TEMA 1: INTRODUCCIÓN A LA IA

Historia de la IA

Precursores

Filosofía

Matemáticas

Neurociencia

Economía

Psicología

Lingüística

Nacimiento

Dartmouth, 1956 (John McCarthy y Claude Shannon)

Primeros desarrollos

1943: Modelo de circuito neuronal (McCulloch & Pitts)

1950: Alan Turing y la prueba de Turing

1956: Se acuña el término "Inteligencia Artificial"

Evolución

1950-1970: Predicciones optimistas, primeros sistemas de IA

1970-1990: Auge y caída de los sistemas expertos ("IA Winter")

1990-2012: Resurgimiento con técnicas estadísticas y aprendizaje automático

2012 - actualidad: Big Data, Deep Learning, IA aplicada a diversas industrias

Agentes Inteligentes

Entidad que percibe su entorno y actúa en él

Elementos

Sensores

Actuadores

Agente Racional: Selecciona acciones que maximizan la utilidad esperada

Tipos de agentes

Agente reflejo simple.

Agente basado en modelos

Agente basado en objetivos

Agente basado en utilidad

Agente que aprende

Racionalidad y Decisión

Maximización de utilidad: Escoge la mejor acción según una función de recompensa

Medidas de desempeño: Evaluación del éxito del agente en el entorno

Exploración y aprendizaje: Los agentes pueden aprender y mejorar con experiencia

Limitaciones

Falta de información sobre el entorno

Restricciones computacionales

Incertidumbre en la toma de decisiones

Entornos y PEAS

Definición de entornos: Medio en el que opera el agente

PEAS (Descomposición del problema en 4 elementos clave)

Performance Measure (Medida de desempeño)

Environment (Entorno)

Actuators (Actuadores)

Sensors (Sensores)

Tipos de entornos

Totalmente observable vs. Parcialmente observable

Determinista vs. Estocástico

Episódico vs. Secuencial

Estático vs. Dinámico

Discreto vs. Continuo

Ejemplos

Diagnóstico médico

Taxi autónomo

Robots industriales

Estructura de los Agentes

Según su estructura

Basado en reglas (Condición-Acción)

Con memoria interna (Modelo del mundo)

Basado en objetivos (Planificación y toma de decisiones)

Basado en utilidad (Optimización de recompensa)

Agente que aprende (Mejora su desempeño con experiencia)

Ejemplo: Agente aspiradora

Percibe si la suciedad está presente

Decide si moverse o aspirar

Puede seguir reglas simples o usar aprendizaje