INTELIGENCIA ARTIFICIAL

DIAPO 3 CONCEPTOS, AGENTES Y

REPRESENTACIÓN DEL CONOCIMIENTO
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

© Structuralia 2
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

INDICE

INDICE........................................................................................................................................................................... 2

1. INTRODUCCIÓN ....................................................................................................................................................... 4

2. INTELIGENCIA ARTIFICIAL DÉBIL Y FUERTE ...................................................................................................... 5

3. EL TEST DE TURING ............................................................................................................................................... 6

4. AGENTES ................................................................................................................................................................. 7

4.1 Agentes reactivos .................................................................................................................................................. 7

4.2 Agentes deliberativos ............................................................................................................................................ 8

5. ARQUITECTURAS DE AGENTES ......................................................................................................................... 10

5.1 Autómatas finitos ................................................................................................................................................. 10

5.2 Arquitecturas BDI ................................................................................................................................................ 13

6. REPRESENTACIÓN DEL CONOCIMIENTO .......................................................................................................... 14

6.1 El proceso de Ingeniería del Conocimiento ......................................................................................................... 14

6.2 Ejemplo de ontología ........................................................................................................................................... 16
6.3 Aplicando la lógica de primer orden .................................................................................................................... 17

7. REFERENCIAS ....................................................................................................................................................... 20

3 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

1. INTRODUCCIÓN
Antes de ahondar en cada una de las áreas de la inteligencia artificial existen una serie de
conceptos básicos, transversales a todas ellas, que facilitarán el estudio y comprensión de las
mismas. En los siguientes apartados se presenta cada concepto junto con una breve
explicación y su principal uso.

© Structuralia 4
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

2. INTELIGENCIA ARTIFICIAL DÉBIL Y FUERTE

La inteligencia artificial en su sentido más abstracto siempre se ha relacionado con el
pensamiento [1]. Por ello, existen distintas corrientes, hasta cierto punto filosóficas, sobre qué
significa que una máquina piense o tenga consciencia (y sus implicaciones).

▪ La inteligencia artificial fuerte es una corriente que defiende que las máquinas sí
piensan (pensamiento real).
▪ La inteligencia artificial débil es una corriente que defiende que las máquinas actúan con
inteligencia, pero no piensan por sí mismas (pensamiento simulado).

Actualmente, la mayoría de los investigadores son afines a la corriente de la inteligencia

artificial débil, pues presumir de que las máquinas sean racionales es demasiado ambicioso.
En cualquier caso, lo más importante es ser conscientes de las implicaciones éticas que tiene
cualquier sistema de este tipo. Esto se tratará en profundidad en el último tema del presente
curso.

5 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

3. EL TEST DE TURING
En el segundo tema ya se presentó a Alan Turing, el matemático impulsor de la computación y
la inteligencia artificial. Una de sus grandes contribuciones fue “el test de Turing”. A pesar de
que el trabajo se publicó en 1950, a día de hoy sigue vigente en el mundo académico a la hora
de evaluar la inteligencia de cualquier sistema.

El test de Turing está compuesto de una serie de pruebas específicas para ver si el evaluador,
ajeno al sistema inteligente, es capaz de distinguir si está interactuando con una persona o una
máquina. El principal requisito del test es que el evaluador no tenga en ningún momento
contacto visual con el sistema, pues sino la complejidad aumentaría muchísimo al tener que
simular a un ser humano. El evaluador establecerá una serie de preguntas que la máquina
deberá responder. Como el evaluador a lo largo del proceso desconoce qué hay al otro lado
(máquina o humano) sólo podrá basar su criterio en la calidad de las respuestas obtenidas a
sus preguntas. Se considera que un sistema ha pasado la prueba si el evaluador es incapaz de
distinguir entre las respuestas del mismo y las de un humano.

Existe un segundo test, conocido como Test Global de Turing, que sí que incluye visión artificial
para identificar objetos y manipulación para poder moverlos (que entraría dentro del área de la
robótica).

Ilustración 1: Viñeta cómica que ilustra el Test de Turing

© Structuralia 6
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

4. AGENTES
En inteligencia artificial llamamos agente a cualquier ente o elemento físico o virtual que sea
capaz de percibir qué sucede en el entorno, procesarlo y ejecutar cambios o interaccionar
sobre el mismo.

Desde un punto de vista computacional, el agente no es más que un conjunto de líneas de

código integrado en un sistema o arquitectura. Ocasionalmente y sobre todo en el área de
procesamiento del lenguaje natural, a los agentes se les identifica como bots. Cuando el
agente tiene además un cuerpo físico, se le llama robot.

En el área de la inteligencia artificial y los agentes existen dos tipos de comportamiento:

reactivo y deliberativo.

4.1 Agentes reactivos

El comportamiento reactivo es aquel que no tiene en cuenta el historial previo de acciones o

situaciones anteriores y/o que no es capaz de desarrollar nuevas formas de actuar ante el
mismo evento. Los agentes reactivos sólo son capaces de ejecutar comportamientos del estilo:
condición → acción. Ejemplo: “si está lloviendo, entonces activar limpiaparabrisas”, “si botella
vacía, entonces llenar con agua”.

Como consecuencia, el abanico de comportamientos que puede ejecutar un agente reactivo

está limitado por la base de conocimiento que tenga disponible. Por otro lado, los
comportamientos que se ejecuten nunca serán demasiado elaborados o complejos y se evitará
en la medida de lo posible la interacción con humanos. Un agente reactivo de este tipo nunca
será capaz de entender ni asimilar los cambios que genere en el entorno.

7 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

Estímulo

ENTORNO
AGENTE Procesar
estímulo
Ejecutar acción

Existe una evolución de agente reactivo que basa sus decisiones en un modelo de
conocimiento previamente construido en lugar de utilizar la forma condición → acción.
Llamamos modelo a una base de conocimiento organizada en diferentes niveles de
condiciones. Los sistemas expertos de los 80 y 90 pertenecen a este tipo de agentes. Este tipo
de agente es más consciente del entorno y sus cambios, aunque no lo entiendan desde el
punto de vista de nuevo conocimiento.

Ejemplo: Si el nivel de agua del depósito es bajo, mantener las compuertas abiertas hasta
detectar nivel alto.

4.2 Agentes deliberativos

Por otro lado, el comportamiento deliberativo es aquel que conlleva un razonamiento lógico. El
agente es plenamente consciente del entorno y sus cambios. Sabe desenvolverse ante dichos
cambios al igual que aprende de sus acciones y percepciones.

Debido a ello, la complejidad para desarrollar un agente deliberativo aumenta

considerablemente. La máxima expresión de este tipo de comportamiento serían los agentes
autónomos, que son capaces de razonar ante cualquier tipo de situación.

Generalmente, un agente deliberativo actúa sobre el entorno según el siguiente diagrama:

Enviar estado actual

ENTORNO Ejecutar
comportamiento AGENTE
Procesar
estado

Aprender cambios

© Structuralia 8
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

Desde el punto de vista teórico, los agentes deliberativos pasan por cuatro fases o niveles
clave:

▪ Recopilación de información: el agente observa el entorno y trata de identificar qué

sucede, objetos y/o personas familiares, errores, etc. Todo lo que observa y es capaz
de procesar se guarda en su base de conocimiento.
▪ Exploración del mundo: una vez se dispone de la base de conocimiento, el agente es
capaz de mejorarla según se vaya moviendo o ejecutando cambios sobre el entorno. La
mejora de la base de conocimiento está ligada a la capacidad de aprendizaje del
agente.
▪ Aprendizaje: el proceso de aprendizaje comienza tras la ejecución de las acciones del
agente sobre el entorno. Hay diferentes formas de llevarlo a cabo, (1) a través de una
función de evaluación propia para medir el éxito, (2) esperando la puntuación del
humano, (3) incorporando directamente el nuevo conocimiento sin evaluación.
▪ Autonomía: el agente alcanzará un grado de autonomía proporcional a las habilidades
que pueda desarrollar y su adaptabilidad al entorno. Esto viene dado por la combinación
de base de conocimiento + capacidad de aprendizaje.

9 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

5. ARQUITECTURAS DE AGENTES
En la sección anterior se han explicado los dos diferentes tipos de agentes y sus formas de
actuar sobre el entorno. Aún queda un paso más: cómo se modela y controla ese
comportamiento. Los científicos han implementado diferentes modelos o arquitecturas que
permiten trabajar de forma sencilla con agentes. Para los agentes reactivos utilizaremos
autómatas finitos; para los deliberativos la arquitectura BDI.

5.1 Autómatas finitos

Un autómata finito es un modelo computacional que cada vez que recibe una entrada
realiza cómputos o acciones de forma automática producir una salida. La idea de los autómatas
la construyó Alan Turing sobre “The Turing Bombe” y sirvió para sentar las bases de la
computación. Existen dos tipos de autómatas finitos: deterministas y no deterministas.

5.1.1. Autómatas finitos deterministas

El modelo teórico de autómata finito determinista, como se puede ver en la figura a

continuación, está compuesto de:

▪ Estados (q0, q1, q2…): puede representar desde un número o letra hasta el estado
concreto de un agente. En el modelo teórico, el estado inicial se representa señalado
con una flecha (q0) y el estado final o estado meta con un doble círculo (q0). Ambos
estados pueden o no coincidir. Puede haber varios estados meta pero sólo habrá un
estado inicial por autómata.

▪ Transiciones: indican el estado siguiente al cuál transitar una vez se recibe el valor
(número, letra, acción…) como entrada.

▪ Valores sobre las transiciones: indican los valores (números, letras, acciones…) que
el autómata sabe procesar del entorno.

Se le llama autómata determinista porque desde un estado y escogiendo un valor se transita a

otro estado diferente. Ninguna transición con origen en el mismo estado y destino en dos
estados diferentes tiene el mismo valor asociado (lo llamaríamos autómata no determinista).

© Structuralia 10
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

Ilustración 2: Autómata finito determinista. El estado q0 es inicial y final

5.1.2. Autómatas finitos no deterministas

El modelo teórico de un autómata finito no determinista es el mismo que el explicado

anteriormente con una diferencia. Las transiciones con un mismo valor asignado pueden
dirigirse a más de un estado.

En el ejemplo a continuación disponemos de un autómata con tres estados. El estado inicial es

q0 y los tres estados son finales. Se puede observar cómo de q0 con ‘a’ se transita a q1 o q2.
Lo mismo sucede en q1 con ‘b’. Debido a estas incertidumbres el nombre que se les asigna es
el de ‘no determinista’.

11 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

Ilustración 3: Autómata finito no determinista

5.1.3. Ejemplo de autómata aplicado a agente robótico

Cuando se trabaja con estructuras de control para agentes reactivos se utiliza un modelo de
autómata más práctico, sobre todo si queremos que el agente realice acciones de forma
repetitiva. Esto significa que no hay estado final como tal (en el modelo teórico del ejemplo
sería S3). Las transiciones equivalen a acciones ejecutada sobre el entorno.

Ilustración 4: Sistema de control basado en un autómata

© Structuralia 12
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

5.2 Arquitecturas BDI

A la hora de diseñar sistemas de control para agentes deliberativos, la arquitectura más

conocida es la BDI [2], cuyas siglas vienen del inglés:

▪ Beliefs (creencias): Se refiere al conocimiento del agente sobre el entorno. El agente

cree fervientemente en todos y cada uno de los hechos almacenados en su base de
conocimiento.

▪ Desires (deseos): Equivalen al conjunto de metas a conseguir por el agente. Los

deseos son las prioridades del agente sobre el entorno.

▪ Intentions (intenciones): Son las que conducen al agente hacia las metas, las
encargadas de satisfacer los deseos del agente. Cualquier intención también podría
afectar a la base de Beliefs del agente y actualizarla.

El sistema de control en combinación con estos tres elementos quedaría como se muestra en
la siguiente figura:

Ilustración 5: Ejemplo de arquitectura BDI

13 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

6. REPRESENTACIÓN DEL CONOCIMIENTO

Una de las partes clave de la inteligencia artificial es la correcta representación de la
información (conocimiento) y del problema. La calidad de ambas afectará directamente a la
eficiencia del agente, su inteligencia y posterior ejecución.

La mayoría de la información que se utiliza dentro de un sistema computacional inteligente se

encuentra organizada en jerarquías y a su vez cada uno de sus elementos tiene algún tipo de
relación o vinculación con otro/s. En la representación de la información, se acota la
expresividad del propio lenguaje para reducirlo a los componentes esenciales y así simplificar
el trabajo a la máquina que posteriormente deberá procesarlo.

Este tipo de lenguaje o definición de conocimiento está englobado dentro de la lógica de primer
orden y engloba los siguientes elementos:

▪ Hechos: combinación generalmente verdadera de entidad/es + relación.

▪ Entidades: elementos del dominio o entorno que sabemos que existen.
▪ Relaciones: generalmente se dan entre objetos del mismo o diferente tipo.
Los hechos presentes en lógica de primer orden deberán tomar el valor de verdadero o falso.
Verdadero equivale a que el hecho se cumple/verifica en el entorno. Falso, lo contrario.
Una vez se establece la jerarquía de objetos, las relaciones entre los mismos y los hechos que
inicialmente son verdaderos en el entorno, se dice que se ha desarrollado una ontología.

6.1 El proceso de Ingeniería del Conocimiento

En las ciencias de la computación se llama ontología a una definición de tipos, propiedades y

relaciones entre entidades que existen para un dominio o entorno en particular. De forma
práctica, los hechos, entidades y relaciones se representan con predicados, objetos y
constantes. Cuando la representación es compleja se utilizan niveles o jerarquías para
clasificar el conocimiento. Una ontología o un conjunto de ontologías forma lo que se llama
base de conocimiento.

El proceso de ingeniería del conocimiento para la elaboración de ontologías o bases de

conocimiento consiste en los siguientes pasos:

▪ Identificar la tarea a resolver: como responsables de la elaboración de la ontología

tendremos que definir cuál es la información que queremos modelar. Generalmente
existe un término que engloba a toda la jerarquía.

© Structuralia 14
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

El entorno en el que se va a desarrollar dicho sistema también ayuda a acotar la tarea.

Por ejemplo, una base de conocimiento podría contener todos los términos y relaciones
entre miembros de la familia o bien contener lenguaje técnico-científico sobre huesos
porque se va a utilizar posteriormente para el análisis automático de radiografías.

Ejemplo: elaborar una base de conocimiento para predecir si una persona será solvente
o no a la hora de concederle un préstamo.

▪ Recopilar el conocimiento relevante: una vez definida la tarea, se deben buscar y

recopilar fuentes de información sobre elementos clave que intervengan en la misma o
que pudiesen afectar. Si es necesario, también se podría entrevistar a expertos para
tener presentes distintos casos de uso o nuevo conocimiento que no se contemplaba en
un inicio.

Ejemplo: analizar indicadores financieros, nómina del trabajador, tipo de contrato, lista
de morosos etc.

▪ Decidir el vocabulario de los componentes: cuando se elabora una base de

conocimiento hay que tener en cuenta quién va a ser nuestro cliente final.
Generalmente se utiliza un vocabulario técnico, relacionado con el área para el cual
estamos elaborando la base de conocimiento. Cuanto más específico sea el tema más
exigente será el cliente final. Las entrevistas con expertos también ayudan a solventar
este punto.

Ejemplo: para trabajar en el sector financiero/banca es necesario incluir en la base de

conocimiento términos como %T.A.E, interés fijo, interés variable, capacidad de crédito,
aval, SWIFT, etc.

▪ Modelar el conocimiento del dominio: después de realizar las tres tareas anteriores
hemos finalizado con el proceso de investigación y entendemos el entorno de nuestra
base de conocimiento. El siguiente paso será ordenar toda esa información, términos y
relaciones entre ellos. Decidiremos cuáles son los elementos principales, cuáles son los
atributos de esos elementos, cómo están interconectados, qué acciones se pueden
llevar a cabo etc.

Ejemplo: siguiendo con los préstamos bancarios habrá que agrupar el conocimiento en
aquellos elementos que interesan al banquero y aquellos que evalúan la solvencia de
una persona. Las acciones en su mayoría serían cómputos de indicadores, consulta de
históricos y listas negras.

15 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

▪ Modelar el conocimiento de un problema específico del dominio: en el momento en

el que se decide que la base de conocimiento está completa hay que evaluarla antes de
dársela al cliente final. Para ello, se definen distintos casos de uso y se define uno o
varios problemas en el ámbito de esa tarea inicial. A la hora de resolver cada uno de los
problemas podremos verificar si la información presente en la base de conocimiento es
suficiente o si, por el contrario, hay que ampliarla o profundizar en algunos aspectos.
También puede suceder que falte alguna relación entre elementos y a consecuencia no
se pueda llevar a cabo una acción.

Ejemplo: principalmente habría que modelar el caso de uso en el que la persona es

solvente y el caso en el que no lo es. Adicionalmente podrían modelarse casos que
estuviesen en el punto medio para ver cómo se comporta el sistema.

▪ Evaluar el procedimiento de inferencia: después de iterar sobre la base de

conocimiento y disponer de una versión definitiva junto con todos esos escenarios sobre
los que se ha evaluado la misma, se procede a evaluar el sistema con expertos. Ellos
llevarán a cabo la tarea para la cual la base de conocimiento ha sido elaborada.
También se les podría pedir que resolviesen cada uno de los casos de uso de la fase
previa. Nuestro papel será apuntar las opiniones de cada uno de los expertos, los
problemas a los que se han enfrentado, si han identificado alguna carencia y si hay que
perfeccionar algún término o relación.

Ejemplo: para evaluar la base de conocimiento se pueden elaborar una serie de reglas
del estilo “si …… entonces” que lleven a los expertos desde el inicio “el cliente quiere
solicitar un préstamo X” hasta su concesión o denegación.

▪ Depurar la base de conocimiento: con toda esta información previa se procede a

depurar la base de conocimiento y llegado a este punto ya estará operativa para que la
utilice el cliente final. Debido a que las áreas de conocimiento, especialmente las
científico-técnicas, evolucionan bastante rápido, será conveniente revisar y actualizar la
base de conocimiento periódicamente.

6.2 Ejemplo de ontología

© Structuralia 16
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

En la siguiente figura se muestra un ejemplo gráfico de cómo quedaría (parcialmente)

modelada una base de conocimiento sobre el árbol y su denominación científica.

Ilustración 6 Ejemplo básico de ontología con la familia de los árboles

Dicha ontología podría aplicarse a tareas como “análisis y viabilidad de nuevas plantaciones” o
“identificación temprana de árboles”.

6.3 Aplicando la lógica de primer orden

Finalmente, en este último apartado del presente tema se explica una de las bases de la
representación del conocimiento: la lógica de primer orden [1].

Desde el nacimiento de la Inteligencia Artificial, la lógica siempre ha estado en un lugar muy

cercano a este campo debido a su origen matemático en la teoría de conjuntos y el álgebra de
Boole.

17 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

No obstante, los investigadores de la computación demandan una forma más descriptiva de

representar el conocimiento, de tal forma que los sistemas inteligentes sean más fáciles de
interpretar por los humanos. Así que se remitieron a finales de 1800 cuando un grupo de
matemáticos definió por primera vez la lógica de primer orden. Existen otro tipo de lógicas
como la matemática, la proposicional etc.

La lógica de primer orden es un sistema formal que permite estudiar y representar la inferencia
de un conjunto de variables, predicados y funciones. Como consecuencia, la lógica de primer
orden también se conoce como lógica de predicados.

Llamaremos término a cualquier objeto, persona o elemento de la sentencia. Llamaremos

predicado a las palabras que representan relaciones entre los términos. Las relaciones se
establecen a través de los argumentos del predicado, lo cuáles siempre serán términos.

Una sentencia lógica básica podría ser Curar (Herida, Pomada) o Abuelo (Julio, Miranda). Esto
se leería como “la herida se cura con pomada” o “Julio es el abuelo de Miranda”. El orden de
lectura siempre será 1er término, predicado, 2º término.

A continuación, se muestra una lista de símbolos que se utilizan para representar y dotar de
mayor expresividad a las sentencias lógicas.

Símbolo Tipo Significado

∃ Cuantificador existencial Existe

∀ Cuantificador universal Para todo

¬ Conectiva No

∧ Conectiva Y

∨ Conectiva O

⇒ Conectiva entonces

⇔ Conectiva equivale

© Structuralia 18
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

La ventaja de poder utilizar este tipo de cuantificadores y conectores es la generalización de las

sentencias lógicas. Cuando previamente hemos descrito:

Abuelo(Julio, Miranda)

Podemos convertir a Julio y a Miranda en variables que pueden representar cualquier nombre
propio. Por ejemplo vamos a llamarlas persona1 y persona2.

Abuelo(persona1, persona2) = “persona1 es abuelo de persona2”

Dando un paso más allá, se podría representar la siguiente frase “para todo nieto existe un
abuelo”, la cual ya albergaría en su definición la sentencia lógica anterior. Esto se representaría
de la siguiente manera:

∀ nieto ∃ abuelo = ∀x, ∃y Abuelo(x, y)

No obstante esta representación nos aporta poco, pues no contiene ningún tipo de inferencia
de conocimiento, que es el objetivo de este método. Como se ha mencionado anteriormente,
los predicados crean relaciones y los conectores son capaces de unir dos o más relaciones.
Entonces ya podríamos representar sentencias como la siguiente:

∀x, ∃y Madre(x, y) ⇔ Hija(y, x) ; “todo x tiene una madre y, entonces y es hija de x”.

19 © Structuralia
 Inteligencia artificial – Conceptos, agentes y representación del conocimiento

7. REFERENCIAS
[1] S. J. Russell and P. Norvig, Artificial Intelligence: A Modern Approach 3rd Ed. (1994)
http://aima.cs.berkeley.edu/.

[2] Rao, A. S., & Georgeff, M. P. (1995, June). BDI agents: from theory to practice.
In ICMAS (Vol. 95, pp. 312-319). http://www.aaai.org/Papers/ICMAS/1995/ICMAS95-042.pdf

© Structuralia 20