Introducción a las Redes Neuronales Artificiales

INTRODUCCIÓN

Con el transcurso de los años los seres humanos se han preguntado como funciona el cerebro, como se genera el pensamiento, y como el cerebro controla todas acciones del cuerpo, gracias a los avances tecnológicos se han ido revelando las respuestas de cada una de estas interrogantes.

La inteligencia artificial es la ciencia encargada de la creación de entidades inteligente que piensen y actúen como los seres humanos es por ellos que es necesario estudiar el  cerebro humano que esta formado por neuronas que se encargan de transmitir la información de los estímulos externos que se perciben del ambiente  mediante impulsos nerviosos, para crear un sistema similar que actué de la manera en la que lo hace el cerebro humano.

OBJETIVO

El objetivo de la siguiente publicación es conocer cuales son los fundamentos biológicos que influyeron en la creación de las redes neuronales artificiales, que es una red neuronal artificial, como funciona, cual es la estructura básica de estas neuronas y en que basan su aprendizaje.

MARCO TEÓRICO

Las redes neuronales artificiales también conocidas como RNA son unidades de procesamiento de información en donde cada neurona recibe una serie de entradas a través de interconecciones y emite una salida, las RNA son modelo artificial que intenta imitar la forma en la que el cerebro humano recibe las percepciones del ambiente y como procesa la información haciendo uso de las neuronas biológicas. Su estructura es similar a las de las neuronas biológicas formada por neuronas interconectadas entre si formando un tipo de red de coneccion de donde proviene el nombre de RNA.

Para el estudio de la inteligencia artificial es necesario conocer los dos campos de estudio que son:

La inteligencia artificial simbólica: Es el área encargada de la construcción de sistemas con características identificables como inteligentes, es la manera cómo nos enfrentamos a un problema y como lo resolvemos.

La inteligencia artificial subsimbólica: Es la encargada del estudio de los sistemas genéricos que con el paso del tiempo son capaceas de resolver un problema, esta estudia los mecanismos físicos que permiten que seamos denominados inteligentes así como el cerebro y su funcionamiento lógico, y las redes neuronales artificiales.

• Capa de entrada: Esta capa es la encargada de percibir las percepciones o señales de entrada del entorno.

• Capa oculta: Esta capa es la encargada del procesamiento interno de la red y a diferencia de la capa de entrada esta no recibe ningún estimulo del entorno.

• Capa de salida: Esta capa se encarga una respuesta o señal de salida ante los estímulos recibidos por las otras capas. 

• Paradigma de aprendizaje: Es la información con que dispone la red.

• Regla de aprendizaje: Son los principios que gobiernan el aprendizaje de la red.

• Algoritmo de aprendizaje: Es el procedimiento numérico de ajuste de los pesos.

• Aprendizaje supervisado: Es cuando la red neuronal trata de minimizar entre el erro de salida que calcula y el que se espera dependiendo que esta salida sea la deseada.

• Aprendizaje no supervisado: Es cuando la red neuronal conoce los patrones que determinaran la respuesta deseada.

El objetivo de las RNA es conseguir que la red aprenda automáticamente las propiedades que tiene que ver con la selección del modelo de la red, las variables a incorporar y el conjunto de entrenamiento.

Fundamentos biológicos de las redes neuronales

El sistema de comunicación neuronal de los seres humanos y los animales esta formado por  el sistema nervioso y el sistema hormonal que esta que para percibir su entorno lo hace a través de los órganos efectores que nos permiten realizar una accion dependiendo del tipo de estimulo que se halla recibido, el objetivo del sistema nervioso es recopilar la información, procesarla, almacenarla y transmitirla de neurona en neurona.

Los tres aspectos que interviene en el proceso de comunicación del sistema nervioso son los siguientes:

El funcionamiento de las neuronas biológicas se da en base a sus partes, cada una realiza una función especifica durante el proceso de comunicación de la neuronas, y tenemos las siguientes:

Núcleo: Es el encargado de procesar la información recibida y de enviarla a través del axón.

Axón: El axón se encarga de transmitir los impulsos nerviosos en forma de frecuencia.

Sinapsis: Es la comunicación que se da entre una neurona y otra a través de botones terminales, estos botones terminales actúan como amplificadores. 

Dendritas: Estas propagan la señal al interior de la neurona.

Imagen 1 : Modelo de red neuronal biológica

Modelo computacional

La diferencia entre las redes neuronales artificiales y los programa de computadora convencionales, es que estas redes neuronales elaboran la información de entrada para obtener una salida o respuesta. Este proceso de elaboración de la información dependerá de las característica con las que cuente la red neuronal y de sus funciones. Existen muchos tipos de modelos de redes neuronales en los cuales se siguen distintos filosofías de diseño, reglas de aprendizaje y funciones de construcción para cada tipo de respuesta diferente. 

La neurona artificial

La neurona artificial para realizar su trabajo recibe los estímulos de entrada de las neuronas vecinas y se encarga de calcular un valor de salida para enviarla al resto de neuronas, estas señales de entrada provienen de los sensores los cuales permitirán a la neurona su activación a partir de las señales que ha recibido, lo cual servirá para la activación de la red neuronal. En cambio las unidades de salida de la información de una neurona se encargaran de emitir una señal que sera enviada fuera de sistema neuronal y hacia la entrada de otra neurona por medio de la sinapsis. El cuerpo neuronal se encarga de la producción de la función de activación que permitirá que la información se envié  a otras neuronas para que exista comunicación. 

Imagen 2: Modelo de neurona artificial

Estructura básica de la red

Las neuronas artificiales se conectan entre si formando un patrón de conectividad o arquitectura de red, esta interconexión de neuronas actúa como una ruta de comunicación entre las distintas capas con las que cuenta la red neuronal, la cual se agrupa en tres capas llamadas también unidades estructurales, en donde capa cuenta con neuronas que suelen ser del mismo tipo. Cada capa tiene una función especifica durante el proceso de comunicación y esta funciones suelen ser:

Aprendizaje

El aprendizaje es la parte mas importante de las redes neuronales artificiales, cada esquema de aprendizaje determina el tipo de problema al que se enfrentara la red neuronal, existen tres conceptos fundamentales en el aprendizaje de las neuronas artificiales, los cuales son:

Dentro de los paradigmas de aprendizaje podemos encontrar dos tipos de aprendizaje que determinar la función de la red, estos tipos son:

La ventaja de estos procesos de aprendizaje es que una vez que la red ha aprendido podrá funcionar como un modo de recuerdo o de ejecución sin la necesidad de que estos procesos se lleven mucho tiempo. 

CONCLUSIÓN

Las redes neuronales artificiales son un gran avance en el campo de la inteligencia artificial ya que ayuda a resolver de una mejor manera los problemas en los que encuentre los agentes de la forma en la que el cerebro humano lo realiza, aunque para realizar estos procesos sea necesario de mucho tiempo, las ventajas de estas redes neuronales han demostrado ser satisfactorias y se espera que se puedan crear sistema con redes neuronales artificiales capaces de adaptarse a cualquier entorno.

BIBLIOGRAFÍA 

Isasi, P y Galván,I. 2004. Redes neuronales artificiales: Un enfoque práctico. 1 ed. España.  Pearson Education. p 248

Estructura de los Agentes

INTRODUCCIÓN

Hasta el momento hemos hablado de lo que son los agentes, como estos perciben su entorno mediante sensores y como actúan a través de los actuadores, conocemos como un agente puede pensar y actuar de manera racional, las medidas de rendimiento que este puede tener dependiendo del tipo de entorno en el que se desenvuelva y las propiedades de cada uno de estos estos, pero solo conocemos como los agente actúan externamente es hora de conocer que procesos realizan internamente para llevar a cabo cada una de estas acciones que o convierten en agente racionales. 

Como hemos mencionado con anterioridad el objetivo de la inteligencia artificial es la creación de entidades que piensen y actúen racionalmente como lo hacen los humanos por lo cual es necesario conocer cual es la estructura interna de estos agentes inteligentes.

OBJETIVO

El objetivo de esta publicación es conocer cual es la estructura interna de los agentes inteligentes, los diversos programas de agentes que existen y la manera en que estos agentes aprenden.

MARCO TEÓRICO

Para conocer como los agentes trabajan internamente la inteligencia artificial a diseñado el programa de agentes que implementa la función de los agentes y es la encargada de proyectar como estos agentes transforman las percepciones en acciones, se asume que este programa de agentes sera ejecutado por algún tipo de ordenador con sensores y actuadores físicos conocido como arquitectura que forma parte del agente.

Programa de los agentes

El programa de los agentes es el que se encarga de aplicar los métodos de las funciones de los agentes inteligentes, existen diversos tipos de programas de agentes que varían dependiendo de cual sera su eficiencia y que tipo de información reflejaran de como realizan los procesos de decisión que tiene el agente. Para esto es necesario saber que el diseño de los programas de agentes dependen en gran parte de la naturaleza del entorno que rodea al agente, hay que tener en cuenta que los programas de agentes toman las percepciones actuales del medio como entrada y que la función del agente recibe las percepciones completas.

Agentes reactivos simples

Los agentes reactivos simples son los tipos de agentes mas sencillos que existen, estos agentes responden directamente a las percepciones actuales ignorando las secuencias de percepciones que como sabemos es un historial de todas las acciones que ha realizado el agente.

Agentes reactivos basados en modelos 

Los agentes reactivos basados en modelos son aquellos agentes que mantienen un estado interno que les permite manejar la visibilidad parcial de la información de las partes del mundo que no pueden ver, esto quiere decir que pueden seguir el rastro de los aspectos que no son evidentes de las percepciones actuales.

Agentes basados en objetivos

Un agentes basado en objetivos es aquel que actúa con la intención de saber hacia donde debe llegar, es aquel agente que intenta alcanzar sus metas, una vez que determina cual es su meta escoge cual de todas las secuencias de acciones es la optima para alcanzarla.

Agentes basados en utilidad

 Un agente basado en utilidad es aquel agente que no solo intenta alcanzar su objetivo si no que para alcanzarlo lo hace de la manera mas eficiente posible , este agente intenta maximizar su felicidad deseada a través de la secuencia mas optima para alcanzar su meta.

Agentes que aprenden

 Los agentes aprenden son aquellos agentes que operan en medios inicialmente desconocidos y en donde sean mas competentes, la forma en que estos agentes aprenden proviene del elemento de aprendizaje  que es el encargado de hacer las mejoras y del elemento de actuación que es el encargado de la selección de las acciones externas.

CONCLUSIÓN

Es necesario conocer como los agentes realizan sus procesos internos para tomar una decisión en base a las percepciones que recibe del entorno, Los programas de agentes son los encargados de proyectar como estos agentes transforman las percepciones en acciones.

El objetivo de la Inteligencia Artificial es la creación de entidades inteligentes que razonen de la misma manera en la que los seres humanos lo hacen.

BIBLIOGRAFÍA 

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

La Naturaleza del Entorno

INTRODUCCIÓN

Para conocer cual es la naturaleza del entorno de los agentes inteligentes fue necesario conocer el objetivo de la inteligencia artificial que es la creación de agente inteligentes que piensen y actúen como los seres humanos lo hacemos, para ello fue necesario conocer que eran los agentes inteligentes, como reaccionan al entorno en el que se encuentran y como estos pueden convertirse en agentes racionales.

Los entornos en los que los agentes racionales se desenvuelven determinan cual sera la medida de rendimiento del agente y como estará diseñado para enfrentar los problemas que se pueden presentar en el ambiente.

OBJETIVO

El objetivo de esta publicación es conocer las especificaciones y las propiedades de los entornos de trabajo de los agentes inteligentes.

MARCO TEÓRICO

Una vez que ya conocemos el concepto de racionalidad y como un agente inteligente puede llegar a ser racional, podemos comenzar con el estudio de los entornos de trabajo en los que se desenvuelven los agentes racionales que son los principales problemas para los que agente ha sido desarrollado.

Especificación del entorno de trabajo

Se podría definir como entorno de trabajo al ambiente de trabajo en donde los agentes racionales se desenvolverán y darán solución a los problemas que estos presenten. Para esto la inteligencia artificial deberá tener en cuenta las medidas de rendimiento conocidas como REAS cuyo significado es el siguiente:

Cabe recalcar que cada agentes racionales posee una medida de rendimiento diferente y que esta depende del tipo de entorno en el cual se desenvuelva el agente inteligente. 

Propiedades de los entornos de trabajo

Los entornos de trabajo que tiene cada uno de los agentes racionales puede variar dependiendo del tipo de agente que se valla a desenvolver, la clasificación de estos entornos de trabajo influye en el diseño de los agentes racionales.

• Totalmente observable VS Parcialmente observable

Un entorno es totalmente observable cuando todos aspectos que influyen en la toma de decisiones son detectados por los sensores, en cambio un agente parcialmente observable es cuando los sensores no logran detectar todos los aspectos que influyen en la toma de decisiones por problemas como los mismos sensores que no son los adecuados para los agentes o por el ruido.

• Determinista VS Estocastico

Un entorno es determinista cuando se detecta el nuevo estado de esta a través del estado actual y de las acciones del agente, para que un entorno sea estocástico es necesario que sea todo lo contrario del entorno determinista, un entorno es estocástico cuando se basa de las probabilidades y de la incertidumbre de no saber que es lo que podra suceder en su entorno.

• Episodico VS Secuencial

Para que un entorno sea episodico es necesario dividir las acciones del agente en episodios, estos episodios consisten en la percepción que pueda tener el agente y la realización de una única acción posterior, un entorno es secuencial cuando las acciones del agente pueden cambiar el resto de las acciones futuras.

• Estático VS Dinámico

Un entorno es estático cuando cuando las acciones del agente no cambian cuando este se encuentre tomando una decisión, pero se dice que un entorno es dinámico cuando  las acciones del agente se encuentren afectadas por los cambios constantes del entorno.

• Discreto VS Continuo

Un entorno es discreto cuando sus percepciones, el tiempo, el medio en el que se desenvuelve y las acciones del agente  no son infinitos, estos es todo lo contrario al entorno continuo que es cuando sus percepciones, el tiempo, el medio en el que se desenvuelve y las acciones del agente son infinitos.

• Agente Individual VS Agente Múltiple

Un agente individual es el aquel agente que no depende de otros agentes para cumplir sus medidas de rendimiento y su objetivo primordial, lo que es todo lo contrario a los agente múltiple que para cumplir con su objetivo primordial y sus medidas de rendimiento dependen de otros agentes.

CONCLUSIÓN

Para el diseño de un agente inteligente racional es necesario conocer cuales son sus medidas de rendimiento conocidas como REAS y en que tipo de entorno se desenvolverá el agente. 

Un agente inteligente racional pueden tener varios entornos así mismo como distintas medidas de rendimiento que serán las encargadas de determinar el correcto funcionamiento del agente para que este logre cumplir con su objetivo primordial. 

BIBLIOGRAFÍA 

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

Buen Comportamiento: el Concepto de Racionalidad

INTRODUCCIÓN

La inteligencia artificial desde sus inicios ha estudiado la manera en la que los seres humanos pensamos y actuamos racionalmente, su objetivo primordial se basa en este principio el cual es la creación de entidades inteligentes que piensen y actúen de la forma en la que lo hace un ser humano. Estas entidades inteligentes también llamadas agentes racionales son capaces de actuar de la forma mas correcta posible dentro de su ambiente de trabajo mediante los ya conocidos sensores y actuadores que imitan las sensaciones y acciones que realiza un ser humano.

Para lograr que estos agentes inteligentes actúen y piensen de manera correcta es necesario que cuenten con autonomía y que no dependan únicamente de las acciones que hallan sido programadas por los desarrolladores, para esto es necesario que estos agentes posean la capacidad de aprender de las acciones que se presentan dia a dia en su entorno.

OBJETIVO

El objetivo de esta nueva publicación es conocer cuales son las medidas de rendimiento de estos agentes inteligente, la manera en que piensan y actúan como humanos, la capacidad de aprendizaje de estos así como la capacidad de autonomía y omnisciencia que estos pueden lograr tener.

MARCO TEÓRICO

Como ya sabemos la inteligencia artificial para su estudio utiliza entidades conocidadas como agentes, estos son capaces de percibir su entorno mediante las percepciones que detectan los sensores y de realizar una acción mediante los actuadores dependiendo del tipo de entorno en el que se desenvuelva, pero el objetivo principal de la IA es la de crear agentes que piensen y actúen como los seres humanos, a estos agentes se los conoce como agentes racionales que son capaces de desenvolverse en un entorno y escoger la opción mas factible dependiendo de lo que correcto y lo que no lo es, estos tipos de agentes poseen ciertas características como:

• Reactivo: Capaz de responder a nuevos cambios en su entorno.
• Pro-activo: Capaz de cumplir con su objetivo primordial.
• Social: Capaz de comunicarse con otro de agente que lo rodeen.

Estas características  hacen que estos tipos de agentes inteligentes puedan desenvolverse en cualquier tipo de entorno que los rodee en base a la medida de rendimiento mas eficiente posible.

Medidas de rendimiento

Las medidas de rendimiento de un agente inteligente es la que define que el comportamiento de este sea el mas eficiente, para que esta medida de rendimiento sea la adecuada el agente deberá hacer uso de sus secuencias de percepciones que no es mas que un historial de las acciones que este halla realizado con anterioridad, así como existen agentes diseñados para cada tipo de entorno también existen medidas de rendimiento para cada uno de ellos, estas determinan si el agente esta respondiendo correctamente ante su objetivo primordial.

Racionalidad

Para lograr que un agente inteligente sea razonable tiene que depender de estos cuatro factores:

• La medida de rendimiento que define el criterio de éxito.
• El conocimiento del medio en el que habita acumulado por el agente.
• Las acciones que el agente puede llevar a cabo.
• La secuencia de percepciones del agente hasta este momento.

Estos cuatro factores son elementales para lograr que el agente inteligente actué de la manera mas eficiente posible, maximizando sus medidas de rendimiento en base a sus secuencias de percepciones.

Omnisciencia

Como todos sabemos la omnisciencia es la capacidad de saber lo sucederá en un futuro sin que esto halla ocurrido antes, este concepto puede sonar un poco perturbador ya que sabemos que es imposible que exista un ser humano o un agente inteligente que logre conocer con exactitud lo que sucederá sin que halla pasado. 

Pero lo que si es posible es que el agente inteligente haga uso de sus secuencias de percepciones para llevar a cabo sus tareas modificando sus acciones futuras en base a estas, para ello es necesario que el agente recopile información y explore su entorno.

Aprendizaje

 Para que los agentes inteligentes sean capaces de aprender es necesario que estos conozcan sus secuencias de percepciones para que sepan actuar de manera correcta o incorrecta. Aunque también existe agentes que solo hacen uso de sus secuencias de percepciones esto no quiere decir que estén aprendiendo, se podría decir que estos agentes conocen a la perfección su entorno de trabajo y que no hacen uso de sus nuevas percepciones por lo que se convierten en agentes no racionales. Es necesario que los agente inteligentes hagan uso de sus secuencias de percepciones y de sus nuevas percepciones para decir que son agentes que aprenden.

Autonomía

Un agente autónomo es aquel que hace uso de las percepciones del ambiente mas que en la secuencia de acciones que han sido programadas por los desarrolladores, se dice que los agentes que siguen las acciones que han sido codificadas por los desarrolladores carecen de autonomia, pero esta afirmación no es totalmente correcta ya que si el agente se  encuentra en un nuevo entorno hará uso de su secuencia de percepciones hasta que logre adaptarse a este ambiente logrando de esta manera volverse autónomo. Existen dos tipos de agentes inteligentes autónomos como los que basan su conducta en base a la experiencia de sus percepciones y los que basan su conducta a partir de su red neuronal.

CONCLUSIÓN

Un agente inteligente racional es aquel que por medio de sus percepciones detecta su ambiente y actúa de la manera mas correcta posible, estos agente tienen que establecer sus medidas de rendimiento para cumplir con su objetivo primordial.

Sin embargo estos agente no son capaces de conocer todo lo que sucederá a futuro ya que ni si quiera los seres humanos lo han logrado, para que el agente inteligente se vuelva racional deberá aprender de sus secuencias de percepciones lo que lo llevara a convertirse en un agente inteligente que actué de manera autónoma.

BIBLIOGRAFÍA 
Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

Agentes Y Su Entorno

INTRODUCCIÓN

En las publicaciones pasadas aprendimos que era la inteligencia artificial, cuáles eran sus fundamentes y cuál fue su historia. Pero para que la inteligencia artificial sea más que solo teoría, es necesario que todo esto sea aplicado y para ello hacen uso de los agentes, que son entidades capaces de percibir el entorno que los rodea.

En esta nueva publicación aprenderemos que son los agentes, cuáles son las principales piezas que los conforman, que es un programa de agentes y que tipos de agentes existen.

OBJETIVO

El objetivo principal de esta publicación es dar a conocer como un agente se relaciona con el entorno que lo rodea.

MARCO TEÓRICO

¿Qué es un agente?

Para el estudio de la inteligencia artificial es necesario hacer uso de los agentes, estos son entidades capaces de recibir las percepciones del entorno usando sensores y realizar una acción utilizando actuadores.

Imagen 1:Un agente que interactúa con su entorno utilizando sensores y actuadores

Las percepciones son las entradas de datos que los agentes reciben de parte de los sensores y al conjunto de percepciones que el agente ha tenido a lo largo de un determinado tiempo, se les llaman secuencia de percepciones.

Sensores y su función en los agentes

Los sensores son dispositivos capaces de detectar diversos tipos de magnitudes, ya sean físicas o químicas. Entre los sensores más conocidos tenemos los de movimiento, proximidad, térmicos, lumínicos, aceleración, presión, fuerza, humedad, desplazamiento, entre otros.

Imagen 2: Ejemplo de sensor, sensor de detección de humo

Los sensores permiten que los agentes logren percibir las sensaciones del entorno, en la imagen 2 podemos apreciar un sensor que se activa al detectar humo en el ambiente.

Actuadores y su función en los agentes

Los actuadores son piezas mecánicas que brindan movilidad a ciertos elementos, pueden ser desde brazos hidráulicos para cargar grandes cantidades de peso, hasta llantas de horuga utilizadas para la movilidad de tanques o tractores.

Imagen 3: Ejemplo de un actuador, actuador brazo hidráulico

Los actuadores permiten que los agentes logren reaccionar con una acciones ante las órdenes dadas por la unidad de control del agente, en la imagen 3 podemos apreciar un actuador brazo hidráulico que simula el movimiento de un brazo humano.

Tipos de Agentes

Entre los tipos de agentes que podemos destacar tenemos los siguientes:

• Agente humano
• Agente robótico
• Agente de software

Agente humano

Un agente humano es el que recibe percepciones haciendo uso de sus sentidos (tacto, gusto, olfato, audición, vista) y actúa en base estas percepciones.

Agente robótico

Un agente robótico es lo que conocemos como un agente artificial, este recibe percepciones a través de sensores (cámara, ultrasonidos, laser) y realiza sus acciones mediante actuadores (ruedas, brazos articulados).

Agente de software

Los agentes de software reciben percepciones a través de fuentes de datos (teclado, archivos, cámara) y actúan en base a los resultados obtenidos de las mismas (pantalla, archivos).

¿Qué es un programa de agentes?

Los programas de agentes son la implementación completa que ejecuta la arquitectura del agente.

Ejemplo sencillo de un agente:

Como ejemplo de un agente sencillo tenemos el mundo de la aspiradora, cuya función es limpiar el mundo A como el mundo B, la aspiradora percibe si el recuadro en el que se encuentra está sucio o limpio, si se encuentra sucio lo limpia y si se encuentra limpio puede elegir entre moverse al izquierdo, derecho o no hacer nada.

Imagen 4: Ejemplo de agente, mundo de la aspiradora

Imagen 5: Tabla de percepciones recibidas por el agente aspiradora

Algunos agentes tienes tablas de sus secuencias de percepciones en donde se dirigen, esto hace que sean considerados como agentes razonables o no. 

APORTE: BigDog un agente robótico inteligente

BigDog como se le conoce a este robot andador cuadrúpedo dinámicamente estable, fue creado por la NASA y la Universidad de Harvard en el año 2005 con el proposito de que sea exclusivamente de uso militar. Es capaz de caminar o correr a 6,4km/h en terrenos como hielo y recuperarse rapidamente de una caida, su capacidad maxima de carga es de 150kg, mide 0,91 metros de largo, por 0,76 metros de alto y pesa alrededor de 110kg. Un ordenador de a bordo controla la tracción, en base a las entradas que recibe de los múltiples sensores con los que cuenta el robot, así como la navegación y el equilibrio.

BigDog está alimentado por un motor 15-HP go-kart de dos tiempos y un cilindro a 9.000rpm, el cual acciona una bomba hidráulica la cual a su vez acciona los actuadores de las piernas. Cada pierna tiene cuatro actuadores, dos para la unión con la cadera, uno para la rodilla y otro para el tobillo, por lo que cada robot tiene un total de 16. Cada actuador consiste de un cilindro hidráulico, una servo-válvula y sensores de fuerza y posición.

El ordenador de a bordo consta de una placa base PC/104 modificada, con un procesador Pentium 4, utiliza QNX como sistema operativo.

Imagen 6: BigDog, robot inteligente desarrollado por la NASA y la universidad de Harvard 

CONCLUSIÓN

Los agentes son entidades capaces de percibir su entorno y realizar una acción determinada, se pueden diferenciar tres tipos de agentes: humanos, robóticos y de software.
Los agentes registran todas las acciones que realizan ya que cuentan con un historial con la secuencias de las percepciones captadas anteriormente.

BIBLIOGRAFÍA
Bedoya, O. 2012. Inteligencia Artificial. Es consultado el 5 de May. 2015. Formato PDF. Disponible en: http://eisc.univalle.edu.co/~oscarbed/IA/Tema2.pdf
Romero, J; Dafonte, C; Gómez, A; Penousal, J. 2007. Inteligencia Artificial y Computación Avanzada. ES. Colección Informática nº 13. p 400.

Russell, S y Norvig, P. 2008. Inteligencia Artificial Un Enfoque Moderno. 2 ed. España. Pearson Education. p 34-47.

V. Julián, V. Botti. 2000. Agentes Inteligentes: el siguiente paso en la Inteligencia Artificial. ES. Consultado el 4 de Nov. 2014. Formato PDF. Disponible en: http://www.ati.es/novatica/2000/145/vjulia-145.pdf