UNIVERSIDAD NACIONAL

DE HURLINGHAM
Introducción a la Inteligencia Artificial
EL APRENDIZAJE.
• ¿Pueden las máquinas aprender a hacer cosas nuevas y a
adaptarse a nuevas situaciones, en lugar de limitarse a hacer
aquellas actividades para las que han sido programadas?
DISCUSIONES IMPORTANTES:

¿Es la capacidad de adaptarse a entornos nuevos para solucionar problemas

nuevos, una de las características importantes de las entidades inteligentes?
¿Se DEBEN esperar encontrar estas habilidades en los programas?
“La Máquina Analítica (de Babbage) no tiene ninguna pretensión de crear nada. Puede
hacer lo que sea si se le ha indicado la forma de hacerlo” (Ada Lovelace, 1861)
Esta afirmación fue interpretada por críticos de la IA como la imposibilidad
de aprender de las máquinas. Sin embargo una interpretación más fina
es que nada prohíbe que a una computadora se le diga como interpretar sus
entradas de modo que su rendimiento aumente gradualmente.
¿A QUÉ ACTIVIDADES NOS REFERIMOS
EXACTAMENTE CUANDO DECIMOS
“APRENDER”?
▪ Simon (1983) propuso que el aprendizaje implica: “… cambios en el sistema que se
adaptan en el sentido de que le permite llevar a cabo la misma tarea o tareas a partir
de las mismas condiciones de un modo más eficiente y eficaz cada vez.”
▪ Con esta definición, el aprendizaje cubre una amplia gama de fenómenos:
⚫ En un extremo del espectro está el perfeccionamiento de la habilidad. En
general los humanos mejoran la ejecución de ciertas tareas en el mero hecho
de practicarlas.
⚫ En el otro extremo, se encuentra la adquisición de conocimiento. Como ya se ha
visto, la mayoría de programas de IA se basa principalmente en el
conocimiento, y este, se adquiere en gorma general a través de la experiencia..
MARCOS PRINCIPALES DEL APRENDIZAJE
DE MÁQUINA
Aprendizaje Memorístico: Simple almacenamiento de información computada.
Aprendizaje Basado en Consejos: Similar al memorístico, sólo que como los
consejos de alto nivel pueden no ser tan sencillos como para que un programa los
use directamente, puede ser necesario que el consejo sea primero,
operacionalizado.
Aprendizaje a través de la Experiencia: Luego de resolver un problema complejo,
siempre se recuerda la estructura del problema y de los métodos que se utilizaron
para resolverlo.
Aprendizaje a través de Ejemplos: Algunas veces se aprende a clasificar las cosas
sin haber recibido reglas explícitas. Es un tipo de aprendizaje que requiere algún
grado de supervisión.
TÉNGASE SIEMPRE EN CUENTA QUE EL PROCESO DE APRENDIZAJE
CONSTITUYE EN SÍ MISMO UN PROCESO DE RESOLUCIÓN DE PROBLEMAS.
APRENDIZAJE MEMORÍSTICO
El simple hecho de que una computadora almacene información,se puede
considerar una forma rudimentaria de aprendizaje.
Es posible que en base a esta información almacenada, el sistema pueda tener un
mejor desempeño en el futuro.
En el caso de la captación de información, Se almacenan valores calculados para que
no sea necesario calcularlos después.
Cuando efectuar un cálculo resulta más caro que reutilizar uno ya conocido, esta
estrategia ayuda a ahorrar mucho tiempo.
Se ha usado esta captación en la IA para producir algunas mejoras de rendimiento.
Este tipo de captación se conoce como Aprendizaje Memorístico (Rote Learning)
CARACTERÍSTICAS
Simpleza. No tiene sofisticadas capacidades para la resolución de problemas.
Se observa la necesidad de incorporarle algunas capacidades que se van haciendo
más necesarias a medida que los sistemas se hacen más complejos. Esas
capacidades son:
Almacenamiento organizado de la información: Para poder usar un valor
almacenado más rápidamente que si hubiera que calcularlo
de nuevo, debe existir un modo de acceder rápidamente a dichos valores
almacenados.
Generalización: Como el número de objetos diferentes que se pueden
almacenar puede llegar a ser muy grande, es necesario mantener en un nivel
manejable ese número, por medio de algún tipo de generalización.
Va siendo evidente que el aprendizaje se presenta de modo similar a otros casos de
resolución de problemas. El éxito depende aquí de la buena organización de la BC.
APRENDIZAJE A TRAVÉS DE CONSEJOS
Cuando un programador escribe una serie de órdenes en una computadora, se
puede considerar que es un aprendizaje también muy rudimentario: el programador
sería como un profesor y la computadora una especie de alumno. Luego de
programada, la computadora puede hacer algo que no hacía.
La mente humana procesa los consejos de un modo similar. En el ajedrez el consejo
“lucha por controlar el centro del tablero” puede ser inútil si el jugador no puede
realizar los movimientos concretos.
LA OPERACIONALIZACIÓN
Mostow (1983) describe un programa llamado FOO, que acepta consejos para jugar
a Corazones, un juego de cartas.
Un usuario humano traduce el consejo del inglés a una representación que FOO
puede entender. Por ejemplo: “Evita hacer puntos” se convierte en:
(evitar(hacerme puntos) (baza))
FOO debe operacionalizar este aviso convirtiéndolo en una expresión que contenga
conceptos y acciones que el FOO pueda utilizar cuando juegue.
La capacidad de operacionalizar el conocimiento es básica para los sistemas que
deben aprender de los consejos de un profesor (aprendizaje supervisado).
APRENDIZAJE A TRAVÉS DE LA
EXPERIENCIA (1)
Los dos marcos de aprendizaje descriptos muestran cómo puede un resolutor de
problemas mejorar su desempeño a través de supervisión. ¿Puede un programa
mejorar sin esa supervisión? Esto podría ser posible mediante la generalización a
partir de sus propias experiencias.
Aprendizaje por Ajuste de Parámetros: Cuando se diseña este tipo de sistemas,
resulta difícil saber a priori los pesos que se deben establecer a cada una de las
características que se van a utilizar. Por lo tanto corresponde establecer el peso
inicialmente por medio de una estimación de los valores correctos, para luego
permitir que el programa los modifique en base a su propia experiencia. Aquellas
características que parezcan adecuadas para predecir éxitos globales, aumentarán
sus pesos, y aquellas que no lo hagan, los disminuirán.
APRENDIZAJE A TRAVÉS DE LA
EXPERIENCIA (2)
Aprendizaje con Macro Operadores: La idea es la misma que en el Aprendizaje
Memorístico: evitar tener que volver a realizar cálculos que ocupen mucho tiempo.
Supongamos que estamos ante el problema de llegar a nuestra universidad. La
solución puede implicar tomar el auto, arrancar y conducir por una ruta
determinada. Se puede hacer una planificación sustancial, en el sentido de elegir la
ruta apropiada, pero no para arrancar el auto. Cada uno es libre de ARRANCAR EL
AUTO como una acción atómica, aunque realmente consista de un conjunto de
acciones. A esa secuencia de acciones que se pueden tratar en conjunto se les
denomina macro operadores.
APRENDIZAJE BASADO EN EJEMPLOS: LA
INDUCCIÓN
La clasificación consiste en el proceso de asignar a una entrada concreta, el nombre
de una clase a la que pertenece.
Constituye una parte importante de muchas de las tareas de resolución de
problemas, y en su forma más simple, se presenta directamente como una tarea de
reconocimiento.
La definición de las clases implica tareas tales como:
Aislar un conjunto de atributos que sean relevantes para el dominio. La clase se
define por medio de la suma ponderada de los valores de esos atributos.
Aislar un conjunto de atributos que sean relevantes para el dominio. La clase se
define por medio de una estructura compuesta por esos atributos.

El modelo estadístico del primer tipo suele ser más eficaz, aunque el segundo es
APRENDIZAJE BASADO EN EXPLICACIONES
(ABE)
Una parte importante de los trabajos recientes en el Aprendizaje de Máquina
dejaron de lado aproximaciones intensivas y empíricas de datos, para dirigirse a un
enfoque más analítico e intensivo en conocimiento.

Un Sistema de Aprendizaje Basado en Explicaciones intenta aprender a partir de un

único ejemplo x, explicando por qué x es un ejemplo del concepto destino. La
explicación se generaliza y la validez de su conocimiento mejora el resultado del
sistema.
ESQUEMA GENERAL DEL APRENDIZAJE
BASADO EN EXPLICACIONES
A) Un ejemplo de entrenamiento: lo que “ve” en el mundo el programa de
aprendizaje
B) Un concepto objetivo: Una descripción de alto nivel de lo que se supone debe
aprender el programa
C) Un Criterio de Operatividad: Una descripción de qué conceptos son
aprovechables
D) Una teoría del dominio: Un conjunto de reglas que describen las relaciones
entre acciones y objetos en un dominio.

A partir de esto, el ABE calcula una generalización del ejemplo de entrenamiento

que es suficiente para describir el concepto objetivo, a la vez que satisface el
criterio de operatividad.
DESCUBRIMIENTO

En términos muy generales, y como ya se ha visto, el aprendizaje es un proceso por

el cual una entidad adquiere conocimiento. Normalmente otras entidades poseen
este conocimiento, por lo que pueden cumplir el rol de profesores, o más
genéricamente, supervisores.

El Descubrimiento es una forma restringida de aprendizaje en la que una entidad

adquiere conocimiento sin supervisión.
 DESCUBRIMIENTO CONDUCIDO POR
TEORÍAS
El sistema AM trabajaba con unos pocos conceptos básicos de Teoría de Conjuntos
para descubrir una gran cantidad de cosas sobre la Teoría Estándar de Números.
AM usó varias técnicas de la IA de propósito general. Un sistema de Marcos para
representar los conceptos matamáticos. Una de las tareas más importantes de AM es
crear nuevos conceptos, rellenando sus ranuras.
AM también usa la búsqueda heurística guiada por un conjunto de 250 reglas
heurísticas que representan indicaciones acerca de tareas que probablemente
servirán de guías para lograr descubrimientos “interesantes”.
Utiliza generación y prueba para formar hipótesis basadas en un pequeño número
de ejemplos para luego probar la hipótesis con un conjunto más amplio para ver si
todavía parecen buenas
Finalmente una agenda controla el proceso global de descubrimientos.
 DESCUBRIMIENTO CONDUCIDO POR DATOS
Alternativa empírica al encuadre teórico de AM.
Procura obtener datos del mundo para procesarlos para obtener sentido.
Se hacen hipótesis y para validarlas, se diseñan y ejecutan experimentos.
Langley en 1981 presenta un modelo de descubrimiento científico conducido por
datos implementado en un programa llamado BACON.
Empieza con un conjunto de variables para un problema. Por ejm., en el estudio del
comportamiento de los gases, algunas de las variables son p la presión del gas; V el
volumen del gas, n la cantidad de gas en moles, y T la temperatura del gas.
Aunque los físicos conocen desde hace tiempo la Ley de los Gases Ideales, BACON
es capaz de derivar esa ley por si mismo. BACON manipula los datos manteniendo
constantes las variables n y T llevando a cabo experimentos a distintas presiones,
dándose cuenta que a medida que la presión aumenta, V disminuye.
 DESCUBRIMIENTO POR ARRACIMAMIENTO
(CLUSTERING)
Muy similar a la inducción. En el aprendizaje inductivo, un programa aprende a
clasificar objetos basándose en las etiquetas proporcionadas por un supervisor.
En el agrupamiento no se proporciona ningún tipo de etiquetaje. El programa debe
descubrir por si mismo las clases naturales que existen para los objetos, en adición
al método para la clasificación de instancias.
Con AUTOCLASS (Cheeseman, 1988) se realizó un programa que acepta un número
de clases de entrenamiento e hipotetiza un conjunto de clases. El programa
proporciona un conjunto de probabilidades que predicen dentro de qué clase/s
probablemente irá incluido.
AUTOCLASS encontró nuevas clases significativas de estrellas a partir de sus datos
del espectro infrarrojo usando Razonamiento Bayesiano.
 APRENDIZAJE POR ANALOGÍA
El lenguaje y razonamiento humano, están cargados de analogías.
Lakoff y Johnson (1980) se dieron cuenta que el lenguaje habitual está lleno de
analogías y metáforas. Por lo tanto el razonamiento basado en analogías es un
importante factor en el aprendizaje a través de consejos, y para la resolución de
problemas.
La dificultad aparece en la determinación de las cosas que son similares y las que no
lo son. Se han estudiado dos métodos de resolución de problemas en IA
denominados Analogía Transformacional y Derivacional.
 APRENDIZAJE POR ANALOGÍA
TRANSFORMACIONAL

Supongamos que se plantea demostrar un teorema de geometría plana. Se podría

buscar un teorema previo que fuera muy similar e intentar transcribir su
demostración, haciendo sustituciones cuando sea necesario. La idea es transformar
la solución de un problema previo en una solución para el problema actual.
APRENDIZAJE POR ANALOGÍA
DERIVACIONAL
En la Analogía Transformacional no se mostraba cómo se resolvía el problema
primitivo: sólo se muestra la solución final. Frecuentemente las singularidades
involucradas en la resolución de un problema antiguo son importantes para resolver
el nuevo. A ese (necesario) registro o historial detallado del episodio de resolución
del problema se le llama derivación.

Según Carbonell (1986) la Analogía Derivacional es un componente necesario en la

transferencia de habilidades en dominios complejos.