La inteligencia artificial se define como el estudio de los agentes racionales. Un agente racional puede ser cualquier cosa que tome decisiones, como una persona, una empresa, una máquina o un software. Lleva a cabo una acción con el mejor resultado después de considerar percepciones pasadas y actuales (entradas perceptivas del agente en una instancia dada). Un sistema de IA se compone de un agente y su entorno . Los agentes actúan en su entorno. El medio ambiente puede contener otros agentes.
Un agente es cualquier cosa que pueda verse como:
- percibir su entorno a través de sensores y
- actuando sobre ese entorno a través de actuadores
Nota : Cada agente puede percibir sus propias acciones (pero no siempre los efectos)
Para entender la estructura de los Agentes Inteligentes, debemos estar familiarizados con los programas de Arquitectura y Agente . La arquitectura es la maquinaria sobre la que ejecuta el agente. Es un dispositivo con sensores y actuadores, por ejemplo, un automóvil robótico, una cámara, una PC. El programa de agente es una implementación de una función de agente. Una función de agente es un mapa desde la secuencia de percepción (historial de todo lo que un agente ha percibido hasta la fecha) hasta una acción.
Agente = Arquitectura + Programa Agente
Ejemplos de Agente:
- Un agente de software tiene pulsaciones de teclas, contenidos de archivos, paquetes de red recibidos que actúan como sensores y visualizaciones en la pantalla, archivos, paquetes de red enviados que actúan como actuadores.
- Un agente humano tiene ojos, oídos y otros órganos que actúan como sensores, y manos, piernas, boca y otras partes del cuerpo que actúan como actuadores.
- Un agente robótico tiene cámaras y telémetros infrarrojos que actúan como sensores y varios motores que actúan como actuadores.
Tipos de Agentes
Los agentes se pueden agrupar en cinco clases según su grado de inteligencia y capacidad percibidas:
- Agentes reflejos simples
- Agentes reflejos basados en modelos
- Agentes basados en objetivos
- Agentes basados en servicios públicos
- Agente de aprendizaje
Agentes reflejos simples
Los agentes reflejos simples ignoran el resto de la historia de la percepción y actúan sólo sobre la base de la percepción actual . El historial de percepciones es la historia de todo lo que un agente ha percibido hasta la fecha. La función de agente se basa en la regla de condición-acción . Una regla de condición-acción es una regla que asigna un estado, es decir, una condición a una acción. Si la condición es verdadera, entonces se toma la acción, de lo contrario no. Esta función de agente solo tiene éxito cuando el entorno es completamente observable. Para los agentes reflejos simples que operan en entornos parcialmente observables, los bucles infinitos suelen ser inevitables. Puede ser posible escapar de bucles infinitos si el agente puede aleatorizar sus acciones.
Los problemas con los agentes reflejos simples son:
- Inteligencia muy limitada.
- Sin conocimiento de las partes no perceptivas del estado.
- Por lo general, demasiado grande para generar y almacenar.
- Si se produce algún cambio en el entorno, es necesario actualizar la colección de reglas.
Agentes reflejos basados en modelos
Funciona encontrando una regla cuya condición coincida con la situación actual. Un agente basado en modelos puede manejar entornos parcialmente observables mediante el uso de un modelo sobre el mundo. El agente tiene que realizar un seguimiento del estado interno que se ajusta por cada percepción y que depende de la historia de la percepción. El estado actual se almacena dentro del agente que mantiene algún tipo de estructura que describe la parte del mundo que no se puede ver.
Actualizar el estado requiere información sobre:
- cómo el mundo evoluciona independientemente del agente, y
- cómo las acciones del agente afectan al mundo.
Agentes basados en objetivos
Este tipo de agentes toman decisiones en función de lo lejos que se encuentran actualmente de su objetivo (descripción de situaciones deseables). Todas sus acciones están destinadas a reducir su distancia de la portería. Esto permite al agente una forma de elegir entre múltiples posibilidades, seleccionando aquella que alcance un estado objetivo. El conocimiento que sustenta sus decisiones está representado explícitamente y puede ser modificado, lo que flexibiliza a estos agentes. Suelen requerir búsqueda y planificación. El comportamiento del agente basado en objetivos se puede cambiar fácilmente.
Agentes basados en servicios públicos
Los agentes que se desarrollan teniendo sus usos finales como bloques de construcción se denominan agentes basados en utilidades. Cuando existen múltiples alternativas posibles, para decidir cuál es la mejor, se utilizan agentes basados en la utilidad. Eligen acciones basadas en una preferencia (utilidad) para cada estado. A veces alcanzar el objetivo deseado no es suficiente. Podemos buscar un viaje más rápido, más seguro y más económico para llegar a un destino. Se debe tener en cuenta la felicidad del agente. La utilidad describe cuán «feliz» es el agente. Debido a la incertidumbre del mundo, un agente de utilidad elige la acción que maximiza la utilidad esperada. Una función de utilidad asigna un estado a un número real que describe el grado de felicidad asociado.
Agente de aprendizaje :
Un agente de aprendizaje en IA es el tipo de agente que puede aprender de sus experiencias pasadas o tiene capacidades de aprendizaje. Comienza a actuar con conocimientos básicos y luego es capaz de actuar y adaptarse automáticamente a través del aprendizaje.
Un agente de aprendizaje tiene principalmente cuatro componentes conceptuales, que son:
- Elemento de aprendizaje: Es responsable de realizar mejoras aprendiendo del entorno .
- Crítico: el elemento de aprendizaje recibe comentarios de los críticos que describen qué tan bien lo está haciendo el agente con respecto a un estándar de desempeño fijo.
- Elemento de rendimiento: Es responsable de seleccionar la acción externa .
- Generador de problemas: este componente es responsable de sugerir acciones que conducirán a experiencias nuevas e informativas.
Publicación traducida automáticamente
Artículo escrito por Sahil_Bansall y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA