UNIVERSIDAD KINO
COORDINACIÓN DE INGENIERÍAS
DISEÑO GRÁFICO DIGITAL
PRESENTA:
RESUMEN LIBRO
ROCHA NUÑEZ JULIO CÉSAR
GRUPO:
DGDIE61
Hermosillo, Sonora. Mayo de 2025
2
Es un proceso, conocido como modelado computacional, que consiste en transformar el
problema original —el mundo real— en un espacio de estados manipulable por medios
automáticos. Un problema se caracteriza formalmente mediante tres conjuntos: el
conjunto de estados, el conjunto de operadores o acciones posibles y el conjunto de
condiciones de meta o estado objetivo.
Un estado representa la situación del problema en un momento dado y debe contener
suficiente información para permitir la resolución del problema, aunque sin exceder los
recursos de almacenamiento disponibles. La elección adecuada de los estados es crucial, ya que
influye directamente en la eficiencia de los algoritmos de resolución. El espacio de estados se
representa comúnmente mediante grafos o árboles, donde cada nodo corresponde a un
estado y los arcos representan las acciones o operadores que transforman un estado en
otro.
La resolución de problemas mediante IA se convierte así en un proceso de búsqueda en el
espacio de estados, donde se parte de un estado inicial y se aplican secuencias de acciones
para alcanzar un estado objetivo. Este proceso requiere definir cuatro componentes clave:
el estado inicial, la función sucesor (que describe las acciones posibles desde un estado), el test
objetivo (que verifica si un estado es solución) y la función de costo del camino (que asigna un
costo a cada secuencia de acciones). La calidad de una solución se mide por su costo, y la
solución óptima es aquella con el menor costo.
Además, la representación debe considerar aspectos éticos y sociales, ya que los modelos de IA
aprenden de datos históricos que pueden contener sesgos, como la subrepresentación de
ciertos grupos, lo que puede llevar a decisiones discriminatorias. Por ejemplo, un sistema de
selección de candidatos entrenado con datos en los que las mujeres están menos representadas
tenderá a favorecer a hombres, incluso si ambos están igualmente cualificados. Esto resalta la
importancia de una representación cuidadosa, que no solo sea técnica, sino también ética y
justa.
Diseño Gráfico Digital
3
En conclusión, la representación de los problemas en inteligencia artificial es el punto de
partida fundamental para el desarrollo de sistemas capaces de razonar y tomar decisiones
de manera autónoma. Una buena representación permite a los algoritmos explorar soluciones
de forma eficiente, mientras que una representación inadecuada puede hacer que incluso los
mejores métodos de búsqueda sean ineficaces. Así, comprender cómo definir los estados,
operadores y objetivos no solo mejora el rendimiento técnico de los sistemas de IA, sino que
también contribuye a construir modelos más responsables, transparentes y alineados con los
valores humanos.
MOTOR DE INFERENCIA (RAZONAMIENTO LÓGICO)
¿Qué es un motor de inferencia?
Un motor de inferencia es el componente principal de un sistema experto que se encarga de
razonar, evaluar reglas y llegar a conclusiones a partir de una base de conocimiento.
Funciona parecido a la mente humana cuando analiza hechos y reglas para obtener una
respuesta lógica.
Se apoya en:
Hechos (información o datos disponibles)
Reglas (si ocurre esto → entonces sucede esto)
Mecanismos de razonamiento para decidir qué regla aplicar y en qué momento
Su objetivo es inferir nuevos conocimientos.
Relación con la Lógica Proposicional
La lógica proposicional es el fundamento del motor de inferencia, porque:
Representa el conocimiento mediante proposiciones (verdadero/falso).
Las reglas se expresan como implicaciones:
Si A y B son verdaderos, entonces C es verdadero.
El motor de inferencia evalúa esas proposiciones con operadores lógicos como:
AND (∧), OR (∨), NOT (¬), IF… THEN →
Es decir, el motor de inferencia aplica las reglas de la lógica proposicional para ir deduciendo
nuevas proposiciones.
MODOS DE RAZONAMIENTO
1. Razonamiento hacia adelante (Forward Chaining)
Es un proceso basado en los datos.
Inicia con los hechos conocidos.
Evalúa qué reglas se pueden activar.
Va generando nuevos hechos hasta llegar a una conclusión.
Diseño Gráfico Digital
4
Usos:
Diagnósticos (médicos, automotrices)
Diseño Gráfico Digital
5
Sistemas de recomendación
Clasificación de objetos
Ejemplo conceptual:
"Si el paciente tiene fiebre y tos, entonces tiene infección respiratoria."
2. Razonamiento hacia atrás (Backward Chaining)
Es un proceso basado en objetivos.
Parte de una meta o hipótesis.
Busca qué reglas podrían demostrar esa meta.
Verifica si los hechos necesarios para demostrarla son verdaderos.
Usos:
Asistentes inteligentes
Motores de búsqueda de soluciones
Programación lógica (como Prolog)
Ejemplo conceptual:
Quiero saber si "tiene infección respiratoria".
Busco qué tendría que cumplirse para demostrarlo: fiebre y tos.
Diseño Gráfico Digital
6
REFERENCIAS
Libros:
1. Kusum Deep, Atulya Nagar, Millie Pant, Jagdish Chand Bansal. Intelligent Systems and
Applications. Springer, 2019.
(Incluye fundamentos de sistemas expertos y motores de inferencia.)
2. Durkin, John. Expert Systems: Design and Development. Macmillan Publishing
Company, 1994.
(Libro clásico sobre sistemas expertos, reglas y encadenamientos.)
3. Russell, Stuart & Norvig, Peter. Artificial Intelligence: A Modern Approach. 3rd Edition,
Pearson, 2010.
(Explica lógica proposicional, razonamiento y sistemas basados en reglas.)
Diseño Gráfico Digital