eficiente y precisa.

Algoritmo de Hormigas: las hormigas son seres altamente especializados. Se organizan en colonias, y cada individuo tiene asignada una función específica dentro del grupo. Su comportamiento grupal, a pesar de lo pequeño que es el cerebro de cada hormiga individual, es increíblemente organizado. Cuando necesitan defender su territorio, hormiguero o desplazarse para conseguir comida, toda la colonia parece comportarse como si fuese un solo organismo. Lo anterior implica un mecanismo natural y eficiente de búsqueda inteligente.

Redes Neuronales: las redes de neuronas artificiales son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. También es considerado como un clasificador.

Mapas Cognitivos Difusos (MCD): son estructuras de grafos difusos utilizados para representar razonamiento causal. La estructura de grafo permite la propagación sistemática causal, particularmente el avance hacia atrás y hacia adelante. La aplicación de los MCDs, es particularmente recomendable para representar comportamientos expertos o eventos de cualquier dominio. Compuesto de elementos y relaciones; estas últimas difusas. Para su aplicación es necesario contar primero con un modelo que permita considerar estos elementos y relaciones.

MATERIAL DIDACTICO

1_Historia_IA.pdf
2_Enfoques_IA.pdf
3_AgReacApliDist.pdf
4_InteligenciaColectiva.pdf
5_ArquitecturasMultiAgente.pdf
6_Modelos Cognitivosppt.pdf
7_SmartFrameWork_1.pdf
8_SistemasMutiAgente.pdf
9_MakatsinaSTI_Reactivo.pdf
10_ControlAgentReacSAI.pdf

SINTESIS DE ARTICULOS RELACIONADOS

ColoniaHormigas.pdf
EvalCompAgent.pdf
RestCoopSistMutAgen.pdf
Software Colaborativo.pdf
La Magia de los Agentes Reactivos.pdf