center

UD02: Modelos de IA y resolución de problemas

Modelos de Inteligencia Artificial

version: 2026-08-24
Modelos de Inteligencia Artificial 26-27 (UD02_1)

¿Qué veremos?

  1. Sistema de resolución de problemas y búsqueda
  2. Clasificación de modelos de IA
  3. Automatización de tareas
  4. Razonamiento impreciso: lógica difusa
  5. Sistemas basados en reglas
  6. Adecuación del modelo, y Robocode como caso completo
Modelos de Inteligencia Artificial 26-27 (UD02_1)

RA2 y sus criterios de evaluación

RA2: implementa sistemas de resolución de problemas con modelos de IA.

CE Criterio
a Requisitos de un SRP
b, c Clasificación de modelos de IA y automatización de tareas
d, e Razonamiento impreciso y sistemas basados en reglas
f Adecuación del modelo
Modelos de Inteligencia Artificial 26-27 (UD02_1)

Hilo conductor de la unidad

Antes de programar IA hay que saber formalizar un problema y elegir bien el modelo.

Modelar → clasificar → automatizar → razonar (difuso y por reglas) → decidir → implementar.

El cierre de la unidad, Robocode, recorre las seis fases con un bot de combate real.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

1. Sistema de resolución de problemas (RA2-a)

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Cinco requisitos de un SRP

  1. Representación: elegir estructura y modelo fieles al problema.
  2. Razonamiento y decisión: lógica, aprendizaje o búsqueda heurística.
  3. Aprendizaje y adaptabilidad: mejorar con la experiencia.
  4. Eficiencia computacional: respuestas rápidas y escalables.
  5. Interacción con las personas usuarias: interfaz comprensible.
Modelos de Inteligencia Artificial 26-27 (UD02_1)

El espacio de estados

center

Un problema bien planteado responde a: ¿estado inicial?, ¿acciones aplicables?, ¿modelo de transición?, ¿test de objetivo?, ¿coste de camino?

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Ejemplos clásicos de representación

Problema Representación Detalle
Jarras 8-5-3 [jarra8, jarra5, jarra3] De [8,0,0] a [4,4,0]
Misioneros y caníbales ⟨m,c,barca⟩ De ⟨3,3,1⟩ a ⟨0,0,0⟩
8-reinas Permutación de 1..8 40.320 arreglos, 92 soluciones
15-puzzle Matriz 4×4 ≈10,46·10¹² estados
Modelos de Inteligencia Artificial 26-27 (UD02_1)

La explosión combinatoria

El número de estados crece exponencialmente con el tamaño del problema (factor de ramificación b elevado a profundidad d).

Un espacio real (rutas de reparto, planificación) es enorme: hace falta una estrategia de búsqueda y, cuando se puede, una heurística.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

BFS, DFS y A*

Criterio BFS DFS A*
Estructura Cola (FIFO) Pila (LIFO) Cola de prioridad f=g+h
Completa No
Óptima Sí (coste unitario) No Sí (heurística admisible)
Cuándo usar Camino más corto en pasos Exploración exhaustiva Ruta óptima con costes variados
Modelos de Inteligencia Artificial 26-27 (UD02_1)

Heurística: A* en el 8-puzzle

f(n) = g(n) + h(n): coste acumulado más una estimación de lo que falta.

Heurísticas admisibles habituales: número de fichas mal colocadas, o distancia de Manhattan.

Regla práctica (Red Blob Games): usa el algoritmo más simple que puedas — BFS si todos los costes son iguales, A* con la heurística más simple si buscas un único objetivo.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

2. Clasificación de modelos de IA (RA2-b)

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Por paradigma de aprendizaje

Supervisado No supervisado Refuerzo
Datos Etiquetados Sin etiquetas Recompensas
Objetivo Predecir la salida Descubrir patrones Maximizar recompensa
Ejemplos Spam, precio de coche Segmentar clientes AlphaGo, robots

Todo ML es IA, pero no toda IA es ML: reglas y lógica difusa son IA sin aprender de datos.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Por tipo de análisis y por base

Análisis Pregunta Ejemplo
Descriptivo ¿Qué pasó? Informe de ventas
Predictivo ¿Qué pasará? Previsión de demanda
Prescriptivo ¿Qué hacer? Precio óptimo a fijar

Basados en conocimiento (reglas explícitas, interpretable) frente a basados en datos (ML/DL, flexible pero caja negra).

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Mapa de los modelos de IA

center

Modelos de Inteligencia Artificial 26-27 (UD02_1)

3. Automatización de tareas (RA2-c)

Modelos de Inteligencia Artificial 26-27 (UD02_1)

RPA frente a IA

RPA IA
Qué hace Hace: replica tareas en la interfaz Piensa: reconoce patrones y decide
Base Reglas predefinidas Datos y modelos
Se adapta No Sí, con la experiencia

RPA no es IA: se complementan — la IA decide, el RPA ejecuta. IA + BPM + RPA = automatización inteligente.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Agentes software y tareas cognitivas

De más simple a más avanzado: reflejo simple → reflejo con modelo → basado en objetivos → basado en utilidad → con aprendizaje.

Tareas cognitivas automatizables: extracción (OCR, NER), clasificación (spam, prioridades, reconocimiento de voz) y generación (IA generativa).

Modelos de Inteligencia Artificial 26-27 (UD02_1)

4. Razonamiento impreciso: lógica difusa (RA2-d)

Modelos de Inteligencia Artificial 26-27 (UD02_1)

De lo booleano a lo difuso

La lógica clásica solo admite verdadero/falso. La lógica difusa (Zadeh, 1965) permite grados de verdad entre 0 y 1.

Modela la vaguedad del lenguaje humano — la probabilidad, en cambio, modela la incertidumbre.

Ejemplo: "18 ºC es frío con 0,7" en vez de "18 ºC es frío: sí/no".

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Funciones de pertenencia

Función Forma Uso típico
Triangular Pico en un punto Variables simples
Trapezoidal Meseta central Intervalos
Gaussiana Campana suave Variables continuas
Sigmoidal Escalón suave Extremos

Se recomiendan entre 3 y 7 curvas por variable, solapadas para que no existan huecos.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

El sistema de inferencia difuso (FIS)

center

Dos familias: Mamdani (salida difusa defuzzificada, la usa scikit-fuzzy) y Sugeno/TSK (salida funcional).

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Lógica difusa en el mundo real

Metro de Sendai (frenado y aceleración) · autofocus de Canon (13 reglas, 1,1 KB) · ABS de los frenos · lavadoras y aires acondicionados.

Control de tráfico: ajuste de semáforos según el flujo vehicular en tiempo real.

Apoyo al diagnóstico médico: valoración preliminar cuando los resultados de las pruebas no son concluyentes.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Práctica: el problema de la propina

calidad = ctrl.Antecedent(np.arange(0, 11, 1), 'calidad')
servicio = ctrl.Antecedent(np.arange(0, 11, 1), 'servicio')
propina = ctrl.Consequent(np.arange(0, 26, 1), 'propina')

regla1 = ctrl.Rule(calidad['mala'] | servicio['pobre'], propina['baja'])
sim.compute()
# Propina sugerida: ~20%

scikit-fuzzy==0.5.0: fija la versión, es una librería semi-mantenida.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

5. Sistemas basados en reglas (RA2-e)

Modelos de Inteligencia Artificial 26-27 (UD02_1)

El ciclo reconocer-actuar

center

Motores industriales usan el algoritmo RETE (Forgy, 1974) para no reevaluar todas las reglas.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Encadenamiento, CLIPS y experta

Hacia delante (data-driven): parte de los hechos, deduce hechos nuevos — lo usan CLIPS y experta.

Hacia atrás (goal-driven): parte de una meta y pregunta solo lo necesario — propio del diagnóstico (MYCIN).

experta: librería Python inspirada en CLIPS, fork de pyknow, motor RETE con sintaxis nativa.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Reglas en el día a día

Sistemas de recomendación: Amazon sugiere productos con reglas sobre el historial de compras.

Soporte al diagnóstico médico: reglas sobre síntomas dan una recomendación preliminar antes de la atención profesional.

Ventaja frente al ML: el razonamiento es transparente y explicable.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Práctica con experta

# PARCHE para Python 3.10+
if not hasattr(collections, 'Mapping'):
    collections.Mapping = collections.abc.Mapping
from experta import *

class DiagnosticoVehiculo(KnowledgeEngine):
    @Rule(Fact(bateria="descargada"), Fact(luces="no_encienden"))
    def bateria(self):
        self.declare(Fact(causa="bateria_descargada"))
Modelos de Inteligencia Artificial 26-27 (UD02_1)

Sistemas expertos que cambiaron su sector

Sistema Origen Dato relevante
MYCIN Stanford, 1972 65-70 % de acierto
XCON/R1 DEC, 1978 ~25 M$/año de ahorro
SID DEC, años 80 93 % de puertas del VAX 9000

Reglas si el dominio está acotado y hace falta explicabilidad; ML si hay datos y patrones complejos.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

6. Adecuación del modelo (RA2-f)

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Cinco criterios para elegir modelo

Datos disponibles · explicabilidad exigida · coste de cómputo y mantenimiento · precisión requerida · tiempo real o latencia admisible.

La regla de oro: empieza simple. Reglas o heurística → árbol/regresión → ensamble → deep learning, solo si hace falta.

El teorema No Free Lunch (Wolpert y Macready, 1997): ningún algoritmo es mejor en promedio sobre todos los problemas.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Caso de estudio: Robocode

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Robocode como sistema de resolución de problemas

Representación: el estado del bot y del campo de batalla en variables legibles cada turno. Razonamiento: reglas fijas, lógica difusa o una combinación para decidir disparo y movimiento.

Eficiencia: decisión en tiempo real, turno a turno. Adecuación (CE f): sin datos previos, el punto de partida es la regla o heurística, no el ML.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Puntos clave de la unidad

Un SRP se formaliza con estado inicial, acciones, transición, objetivo y coste; BFS/DFS/A* recorren el espacio de estados con garantías distintas. Los modelos se clasifican por aprendizaje, análisis y base (conocimiento/datos).

RPA hace, la IA piensa; la difusa modela vaguedad, las reglas ejecutan reconocer-actuar. Elegir modelo (CE f): datos, explicabilidad, coste, precisión, tiempo real — empieza simple.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

La unidad en la práctica

5 talleres: control difuso (scikit-fuzzy) · sistema de reglas (experta) · preparar el entorno · GitHub · Markdown.

Actividad entregable: Robocode Tank Royale, del 23 de noviembre al 3 de diciembre.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

Evaluación

Peso Instrumento
40 % Talleres + Robocode
60 % Prueba escrita del RA2

Hace falta un 5 o más en el RA para superarlo.

Modelos de Inteligencia Artificial 26-27 (UD02_1)

¿Preguntas?

Diapositivas, apuntes y talleres en el sitio del módulo.

Cada bloque de este índice se corresponde con un criterio de RA2: bloque 1 con RA2-a, bloque 2 con RA2-b, bloque 3 con RA2-c, bloque 4 con RA2-d, bloque 5 con RA2-e y bloque 6 con RA2-f.

La unidad son 12 horas repartidas entre las semanas 7 y 10 del curso, del 9 de noviembre al 3 de diciembre.

Los cinco requisitos no son independientes entre sí: un sistema puede cumplir muy bien cuatro y fallar por el quinto, como un algoritmo de búsqueda óptimo que nadie sabe usar porque no tiene una interfaz comprensible.

AIMA es "Artificial Intelligence: A Modern Approach", el manual de referencia de Stuart Russell y Peter Norvig que fija estos cinco elementos formales de un sistema de resolución de problemas.

En las 8 reinas, sin restricciones (cualquier casilla del tablero) hay 4.426.165.368 arreglos posibles; limitando a una reina por columna se reduce a 8!=40.320. En el 15-puzzle, las soluciones óptimas pueden necesitar hasta 80 movimientos.

En memoria, BFS y A* son O(b elevado a d) en el peor caso porque guardan todos los estados de un nivel; DFS es mucho más ligera, O(b por d), porque solo mantiene el camino actual.

La distancia de Manhattan suma, para cada ficha, los pasos horizontales y verticales que le faltan hasta llegar a su posición correcta en el objetivo.

En scikit-learn, el supervisado se implementa con regresión logística, SVM o árboles; el no supervisado con k-means, DBSCAN o PCA; el de refuerzo queda fuera del stack estándar del curso.

Gartner llama al análisis prescriptivo "la última frontera" de la analítica, porque no se limita a predecir sino que recomienda o ejecuta directamente la decisión óptima.

El diagrama se simplifica para la diapositiva: dentro de "basados en conocimiento" también entran los sistemas expertos (MYCIN, XCON), y dentro de Machine Learning se distinguen supervisado, no supervisado y refuerzo.

BPM son las siglas de Business Process Management (gestión de procesos de negocio): la capa que orquesta los flujos y conecta la decisión de la IA con la ejecución del RPA.

OCR es el reconocimiento óptico de caracteres y NER el reconocimiento de entidades nombradas (named entity recognition); son las dos técnicas típicas de extracción. Google Speech-to-Text y Microsoft Azure Speech Service son ejemplos de sistemas de reconocimiento de voz que automatizan la transcripción.

En scikit-fuzzy cada función tiene su propia llamada: trimf para la triangular, trapmf para la trapezoidal, gaussmf para la gaussiana y sigmf para la sigmoidal.

En Sugeno/TSK la salida de cada regla no es un conjunto difuso sino una función z=f(x,y); resulta menos intuitiva que Mamdani pero más eficiente para tareas de control.

El Metro de Sendai es de 1987. El autofocus de Canon usa 12 entradas (claridad y velocidad del objetivo) para sus 13 reglas. Otro caso histórico son los hornos de cemento de Dinamarca (1976) y los aires acondicionados Mitsubishi, que calientan y enfrían 5 veces más rápido con un 24 % menos de consumo.

CLIPS son las siglas de C Language Integrated Production System. Lo desarrolló la NASA entre 1985 y 1996, y es de dominio público desde 1996.

experta es de 2019 (versión 1.9.4) y fija frozendict==1.2, que a su vez usa collections.Mapping, eliminado en Python 3.10; por eso hace falta el parche antes del import.

MYCIN usaba encadenamiento hacia atrás y factores de certeza sobre unas 500-600 reglas. La tabla no incluye Dendral (Stanford, años 70), considerado el primer sistema experto completo, dedicado a identificar moléculas orgánicas.

La regla de "empieza simple" coincide con varias fuentes: la guía de problem framing de Google, el mapa de selección de estimadores de scikit-learn y la recomendación de Azure ML de probar varios algoritmos en paralelo. Un estudio con 45 datasets tabulares (unas 10.000 muestras) mostró que los modelos basados en árboles siguen siendo estado del arte y más rápidos de entrenar que el deep learning.

La exigencia de un 5 en cada RA viene del art. 5.1 de la Orden 8/2025 (la calificación depende de la consecución de los RA) y de las Instrucciones 26-27, que impiden aprobar un módulo con algún RA no superado.