UNIVERSIDAD DE LA RIOJA
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Razonamiento y Planificación Automática
Guía de Estudio: TEMA 1. Introducción a la toma de decisiones
Esta guía espera proporcionar una base sólida para aquellos interesados en profundizar en la
toma de decisiones dentro del ámbito de la inteligencia artificial.
Introducción a la Toma de Decisiones en Inteligencia Artificial
La toma de decisiones en inteligencia artificial (IA) es un campo fundamental que involucra la
selección de una acción entre varias alternativas con el objetivo de alcanzar un conjunto
específico de objetivos. Este proceso se basa en la capacidad de un agente inteligente para
evaluar el estado del entorno, predecir los resultados de posibles acciones y elegir la más
adecuada. A continuación, se presenta una guía de estudio detallada, técnica y avanzada sobre
este tema.
a. ¿Cómo estudiar este tema?
Para estudiar la toma de decisiones en IA de manera efectiva, se recomienda seguir estos pasos:
1. Comprender los Fundamentos Teóricos: Familiarizarse con conceptos básicos como la
teoría de la decisión, el análisis de decisiones y los modelos probabilísticos.
2. Explorar Algoritmos Clásicos y Modernos: Investigar algoritmos esenciales como el
Árbol de Decisión, Redes Bayesianas, Máquinas de Vector de Soporte y técnicas de
aprendizaje profundo.
3. Implementación Práctica: Aplicar estos conceptos a través de la programación en
lenguajes como Python, utilizando bibliotecas como TensorFlow, Keras o Scikit-learn.
4. Estudio de Casos: Analizar estudios de caso donde la toma de decisiones sea crucial,
como en vehículos autónomos, sistemas de recomendación y diagnósticos médicos.
5. Mantenerse Actualizado: Leer artículos científicos y asistir a conferencias para conocer
las últimas tendencias y avances en el campo.
b. Problemas de toma de decisiones
Los problemas de toma de decisiones en IA pueden clasificarse en varias categorías:
1. Determinísticos vs. Estocásticos: Los problemas determinísticos tienen resultados
predecibles, mientras que los estocásticos incluyen incertidumbre y variabilidad en los
resultados.
2. Estáticos vs. Dinámicos: En problemas estáticos, el entorno no cambia con el tiempo,
mientras que en problemas dinámicos, el entorno puede evolucionar.
3. De un solo agente vs. Multiagente: Involucra decisiones de un único agente frente a
decisiones que deben coordinarse entre múltiples agentes.
, Ventajas:
Permite la optimización de recursos y mejora la eficiencia.
Facilita la toma de decisiones en situaciones complejas y múltiples variables.
Desventajas:
Requiere gran cantidad de datos y potencia computacional.
En entornos estocásticos, la incertidumbre puede llevar a decisiones subóptimas.
c. Arquitectura de un agente inteligente
La arquitectura de un agente inteligente está compuesta por varios componentes claves:
1. Percepción: Recopila datos del entorno mediante sensores o entradas de datos.
2. Razonamiento: Procesa la información recibida para interpretar el entorno y elaborar
predicciones.
3. Planificación: Determina las acciones necesarias para alcanzar los objetivos, utilizando
técnicas como la búsqueda en grafos o la programación dinámica.
4. Ejecución: Implementa las acciones planificadas mediante actuadores o salidas de datos.
Ventajas:
Modularidad, lo que facilita la actualización y mejora de componentes específicos.
Capacidad para adaptarse y aprender de nuevas experiencias.
Desventajas:
Complejidad en la integración de todos los componentes.
Alta demanda de procesamiento y almacenamiento de datos.
d. Tipos de agentes inteligentes
Existen varios tipos de agentes inteligentes clasificados según su nivel de complejidad y
capacidad de aprendizaje:
1. Agentes Reactivos: Responden directamente a estímulos del entorno sin utilizar memoria
del pasado.
o Ventajas: Simplicidad y rapidez de respuesta.
o Desventajas: Falta de capacidad para manejar tareas complejas que requieren
planificación y aprendizaje.
2. Agentes Basados en Modelo: Utilizan un modelo del entorno para tomar decisiones más
informadas.
o Ventajas: Mejora en la precisión y capacidad de anticipación.
o Desventajas: Requiere una mayor capacidad computacional y un modelo preciso
del entorno.
Postgrado al que pertenece: Máster Universitario en Inteligencia Artificial
Denominación de la asignatura: Razonamiento y Planificación Automática
Guía de Estudio: TEMA 1. Introducción a la toma de decisiones
Esta guía espera proporcionar una base sólida para aquellos interesados en profundizar en la
toma de decisiones dentro del ámbito de la inteligencia artificial.
Introducción a la Toma de Decisiones en Inteligencia Artificial
La toma de decisiones en inteligencia artificial (IA) es un campo fundamental que involucra la
selección de una acción entre varias alternativas con el objetivo de alcanzar un conjunto
específico de objetivos. Este proceso se basa en la capacidad de un agente inteligente para
evaluar el estado del entorno, predecir los resultados de posibles acciones y elegir la más
adecuada. A continuación, se presenta una guía de estudio detallada, técnica y avanzada sobre
este tema.
a. ¿Cómo estudiar este tema?
Para estudiar la toma de decisiones en IA de manera efectiva, se recomienda seguir estos pasos:
1. Comprender los Fundamentos Teóricos: Familiarizarse con conceptos básicos como la
teoría de la decisión, el análisis de decisiones y los modelos probabilísticos.
2. Explorar Algoritmos Clásicos y Modernos: Investigar algoritmos esenciales como el
Árbol de Decisión, Redes Bayesianas, Máquinas de Vector de Soporte y técnicas de
aprendizaje profundo.
3. Implementación Práctica: Aplicar estos conceptos a través de la programación en
lenguajes como Python, utilizando bibliotecas como TensorFlow, Keras o Scikit-learn.
4. Estudio de Casos: Analizar estudios de caso donde la toma de decisiones sea crucial,
como en vehículos autónomos, sistemas de recomendación y diagnósticos médicos.
5. Mantenerse Actualizado: Leer artículos científicos y asistir a conferencias para conocer
las últimas tendencias y avances en el campo.
b. Problemas de toma de decisiones
Los problemas de toma de decisiones en IA pueden clasificarse en varias categorías:
1. Determinísticos vs. Estocásticos: Los problemas determinísticos tienen resultados
predecibles, mientras que los estocásticos incluyen incertidumbre y variabilidad en los
resultados.
2. Estáticos vs. Dinámicos: En problemas estáticos, el entorno no cambia con el tiempo,
mientras que en problemas dinámicos, el entorno puede evolucionar.
3. De un solo agente vs. Multiagente: Involucra decisiones de un único agente frente a
decisiones que deben coordinarse entre múltiples agentes.
, Ventajas:
Permite la optimización de recursos y mejora la eficiencia.
Facilita la toma de decisiones en situaciones complejas y múltiples variables.
Desventajas:
Requiere gran cantidad de datos y potencia computacional.
En entornos estocásticos, la incertidumbre puede llevar a decisiones subóptimas.
c. Arquitectura de un agente inteligente
La arquitectura de un agente inteligente está compuesta por varios componentes claves:
1. Percepción: Recopila datos del entorno mediante sensores o entradas de datos.
2. Razonamiento: Procesa la información recibida para interpretar el entorno y elaborar
predicciones.
3. Planificación: Determina las acciones necesarias para alcanzar los objetivos, utilizando
técnicas como la búsqueda en grafos o la programación dinámica.
4. Ejecución: Implementa las acciones planificadas mediante actuadores o salidas de datos.
Ventajas:
Modularidad, lo que facilita la actualización y mejora de componentes específicos.
Capacidad para adaptarse y aprender de nuevas experiencias.
Desventajas:
Complejidad en la integración de todos los componentes.
Alta demanda de procesamiento y almacenamiento de datos.
d. Tipos de agentes inteligentes
Existen varios tipos de agentes inteligentes clasificados según su nivel de complejidad y
capacidad de aprendizaje:
1. Agentes Reactivos: Responden directamente a estímulos del entorno sin utilizar memoria
del pasado.
o Ventajas: Simplicidad y rapidez de respuesta.
o Desventajas: Falta de capacidad para manejar tareas complejas que requieren
planificación y aprendizaje.
2. Agentes Basados en Modelo: Utilizan un modelo del entorno para tomar decisiones más
informadas.
o Ventajas: Mejora en la precisión y capacidad de anticipación.
o Desventajas: Requiere una mayor capacidad computacional y un modelo preciso
del entorno.
