Aplicaciones Prácticas de Inteligencia Artificial
David
Arroyo Menéndez
Derecho de Autor (c) 2005 David Arroyo
Menéndez. Este documento fue originalmente escrito para
la revista Solo Programadores Mundo Linux nº 75 y 77.
Se otorga permiso para copiar, distribuir, y/ó modificar este documento
bajo los términos de la GNU Free Documentation License, Version 1.1
ó cualquier versión posterior publicada por la Free Software Foundation;
sin secciones invariantes, ni textos de portada, ó contraportada
Una copia de ésta licencia es incluida la sección titulada "GNU
Free Documentation License"
En este artículo se mostrarán algunas de las principales aplicaciones para las cuales se utilizan las técnicas de Inteligencia Artificial, partiendo de las técnicas más sencillas y haciendo una breve explicación de su funcionamiento y llegango a aquellas más novedosas y de reciente utilización. Así mismo, se ilustrarán las explicaciones mediante explicaciones de código y de aplicaciones libres disponibles.
Introducción
Este artículo ha sido titulado Aplicaciones
Prácticas de Inteligencia Artificial y esta
introducción explicará tal título. Por
aplicación práctica entendemos utilizar alguna
técnica derivada de un área del conocimiento para
resolver un problema concreto que afecta a nuestra vida
cotidiana. La definición de Inteligencia Artificial de Rich y
Knight es suficientemente simple y precisa como para ser útil a
nuestros propósitos, La IA es el estudio de cómo lograr
que las computadoras realicen tareas que, por el momento, los
humanos hacen mejor.
Turing pensó que si una máquina se comporta en todos
los aspectos como inteligente, entonces debe ser inteligente. Por
lo que si un número alto de humanos no puede diferenciar a
una máquina de una persona en una conversación es
porque se comporta de manera inteligente. Esto se llamó el
Test de
Turing y el primer programa en pasarlo fue Eliza que
imitaba el comportamiento de un psicoanalista en un chat de
internet. Eliza daba respuestas que eran preguntas acercas de lo
que estabas diciendo, con lo cual sin ningún conocimiento
real de psicología Eliza pasaba el test de Turing. Las
soluciones que se aportan a las tareas que realizan mejor los
humanos suponen muchas veces un compromiso entre parecer que se
comporta de manera inteligente y realizar los procesos mentales
que hacemos los humanos. Para ver una implementación libre
de Eliza podéis hacer Esc-x
doctor en vuestro emacs.
Demos ahora un repaso para ver cuáles pueden ser esas
tareas que, en principio, los humanos realizan mejor que las
máquinas:
Juegos. Durante algunos años los fabricantes de
ordenadores demostraban la potencia de su tecnología
jugando al ajedrez ó a las damas contra campeones
mundiales.
Consejos. Los humanos solemos pedir consejo a otros
humanos cuando padecemos una enfermedad, se nos estropea el
coche, ante la compra de una casa ó para otras decisiones que
necesitamos de un conocimiento que no siempre poseemos. Desde
hace años los sistemas basados en conocimiento ó
sistemas expertos hacen esta tarea con efectividad similar a
como lo haría un experto en la materia.
Lenguaje Natural. Hoy en día las máquinas
no hablan nuestro idioma: lenguajes de programación,
líneas de comando, ó interfaces gráficas
nos sirven para comunicarnos con éstos, pero el
comunicarnos con ellos como nos comunicamos con personas
constituye un reto que revolucionaría la
informática con aplicaciones inimaginables.
Aprendizaje. Una de las principales diferencias entre
seres vivos e inertes es la capacidad de adaptarse a los
cambios, la capacidad de aprender. Algoritmos de aprendizaje
automático son cada día más utilizados en
una cantidad creciente de aplicaciones.
Empatía. Rara vez el ordenador se pone en el
lugar del humano comprendiendo su objetivo abstracto y
ayudándole a solucionarlo ¿pueden las
máquinas hacer tal cosa?
Sentido común. Existe una gran cantidad de
conocimiento que aprendemos en nuestra más tierna
infancia que las personas conocemos como lo relativo a
consideraciones del tiempo, el espacio, los materiales, ...y
que incluso las aplicaciones que requieren cierta inteligencia
como los sistemas basados en conocimiento rara vez
incluyen.
Pensar con neuronas. Tal vez si conseguimos crear un
sistema artificial que simulara nuestro sistema
neurológico y lo entrenáramos en un entorno
adecuado pueda llegar a tener un nivel de inteligencia similar
al nuestro. Lo cierto, es que este tipo de sistemas
está obteniendo muy buenos resultados en problemas que
había sido muy difícil abordar por otras
vías como por ejemplo el reconocimiento de
formas.
En este artículo veremos que las técnicas que
solucionan ó se aproximan a la solución de tales
problemáticas nos ayudan a resolver cuestiones de nuestra
vida cotidiana y, que además esto puede hacerse utilizando
software libre.
Juegos
La mayoría de los juegos de mesa y una gran cantidad
de problemas informáticos pueden resolverse mediante una
adecuada modelización en estados y aplicar un algoritmo de
búsqueda entre estos estados.
Para acotar el problema, pensemos en un juego de tablero de
2 jugadores, por ejemplo, las tres en raya, las damas, el ajedrez,
el othello, etc. ¿Cómo podría programarse un
juego de este tipo?:
Bien, en primer lugar, un tablero es una estructura de datos
de tipo matriz donde cada elemento puede ser ocupado por el
jugador 1, ocupado por el jugador 2, ó vacio (en juegos como el
ajedrez donde cada jugador tiene diferentes fichas habría
que completar el enfoque). Una partida es una secuencia de estados
por los que pasa un tablero. Ahora veamos cómo
debería actuar nuestro sistema inteligente para ganarnos en
una partida.
Una primera aproximación podría ser tener
todas las posibles partidas en memoria y aplicar solo los
movimientos que han llevado a partidas victoriosas.
Otro enfoque sería actuar en cada turno, teniendo
en cuenta ciertas reglas estáticas (ej: ciertos if). Un
ejemplo de reglas en las tres en raya puede ser: si tengo dos
fichas alineadas entonces ocupa el último lugar
vacío y gana la partida, si el oponente tiene 2 fichas
alineadas ocupa el lugar vacío y evita la victoria del
oponente, en cualquier otro caso mueve de manera
aleatoria.
En general, para este tipo de juegos se utiliza la
estrategia minimax que imita el comportamiento humano de
examinar por anticipado un cierto número de jugadas,
explorando el grafo de tableros que se generarían tras
un movimiento dado. En este enfoque existe una función
de evaluación que da un valor a cada posible
movimiento.
Para ilustrar la implementación de estos enfoques
recomiendo instalar el paquete tictactoe que implementa las 3 en
raya con 2 niveles de dificultad easy (implementa reglas tontas) y
hard (implementa minimax). Dejo el código de las funciones
clave al lector:
Extracto de código de tictactoe
# implements a simple win/block/random-move AI
def move_ai_easy
if (m = blockWin) >= 0
@gamefield.field[m] = 2
else
# set random point
while true
x = rand(3)
y = rand(3)
if @gamefield.get(x,y) == 0
@gamefield.set(x,y)
break
end
end
end
@nmoves += 1
end
# implements a more clever AI using the negamax tree search method
def move_ai_hard
best = -Inf
besti = -1
@gamefield.player = 1
order = [4,0,2,6,8,1,3,5,7] # see text
0.upto(8) do |ctr|
i = order[ctr]
if @gamefield.field[i] == 0
@gamefield.field[i] = 2
value = -@gamefield.negamax
@gamefield.field[i] = 0
if value > best
best = value
besti = i
end
end
break if (@nmoves == 0) && (best == 0) # see text
end
@gamefield.player = 2
@gamefield.field[besti] = 2
@nmoves += 1
end
De este modo, queda brevemente ilustrado el modo en que se
pueden aplicar técnicas de Inteligencia Artificial en los
juegos.
Sistemas Expertos
Los sistemas expertos resuelven problemas que normalmente
son solucionados por expertos humanos.
Un sistema experto se compone de una base de conocimiento
del dominio en cuestión, mecanismos de razonamiento para
aplicar conocimiento a los problemas que se proponen, mecanismos
para explicar a los usuarios el razonamiento utilizado a la hora
de ofrecer una respuesta y mecanismos de aprendizaje y
adquisición de nuevo conocimiento.
Para crear una base de conocimiento es necesario contar con
al menos un experto humano del dominio en cuestión. Se
puede adquirir su conocimiento a partir de entrevistas ó
mediante interfaces amigables para que lo introduzca. Pero
también es muy importante una adecuada modelización
de su conocimiento.
Los mecanismos de representación del conocimiento que
se pueden encontrar son: lógica, redes, marcos y reglas. No
obstante, lo más utilizado es una adecuada
combinación de marcos y reglas.
Es posible representar el conocimiento mediante hechos o
instancias y reglas ó algún otro mecanismo para
inferir nuevos hechos. Pero deberemos plantearnos si a partir de
los hechos vamos a ir aplicando reglas (encadenamiento hacia
adelante), ó si por el contrario nos interesa responder a
una cuestión concreta (ej: ¿ tengo gripe?) e ir
satisfaciendo subobjetivos hasta llegar a hechos que demuestren la
veracidad ó falsedad de la frase (encadenamiento hacia
atrás). También es conveniente plantear: qué
reglas ejecutar antes, cuáles están listas para ser
ejecutadas, si ejecutar las reglas cuyos antecedentes se
actualizaron recientemente, ó si ejecutar primero reglas
específicas. Todos estos mecanismos de control del
razonamiento pueden ser tenidos en cuenta a la hora de construir
nuestro sistema experto.
El software libre nos proporciona buenas herramientas para
el desarrollo de sistemas expertos. Algunas de ellas son: clips y babylon.
Para ilustrar este apartado recomiendo instalar clips que
está empaquetado para un buen número de sistemas. En
debian basta con hacer apt-get install xclips clips
clips-doc. xclips es un interfaz gráfico para
utilizar clips, recomiendo su uso, para saciar la curiosidad del
cacharreo. Desde línea de comandos podemos ejecutar lo
siguiente:
Ejemplo de uso de clips
[darroyo@turing:/usr/share/doc/clips-doc/examples]$ clips
CLIPS> (load "auto.clp")
Defining deffunction: ask-question
Defining deffunction: yes-or-no-p
Defining defrule: normal-engine-state-conclusions +j
...
CLIPS> (reset)
CLIPS> (run)
The Engine Diagnosis Expert System
Does the engine start (yes/no)?
De este modo, se prueba un ejemplo de sistema experto cuyo
objetivo es solucionar averías con el coche. El sistema va
haciendo preguntas acerca de los síntomas que presenta el
coche y finalmente otorga un diagnóstico. Os recomiendo que
echéis un vistazo al fichero auto.clp.
Espero que este apartado haya servido para entender
qué una máquina puede modelar el conocimiento de un
experto en, al menos, un dominio limitado y que esto es
útil para recibir asesoría ó consejos para
las que en condiciones normales precisaríamos de un experto
humano.
logo de clips
Software Adaptativo
Cuando aprendemos a programar, enseguida aprendemos ciertos
principios básicos que hacen que nuestro software aumente
su valor de uso: reutilización, abstracción, que sea
usable para el usuario final, ... Sin embargo, no nos suelen
preparar para que el software se adapte de manera
automática a los cambios en las necesidades de usuario, en
sus objetivos, ó en el entorno.
Según Peter
Norvig director de calidad de búsqueda de Google:
El software adaptativo usa información disponible
acerca de cambios en su entorno para mejorar su
comportamiento. Es decir, el software tiene capacidad
de adaptarse al comportamiento del usuario sin que éste lo pida de
una manera explícita, entendiendo como usuario a una
persona u otro sistema.
El software adaptativo ha tenido su caldo de cultivo en la
minería de datos (data mining), esto es, la
extracción no trivial, implícita, previamente
desconocida y potencialmente usable de información de
interés en grandes cantidades de datos. El proceso de
extraer esa información se basa en aplicar algoritmos de
aprendizaje automático.
Todo esto que puede estar pareciendo un poco de ciencia
ficción está teniendo una fuerte eclosión en
aplicaciones populares para el usuario final. Fijémonos,
por ejemplo, en el problema del spam, actualmente evolution,
mozilla, kmail y otros lectores de correo están
introduciendo facilidades para separar el spam del ham, es decir,
el correo electrónico "no" deseado, del "sí" deseado. Para ello
normalmente se aplica un algoritmo de aprendizaje
automático denominado Naive Bayes. Muchos sitios web
también están incorporando estos métodos para
incrementar ventas ó visitas. Es conocido el caso de Amazon
que utiliza filtrado colaborativo para encontrar usuarios con
perfiles de compra similares y recomendar productos
personalizados. Un ejemplo un poco más hispano es la Guia Campsa que utiliza
una neurona articial para ordenar el orden de rutas que prefieren
los usuarios.
Ahora que se tiene un poco más claro para que puede
ser útil hoy el aprendizaje automático, se
verá cómo crear un sistema que aprenda a decidir si
es un buen día para jugar al tenis en función de una
serie de atributos: fuerza del viento (wind), humedad (humidity),
temperatura (temperature) y previsión del cielo
(outlook). Para ello vamos a utilizar el algoritmo ID3
implementado en lisp por Tom Mitchell, uno de los padres del
aprendizaje automático. Para ello es necesario instalar un
intérprete de lisp (si usamos debian y queremos cmucl)
apt-get install cmucl y ahora se descarga el
programa lisp en cuestión wget -c
http://www-2.cs.cmu.edu/afs/cs/project/theo-11/www/decision-trees.lisp.
Finalmente, se ejecuta la traza que viene en el propio
fichero:
Traza de ID3 dada
[18:41][darroyo@turing:~/programacion/lisp]$ lisp
CMU Common Lisp CVS release-19a 19a-release-20040728 + minimal debian patches, running on turing
With core: /usr/lib/cmucl/lisp.core
Dumped on: Fri, 2004-10-08 11:51:05+02:00 on turing
For support see http://www.cons.org/cmucl/support.html Send bug reports to the debian BTS.
or to pvaneynd@debian.org
type (help) for help, (quit) to exit, and (demo) to see the demos
Loaded subsystems:
Python 1.1, target Intel x86
CLOS based on Gerd's PCL 2004/04/14 03:32:47
* (load "decision-trees.lisp")
; Loading #p"/home/darroyo/programacion/lisp/decision-trees.lisp".
Warning: Declaring *DATA* special.
T
* *training.examples*
(D14 D13 D12 D11 D10 D9 D8 D7 D6 D5 D4 D3 D2 D1)
* (print.entity 'd6)
(PLAY.TENNIS? NO WIND STRONG HUMIDITY NORMAL TEMPERATURE COOL OUTLOOK RAIN)
(PLAY.TENNIS? NO WIND STRONG HUMIDITY NORMAL TEMPERATURE COOL OUTLOOK RAIN)
* (setq tree (id3 *training.examples*
'play.tennis?
'(outlook temperature humidity wind)))
Warning: Declaring TREE special.
(OUTLOOK (SUNNY (HUMIDITY (NORMAL YES) (HIGH NO))) (OVERCAST YES)
(RAIN (WIND (STRONG NO) (WEAK YES))))
* (print.tree tree)
OUTLOOK
= SUNNY
HUMIDITY
= NORMAL => YES
= HIGH => NO
= OVERCAST => YES
= RAIN
WIND
= STRONG => NO
= WEAK => YES
NIL
* (classify 'd6 tree)
NO
Este algoritmo de clasificación va construyendo un
árbol de clasificación escogiendo en cada paso el
atributo que tiene una mayor entropía, es decir, el
atributo que tiene valores más variados. Después de
haber recibido los ejemplos de entrenamiento ya podemos saber si,
por ejemplo, la variable d6 es un ejemplo de día para jugar al
tenis ó no: (classify 'd6 tree).
Os animo a modificar un poco el código, cambiando los
ejemplos de entrenamiento, para familiarizarse con el
mecanismo. El lector interesado en librerías de aprendizaje
automático, puede visitar las siguientes referencias que,
además, son libres:
Torch:
librería escrita en C++ con licencia BSD, implementa
una gran cantidad de algoritmos de aprendizaje: redes
neuronales, K-nearest-neighbors, modelos de Markov,
clasificadores bayesianos, ...
Weka:
librería escrita en Java con licencia GPL, es bastante
popular en el mundo académico y tiene un interfaz
gráfico bastante amigable.
Bow:
herramienta escrita en C con licencia GPL para el
análisis estadístico de textos,
clasificación automática de documentos
desarrollada en Carnegie Mellon.
Russell y Norvig desarrollaron para el libro
"Inteligencia Artificial: Un Enfoque Moderno" una buena
cantidad de código lisp con una licencia similar a una
BSD, entre el que hay bastantes algoritmos
de aprendizaje automático. Si usas debian
puedes descargártelos mediante apt-get install
cl-aima.
El software adaptativo permite solucionar problemas
dónde el conocimiento estático no llega. El caso del
spam es tal vez el más popular, no obstante, sistemas
expertos, sistemas web, firewalls, encaminadores,
etc. están incluyendo enfoques adaptativos para mejorar la
eficacia de sus sistemas.
El objetivo de este apartado ha sido vislumbrar el modo en
que puede aprender una máquina y, la aplicación que
tiene este aprendizaje de máquinas en el software que
utilizamos en nuestra vida cotidiana.
Agentes Inteligentes
Para Russell y Norvig un agente es cualquier cosa capaz de
percibir su medioambiente mediante sensores y actuar en ese medio
mediante actuadores. Todo agente tiene una función u
objetivo. Por ejemplo, un agente humano de bolsa tiene el objetivo
de comprar y vender acciones respondiendo a los estímulos
iniciados por su cliente y captados por sus sentidos. Una
aspiradora tiene la función de aspirar cuando capta que ha
sido encendida y no aspirar cuando es apagada.
Un agente inteligente ó racional trata de maximizar
el valor de una medida de rendimiento, dada la secuencia de
percepciones que ha observado hasta el momento.
Repitamos lo dicho ejemplificándolo. Un agente
inteligente tiene un objetivo abstracto (ej: "ofrecer a un usuario
información interesante"), tiene una forma de evaluar si
esa información es interesante (ej: "el usuario lee la
información sugerida"), tiene unos actuadores (ej: "una
caja html donde presenta enlaces interesantes") y tiene unos
sensores (ej: "un conjunto de sitios web para recoger
información y filtrar la que sea interesante y el conjunto
de clicks que puede hacer ó no el usuario de todos esos
sitios web"). La pregunta ahora es ¿cómo mejorar ese
rendimiento?.
Para Peter Norvig la programación estructurada tiene
asociadas las aplicaciones basadas en entrada/salida, la
programación orientada a objetos las aplicaciones basadas
en eventos y la programación adaptativa las aplicaciones
basadas en agentes inteligentes. Es decir, la respuesta a nuestra
pregunta es usamos aprendizaje automático para mejorar el
rendimiento.
No obstante, el deseo de desarrollar software adaptativo no
es la única razón para utilizar una
metodología de programación orientada a agentes. Los
agentes tienen su campo de cultivo en la Inteligencia Artificial
Distribuida (IAD) que, como su nombre indica, es la rama de la
Inteligencia Artificial que trata de resolver de manera
distribuida sus problemas, aprovechando así las ventajas
propias de la programación distribuida: robustez,
paralelismo y escalabilidad.
Desde un punto de vista de ingeniería de software
este paradigma también supone una evolución a las
necesidades de reutilización y encapsulamiento del
código. Partiendo de la programación orientada a
objetos, el mundo está compuesto por elementos llamados
objetos que tienen atributos a los que es posible aplicarles
métodos y estos pueden abstraerse a clases y estas clases
pueden abstraerse en otras clases de las que heredan
métodos y/o atributos ó de las que se componen. Sin
embargo, este modelo del mundo es incompleto, pues en el mundo
también existen agentes con capacidades de aprendizaje y
autonomía.
También podemos usar agentes inteligentes para
entender mejor el conocimiento ó para poder hacer
simulación.
Pantallazo de jade en ejecución
Hay bastante software denominado como software
de agentes para gnu/linux, sin embargo, no siempre se
entiende la filosofía de agentes que subyace. La
herramienta para desarrollar agentes más extendida y
utilizada es JADE
gracias a sus buenas herramientas gráficas,
documentación, soporte, licencia LGPL, ... por desgracia
para quienes no queremos caer en la "Trampa de
Java" requiere JDK 1.4 ó posteriores.
Para ampliar información acerca de teoría de
agentes recomiendo: Multiagent
Systems: A Survey from a Machine Learning
Perspective. Aunque leer Adaptive
Software es un excelente complemento que aclara muchas
ideas.
Tal vez este apartado no debería estar en este
artículo, ya que no hay una aplicación
práctica a los agentes inteligentes, debido a que es una
cuestión más metodológica que facilita, entre
otras cosas, poder hacer adaptación.
Planificacion
Llamaremos planificación al proceso de
búsqueda y articulación de una secuencia de acciones
que permitan alcanzar un objetivo. Por ejemplo, si nuestro
objetivo es viajar desde un pueblo perdido de Asturias y queremos
llegar a Guatemala la secuencia de acciones serían los
distintos transportes que se deben tomar para llegar. Otro ejemplo
podría ser que tuviéramos un robot en un laberinto y
nuestro objetivo fuera sacarle de él; en tal caso, nuestras
acciones serían los tramos recorridos en línea recta
y los giros dados por el robot.
Para formalizar el problema de la planificación
existen 2 notaciones principales: ADL y STRIPS.
Ambas coinciden en utilizar la lógica para representar
estado inicial, objetivo y acciones. También coinciden en
que, para aplicar una acción, es necesario cumplir unas
precondiciones y, tras haber ejecutado la acción,
habrá provocado unos efectos.
Para obtener la secuencia de acciones, es decir, el
resultado al problema de la planificación, existen varios
enfoques:
Búsquedas en el espacio de estados que operan
hacia adelante (desde el estado inicial), o hacia atrás
(desde el objetivo) aplicando las acciones. También
existen heurísticas (estrategias) eficaces que nos
ayudan en la búsqueda. Estos enfoques funcionan bien
cuando los subobjetivos son independientes.
Si los subobjetivos no son independientes suele ser
buena idea utilizar algoritmos de Planificación de
Orden Parcial (POP), que exploran el espacio de planes sin
comprometerse con una secuencia de acciones totalmente
ordenada. Trabajan hacia atrás, desde el objetivo y
añaden acciones para planificar cómo alcanzar
cada subobjetivo.
Otras estrategias prometedoras son el algoritmo GRAPHPLAN
y el algoritmo SATPLAN.
Cuando no se trabaja en mundos cerrados, sino en el
mundo real, debemos tener en cuenta varias
consideraciones. Muchas acciones consumen recursos: tiempo,
dinero, materias primas, etc. por lo que debemos tener en
cuenta medidas numéricas. Las redes
jerárquicas de tareas (HTN) permiten tener
sugerencias sobre el dominio por parte del
diseñador. La información incompleta puede ser
manejada mediante planificación que utilice acciones
sensoriales para obtener la información que
necesita. La planificación multiagente es necesaria
cuando existen otros agentes en el entorno con los que
cooperar, competir, o coordinarse.
Los problemas y soluciones que se abordan en
planificación tienen aplicaciones directas en
gestión de tareas (workflow), control de misiones complejas
(espaciales, satélites, militares, etc.), turismo (visitas
a ciudades, planificar rutas, ...), procesos de
enseñanza/aprendizaje, robótica (planificar
caminos), ...
Para la problemática de la planificación, las
licencias libres han brillado por su ausencia. No obstante, todos
los algoritmos se distribuyen con su código, lo cual
también es cierto en arquitecturas integradas como PRODIGY,
muy usadas en planificación.
Procesamiento de Lenguaje Natural
Antes de abordar qué es el procesamiento del lenguaje
natural (ó lenguaje humano), pensemos por un momento
qué es la compresión. Según Rich y Knigth
"comprender algo es transformarlo de una representación a
otra, en donde la segunda representación se ha elegido para
que se corresponda con un conjunto de acciones posibles que
podrían llevarse a cabo, y en donde se ha diseñado
la correspondencia de forma que para cada suceso se realice una
acción apropiada". En definitiva, comprender algo es
transformarlo en una representación que nos sea más
útil para lograr nuestro objetivo.
¿Para qué podemos querer que una
máquina comprenda lo que pone en un texto? Lo primero que
se nos puede ocurrir es que sirva para comunicarnos con ella como
si de una persona se tratara, pero para ello no solo
requeriría comprender nuestras palabras, sino
también las emociones con las que las expresamos, lo cual
es algo más complejo. La traducción
automática desde un lenguaje natural a otro es algo para lo
que solo necesitamos comprender el significado neutral de las
palabras. Si conseguimos que un ordenador comprenda,
también nos va a ayudar en tareas de recuperación de
la información; me refiero a buscadores más eficaces
que sepan relacionar mejor unas palabras o frases con otras, e
incluso independientemente del idioma.
Para realizar estas tareas es necesario comprender un texto;
esto es lo que nos proporciona el procesamiento del lenguaje
natural. Veamos las fases de las que se compone Rich y
Knight, 1994:
Análisis morfológico: Se analizan los
componentes de las palabras individuales y se separan de las
palabras los constituyentes que no forman parte de ellas, como
los símbolos de puntuación
Análisis sintáctico: Se transforman las secuencias
lineales de palabras en ciertas estructuras que muestran la
forma en que las palabras se relacionan entre sí. Se pueden
rechazar algunas secuencias de palabras si infringen las
reglas del lenguaje sobre la forma en que las palabras pueden
combinarse. Ej: "niña la come mucho" se
rechazaría.
Análisis semántico: Se asigna significado a las
estructuras creadas por el analizador sintáctico. Es decir, se
hace una correspondencia entre las estructuras sintácticas y
los objetos del dominio de la tarea. Las estructuras en las
que no se pueda realizar tal correpondecia se rechazan. Ej:
"Las ideas verdes incoloras duermen furiosamente" se
rechazaría
Integración del discurso: El significado de una frase
individual puede depender de las frases precedentes y puede
influenciar el significado de las frases posteriores. Por
ejemplo, la palabra "lo" en "Jaime lo quiso" depende del
contexto del discurso, mientras que la palabra "Jaime" puede
influenciar el significado de frases posteriores como
"Él vive en Madrid".
Análisis de la pragmática: La estructura que representa
qué se ha dicho se reinterpreta para determinar su significado
actual. Ej: "¿Sabe qué hora es?" se reintepreta como petición
de hora.
Hasta ahora hemos estado hablando del procesamiento del
lenguaje escrito, si quisiéramos realizar procesamiento del
lenguaje oral, necesitaríamos conocimiento adicional sobre
fonología, así como suficiente información adicional para manejar
las posibles ambigüedades que pudieran surgir.
Existen varias herramientas libres para tratar el
procesamiento del lenguaje natural. Podemos encontrar malaga-bin y
mmorph. Sin embargo, creo que para juguetear y/o iniciarse en este
campo es más adecuado nltk (Natural Language
Toolkit), escrito en python y con una licencia
copyleft de creative commons.
pantallazo de nltk en ejecución
Computación Neuronal
Bien, hasta aquí hemos visto que las máquinas
pueden imitar comportamientos humanos para un gran número
de tareas. De hecho, incluso pueden aplicarse algoritmos de
aprendizaje que, para ciertas tareas como el spam, dan muy buenos
resultados. La siguiente cuestión entonces es
¿pueden las máquinas pensar tal y como lo hacemos
los humanos?
La naturaleza nos ha dotado con un sistema de cómputo
basado en una enorme red de neuronas. Si las máquinas
pudieran simular tal sistema de cómputo ¿no
estarían entonces en condiciones de pensar tal y como lo
hacemos las personas?
En primer lugar, pensemos qué es una neurona. Una
neurona está formada por el cuerpo celular y diferentes
prolongaciones: el axón, por el que transitan los impulsos
nerviosos o potenciales de acción desde el cuerpo celular hacia la
siguiente célula, y la/s dendritas, con número y estructura
variable según el tipo de neurona, y que transmiten los
potenciales de acción desde las neuronas adyacentes hacia el
cuerpo celular. Se podría decir que las dendritas son
entradas y el axón es la salida.
Ahora bien, ¿cómo se decide si tras recibir
entradas se produce o no una salida, y qué salida se
produce? Pues bien, la salida es la suma ponderada de las entradas
seguida de una función umbral. Esto puede parecer un diodo:
si el potencial de las entradas alcanza un cierto valor, entonces
se produce la salida, y sino no. Sin embargo, difiere en ser
ponderado. Se refiere a que no todos los valores de las entradas
van a tener la misma importancia de cara a decidir si se produce o
no la salida.
Si nuestra neurona no es más que un diodo con
entradas ponderadas, entonces juntando unos diodos con otros en
forma de red ¿hará el tipo de procesos que realizamos los
humanos como, por ejemplo, aprender? Es curioso que para aprender
solo es necesaria una neurona, y el aprendizaje consiste en
modificar el valor de los pesos (la importancia de cada entrada)
aplicando un algoritmo a nuestro valor de salida. ¿Y cual
será ese algoritmo? Un psicólogo llamado Donald
O. Hebb enunció una regla que dice que "las conexiones que
unen diferentes neuronas que se encuentran activas en un instante
dado se fortalecen". Se refiere a que si la neurona está
transmitiendo, las entradas que est´n activas tendrán
más importancia de la que ya tenín. Y esto es
más ó menos la esencia de la computación
neuronal, especialmente la no supervisada (que no requiere de un
tutor), y esta es la que nos encontramos en la naturaleza.
Pero en la práctica las redes neuronales artificiales
no han creado en las máquinas comportamientos similares a
los de las personas. Sin embargo, lo cierto es que los problemas
que tradicionalmente son más complejos para las
máquinas (visión artificial, reconocimiento del
habla, etc.), se resuelven mejor utilizando redes neuronales que
mediante otras perspectivas simbólicas.
La computación neuronal tiene como tarea
genérica la clasificación. Por ejemplo, pensemos que
queremos averiguar en qué imágenes está Wally
y en qué im´genes no. Nuestras entradas serían
las intensidades RGB de cada pixel de cada una de las
imágenes, y tendría una única salida que nos
diría si está o no.
Las redes neuronales tienen un modelo inherentemente
distribuido, puesto que un procesador puede simular una
neurona. Así mismo, son autoprogramables. La
programación pasa por elegir un número de neuronas,
las conexiones entre las mismas, un número de salidas, un
número de entradas y una configuración inicial de
pesos. Después bastaría con alimentarla
correctamente y, si el aprendizaje es supervisado, darle la
adecuada realimentación humana
Como siempre, para profundizar recomiendo jugar con el
software libre disponible. Lo que he encontrado ha sido Fast Artificial
Neural Network Library (fann), Genesis y,
aunque no totalmente libre, también creo importante
destacar SNNS.
Finalizar diciendo que, si bien los algoritmos de redes
neuronales no son otra cosa que algoritmos de aprendizaje
automático, debido a las implicaciones filosóficas
que tienen he decidido tratarlo aparte.
Pantallazo de fann en ejecución
Robótica
Russell y Norvig, 2004Los robots son
agentes físicos que realizan tareas mediante la
manipulación física del mundo. Para ello se dotan de
efectores, como pinzas, ruedas, brazos mecánicos,
etc. También se equipan de sensores que les permiten
percibir el entorno, como visores, sistemas de ultrasonidos,
giroscopios, etc.
El interés de la IA en la robótica se centra
en los agentes inteligentes que manipulan el mundo
físico. No obstante, también es un campo de gran
interés para aplicar otras ideas de IA como
planificación o visión artificial (aplicar
algoritmos de aprendizaje para el reconocimiento de
formas).
Las áreas de aplicación de la robótica
son múltiples: industria, agricultura, transporte, entornos
peligrosos (donde no debería haber humanos),
exploración (ej: viajes al espacio), salud (ej:
cirugía gracias a la precisión milimétrica),
entretenimiento, ...
Para experimentar en este área respetando nuestras
libertades es posible encontrar programas divertidos para la
simulación de comportamientos robóticos, como por
ejemplo gnurobots
o robocode.
Este tipo de programas pueden llegar a dar mucho juego en la IA,
recordad que los bots del quake han sido materia de tesis doctoral.
También es interesante salirnos un poco del software
y meternos en algún proyecto de hardware abierto, como
Microbótica.
Imagen de un robot de juguete tomado de http://www.worstdomainever.com
Conclusiones
En este artículo se ha visto que existe una cierta
correlación entre software libre e inteligencia artificial
debido a que existen multitud de herramientas libres para tratar
las diferentes problemáticas que se plantean. En mi humilde
opinión no creo que sea casual que el mismo Richard
Stallman trabajara en el laboratorio de Inteligencia Artificial
del MIT poco antes de fundar el proyecto gnu.
También he tratado de desmitificar ciertos aspectos
de la IA que la hacen parecer algo mágico ó carente
de utilidad real y dejando entrever que es uno de los principales
motores de la evolución de la informática. No es
casual que las principales áreas de investigación de
cualquier universidad sea en temas de IA, como tampoco es casual
que las empresas punteras en tecnología tengan muy en
cuenta este área de la informática.
En el artículo primeramente, se ha mostrado
cómo esos juegos con los que cada día nos divertimos
llevan en su motor algoritmos de IA. Después se ha revisado
el modo en que la IA permite modelar el conocimiento de un experto
con herramientas integradas. Seguidamente, se mostró que el
software puede ser mejorado de una manera autónoma y que el
enfoque de agentes es bueno para resolver ese
problema. Seguidamente se han visto otras cuestiones:
Planificación, procesamiento de lenguaje natural, redes neuronales
y robótica son áreas que permiten entendernos mejor como humanos y
que al mismo tiempo mejoran la productividad de las sociedades.
De hecho, podemos decir que la inteligencia artificial aporta soluciones para
casi todas las cuestiones que nos caracterizan como humanos e
inteligentes, sin embargo, aún dista bastante para que realice dichas
tareas de la misma manera y con la misma eficacia que lo hacen las
personas. Sin embargo, las soluciones aportadas para resolverlos
tienen aplicaciónes interesantes en múltiples
áreas de nuestra vida cotidiana que nos hacen la vida
más fácil.
Espero que este artículo ayude a despertar el
interés por la IA entre los usuarios de software libre y, a
que la comunidad que existe alrededor de la inteligencia
artificial se interese aún más por el software
libre.
Referencias
Algunas referencias para profundizar en el aprendizaje de la
inteligencia artificial.
Rich, E. y Knight K. (1994). Inteligencia Artificial. Madrid: McGraw Hill
Russell, S. J. y Norvig P. (2004). Inteligencia Artificial. Un Enfoque Moderno. Segunda ed. Madrid: Pearson Educación S.A.
Howto de inteligencia y vida artificial
Wikipedia
Página personal de Peter Norvig
Dentro del linux documentation project encontramos este howto de inteligencia y vida artificial
Agradecimientos
Este artículo habría sido muy distinto sin las aportaciones
de un buen número de miembros del grupo adenu y de
Ramiro Pareja cuyas sugerencias y apoyos fueron muy valiosas.
Un afectuoso agradecimiento a todo el equipo de Mundo
Linux por la oportunidad de escribir este
artículo y de poder hacerlo aplicando una licencia
libre y muy especialmente a Margarita Padilla.
Finalmente, agradecer a los lectores del mismo a quienes
deseo que hayan disfrutado tanto leyéndo como yo
escribiéndolo.
GNU Free Documentation License
PREAMBLE
The purpose of this License is to make a manual, textbook,
or other written document "free" in the sense of freedom: to
assure everyone the effective freedom to copy and redistribute it,
with or without modifying it, either commercially or
noncommercially. Secondarily, this License preserves for the
author and publisher a way to get credit for their work, while not
being considered responsible for modifications made by
others.
This License is a kind of "copyleft", which means that
derivative works of the document must themselves be free in the
same sense. It complements the GNU General Public License, which
is a copyleft license designed for free software.
We have designed this License in order to use it for manuals
for free software, because free software needs free documentation:
a free program should come with manuals providing the same
freedoms that the software does. But this License is not limited
to software manuals; it can be used for any textual work,
regardless of subject matter or whether it is published as a
printed book. We recommend this License principally for works
whose purpose is instruction or reference.
APPLICABILITY AND DEFINITIONS
This License applies to any manual or other work that
contains a notice placed by the copyright holder saying it can be
distributed under the terms of this License. The "Document",
below, refers to any such manual or work. Any member of the
public is a licensee, and is addressed as "you".
A "Modified Version" of the Document means any work
containing the Document or a portion of it, either copied
verbatim, or with modifications and/or translated into another
language.
A "Secondary Section" is a named appendix or a front-matter
section of the Document that deals exclusively with the
relationship of the publishers or authors of the Document to the
Document's overall subject (or to related matters) and contains
nothing that could fall directly within that overall subject.
(For example, if the Document is in part a textbook of
mathematics, a Secondary Section may not explain any mathematics.)
The relationship could be a matter of historical connection with
the subject or with related matters, or of legal, commercial,
philosophical, ethical or political position regarding
them.
The "Invariant Sections" are certain Secondary Sections
whose titles are designated, as being those of Invariant Sections,
in the notice that says that the Document is released under this
License.
The "Cover Texts" are certain short passages of text that
are listed, as Front-Cover Texts or Back-Cover Texts, in the
notice that says that the Document is released under this
License.
A "Transparent" copy of the Document means a
machine-readable copy, represented in a format whose specification
is available to the general public, whose contents can be viewed
and edited directly and straightforwardly with generic text
editors or (for images composed of pixels) generic paint programs
or (for drawings) some widely available drawing editor, and that
is suitable for input to text formatters or for automatic
translation to a variety of formats suitable for input to text
formatters. A copy made in an otherwise Transparent file format
whose markup has been designed to thwart or discourage subsequent
modification by readers is not Transparent. A copy that is not
"Transparent" is called "Opaque".
Examples of suitable formats for Transparent copies include
plain ASCII without markup, Texinfo input format, LaTeX input
format, SGML or XML using a publicly available DTD, and
standard-conforming simple HTML designed for human modification.
Opaque formats include PostScript, PDF, proprietary formats that
can be read and edited only by proprietary word processors, SGML
or XML for which the DTD and/or processing tools are not generally
available, and the machine-generated HTML produced by some word
processors for output purposes only.
The "Title Page" means, for a printed book, the title page
itself, plus such following pages as are needed to hold, legibly,
the material this License requires to appear in the title page.
For works in formats which do not have any title page as such,
"Title Page" means the text near the most prominent appearance of
the work's title, preceding the beginning of the body of the
text.
VERBATIM COPYING
You may copy and distribute the Document in any medium,
either commercially or noncommercially, provided that this
License, the copyright notices, and the license notice saying this
License applies to the Document are reproduced in all copies, and
that you add no other conditions whatsoever to those of this
License. You may not use technical measures to obstruct or
control the reading or further copying of the copies you make or
distribute. However, you may accept compensation in exchange for
copies. If you distribute a large enough number of copies you
must also follow the conditions in section 3.
You may also lend copies, under the same conditions stated
above, and you may publicly display copies.
COPYING IN QUANTITY
If you publish printed copies of the Document numbering more
than 100, and the Document's license notice requires Cover Texts,
you must enclose the copies in covers that carry, clearly and
legibly, all these Cover Texts: Front-Cover Texts on the front
cover, and Back-Cover Texts on the back cover. Both covers must
also clearly and legibly identify you as the publisher of these
copies. The front cover must present the full title with all
words of the title equally prominent and visible. You may add
other material on the covers in addition. Copying with changes
limited to the covers, as long as they preserve the title of the
Document and satisfy these conditions, can be treated as verbatim
copying in other respects.
If the required texts for either cover are too voluminous to
fit legibly, you should put the first ones listed (as many as fit
reasonably) on the actual cover, and continue the rest onto
adjacent pages.
If you publish or distribute Opaque copies of the Document
numbering more than 100, you must either include a
machine-readable Transparent copy along with each Opaque copy, or
state in or with each Opaque copy a publicly-accessible
computer-network location containing a complete Transparent copy
of the Document, free of added material, which the general
network-using public has access to download anonymously at no
charge using public-standard network protocols. If you use the
latter option, you must take reasonably prudent steps, when you
begin distribution of Opaque copies in quantity, to ensure that
this Transparent copy will remain thus accessible at the stated
location until at least one year after the last time you
distribute an Opaque copy (directly or through your agents or
retailers) of that edition to the public.
It is requested, but not required, that you contact the
authors of the Document well before redistributing any large
number of copies, to give them a chance to provide you with an
updated version of the Document.
MODIFICATIONS
You may copy and distribute a Modified Version of the
Document under the conditions of sections 2 and 3 above, provided
that you release the Modified Version under precisely this
License, with the Modified Version filling the role of the
Document, thus licensing distribution and modification of the
Modified Version to whoever possesses a copy of it. In addition,
you must do these things in the Modified Version:
Use in the Title Page
(and on the covers, if any) a title distinct from that of the
Document, and from those of previous versions (which should, if
there were any, be listed in the History section of the
Document). You may use the same title as a previous version if
the original publisher of that version gives permission.
List on the Title Page,
as authors, one or more persons or entities responsible for
authorship of the modifications in the Modified Version,
together with at least five of the principal authors of the
Document (all of its principal authors, if it has less than
five).
State on the Title page
the name of the publisher of the Modified Version, as the
publisher.
Preserve all the
copyright notices of the Document.
Add an appropriate
copyright notice for your modifications adjacent to the other
copyright notices.
Include, immediately
after the copyright notices, a license notice giving the public
permission to use the Modified Version under the terms of this
License, in the form shown in the Addendum below.
Preserve in that license
notice the full lists of Invariant Sections and required Cover
Texts given in the Document's license notice.
Include an unaltered
copy of this License.
Preserve the section
entitled "History", and its title, and add to it an item stating
at least the title, year, new authors, and publisher of the
Modified Version as given on the Title Page. If there is no
section entitled "History" in the Document, create one stating
the title, year, authors, and publisher of the Document as given
on its Title Page, then add an item describing the Modified
Version as stated in the previous sentence.
Preserve the network
location, if any, given in the Document for public access to a
Transparent copy of the Document, and likewise the network
locations given in the Document for previous versions it was
based on. These may be placed in the "History" section. You
may omit a network location for a work that was published at
least four years before the Document itself, or if the original
publisher of the version it refers to gives permission.
In any section entitled
"Acknowledgements" or "Dedications", preserve the section's
title, and preserve in the section all the substance and tone of
each of the contributor acknowledgements and/or dedications
given therein.
Preserve all the
Invariant Sections of the Document, unaltered in their text and
in their titles. Section numbers or the equivalent are not
considered part of the section titles.
Delete any section
entitled "Endorsements". Such a section may not be included in
the Modified Version.
Do not retitle any
existing section as "Endorsements" or to conflict in title with
any Invariant Section.
If the Modified Version includes new front-matter sections
or appendices that qualify as Secondary Sections and contain no
material copied from the Document, you may at your option
designate some or all of these sections as invariant. To do this,
add their titles to the list of Invariant Sections in the Modified
Version's license notice. These titles must be distinct from any
other section titles.
You may add a section entitled "Endorsements", provided it
contains nothing but endorsements of your Modified Version by
various parties--for example, statements of peer review or that
the text has been approved by an organization as the authoritative
definition of a standard.
You may add a passage of up to five words as a Front-Cover
Text, and a passage of up to 25 words as a Back-Cover Text, to the
end of the list of Cover Texts in the Modified Version. Only one
passage of Front-Cover Text and one of Back-Cover Text may be
added by (or through arrangements made by) any one entity. If the
Document already includes a cover text for the same cover,
previously added by you or by arrangement made by the same entity
you are acting on behalf of, you may not add another; but you may
replace the old one, on explicit permission from the previous
publisher that added the old one.
The author(s) and publisher(s) of the Document do not by
this License give permission to use their names for publicity for
or to assert or imply endorsement of any Modified Version.
COMBINING DOCUMENTS
You may combine the Document with other documents released
under this License, under the terms defined in section 4 above for
modified versions, provided that you include in the combination
all of the Invariant Sections of all of the original documents,
unmodified, and list them all as Invariant Sections of your
combined work in its license notice.
The combined work need only contain one copy of this
License, and multiple identical Invariant Sections may be replaced
with a single copy. If there are multiple Invariant Sections with
the same name but different contents, make the title of each such
section unique by adding at the end of it, in parentheses, the
name of the original author or publisher of that section if known,
or else a unique number. Make the same adjustment to the section
titles in the list of Invariant Sections in the license notice of
the combined work.
In the combination, you must combine any sections entitled
"History" in the various original documents, forming one section
entitled "History"; likewise combine any sections entitled
"Acknowledgements", and any sections entitled "Dedications". You
must delete all sections entitled "Endorsements."
COLLECTIONS OF DOCUMENTS
You may make a collection consisting of the Document and
other documents released under this License, and replace the
individual copies of this License in the various documents with a
single copy that is included in the collection, provided that you
follow the rules of this License for verbatim copying of each of
the documents in all other respects.
You may extract a single document from such a collection,
and distribute it individually under this License, provided you
insert a copy of this License into the extracted document, and
follow this License in all other respects regarding verbatim
copying of that document.
AGGREGATION WITH INDEPENDENT WORKS
A compilation of the Document or its derivatives with other
separate and independent documents or works, in or on a volume of
a storage or distribution medium, does not as a whole count as a
Modified Version of the Document, provided no compilation
copyright is claimed for the compilation. Such a compilation is
called an "aggregate", and this License does not apply to the
other self-contained works thus compiled with the Document, on
account of their being thus compiled, if they are not themselves
derivative works of the Document.
If the Cover Text requirement of section 3 is applicable to
these copies of the Document, then if the Document is less than
one quarter of the entire aggregate, the Document's Cover Texts
may be placed on covers that surround only the Document within the
aggregate. Otherwise they must appear on covers around the whole
aggregate.
TRANSLATION
Translation is considered a kind of modification, so you may
distribute translations of the Document under the terms of section
4. Replacing Invariant Sections with translations requires
special permission from their copyright holders, but you may
include translations of some or all Invariant Sections in addition
to the original versions of these Invariant Sections. You may
include a translation of this License provided that you also
include the original English version of this License. In case of
a disagreement between the translation and the original English
version of this License, the original English version will
prevail.
TERMINATION
You may not copy, modify, sublicense, or distribute the
Document except as expressly provided for under this License. Any
other attempt to copy, modify, sublicense or distribute the
Document is void, and will automatically terminate your rights
under this License. However, parties who have received copies, or
rights, from you under this License will not have their licenses
terminated so long as such parties remain in full
compliance.
FUTURE REVISIONS OF THIS LICENSE
The Free Software Foundation may publish new, revised
versions of the GNU Free Documentation License from time to time.
Such new versions will be similar in spirit to the present
version, but may differ in detail to address new problems or
concerns. See http://www.gnu.org/copyleft/.
Each version of the License is given a distinguishing
version number. If the Document specifies that a particular
numbered version of this License "or any later version" applies to
it, you have the option of following the terms and conditions
either of that specified version or of any later version that has
been published (not as a draft) by the Free Software Foundation.
If the Document does not specify a version number of this License,
you may choose any version ever published (not as a draft) by the
Free Software Foundation.
How to use this License for your documents
To use this License in a document you have written, include
a copy of the License in the document and put the following
copyright and license notices just after the title page:
Copyright (c) YEAR YOUR NAME.
Permission is granted to copy, distribute and/or modify this document
under the terms of the GNU Free Documentation License, Version 1.1
or any later version published by the Free Software Foundation;
with the Invariant Sections being LIST THEIR TITLES, with the
Front-Cover Texts being LIST, and with the Back-Cover Texts being LIST.
A copy of the license is included in the section entitled "GNU
Free Documentation License".
If you have no Invariant Sections, write "with no Invariant
Sections" instead of saying which ones are invariant. If you have
no Front-Cover Texts, write "no Front-Cover Texts" instead of
"Front-Cover Texts being LIST"; likewise for Back-Cover
Texts.
If your document contains nontrivial examples of program
code, we recommend releasing these examples in parallel under your
choice of free software license, such as the GNU General Public
License, to permit their use in free software.