ESTRUCTURA DE LOS AGENTES.

INTRUDUCCION.

El siguiente tema a revisar tomaremos en cuenta la estructura de la que dispone un agente racional, se tomara en cuenta mediante qué forma realiza sus acción incluyendo gráficos en los que se logra manifestar lo que se está tratando.

Si ya bien sabemos la estructura de un agente reacciona dependiendo de su medio o entorno esto se toma en cuenta como percepción por medios sensoriales. Y a continuación nuestro tema.

ESTRUCTURA DE LOS AGENTES.

Este se trata de centrarse en el núcleo del problema y hablar sobre cómo trabajan internamente. El trabajo de la IA es diseñar el programa del agente implemente la función del agente que proyecta las percepciones en las acciones. Se asume que este programa se ejecutara en algún tipo de computador con sensores físicos y actuadores, lo cual se conoce como  arquitectura:

Agente = arquitectura + programa

Obviamente, el programa que se elija tiene que ser apropiado para la arquitectura. Si el programa tiene que recomendar acciones como Caminar, la arquitectura tiene que tener piernas. La arquitectura puede ser un PC común, o puede ser un coche robotizado con varios computadores, cámaras, y otros sensores a bordo. En general, la arquitectura hace que las percepciones de los sensores estén disponibles para el programa.

PROGRAMAS DE LOS AGENTES.

Los programas de los agentes reciben las percepciones actuales como entradas de los sensores y devuelven una acción a los actuadores. Hay que tener en cuenta la diferencia entre los programas de los agentes, que toman la percepción actual como entrada, y la función del agente, que recibe la percepción histórica completa.

El desafío clave de la IA es encontrar la forma de escribir programas, que en la medida de lo posible, reproduzcan un comportamiento racional a partir de una pequeña cantidad de código en vez de a partir de una tabla con un gran número de entradas.

En lo que resta de esta sección se presentan los cuatro tipos básicos de programas para agentes que encarnan los principios que subyacen en casi todos los sistemas inteligentes.

• Agentes reactivos simples.

• Agentes reactivos basados en modelos.

• Agentes basados en objetivos.

• Agentes basados en utilidad.

Despues de los siguientes se dara a conocer los agentes que aprenden.

AGENTES REACTIVOS SIMPLES.

El tipo de agente más sencillo es el agente reactivo simple Estos agentes seleccionan Las acciones sobre la base de las percepciones actuales, ignorando el resto de las percepciones Históricas. Por ejemplo, el agente aspiradora cuya función de agente se presentó un agente reactivo simple porque toma sus decisiones solo con base en la localización actual y si esta está sucia.

AGENTES REACTIVOS BASADOS EN MODELOS.

La forma más efectiva que tienen los agentes de manejar la visibilidad parcial es almacenar información de las partes del mundo que no pueden ver. O lo que es lo mismo, el agente debe mantener algún tipo de estado interno que dependa de la historia percibida y que de ese modo refleje por lo menos alguno de los aspectos no observables del estado actual.

La actualización de la información de estado interno según pasa el tiempo requiere codificar dos tipos de conocimiento en el programa del agente. Primero, se necesita alguna información acerca de cómo evoluciona el mundo independientemente del agente. Segundo, se necesita más información sobre cómo afectan al mundo las acciones del agente.

Este conocimiento acerca de (cómo funciona el mundo), tanto si esta implementado con un circuito booleano simple o con teorías científicas completas, se denomina modelo del mundo. Un agente que utilice este modelo es un agente basado en modelos.

AGENTES BASADOS EN OBJETIVOS.

El conocimiento sobre el estado actual del mundo no es siempre suficiente para decidir qué hacer. Por ejemplo, en un cruce de carreteras, el taxista puede girar a la izquierda, girar a la derecha o seguir hacia adelante. La decisión correcta depende de dónde quiere ir el taxi. En otras palabras, además de la descripción del estado actual, el agente necesita algún tipo de información sobre su meta que describa las situaciones que son deseables, por ejemplo, llegar al destino propuesto por el pasajero. El programa del agente se puede combinar con información sobre los resultados de las acciones posibles (la misma información que se utilizó para actualizar el estado interno en el caso del agente reflexivo) para elegir las acciones que permitan alcanzar el objetivo. En algunas ocasiones, la selección de acciones basadas en objetivos es directa, cuando alcanzar los objetivos es el resultado inmediato de una acción individual. En otras ocasiones, puede ser más complicado, cuando el agente tiene que considerar secuencias complejas

Para encontrar el camino que le permita alcanzar el objetivo.

AGENTES BASADOS EN UTILIDAD.

Las metas por si solas no son realmente suficientes para generar comportamiento de gran calidad en la mayoría de los entornos. Por ejemplo, hay muchas secuencias de acciones que llevaran al taxi a su destino (y por tanto a alcanzar su objetivo), pero algunas son más rápidas, más seguras, más fiables, o más baratas que otras. Las metas solo proporcionan una cruda distinción binaria entre los estados de (felicidad) y (tristeza), mientras que una medida de eficiencia más general debería permitir una comparación entre estados del mundo diferentes de acuerdo al nivel exacto de felicidad que el agente alcance cuando se llegue a un estado u otro.

Una función de utilidad proyecta un estado (o una secuencia de estados) en un número real, que representa un nivel de felicidad. La definición completa de una función de utilidad permite tomar decisiones racionales en dos tipos de casos en los que las metas son inadecuadas. Primero, cuando haya objetivos conflictivos, y solo se puedan alcanzar algunos de ellos (por ejemplo, velocidad y seguridad), la función de utilidad determina el equilibrio adecuado. Segundo, cuando haya varios objetivos por los que se pueda guiar el agente, y ninguno de ellos se pueda alcanzar con certeza, la utilidad proporciona un mecanismo para ponderar la probabilidad de éxito en función de la importancia de los objetivos.

AGENTES QUE APRENDEN.

Se han descrito programas para agentes que poseen varios métodos para seleccionar acciones. Hasta ahora no se ha explicado cómo poner en marcha estos programas de agentes. Turing (1950), en su temprano y famoso artículo, considero la idea de programar Sus máquinas inteligentes a mano. Estimo cuanto tiempo podía llevar y concluyo que (Sería deseable utilizar algún método más rápido). El método que propone es construir máquinas que aprendan y después ensenarlas. En muchas áreas de IA, este es ahora el método más adecuado para crear sistemas novedosos. El aprendizaje tiene otras ventajas, como se ha explicado anteriormente: permite que el agente opere en medios inicialmente desconocidos y que sea más competente que si solo utilizase un conocimiento inicial.

Los agentes tienen una gran variedad de componentes, y estos componentes se pueden representar de muchas formas en los programas de agentes, por lo que, parece haber una gran variedad de métodos de aprendizaje. Existe, sin embargo, una visión unificada sobre un tema fundamental. El aprendizaje en el campo de los agentes inteligentes puede definirse como el proceso de modificación de cada componente del agente, lo cual permite a cada componente comportarse más en consonancia con la información que se recibe, lo que por tanto permite mejorar el nivel medio de actuación del agente.

CONCLUCION.

En conclusión vemos como obviamente las estructuras se concentran en los problemas que disponen los medios para que estos sean resueltos por medio de las acciones realizadas de los agentes, esto se logra dar gracias a los sensores que permiten la percepción y los actuadores que permiten q se logre la acción que se requiere realizar.

BIBLIOGRAFIA.

Russell, S; Norvig P. 2004. Inteligencia Artificial Un Enfoque Moderno, Segunda Edición.

Corchado, J. Modelos y Arquitectura de Agentes. Formato PDF. Disponible en: http://bisite.usal.es/archivos/c1%20(1).pdf