IA - Preguntas Teoricas - tps5to-utn-frre

r
Inteligencia Artificial
Preguntas Teóricas Guía 2007
Fecha creación : 5 de Mayo 2007
Última Modificación: 7 de Mayo de 2007
Ultima ultima modificacion: 9 de mayo de 2007
Temas
Introducción a la inteligencia artificial
Sistemas Expertos
Sistemas Basados en Reglas
Sistemas Basados en Probabilidades
Búsqueda
Búsqueda Heuristica
Algoritmos Genéticos
Introducción a la inteligencia artificial
02 – Conocimiento es Igual a información. MALLLL
Para mi es
La información asimilada se transforma en conocimiento. Pero, información y conocimiento no son
sinónimos. La información es el término general y el conocimiento es información bajo
determinadas condiciones. Cuando la información se encuentra en las condiciones adecuadas para
propagarse, la llamamos conocimiento. La forma en que los seres informáticos se expresan a si
mismos es parte del estudio del comportamiento de la información.
03 – Explicación de Agencia, Inteligencia y Movilidad en un Agente Inteligente
Estos tres son capacidades con las que debe contar un Agente inteligente.
Agencia, se refiere al grado de autonomía del agente, es decir a la capacidad que este posee para tomar
desiciones y realizar acciones sin intervención del usuario.
Inteligencia se refiere a la habilidad del agente de capturar y aplicar conocimiento especifico del dominio de
la aplicación para procesar y resolver problemas.
Un agente es móvil si este puede moverse entre sistemas en una red, esto introduce una complejidad
adicional a un agente inteligente dado que introduce problemas de seguridad y costos. Las Intranet son
escenarios ideales para los agentes dado que requieren menos seguridad que la Internet.
04 – Test de Turing
La prueba de Turing se diseño para proporcionar una definición operacional y satisfactoria de inteligencia.
Se basa en la incapacidad de determinar entre entidades inteligentes y seres humanos. El computador
supera la prueba si el evaluador (ser humano) no puede distinguir si las respuestas son son de una persona
o no.
Para pasar la prueba el ordenador debería disponer de las siguientes características.

Procesamiento del Lenguaje natural

Representación del Conocimiento

Razonamiento Automático

Aprendizaje automático
Además existe la prueba global de Turing, para ella debería contar con

Visión Computacional , Percepción

Robótica para manipular los objetos
Estos aspectos cubren la mayoría del campo de la inteligencia artificial
05 – Características de un problema para aplicar
06- Algoritmo del Fuego
Fuego = 3
Humo = 2
Limpio = 1
Fin = 0
1 Ver todas las Posiciones donde se puede mover izq,abajo,der, arriba.
2 Ordenar las posiciones posibles de menor a mayor
4 Si la primera posición disponible es 0
5
Tomar la posición y terminar
sino
6
Por cada posición posible tomar la primera y volver al paso 1
7
Si no hay más posiciones para tomar
8
volver a la posición anterior y probar la siguiente disponible.
07 – Si, el algoritmo permite dado que no hace referencia al formato de la cuadricula.
08 09 (Definición de Agustin – No comprobada )
Espacio de Soluciones es el conjunto de todas las soluciones de un problema, dentro del mismo tendremos
soluciones optimas y no optimas.
10 –
(Definición de Agustin – Con mis Palabras – No tomar Literal )
La inteligencia artificial son un conjunto de técnicas que se basan en el aprendizaje y el conocimiento que
trabajan sobre entradas para generar salidas dependientes de la experiencia y conocimiento del sistema
inteligente. Simulan la inteligencia humana para resolver problemas bajo dominios conocidos y bien
definidos.
Sistemas Expertos
02 – Componentes de un sistema experto.
Expertos
Humanos
Ing.
Conocimiento
Base de
Datos
Sub. Adquisición
de
Conocimiento
Sub. De
Aprendizaje
Sub. Control de
Coherencia
Base de
Konocimient
o
Memoría de
Trabajo
Sub. Adquisición
de Información
Usuario
s
User
Interface
Explicació
n
Motor de
Inferencia
Ejecución
Acción
Humanos
Expertos : Suministran el conocimiento del tema de interés
Ingenieros: Trasladan el conocimiento a un lenguaje que el SE puede entender
Usuario : Utilizan el Sistema
Base de Conocimiento: Esta compuesto por todo el conocimiento de forma ordenada y estructurada con
relaciones bien definidas y explicadas que fue transmitido por los expertos y adaptado por los Ing. En
Conocimiento.
Memoria de Trabajo : Lugar donde se almacenan los datos y otros elementos de carácter transitorio
Adquisición del Conocimiento : Controla el flujo de conocimiento, pide lo que falta y incorpora los elementos
nuevos.
Control de Coherencia : Controla la integridad y consistencia en la base de conocimiento.
Motor de Inferencia: Es el corazón, obtiene conclusiones a partir de los datos y el conocimiento de la base.
Adquisición de información: Se utiliza para adquirir nueva información cuando el conocimiento en la base es
escaso.
Ejecución de Acciones: Es el que le permite al SE iniciar acciones, las mismas se basa en las conclusiones
obtenidas por el motor de inferencia.
Explicación: Explica el proceso que realizo el motor de inferencia para arribar a la conclusión.
Planteamiento del Problema
SE la
Aprendizaje: Subsistema que permite al
adquisición de nuevo conocimiento.
Encontrar experto humanos
03-
Diseñar el Sistema experto
Elegir herramientas de Desarrollo
Construir Prototipos
Probar Prototipos
Refinamiento y Generalización
Mantenimiento y Puesta al dia
Pasos en el desarrollo de un sistema
experto.
04 – Diferencias entre un sistema experto y un sistema de información.
En sistema experto es un sistema de información en si mismo, pero a diferencia de los SI que estamos
acostumbrados un SE va mucho mas allá.
El SE trabaja sobre una base de conocimiento que se construyo a partir de un experto en un tema
en especial, a partir de los datos de entrada y su base de conocimiento obtienen conclusiones de salida, las
conclusiones para un mismo conjunto de entrada puede variar dependiendo del conocimiento y de la
experiencia del sistema.
Los SI trabajan sobre los datos de entrada aplicando algún procedimiento y generan una salida, las
salidas serán siempre las mismas para el mismo conjunto de entrada.
El SI proporciona información para la toma de desiciones, el SE provee la desiciones en la mayoría
de los casos.
El SE necesita una constante actualización y retro alimentación de su base de conocimiento para
lograr conclusiones acertadas. Los SI puede trabajar años correctamente sin tener ningún cambio o
actualización.
Los SE suelen ser más complejos.
08 – Diferencia entre sistema experto y agente.
El sistema agente aprende, el SE no se considera como tal si tiene modulo de aprendizaje, depende de la
literatura de referencia, pero básicamente, el SE no incorpora por si mismo el conocimiento, sino que lo
hace un experto (no aprende por si solo). Ademas no tiene movilidad (ver la definición de agente), y no
estoy seguro respecto de lo de agencia (estimo que no puede “representar”al usuario)
09 – Un sistema experto puede utilizarse en muchos casos, por ejemplo en un sistema de detección de
intrusiones (IDS). Puede implementarse un sistema que analice el tráfico de red y en base a una base de
conocimiento de ataques de intrusión a sistemas el IDS detecte automáticamente la amenaza y defienda la
red del ataque inminente.
10 – Un SE bien armado y con su base de conocimiento actualizada y consistente, sin dudas puede llegar a
mejores conclusiones que un experto humano. El computador no cometerá errores dado que no se ve
afectado a las emociones que los seres humanos poseen. A los seres humanos se les puede pasar por alto
detalles en la búsqueda de la solución que afecten a la conclusión.
Lo ideal sería el trabajo en conjunto de ambas partes, que el SE resuelva el problema y el experto verifique
la conclusión.
11- El SE puede implementar Modus Ponens y Modus Tollens.
12 – El conjunto de conflicto del SE es ???
Es el conjunto de reglas que están en condiciones de ser disparadas en un momento dado.
Debe implementarse una estructura de control para decidir cual de las reglas se
disparará.
13 – Sin el subsistema de aprendizaje y ante las mismas entradas un SE podría presentar salidas diferentes
si el Ing. De conocimiento actualiza la base de conocimiento en el medio de ambas corridas. Dado que sin
el subsistema de aprendizaje no le permite al SE la adquisición automática de nuevo conocimiento el SE
adquiere conocimiento solo por el Ing. De conocimiento y el subsistema de adquisición de conocimiento.
14 – El conjunto de reglas en un SE es inconsistente si existe un conjunto de valores de entrada para los
cuales el conjunto de reglas obtenga conclusiones contradictorias.Sistemas Basados en Reglas
01 – Explicar como utilizar Modus Tollens (MT) y Modus Ponens (MP) para inferir conocimiento
En La regla de inferencia MP se analiza la premisa, si esta es verdadera se infiere que la conclusión
también es verdadera. No se puede decir nada en otro caso.
En la regla de inferencia MT se analiza la conclusión, si esta es falsa se infiere que la premisa también los
es. No se puede decir nada en otro caso.
Sistemas Basados en Probabilidades
01 – Que diferencias existen entre P(A|B) y P (A, B)
P(A | B) significa al probabilidad de A habiendo ocurrido B, es decir la probabilidad de que ocurra A después
de haber ocurrido B.
P(A , B) significa la probabilidad conjunta de A y B, es decir ,la probabilidad de que A y B ocurran
simultáneamente.
02 – Para que se utiliza Bayes, Defina probabilidad a priorí y a posteriorí.
Probabilidad a priorí es el grado de creencia que se le otorga en ausencia de cualquier otra información
adicional a una preposición A y se escribe P(A).
La probabilidad a posteriorí es la probabilidad que se obtiene añadiendo información y relaciones entre las
probabilidades a priorí.
<< Verosimilitud >>
El teorema de bayes parte de la regla del producto y llega a la siguiente formula.
P(b|a) = (p( a| b) p(b)) / p(a)
Es utilizada para obtener probabilidades desconocidas a partir de probabilidades condicionadas conocidas.
En otras palabras obtiene probabilidades a posteriorí de las probabilidades a priorí.
Búsqueda
01 – La definición de espacio de estados, para la resolución de problemas, permite definir formalmente el
problema y el proceso de resolución. Explique.

Permite definir formalmente el problema: mediante la necesidad de convertir alguna situación dada en la
situación deseada usando un conjunto de operaciones permitidas.

Permite definir el proceso de solución: como la combinación de técnicas conocidas y búsqueda, la
técnica general de exploración en el espacio intenta encontrar alguna ruta desde el estado actual hasta
el estado objetivo.
02 03 – Requisitos de una estrategia de control.
Una estrategia de control debe

Causar algún cambio: debe provocar que se cambien los estados

Ser sistemática: es decir que la secuencia de operadores debe aplicarse de una manera definida
formalmente y no de manera aleatoria.
Seleccionar operadores de manera aleatoria todo el tiempo es una mala estrategia, dado que pude llegar a
causar que se repitan estados y que no se encuentre la solución optima.
04 – Si es posible, en el algoritmo planteado en 1.04 esta resuelto con máxima pendiente.
05 - “La heuristica aumenta la eficiencia del algoritmo de búsqueda sacrificando demandas de completitud”
Significa que aplicando heuristicas a un algoritmo de búsqueda estamos causando que no se explore
necesariamente todo el espacio de estados, completitud. Al evitar recorrer todo el espacio de estados el
algoritmo es más eficiente pero puede llegar a obtener soluciones no optimas.
06 – Cuales son las formas e incorporar heuristicas al proceso de búsqueda.
Existen dos formas fundamentales de incorporación de conocimiento heuristico especifico del dominio a un
proceso de búsqueda basado en reglas.

En las mismas reglas: Por ejemplo en un juego de ajedrez ademas de los movimientos legales pueden
añadirse reglas de movimientos sensatos.

Como una función heuristica que evaluá los estados individuales del problema y determina su grado de
deseabilidad. La función heuristica es una correspondencia entre las descripciones de estados del
problema y determina su grado de deseabilidad. Su objetivo es guiar el proceso de búsqueda por el
mejor camino.
07 – Que son los pasos ignorables, recuperables y no recuperables.
Ignorables: pueden ignorarse pasos dados. Por ejemplo: si hago una demostración y e hice cosas
que no me llevan a nada, puedo volver al estado inicial y empezar de nuevo sin
incovenientes. Solo se pierde lo hecho.
Recuperables: en el que pueden deshacerse pasos dados.Se puede volver a un estado anterior porque los
pasos tienen un correspondiente deshacer. Se debe guardar una memoria de todo lo realizado para poder
deshacer.
No recuperables: no pueden deshacerse pasos dados. Por ello el sistema debe evaluar bien cada accion
antes de realizarla. A veces se simula en que situación quedara el sistema luego de varios pasos para
determinar la conveniencia de la decisión.
08 – Cuando una ruta es solución en una búsqueda.
Depende de problema, existen problemas en los que se desea obtener como resultado un camino optimo
desde el origen al objetivo, en dicho caso la ruta es la solución, un ejemplo de esto es encontrar el mejor
camino de boston a maimi.
Otros casos solo se desea conocer el estado final, por ejemplo en el caso de las reinas, la solución no es el
camino en este caso lo es el estado.
09 En las técnicas generales de búsquedas es necesario tener en cuenta tres aspectos importantes.

La dirección en que se conduce la búsqueda



Adelante – Estado inicial -> Objetivo

Atrás – Objetivo -> Estado inicial
La forma de seleccionar los operadores

Emparejamiento

Matching
Representación de los nodos , forma de representar el conocimiento
Definir previamente estos aspectos conducen a tener una estrategia de control sistemática.
Búsqueda Heuristica
01 – Diferencia entre Escalada Simple y Máxima pendiente.
Escalada simple empieza a examinar los hijos del nodo actual, de izquierda a derecha o viceversa según se
defina, y toma como nuevo nodo el primero que mejore la heuristica del nodo actual.
Máxima pendiente explota todos los hijos del nodo actual, como si fuera una búsqueda en amplitud, y de los
hijos toma el nodo que mejor heuristica tiene como nuevo nodo.
02 – Explique los problemas de máximo local, meseta y cresta.
Estos son problemas que solo surgen en los algoritmos de escalada (simple y máxima pendiente).
Máximo Local: El problema se presenta cuando el nodo actual toma un valor mas alto que todos sus hijos, o
vecinos, pero no es el máximo absoluto del problema. El algoritmo falla por que no puede seguir por sus
hijos dado que ninguno es mejor que el. Puede solucionarse continuando desde ese punto con un algoritmo
de amplitud hasta encontrar un punto mejor.
M
a
x
im
o
L
o
c
a
l
Meseta: El problema se presenta cuando todos los hijos poseen el mismo valor y dicho valor es igual o
menor que el nodo actual. El algoritmo no sabe por donde continuar. Puede solucionarse tomando
cualquiera de los hijos y probando si alguno de los hijos del nuevo nodo mejora la heuristica, en caso de
que ninguno la mejore el algoritmos puede fallar.
M
e
s
e
t
a
Cresta: Son una secuencia de máximos locales que produce una navegación muy complicada dentro del
espacio de soluciones
03 05 – Primero el Mejor y A*
C
resta
El algoritmo de primero el
mejor trabaja a partir de una función heuristica
que representa el costo aproximado desde el objetivo
hasta el estado final.
Empieza desde el nodo origen, explota todos sus hijos y toma el que tiene la mejor heuristica como
nuevo nodo. Posteriormente vuelve a explotar todos los nodos del nuevo nodo y compara la heuristica del
mismo contra la de todos los nodos ya explotados, de ahí elije el que mejor heuristica posee. Así hasta
llegar al nodo objetivo con la menor heuristica.
30
S
eg
u
n
d
oeleg
id
op
o
r
q
u
eh
eram
en
o
rq
u
e
to
d
o
slo
sh
ijo
sd
el
p
rim
ero
26
15
14
T
e
r
c
e
r
o
e
l
e
g
i
d
o
,s
i
g
u
e
s
i
e
n
d
o
m
e
n
o
r
P
r
i
m
e
r
o
e
l
e
g
i
d
o
13
11
2
4
16
24
18
0
Objetivo
A* es muy similar a primero el mejor pero no es lo mismo, este ultimo es un refinamiento de primero el
mejor, A* evaluá el costo de los caminos y la heuristica creando una función que se llama de Estimación
(f(n) = g(n) + h(n)). No se basa solamente en la heuristica, el resto del mecanismo es el mismo.
Más información del algoritmo, libro IA un enfoque moderno de Russell Pag 108 – 110.
04 – Explique f(n) = g(n) + h(n)
f(n) = g(n) + h(n) es conocida como la función de estimación en A* donde
g(n) = Es el costo acumulado real desde el origen hasta el nodo N
h(n) = Es la heuristica que nos da el costo aproximado del nodo actual al objetivo
07 – Escalada Simple no siempre encuentra la solución.
08 – En la función (f(n) = g(n) + h(n)) en el nodo n, h(n) representa el costo aproximado del nodo actual al
objetivo.
09 – Diferencias entre métodos sistemáticos y heuristicos.
Sistemáticos
heuristicos
Recorren todo el espacio de soluciones
Pueden evitar recorrer todo el espacio de soluciones
Siempre alcanzan la solución SI EXISTE
No necesariamente llegan a la solución.
Requieren mas procesamiento
Requieren menos procesamiento.
Suele ser mas fácil crearlos
Encontrar la heuristica puede ser complicado.
10 – No puede existir problemas de Meseta, Máximo local ni cresta en amplitud ni en profundidad dado que
estos algoritmos no hacen estimaciones de lo bueno o malo que es el nodo, recorren todo hasta encontrar
la solución.
12 – No siempre encuentra la solucion a pesar de que esta exista
13 – Ver 1
14 – Es una busqueda primero en amplitud, porque cuando h’(n)=0, es g(n) la que dirige la busqueda, y
como es siempre el mismo costo, ira probando todos los nodos de cada nivel antes de pasar al siguiente,
antes de hallar la solucion si es que existe. El caso mas simple es si g(n) = 1, donde la metrica es el numero
de saltos.
18 – Si se sobreestima sobre el camino optimo mas que sobre algun alternativo de mayor costo, el algoritmo
elegira esta solucion suboptima por sobre la optima ya que “estima” que le conviene ir por el camino no
optimo. Si en cambio se subestima, tarde o temprano se dara cuenta de que el mejor camino es el optimo.
Por ejemplo:
a
/ \
6|
| 13
|
|
b
c
|
|
4|
| 12
d
|
|
|
2|
|
\
/
e
si ei=a y obj=f, y g=1 para todos los nodos,
f’(b)= 1+4 = 5; f’(c)= 1+12= 13; conviene b, sigo por b, calculo:
f’(d)=2+2 = 4; conviene d, sigo por d, calculo:
f’(e)=0+3 = 3; como por d el costo es 3, y, estimando desde c, el costo “estimado”es 13, ni siquiera
prueba por ese lado (auque se ve que la solucion es mejor, con un costo de 2).
Algoritmos Genéticos
01- Características de la evolución biológica que permite individuos mejores adaptados.
Están basados en el proceso genético de los organismos vivos. A
lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de
la selección natural y la supervivencia de los más fuertes, postulados por Darwin (1859). Por imitación de
este proceso, los Algoritmos Genéticos son capaces de ir creando soluciones para
problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema
depende en buena medida de una adecuada codificación de las mismas.
Los principios básicos de los Algoritmos Genéticos fueron establecidos por Holland (1975), y se
encuentran bien descritos en varios textos – Goldberg (1989), Davis (1991), Michalewicz (1992),
Reeves (1993) – .
En la naturaleza los individuos de una población compiten entre sí en la búsqueda de recursos tales
como comida, agua y refugio. Incluso los miembros de una misma especie compiten a menudo en
la búsqueda de un compañero. Aquellos individuos que tienen más éxito en sobrevivir y en atraer
compañeros tienen mayor probabilidad de generar un gran número de descendientes. Por el contrario
individuos poco dotados producir un un menor número de descendientes. Esto significa que los
genes de los individuos mejor adaptados se propagarán en sucesivas generaciones hacia un número de
individuos creciente. La combinación de buenas características provenientes de diferentes ancestros,
puede a veces producir descendientes “superindividuos”, cuya adaptación es mucho mayor que la de
cualquiera de sus ancestros. De esta manera, las especies evolucionan logrando unas características
cada vez mejor adaptadas al entorno en el que viven.
02 – Explique los métodos de selección
Ruleta
A cada uno de los individuos de la población se le asigna una parte proporcional a su ajuste de una
ruleta, de tal forma que la suma de todos los
porcentajes sea la unidad. Los mejores individuos recibir´n una porción de la
ruleta mayor que la recibida por los peores. Generalmente la población está ordenada en base al ajuste por
lo que las porciones más grandes se encuentran al
inicio de la ruleta. Para seleccionar un individuo basta con generar un número
aleatorio del intervalo [0..1] y devolver el individuo situado en esa posición de
la ruleta. Esta posición se suele obtener recorriendo los individuos de la población y acumulando sus
proporciones de ruleta hasta que la suma exceda el valor
obtenido.
Selección por torneo
La idea principal de este método consiste en realizar la selección en base
a comparaciones directas entre individuos. Existen dos versiones de selección
mediante torneo:
Determinista
Probabilista
En la versión determinística se selecciona al azar un número p de individuos (generalmente se escoge p
= 2). De entre los individuos seleccionados se
selecciona el más apto para pasarlo a la siguiente generación.
La versión probabilística únicamente se diferencia en el paso de selección del
ganador del torneo. En vez de escoger siempre el mejor se genera un número
aleatorio del intervalo [0..1], si es mayor que un parámetro p (fijado para todo el
proceso evolutivo) se escoge el individuo más alto y en caso contrario el menos
apto. Generalmente p toma valores en el rango 0,5 < p ≤ 1.
u
ranking
se basa en orden, y asigna las copias calculando el numero con la formula:
Rmin+(n-i)(1-Rmin)
ci=-----------------n-1
Si Rmin=0 siempre elimina al peor. Si Rmin = 1, se mantiene la misma poblacion
número esperado
el numero esperado lo da la parte entera de:
fi
ci=----- , donde fi es el valor de la funcion de aptitud para el individuo i y
_
_
f
f es el promedio de las funciones de aptitud de la población.
Con la parte decimal se puede hacer elitista, ruleta,etc.
03 – Cruce
La idea principal del cruce se basa en que,
si se toman dos individuos correctamente adaptados al medio y se obtiene una
descendencia que comparta genes de ambos, existe la posibilidad de que los
genes heredados sean precisamente los causantes de la bondad de los padres.
Cruce simple (Single Point Crossover)
Es la más sencilla de las técnicas de cruce. Una vez seleccionados dos individuos se cortan sus
cromosomas por un punto seleccionado aleatoriamente para
generar dos segmentos diferenciados en cada uno de ellos: la cabeza y la cola.
Se intercambian las colas entre los dos individuos para generar los nuevos descendientes. De esta manera
ambos descendientes heredan información gentica
de los padres, tal y como puede verse en la figura
Cruce de 2 puntos
Se trata de una generalización del cruce simple. En vez de cortar por un
único punto los cromosomas de los padres como en el caso anterior se realizan
dos cortes. Deberá tenerse en cuenta que ninguno de estos puntos de corte
coincida con el extremo de los cromosomas para garantizar que se originen tres
segmentos. Para generar la descendencia se escoge el segmento central de uno
de los padres y los segmentos laterales del otro padre .
Cruce Uniforme
La técnica implica
la generación de una máscara de cruce con valores binarios. Si en una de las
posiciones de la máscara hay un 1, el gen situado en esa posición en uno de los
descendientes se copia del primer padre. Si por el contrario hay un 0 el gen se
copia del segundo padre. Para producir el segundo descendiente se intercambian
los papeles de los padres, o bien se intercambia la interpretación de los unos y
los ceros de la máscara de cruce.