INSTITUTO TECNOLÓGICO SUPERIOR

DE TAMAZUNCHALE

INGENIERÍA EN SISTEMAS COMPUTACIONALES

INTELIGENCIA ARTIFICIAL

INVESTIGACIÓN DOCUMENTAL U1 – INTRODUCCION A LA IA

ING GABINO MÁRQUEZ PÉREZ

INTEGRANTES DEL EQUIPO:

FLOR ELIZABETH ZENÓN RAMÓN

ENRIQUE MARTINEZ BAUTISTA

ZULAMIT MERCEDES REYES REYES

8º INTERMEDIO 1

25/04/2021
Índice
Objetivo: .......................................................................................................................... 2

Introducción. ................................................................................................................... 2

1.1 Introducción a la Inteligencia Artificial. ................................................................. 3

1.2 Historia de la Inteligencia Artificial. ....................................................................... 5

1.3 Las habilidades cognoscitivas según la psicología. Teorías de la inteligencia

(conductismo, Gardner, etc.). ....................................................................................... 8

1.4 El proceso de razonamiento según la lógica (Axiomas, Teoremas,

demostración). .............................................................................................................. 13

Razonamiento Lógico .............................................................................................. 13

Teoría deductiva. ...................................................................................................... 13

Axioma o postulado ................................................................................................. 14

1.5 El modelo de adquisición del conocimiento según la filosofía. ...................... 16

1.6 El modelo cognoscitivo. ........................................................................................ 19

El modelo del agente inteligente ........................................................................... 21

Sistemas Multiagentes ............................................................................................. 23

Sistemas Ubicuos. ..................................................................................................... 24

1.8 El papel de la heurística. ....................................................................................... 25

1.8.1 Algoritmos de exploración de alternativas. ................................................ 26

1.8.2 Algoritmo A*. ................................................................................................... 27

1.8.3 Algoritmos de búsqueda local. ..................................................................... 29

Conclusiones. ................................................................................................................ 31

Bibliografía .................................................................................................................... 33

Página 1 de 33
Objetivo:
Conocer los conceptos fundamentales de Inteligencia Artificial, así como el
estado del arte de las áreas de la inteligencia artificial.

Introducción.
La Inteligencia Artificial es una combinación de informática, robótica, psicología,
lógica matemática entre otros, con el único fin de crear máquinas que puedan
simular un comportamiento inteligente es decir que puedan “pensar”.

La IA comenzó como el resultado de la investigación de la ciencia cognitiva que

estudia cómo la información es representada y transformada en el cerebro
humano, y la lógica matemática que estudia la forma del razonamiento.

La idea de construir una máquina que pueda realizar tareas que requieran de
inteligencia humana es uno de los objetivos de la IA, ya que esta pretende que
estas máquinas no solo realicen la tarea con inteligencia, sino que también
aprendan o adquieran conocimientos, es por esto que desde 1956 los sistemas
buscan mejorar su estructura de datos y el desarrollo de algoritmos.

Página 2 de 33
1.1 Introducción a la Inteligencia Artificial.
La IA es una rama de las ciencias computacionales encargada de estudiar
modelos de cómputo capaces de realizar actividades propias de los seres
humanos en base a dos de sus características primordiales: el razonamiento y la
conducta. Existen distintas definiciones de IA de acuerdo a distintos enfoques;
algunas de estas definiciones se muestran a continuación.

“La interesante tarea de lograr que las computadoras piensen máquinas con
mente, en su amplio sentido literal.” (Haugeland, 1985)

“La automatización de actividades que vinculamos con procesos de pensamiento

humano, actividades tales como la toma de decisiones, resolución de problemas,
aprendizaje ...” (Bellman, 1978)

“El estudio de las facultades mentales mediante el uso de modelos

computacionales.” (Charniak y McDermott, 1985)

Muchas de las actividades mentales humanas, tales como escribir programas de

cómputo, demostrar teoremas, razonar con sentido común y aún conducir un
vehículo normalmente se dice que requieren “inteligencia”. Durante las décadas
pasadas se ha logrado construir programas que pueden realizar tareas como
esas. Existen programas que pueden diagnosticar enfermedades, resolver
ecuaciones diferenciales en forma simbólica, analizar circuitos electrónicos,
entender en forma limitada frases habladas y escritas o escribir programas de
cómputo cumpliendo especificaciones. Se puede decir que tales sistemas posen
cierto grado de Inteligencia Artificial (IA).

Existen muchos conceptos acerca de la IA, estos hablan de cómo nació en que
está enfocada y cuáles son sus fundamentos. Stuart Russell y Peter Norvig en su
libro Inteligencia Artificial un Enfoque Moderno cita 8 libros de texto, los cuales
muestran definiciones de la IA sobre procesos mentales, razonamiento y
conducta, además define el término racionalidad es decir sistemas racionales que
hagan lo correcto en función de su conocimiento.

Página 3 de 33
A continuación, se muestra la tabla de definiciones de la IA extraída del libro
Inteligencia Artificial un Enfoque Moderno.

Página 4 de 33
1.2 Historia de la Inteligencia Artificial.
Se puede decir que la IA nace antes que la primera computadora electrónica
como la rama de las ciencias de la computación que se ocupa de construir
sistemas que permitan exhibir un comportamiento cada vez más inteligente, o
que observado en un ser humano pueda ser calificado como inteligente
(Feigenbaum) Algunas definiciones. 1- Hacer que las máquinas hagan cosas que
requerirían inteligencia si fueran hechas por el hombre. M. Minsky 2- Intentar
hacer las computadoras más útiles y entender los principios que hacen posible la
inteligencia. Winston 3- Entender y estudiar científicamente los procesos
comunes que subyacen en el pensar y el percibir ya sea en el hombre como en la
máquina. N. Nilsson 4- Es la parte de la ciencia de la computación que investiga
los procesos de razonamiento simbólicos y no algorítmicos y la representación de
conocimiento simbólica para su uso en máquinas inteligentes. Buchanan –
Feigenbaum Las definiciones anteriores de inteligencia son recursivas, siguen
empleando la palabra inteligencia, que etimológicamente deriva de la voz latina
“legere” que significa recolectar y por lo tanto elegir lo que sirve y separarlo de lo
que no sirve, “intellegere” significa elegir entre varias cosas potencialmente útiles
y quedarnos con la mejor. Inteligencia sería entonces la capacidad de discernir,
discriminar, evaluar, pero a medida que el conocimiento humano se fue
ampliando, el concepto de inteligencia fue abarcando cada vez mayor cantidad
de facetas del comportamiento no automático o repetitivo, cada vez más
asociado a la resolución de problemas, al aprendizaje y al proceso creativo. Muy
Pronto los métodos que demostraban funcionar en ejemplos sencillos, fallaban
en problemas de mayor dificultad.

Lograban resultados gracias a manipulaciones sencillas, por ejemplo, Eliza de

Weizenbaum (1965) manipulaba sintácticamente las oraciones que el mismo
“interlocutor” le proporcionaba. El General Problem Solver (GPS, 1972, Human
Problem Solving, Newels and Simon, 1960) implementa el mean and end analysis
(análisis de medios y fines) que clasifica a las cosas por función. Entonces dado un

Página 5 de 33
objetivo se pueden encontrar sub objetivos y así siguiendo se puede llegar a la
solución cuando los sub objetivos son los medios disponibles para la solución del
problema. Aunque útil, quedan huecos cuando no hay acción para obtener lo que
se desea o existen varias. Al comienzo se pensó que la traducción automática de
textos se lograría con un buen diccionario, sencillas transformaciones sintácticas
y siguiendo las reglas gramaticales de ambos idiomas. Pero los fracasos no
tardaron en convertirse en célebres como la retraducción del inglés al ruso de la
frase “The sprit is willing but the flesh is weak” (El espíritu es fuerte pero la carne
es débil) cuyo resultado nuevamente en ingles fue “The vodka is good but the
meat is rotten” (El Vodka está bueno pero la carne está podrida).La intratabilidad
de algunos problemas aun sencillos y muy bien definidos como el Travelling
Salesman Problem (TSP, el problema del viajante de comercio), que con
problemas de micromundos y pocas reglas funcionaban, pero con unos pocos
nodos la solución podía tardar años en encontrarse.

Con la teoría de la completitud NP (Karpp 1972), la explosión combinatoria

(a.10n) del espacio de soluciones se afianzó como una barrera física para la “brute
force”, y las esperanzas de que el avance de la técnica micro electrónica resolvería
el problema con la construcción de una batería de súper computadoras en
paralelo. En 1963 McCarthy logró un algoritmo completo para la demostración
de teoremas para la lógica de primer orden apoyándose en el método de
“resolución” descubierto por Róbinson, pero la indecidibilidad de la lógica de
primer orden (teoría de la incompletitud , Gödel 1931), al predecir que existen
aseveraciones verdaderas en las que no es posible decidir la validez mediante
ningún algoritmo, las demostraciones automáticas dependen de la “suerte”, que
cuando es mala, el tiempo puede ser indefinido (infinito). A estos primeros
métodos se los llamó “débiles” porque tenían poca información específica y por
medio de pasos elementales se pretendía llegar a soluciones importantes, a pesar
de sus objetivos, los resultados eran pobres. Así alrededor de los 70 se plantea
un nuevo enfoque, se construyeron sistemas basados en el conocimiento (KBS

Página 6 de 33
Knowledge Based Systems). Reunían mucha información de un dominio
específico, donde hubiera un experto que pudiera indicar como manipular la
información disponible por medio de reglas simples del tipo “si A – entonces B”.
A estos sistemas se los llamó “Sistemas Expertos” en la pretensión de simular el
comportamiento de un experto humano, en un área muy técnica y específica. Se
construyeron sistemas (Dendral) para determinar la estructura molecular de
compuestos orgánicos a partir de la información de un espectrógrafo de masas,
otros como Mycin para la determinación de infecciones en sangre, que tenía
incorporado un cálculo de incertidumbre denominado factores de certeza. En
cambio, Prospector fue diseñado para colaborar con la localización de
yacimientos de Molibdeno. Para poder operar con el conocimiento es necesario
representarlo y poder hacer un modelo del mundo sobre el cual se quieren hacer
inferencias. Surgen así distintos métodos de representación del conocimiento en
forma simbólica, como la lógica de primer orden, los frames (marcos o planillas),
las redes semánticas, los objetos, etc. Lenguajes que puedan operar con estos
paradigmas de representación como Lisp y Prolog, Smalltalk, y shells especiales.
Hoy se puede hablar de varios tipos de inteligencia. Pero para las ciencias de la
computación se presupone “inteligente” como sinónimo de “racional”, no
importando que sea o parezca. Esta definición evasiva relega a la IA a la frontera
de las ciencias de la computación, todo sistema de cómputo que en sus orígenes
pudo ser considerado inteligente, al cabo de cierto tiempo deja de serlo como lo
demuestran innumerables ejemplos de sistemas como el Fortran, Traductores
Automáticos, Programación orientada a objetos, Administración automática de
memoria, Listas enlazadas, Tiempo compartido, Entornos de programación
gráficos, Intérpretes interactivos, etc.

Página 7 de 33
1.3 Las habilidades cognoscitivas según la psicología. Teorías de la
inteligencia (conductismo, Gardner, etc.).
Son las facilitadoras del conocimiento, aquellas que operan directamente sobre
la información: recogiendo, analizando, comprendiendo, procesando y
guardando información en la memoria, para, posteriormente, poder recuperarla
y utilizarla dónde, cuándo y cómo convenga. En general, son las siguientes:

1. Atención: Exploración, fragmentación, selección y contra distractoras.

2. Comprensión (técnicas o habilidades de trabajo intelectual): Captación de

ideas, subrayado, traducción a lenguaje propio y resumen, gráficos, redes,
esquemas y mapas conceptuales. A través del manejo del lenguaje oral y escrito
(velocidad, exactitud, comprensión).

3. Elaboración: Preguntas, metáforas, analogías, organizadores, apuntes y

mnemotecnias.

4. Memorización / Recuperación (técnicas o habilidades de estudio): Codificación

y generación de respuestas.

TEORÍA DE LA INTELIGENCIA DE GARDNER

El Dr. Howard Gardner, profesor de ciencias de la educación en la Universidad de

Harvard, ha llevado a cabo investigaciones acerca del desarrollo de la capacidad
cognitiva humana durante muchos años.

Dichas investigaciones lo han apartado de las teorías tradicionales respecto de la

inteligencia humana que se basan en dos supuestos fundamentales: que la
cognición humana es unitaria y que es posible describir adecuadamente a los
individuos como poseedores de una inteligencia única y cuantificable.

En su estudio referido a la capacidad humana, Gardner estableció criterios que

permiten medir si un talento constituye una inteligencia. Cada inteligencia debe
poseer una característica evolutiva, debe ser observable en grupos especiales de

Página 8 de 33
la población tales como prodigios o “tontos sabios”, debe proporcionar alguna
evidencia de localización en el cerebro y disponer de un sistema simbólico o
representativo.

Gardner define la inteligencia como:

• La capacidad para resolver problemas cotidianos.

• La capacidad para generar nuevos problemas para resolver.

• La capacidad de crear productos u ofrecer servicios valiosos dentro del

propio ámbito cultural.

LA TEORÍA DE LAS INTELIGENCIAS MÚLTIPLES

En su libro Frames of Mind: The Theory of Multiple Intelligences, publicado en

1983, Gardner presentó su teoría de las inteligencias múltiples, que destaca su
perspectiva multicultural respecto de la cognición humana. La teoría básica sobre
las inteligencias múltiples puede resumirse en las siguientes palabras: que cada
persona tiene por lo menos ocho inteligencias, u ocho habilidades cognoscitivas.
Estas inteligencias trabajan juntas, aunque como entidades cognoscitivas
semiautónomas. En su obra Gardner propone los siguientes tipos de inteligencia

INTELIGENCIA LINGÜÍSTICA

Es la capacidad de usar y entender las palabras de manera efectiva, en forma oral

o escrita. Por lo general la desarrollan personas que disfrutan de la lectura, una
buena conversación, poseedores de un amplio vocabulario, se les facilita
aprender otros idiomas y les agradan los juegos que involucran las palabras.
Propia de los escritores o los poetas.

INTELIGENCIA LÓGICO-MATEMÁTICA

Permite calcular, medir, evaluar proposiciones e hipótesis y efectuar operaciones

matemáticas complejas. Los científicos, los matemáticos, los contadores, los

Página 9 de 33
ingenieros y los analistas de sistemas poseen un profundo manejo de la
inteligencia lógico-matemática.

INTELIGENCIA VISUAL ESPACIAL

Es la capacidad de pensar en tres dimensiones. Permite percibir imágenes

externas e internas, recrearlas, transformarlas o modificarlas, recorrer el espacio
o hacer que los objetos lo recorran y producir o decodificar información gráfica.

Las personas que desarrollan este tipo de inteligencia suelen ser muy orientadas
y disfrutan de lo visual: entienden mapas y gráficas, les gustan los rompecabezas,
la fotografía, la pintura, el dibujo. Esta inteligencia está presente en pilotos,
marinos, escultores, pintores y arquitectos entre otros.

INTELIGENCIA CORPORAL – CINESTÉSICA

Es la capacidad para usar todo el cuerpo en la expresión de ideas y sentimientos,

y la facilidad en el uso de las manos para transformar elementos.

Incluye habilidades de coordinación, destreza, equilibrio, flexibilidad, fuerza y

velocidad. A las personas con este tipo de inteligencia les agrada el deporte, el
baile, la pintura, son hábiles en trabajos manuales, poseen una adecuada
coordinación y expresión corporal. Esta inteligencia se manifiesta en atletas,
bailarines, cirujanos y artesanos, entre otros.

INTELIGENCIA MUSICAL

La inteligencia musical es la capacidad y sensibilidad para producir y pensar en

términos de ritmos, tonos y timbres de los sonidos.

Las personas se inclinan por tocar instrumentos musicales, cantar, silbar, escuchar
música, componer melodías o atender a sonidos ambientales.

La música es la forma de expresión para las personas que han desarrollado este
tipo de inteligencia.

Página 10 de 33
INTELIGENCIA INTERPERSONAL

Es la capacidad de comprender a los demás e interactuar eficazmente con ellos.

Resulta evidente en los docentes exitosos, en los trabajadores sociales, en los
actores o en los políticos.

Esta capacidad permite a los poseedores de esta inteligencia entender las

relaciones sociales, una capacidad amplia para interactuar con las personas,
entender y captar los estados de ánimo, las intenciones y motivaciones de los
demás.

INTELIGENCIA INTRAPERSONAL

Es la capacidad de construir una percepción precisa respecto de sí mismo y de

organizar y dirigir su propia vida. Incluye la autodisciplina, la autocomprensión y
la autoestima.

A las personas con este tipo de inteligencia les agrada estar solas, tienden a ser
reflexivas, introvertidas e independientes. Generalmente poseen un buen
conocimiento de sí mismas.

Algunos individuos con una profunda inteligencia intrapersonal se especializan

como teólogos, psicólogos y filósofos.

INTELIGENCIA NATURALISTA

Está relacionada con la capacidad de distinguir, clasificar y utilizar elementos del

medio ambiente, objetos, animales o plantas. Incluye las habilidades de
observación, experimentación, reflexión y cuestionamiento de nuestro entorno.

La poseen en alto nivel la gente de campo, botánicos, cazadores, ecologistas y

paisajistas, entre otros.

Página 11 de 33
CONDUCTISMO

Es una corriente psicológica en la que su teoría está basada en que a un estímulo

le sigue una respuesta, siendo este el resultado de la interacción entre el
individuo y su medio.

El conductismo se desarrolla a principios del siglo XX, a partir de la obra del

psicólogo norteamericano John B. Watson, época en la cual la psicología era
considerada predominantemente como el estudio de las experiencias internas o
sentimientos, de los fenómenos de la conciencia, a través de métodos subjetivos
o introspectivos, y donde precisamente por las limitaciones de sus medios
metodológicos, la conciencia no pudo convertirse en objeto de análisis
experimental.

El conductismo surge proponiendo una psicología basada en los hechos

observables, en la conducta del hombre, que sustenta que lo principal es lo que
el hombre hace, no lo que piensa.

En este sentido, Watson no negaba la existencia de experiencias internas o

emociones, pero insistía que estas experiencias no podían ser estudiadas porque
eran imposibles de observar.

Para el conductismo las diferencias individuales son un resultado del propio

condicionamiento del sujeto, resultantes de la diversidad de estímulos a lo largo
de la vida, por lo que no tiene sentido la constancia del cociente de inteligencia
(I.Q.), pues este depende del tipo de estímulos que el individuo reciba, y donde
la transformación del medio conlleva asimismo la transformación de la
inteligencia. Según esta corriente el hombre es totalmente producto de sus
experiencias. Por consiguiente, adquiere importancia central en el estudio del
aprendizaje la manera como el hombre se apropia del repertorio de
comportamientos motores, verbales, sociales, entre otros, que luego serán
elementos constitutivos de su personalidad.

Página 12 de 33
1.4 El proceso de razonamiento según la lógica (Axiomas, Teoremas,
demostración).
Razonamiento Lógico
Introducción.
La práctica de los razonamientos deductivos en el proceso de desarrollo del
pensamiento lógico matemático es muy importante. Constituye una herramienta
fundamental para el trabajo en la matemática y otras ciencias. (Academia, s.f.)

¿Qué es la lógica?

La lógica es aquella ciencia que va en búsqueda de las formas de los

razonamientos correctos, es decir, de las leyes del deducir correctamente. En este
sentido es legítimo afirmar que la lógica es la teoría de la deducción, en cuanto
estudia las reglas de las inferencias correctas.

La lógica hace explícitas estas leyes, las ordena en sistemas axiomáticos y prueba
sus capacidades y límites.

Teoría deductiva.

Designamos bajo este nombre toda teoría que se fundamenta en dos principios:
Definiciones y demostraciones. En su desarrollo debe cumplir básicamente las
siguientes condiciones:

Enunciar explícitamente los términos primitivos con ayuda de los cuales se

propone definir los demás términos de la teoría.

Enunciar explícitamente las relaciones primitivas. Con la misma esencia anterior,

son relaciones que el hombre pone en la base de su conocimiento.

Enunciar explícitamente las proposiciones primitivas, con ayuda de las cuales se

propone demostrar otras proposiciones de la teoría. Estas proposiciones

Página 13 de 33
primeras se denominan Axiomas y relacionan entre sí los términos primitivos y las
relaciones primitivas.

Que las relaciones enunciadas entre los términos sean únicamente relaciones
lógicas, permaneciendo independientes del sentido concreto o interpretación
que pueda darse a los términos.

Axioma o postulado
Es una proposición primitiva que se admite como cierta. En la construcción de
una teoría axiomática se ha de partir de un conjunto de axiomas, escogidos de tal
forma que dicho conjunto ha de ser: compatible, suficiente, independiente.
Analicemos estas características:

Compatibilidad: Dos axiomas no pueden formular en ellos, ni producir en sus

resultados derivados, relaciones contradictorias.
Suficiencia: Toda proposición verdadera ha de ser deducible dentro del sistema.
Independencia: Ningún axioma ha de poderse deducir de otros.

Estableciendo el sistema de axiomas (que por cierto, no tienen por qué ser
"evidentes"), se comienza a construir la teoría enunciando y demostrando los
teoremas.

La demostración

El proceso demostrativo consiste básicamente en:

A partir de unas proposiciones dadas que llamaremos premisas, obtener otra

proposición que llamaremos conclusión mediante la aplicación de unas reglas
lógicas.
Para demostrar que una proposición específica es un teorema en una teoría
deductiva dada procedemos así:

1. Se enuncian explícitamente los axiomas de la teoría.

2. Se fijan las reglas que validan el proceso demostrativo, estas reglas se
denominan reglas de validez y se reducen a las siguientes:

Página 14 de 33
 • Regla de validez 1: Todo axioma puede figurar en cualquier paso de
una demostración.
Regla de validez 2: Si P=>Q figura en una demostración y P también
figura en la misma demostración, entonces se puede concluir Q en la
demostración. Esta regla universal se conoce con el nombre de
Modus Ponens.
• Regla de validez 3: Si dos proposiciones son equivalentes se puede
sustituir la una por la otra en cualquier parte de una demostración.
Esta regla se conoce con el nombre de sustitución por equivalencia.
3. Efectuar una demostración de una proposición específica Q, consiste en
obtener la proposición Q como la última en el proceso demostrativo por
aplicación reiterada de las reglas de validez 1, 2 y 3.

Página 15 de 33
1.5 El modelo de adquisición del conocimiento según la filosofía.
La metodología Common KADS, como cualquier otra ofrece una aproximación
para resolver los problemas inherentes a la ingeniería del conocimiento
provenientes de la experiencia y apoyados por los fundamentos de la ingeniería
del software.

Como se ha mencionado anteriormente, la ingeniería del conocimiento debe

hacer frente a la recopilación de datos, dar forma a la información y generar más
conocimiento.
Todo ello dentro de un determinado ámbito de aplicación o línea de negocio
empresarial, que debe plasmarse en una realidad.

Modelo de organización: soporta el análisis de las características principales de

una organización, con el fin de descubrir problemas y oportunidades para
sistemas de conocimiento, establecer su viabilidad y ponderar los impactos en la
organización de las acciones del conocimiento.

Modelo de tarea: es la parte relevante de un modelo de negocio. Analiza la tarea

global, sus entradas y salidas, precondiciones y criterios de realización, así como
recursos necesarios y competencias.

Modelo de agente: los agentes son los ejecutores de una tarea. Un agente
puede ser humano, un sistema de información, o cualquier otra entidad capaz de
llevar a cabo una tarea.

El modelo de agente describe las características de los agentes, en particular sus

competencias, autoridad para actuar y restricciones en este aspecto. Además,
relaciona los enlaces de comunicación entre agentes a la hora de llevar a cabo
una tarea.
Modelo de conocimiento: el propósito de este es explicar los tipos y estructuras
de conocimiento utilizados para llevar a cabo una tarea. Proporciona una
descripción independiente de la implementación del papel que diferentes
componentes de conocimiento juegan en la resolución de problemas, de forma

Página 16 de 33
que es comprensible por los humanos. Esto hace que el conocimiento sea un
vehículo importante para la comunicación con los expertos y los usuarios sobre
los aspectos relativos a la solución de problemas de un sistema de conocimiento
tanto durante el desarrollo como durante la ejecución del sistema.

Modelo de comunicación: dado que varios agentes pueden verse involucrados

en una tarea, es importante modelar las transacciones entre los agentes
implicados, esto se realiza mediante el modelo de comunicación, como sucedía
en el modelo de conocimiento.

Modelo de diseño: los modelos anteriores juntos pueden verse como

constituyendo la especificación de los requisitos para el sistema de conocimiento,
desde diferentes aspectos, Basados en los aspectos, el modelo de diseño
proporciona la especificación técnica del sistema en términos de arquitectura,
plataforma de implementación, módulos de software, construcciones de
representación y mecanismos de computación requeridos para implementar las
funciones propuestas en los modelos de conocimiento y comunicación. Juntos,
los modelos de organización, tarea y agente analizan la organización del entorno
y los factores críticos de éxito para un sistema de conocimiento. Los modelos de
conocimiento y comunicación proporcionan la descripción conceptual de las
funciones de resolución de problemas y los datos que son manejados y
entregados por un sistema de conocimiento. El modelo de diseño convierte esto
en una especificación que es la base para la implementación del sistema software.

No obstante, no siempre es necesario construir todos los modelos, esto depende

de los objetivos del proyecto. Esta elección corresponde al jefe de proyecto, bajo
consenso previo con el cliente. Un proyecto de un SBC utilizando la tecnología
Common KADS produce tres tipos de producto o entrega:

1. Documentos de los modelos.

2. Información sobre la gestión del proyecto.
3. Software del Sistema de Conocimiento.

Página 17 de 33
El objetivo final de la metodología Common KADS consiste en estructurar el
proceso de desarrollo propio de la ingeniería del conocimiento, que se concreta
en un sistema que debe resolver los problemas con una capacidad comparable a
la del experto humano como poseedor del conocimiento.

Obviamente, esta debe circunscribirse a un dominio específico de aplicación. Por

ejemplo, si se trata de un sistema para el diagnóstico de una cardiopatía, el
ámbito de aplicación sería justamente el de las cardiopatías y no otro, aunque el
experto supere con creces este dominio.

En aras de la consecución del objetivo anteriormente propuesto, resulta

necesario diseñar un equipo de desarrollo que lo concrete y materialice, cada uno
de los miembros este equipo debe tener encomendados unos roles específicos
que son los que se le describen a continuación.

Página 18 de 33
1.6 El modelo cognoscitivo.
En toda situación de aprendizaje (Pozo, 1999), espontáneo o generado en una
experiencia educativa, puede identificarse tres componentes básicos:

el qué se aprende (resultados), el cómo se aprende (los procesos cognitivos) y

las condiciones del aprendizaje (la acción educativa) que responde a las
preguntas cuándo, cuánto, donde, con quién etc. Estos tres componentes se
pueden mirar ya sea desde un enfoque conductual o social cognoscitivo. Desde
el enfoque conductual los resultados de aprendizaje son las conductas, los
procedimientos cognoscitivos no son importantes para este enfoque y las
condiciones se refieren a la forma de organizar situaciones estimulantes y
refuerzos continuos a las conductas adecuadas. (Wordpress, 2013)

Desde el enfoque cognoscitivo los resultados de aprendizaje se refieren a

representaciones cognitivas internas o estructuras cognoscitivas que pueden
tener un correlato en una representación simbólica externa para comprobar su
presencia, los procesos cognitivos se refieren a toda aquella actividad mental que
hace posible la constitución de representaciones y las condiciones se refieren a
las acciones educativas de carácter social educativo o interaccional y a los
diferentes recursos culturales con que se apoya el aprendizaje. Desde el punto
de vista social cognoscitivo los resultados de aprendizaje se refieren a la manera
como se construye significado al conjunto de categorías que constituyen un
discurso disciplinar. Los resultados de aprendizaje no se refieren en especificidad
a un saber sino al significado que un aprendiz le da a ese saber. La construcción
de esos significados se hace en especial cuando el conocimiento se presenta
estructurado.

Los procesos cognoscitivos en términos de aprendizaje se dan por niveles de

complejidad ya sea en relación con el desarrollo (edad) o con los niveles de
complejidad en una tarea. En términos del desarrollo, las teorías de Piaget o de
Vygotsky definen una serie de características según ciclos de vida de los

Página 19 de 33
individuos y según la complejidad de las tareas, los enfoques computacionales
representacionales, definen una serie de procesos y subprocesos subyacentes a
la solución de problemas y a la toma de decisiones. En relación con la
complejidad como se estructura un conocimiento se pueden definir 4 grandes
procesos básicos: conceptualización, interpretación, transferencia, creatividad.

Conceptualización se refiere a la manera como se define un concepto en relación

con una experiencia asociada o con otro concepto en una proposición o
estructura conceptual. La interpretación se refiere a la manera como un concepto
o conjunto de conceptos o proposiciones toma significados en relación con un
contexto lingüístico o discursivo o en relación con un fenómeno. Dentro de la
interpretación se juegan procesos cognoscitivos como la deducción, la inferencia,
el análisis, la síntesis y diferentes modalidades de categorización. La transferencia
se refiere a la manera como se aplica un conocimiento a la solución de problemas
surgidos en contextos diferentes a aquellos en donde se dio la situación de
aprendizaje. La creatividad se refiere a la manera como se reestructura o se
proponen estructuras diferentes a las aprendidas. Los niveles cognoscitivos del
aprendizaje no son totalmente lineales y su recorrido se puede dar en espiral. Lo
cierto es que en términos de organización de las experiencias educativas definir
niveles de aprendizaje permite organizar una educación para el desarrollo de
habilidades cognitivas.

Las condiciones de aprendizaje se refieren a la organización de las experiencias

educativas para la consecución de aprendizajes. Las experiencias educativas son
de carácter interaccional y los aprendizajes cognoscitivos, desde el punto de vista
social cognoscitivo. Las condiciones de aprendizaje desde el punto de vista social
cognoscitivo se refieren a la manera como se organiza un modelo curricular-
pedagógico y una serie de acciones educativas para la consecución de
aprendizajes cognoscitivos con referencia a un tema de conocimiento (Parra,
2000).

Página 20 de 33
1.7 El modelo del agente inteligente, Sistemas Multi Agentes, Sistemas
Ubicuos.
¿Qué es un agente?

Es una entidad física o virtual que posee ciertas características generales: es capaz
de percibir el entorno y tener una representación parcial del mismo. tienen un
conjunto de objetivos que gobiernan su comportamiento y posee recursos
propios.

El modelo del agente inteligente

Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales
percepciones y responder o actuar en su entorno de manera racional, es decir,
de manera correcta y tendiendo a maximizar un resultado esperado. Un agente
inteligente puede ser una entidad física o virtual.

¿Cómo se caracteriza un agente?

Un agente va a venir caracterizado por una serie de calificativos, los cuales vienen
a denotar ciertas propiedades a cumplir por el agente.

Autonomía: un agente es completamente autónomo si es capaz de actuar

basándose en su experiencia. El agente es capaz de adaptarse, aunque el entorno
cambie severamente.

Sociabilidad: este atributo permite a un agente comunicar con otros agentes o

incluso con otras entidades.

Racionalidad: el agente siempre realiza «lo correcto» a partir de los datos que
percibe del entorno.

Reactividad: un agente actúa como resultado de cambios en su entorno. En este

caso, un agente percibe el entorno y esos cambios dirigen el comportamiento del
agente.

Página 21 de 33
Pro-actividad: un agente es pro-activo cuando es capaz de controlar sus propios
objetivos a pesar de cambios en el entorno.

Adaptabilidad: está relacionado con el aprendizaje que un agente es capaz de

realizar y si puede cambiar su comportamiento basándose en ese aprendizaje.

Movilidad: capacidad de un agente de trasladarse a través de una red telemática.

Veracidad: asunción de que un agente no comunica información falsa a

propósito.

Benevolencia: asunción de que un agente está dispuesto a ayudar a otros

agentes si esto no entra en conflicto con sus propios objetivos.

Funciones básicas de la Tecnología de Agentes.

Un agente se puede considerar para llevar a cabo funciones:

Ejecución de Tareas: La capacidad de realizar tareas son las destrezas que el

agente posee para lograr sus objetivos.

Conocimiento de su entorno: El conocimiento del entorno debe de ser

introducido o construido por el desarrollado. Algunos agentes además adquieren
su conocimiento por aprendizaje.

Capacidad de Comunicación: Se distingue dos tipos de comunicación, la

interacción con el usuario, y la que se refiere a comunicación inter-agente.

Usos de los agentes

Representación virtual. Se comunican en lenguaje natural y suplen a los

comerciales.

Como asistentes personales.

Negociador en mercados electrónicos. Localiza una subasta en Internet, aprende

cómo va la oferta y realiza una compra por nosotros.

Página 22 de 33
Agente de búsqueda de información o rastreador. Rastrean en las redes de
ordenadores en busca de información solicitada. Son parametrizables por el
usuario aprenden de sus hábitos, rastrean la red e informan por correo
electrónico de novedades que consideran pueden ser de interés para el usuario.

Agente secreto o espía. Monitorizan una página Web identificada previamente

por el usuario e informan cuando se producen cambios en dicha página.

Sistemas Multiagentes
Son sistemas compuestos por múltiples agentes inteligentes que interactúan
entre ellos, pueden ser utilizados para resolver problemas que son difíciles o
imposibles de resolver por un individuo o un sistema monolítico.

Estos sistemas son:

• Enormes (Contienen millones de líneas de código).

• Descentralizado (No hay una parte que gobierne si no que todo está
distribuido).
• Escalable (Puede crecer, pero no afecta a los demás).
• Tolerable a fallas (Si un ordenador falla, los demás siguen disponibles).

Es aquel que se diseña e implementa pensando en que estará compuesto por

varios agentes que interactuarán entre sí, de forma que juntos permitan alcanzar
la funcionalidad deseada.

AOSE: Agent Oriented Software Engineering– (Jennings, 2000) estos sistemas

pueden desarrollarse como organizaciones de agentes denominados sistemas
multiagentes (MAS: Multi-Agent Systems) donde cada agente tendrá su
funcionalidad e interactuarán unos con otros y con el entorno en el cuál habitan.

Los protocolos de comunicación permiten a los agentes intercambiar y entender

mensajes.

Página 23 de 33
Sistemas Ubicuos.
Ubicuidad: capacidad de computación que se ha introducido en multitud de
elementos y aparatos gracias al abaratamiento de su costo.

Estos sistemas son un sistema de interacción, en el que el procesamiento de

información se integra en las actividades cotidianas y en los objetos que se usan
cotidianamente.

Computacional ubicua se utiliza en el entorno tecnológico para representar la

relación natural de ordenadores y usuarios de manera que estos puedan estar
presentes en cualquier momento sin importar el lugar.

Weiser era científico jefe en Xerox Parc, en Estados Unidos, donde llegó después
de haber participado en un buen número de startups vinculadas al sector de la
informática.

Características de los Sistemas Multiagentes

• Los sistemas multiagentes proveen una infraestructura que especifica los

protocolos de comunicación y de interacción entre agentes.
• Los entornos multiagentes suelen ser abiertos y suelen no tener un diseño
centralizado.
• Contienen agentes autónomos y que pueden tener intereses propios o ser
cooperativos.
• Pueden tener una meta común o metas independientes
• Pueden compartir conocimientos sobre el problema y las posibles
soluciones.

Página 24 de 33
1.8 El papel de la heurística.
Se denomina heurística a la capacidad de un sistema para realizar de forma
inmediata innovaciones positivas para sus fines. La capacidad heurística es un
rasgo característico de los humanos, desde cuyo punto de vista puede describirse
como el arte y la ciencia del descubrimiento y de la invención o de resolver
problemas mediante la creatividad y el pensamiento lateral o pensamiento
divergente.

En computación, dos objetivos fundamentales son encontrar algoritmos con

buenos tiempos de ejecución y buenas soluciones, usualmente las óptimas. Una
heurística es un algoritmo que abandona uno o ambos objetivos; por ejemplo,
normalmente encuentran buenas soluciones, aunque no hay pruebas de que la
solución no pueda ser arbitrariamente errónea en algunos casos; o se ejecuta
razonablemente rápido, aunque no existe tampoco prueba de que siempre será
así. Las heurísticas generalmente son usadas cuando no existe una solución
óptima bajo las restricciones dadas (tiempo, espacio, etc.), o cuando no existe del
todo.

A menudo, pueden encontrarse instancias concretas del problema donde la

heurística producirá resultados muy malos o se ejecutará muy lentamente. Aun
así, estas instancias concretas pueden ser ignoradas porque no deberían ocurrir
nunca en la práctica por ser de origen teórico. Por tanto, el uso de heurísticas es
muy común en el mundo real.

Página 25 de 33
1.8.1 Algoritmos de exploración de alternativas.
¿Que son los algoritmos de exploración de alternativas?

Como su nombre lo indica, estos nos sirven para proporcionar uno o más caminos
alternativos a la solución de un problema dentro de un algoritmo, la alternativa
múltiple evalúa una expresión que puede tomar n valores distintos, según sea el
valor que tome la expresión, el flujo del programa seguirá un camino
determinado entro los n posibles.

Los algoritmos de búsqueda nacen por la necesidad de crear un mecanismo de

navegación autónoma, bien sea de robots, coches, o personajes en un
videojuego. Algunos de los más conocidos son DFS, BFS, A*, IDA*, Fringe
Search o D*.

Página 26 de 33
1.8.2 Algoritmo A*.
Inteligencia Artificial

Es ampliamente utilizado en las ciencias de la computación para encontrar rutas

y que tan transitable es una gráfica, es decir, se refiere al problema de visitar todos
los nodos en una gráfica dada de forma particular.

En la resolución de los problemas de Sudoku de 8 variables

Aplicaciones del Algoritmo A*

Está clasificado dentro de los algoritmos de búsqueda en grafos ya que tiene la

necesidad de dar a los mecanismos robóticos, vehiculares o virtuales un sistema
de navegación autónomo.

Se utiliza en juegos para determinar el recorrido que un objeto debe realizar;

Pacman en el que se aplicaba al comportamiento de los fantasmitas.

Definición:

Operadores: La maximización o minimización, si la solución corresponde al costo

entonces se intenta encontrar el mínimo global y si corresponde al objetivo se
intenta encontrar el máximo global.

Es un algoritmo de búsqueda que encuentra la ruta de menor coste entre dos

puntos siempre y cuando se cumplan una serie de condiciones.

Ventajas:

Características de la búsqueda local.

Estado inicial: es en donde comienza la búsqueda de la solución.
Son ahorrativos: Ya que usan poca memoria en donde no se guarda la
secuencia de estados.
Razonables: Ofrecen buenas soluciones a un problema cuando el espacio
de los estados es infinito.

Página 27 de 33
 Óptimos: Encuentran el mejor estado posible en base a una función
objetivo.
También se puede utilizar para resolver el cubo Rubik mostrándonos cómo
hacerlo con la menor cantidad de movidas.

Definición:

Los algoritmos de búsqueda local no se preocupan por los caminos, sino que se
enfocan en su gran parte en el estado actual y se mueve de un estado vecino hacia
otro.

Página 28 de 33
1.8.3 Algoritmos de búsqueda local.
Búsqueda local es la base de muchos de los métodos usados en problemas de
optimización.

Se puede ver como un proceso iterativo que empieza en una solución y la mejora
realizando modificaciones locales.

Básicamente empieza con una solución inicial y busca en su vecindad por una
mejor solución. Si la encuentra, reemplaza su solución actual por la nueva y
continua con el proceso, hasta que no se pueda mejorar la solución actual.

Claramente el diseño de la vecindad es crucial para el desempeño de éste, y de

muchos otros, algoritmos.
La vecindad son todas las posibilidades de soluciones que se consideran en
cada punto.
El cómo se busca la vecindad y cuál vecino se usa en el reemplazo a veces se
conoce como la regla de pivoteo (pivoting rule), que en general puede ser:
Seleccionar el mejor vecino de todos (best-improvement rule).
Seleccionar el primer vecino que mejora la solución (first-improvement
rule).
Búsqueda local tiene la ventaja de encontrar soluciones muy
rápidamente.
Su principal desventaja es que queda atrapada fácilmente en mínimos locales y
su solución final depende fuertemente de la solución inicial.

Página 29 de 33
Búsqueda local es un método determinístico y sin memoria. Dada una misma
entrada, regresa la misma salida.
De hecho, un conjunto de entradas nos genera la misma salida (mínimo local).
Esto se puede ver como un pozo de atracción.
Esto sigue siendo muy superior a búsqueda aleatoria y el ingrediente principal
es la definición de vecindad que permite moverse de una cierta solución a una
mejor solución.

Página 30 de 33
Conclusiones.
FLOR ELIZABETH ZENÓN RAMÓN:

A lo largo de la historia los grupos que se han dedicado al estudio de la IA en

base a pensar o actuar como humano o pensar o actuar racionalmente han tenido
enfrentamientos ya que cada grupo defiende sus hipótesis y argumentos. La
inteligencia artificial es la ciencia que estudia hardware y software que asemeje
un comportamiento inteligente es decir que actué de forma que pueda responder
según su conocimiento. Cuando se habla de sistemas que piensen como
humanos o sistemas que piensen racionalmente no se refiere a que los humanos
son irracionales en el sentido psicológico es decir desequilibrio mental, si no que
trata de explicar que un sistema que piensa o actué racionalmente puede realizar
tareas, desarrollar conductas y razonar en un momento en que un humano no
podría hacerlo, ya que no somos perfectos.

ZULAMIT MERCEDES REYES REYES:

A través de las generaciones se han dedicado investigadores a abordar el tema

de inteligencia artificial de manera que es un amplio tema este abarca desde el
comportamiento humano, así como elaborar ciertos equipos inteligentes para la
solución de diferentes problemáticas, como también mejorarlas en cualquier
ámbito del ser humano. La inteligencia artificial (IA) es la base a partir de la cual
se imitan los procesos de inteligencia humana mediante la creación y la aplicación
de algoritmos creados en un entorno dinámico de computación. En esta
investigación se podrá ver que trata con el ser humano de acuerdo a las
actividades que realiza diariamente y por medio de ello la inteligencia artificial
trata de imitar ciertas acciones que por las cuales este permite que toda labor sea
más eficaz al momento de realizarlo como en el ámbito de la salud, agricultura,
robótica entre otros que dan la facilidad y mejora en para realizar actividades
cotidianas de las personas.

Página 31 de 33
ENRIQUE MARTINEZ BAUTISTA:

En la sociedad, dentro de las ciencias de la computación, la de la Inteligencia

Artificial es una de las áreas que causa más expectación. Que un sistema pueda
mejorar su comportamiento sobre la base de la experiencia y que, además, tenga
una noción de lo que es un error y que pueda evitarlo, resulta muy interesante.
Los métodos tradicionales en Inteligencia Artificial que permitieron el desarrollo
de los primeros sistemas expertos y otras aplicaciones, han ido de la mano de los
avances tecnológicos y las fronteras se han ido expandiendo constantemente
cada vez que un logro, considerado imposible en su momento, se vuelve posible
gracias a los avances en todo el mundo, generando incluso una nueva mentalidad
de trabajo que no reconoce fronteras físicas ni políticas. Por ello, yo soy optimista
en relación al futuro siempre que se respeten los límites culturales y éticos.
Creando siempre máquinas capaces de ayudar al ser humano, de sustituirlo en
tareas desagradables, duraderas, pesadas o como complemento de ocio.

Página 32 de 33
Bibliografía
Academia. (s.f.). Inteligencia artificial unidad 1. Recuperado el 23 de Abril de
2021, de
https://www.academia.edu/29313425/Inteligencia_artificial_unidad_1_2_
130203192025_phpapp

Wordpress. (27 de Junio de 2013). El Modelo Cognoscitivo. Obtenido de

https://iaitj.wordpress.com/2013/06/27/tema-1-5/

Caparrini, F. S. (2019). Breve Historia de la Inteligencia Artificial - Fernando

Sancho Caparrini. Inteligencia Artificial.

http://www.cs.us.es/%7Efsancho/?e=221

Cevallos, K. (2014, 15 noviembre). 1.1. INTRODUCCIÓN A LA. INTELIGENCIA

ARTIFICIAL.
https://inteligenciaartificialkarlacevallos.wordpress.com/2014/10/08/intro
duccion-a-la-inteligencia-artificial/

Clase de Inteligencia Artificial. (2019). IA.

https://sites.google.com/site/clasedeinteligenciaartificial/#:%7E:text=1.6
%20El%20modelo%20cognoscitivo.,modifican%20significados%20de%2
0manera%20interna.

El Proceso de Razonamiento segÃon la LÃ3gica(Axiomas, Teoremas,…. (2019).

Coggle. https://coggle.it/diagram/Xw9GEEl_UMEpp3gY/t/el-proceso-de-
razonamiento-seg%C3%BAn-teoremas%2C-demostraci%C3%B3n

Islas, I. Z. (2019). 1.4 El Modelo de Adquisicion Del Conocimiento Segun La

Filosofia. Scribd. https://es.scribd.com/presentation/86982293/1-4-El-
Modelo-de-Adquisicion-Del-Conocimiento-Segun-La-Filosofia

S. (2013, 27 junio). Tema 1.2. Inteligencia Artificial.

https://iaitj.wordpress.com/2013/06/27/tema-1-2/

Página 33 de 33