Nace en la Universidad de Sevilla el IAI-Lab: Laboratorio de Inteligencia Artificial Inmersiva con el objetivo de proporcionar a los miembros de la Universidad un lugar donde investigar cómo integrar los últimos avances de la IA/ML con las técnicas más novedosas para experiencias inmersivas (AR+VR). Pulsa aquí para saber más.
Nuevo Lab: IAI-Lab
Sistemas Deductivos Proposicionales
En temas anteriores hemos visto algunos algoritmos para resolver el problema de la deducción, por ejemplo, por medio de Tableros Semánticos o DPLL, todos ellos basados en el hecho de que: $\Sigma\models A \Leftrightarrow \Sigma \cup \{\neg A\}\mbox{ es insatisfactible}$. Sin embargo, esta forma (que sería algo parecido a hacer una reducción al absurdo) no es la más habitual (ni más clásica) de abordar el problema de la deducción. En muchas áreas (por ejemplo, matemáticas, sitio por excelencia de la deducción formal) es más normal acudir al concepto de demostración, que parte de un conjunto de enunciados básico que actúa como conjunto de axiomas (o hipótesis), y que asumimos como ciertos inicialmente, y de un proceso constructivo por el que vamos obteniendo una sucesión de enunciados intermedios, deducibles unos a partir de otros, hasta llegar al resultado que queremos demostrar.
Formas Prenex, de Skolem y Teorema de Herbrand
Al igual que vimos cómo extender los Tableros Semánticos de LP a LPO, en este capítulo vamos a ver los fundamentos necesarios para extender las Formas Normales y Formas Clausales vistas en LP a un formato igualmente útil en LPO. El objetivo no solo es disponer de fórmulas equivalentes, sino ver hasta qué punto podemos trasladar los algoritmos que se desarrollan para LP al contexto de Primer Orden.
Formas Normales, Cláusulas y Algoritmo DPLL
En este tema vamos a abordar los métodos más comunes de preprocesamiento de fórmulas LP, que también serán aplicables a fórmulas LPO, y mostraremos uno de los algoritmos centrales para $SAT$ que hace uso de este preprocesamiento, $DPLL$, en el que se basan la gran mayoría de métodos actuales que abordan ese problema.
Construir un buscador desde cero
En esta entrada vemos cómo se pueden implementar de forma muy sencilla buscadores en Espacios de Estados en un lenguaje con características funcionales. La idea no es presentar implementaciones muy eficientes, sino únicamente encontrar patrones comunes y flexibles que permiten estas representaciones y posibles ampliaciones y adaptaciones futuras.
- « Página anterior
- 1
- 2
- 3
- 4
- …
- 30
- Página siguiente »
ALGUNAS ENTRADAS ANTERIORES ... AL AZAR
Metaheurísticas: Búsqueda y Optimización
Otro nombre habitual que se le da a la perspectiva de obtener estrategias en IA es metaheurística. En este contexto, una heurística es un algoritmo que localiza soluciones "suficientemente buenas" para un problema pero sin preocuparse de si se puede probar que la solución sea correcta u óptima. Los métodos heurísticos compensan la precisión y calidad de las soluciones con la eficiencia computacional (en espacio y tiempo). Al igual que las heurísticas, las metaheurísticas pueden ser consideradas un marco algorítmico general que puede ser aplicado a diferentes problemas de optimización con ligeras modificaciones para adaptarlos a los problemas específicos.
Búsquedas Locales
Hasta ahora hemos visto métodos de resolución de problemas en los que el objetivo era buscar un camino en un espacio de estados, pero podemos encontrarnos que no siempre es factible esta aproximación. Ya sea porque este planteamiento resulte demasiado artificial y lejano al problema porque no haya operadores de transición, porque no sea natural asociar una función de coste a dichos estados, o porque no hay posibilidad de hallar una solución óptima debido a que el tamaño del espacio de búsqueda es demasiado grande, y en este caso nos conformamos con una solución que podamos considerar suficientemente buena.
