Aproximación desde la Inteligencia Artificial a los comportamientos poco predictivos derivados de modelos cognitivos artificiales
PDF

Cómo citar

Aproximación desde la Inteligencia Artificial a los comportamientos poco predictivos derivados de modelos cognitivos artificiales. (2021). Tesis Psicológica, 16(2), 18-31. https://doi.org/10.37511/tesis.v16n2a1

Resumen

Antecedentes: Son varias las técnicas que permiten desarrollar modelos de comportamiento artificial poco predictivo, como por ejemplo, las máquinas de estados finitos (FSM) y el uso de arquitecturas cognitivas basadas en la teoría de la mente, para la construcción de agentes cuyo modelo conductual reside sobre un sistema de producciones. Objetivo: Se propuso generar modelos conductuales artificiales para determinar las condiciones en que estos demuestran comportamientos poco predictivos. Metodología: La primera etapa consistió en la elección de plataformas y herramientas.Se escogieron Pogamut, UT2000, SOAR y Java; en la segunda etapa se desarrolló la interfaz de acoplamiento entre el motor de cognición, el lenguaje y el entorno, por último, en la tercera etapa, se efectuaron pruebas con los modelos de comportamiento. Resultados: En el modelo FSM fue posible contrastar los estados y las decisiones que toman los agentes cuando se presentan restricciones en el conjunto de acciones predefinidas en su lógica. Así mismo fue posible el contraste entre producciones SOAR en cuanto a la predictibilidad de las acciones del agente a razón de lo percibido en el entorno. Conclusiones: Las máquinas de estados finitos son un componente importante cuando se quiere inspeccionar el comportamiento reactivo de un agente que persigue un único objetivo. Los agentes reflejos dependen de su lógica para la percepción inmediata de su entorno sin tener en cuenta las decisiones que han tomado o estados por los que ya hayan pasado. Los programas SOAR ajustan la retroalimentación de sus ambientes en ciertos casos.

PDF

Referencias

Cerny, M., Plch, T., Marko, M., Gemrot, J., Ondracek, P. & Brom, C. (2016). Using Behavior Objects to Manage Complexity in Virtual Worlds. University of Charles.
Chakraborti, T., Kulkarni, A., Sreedharan, S., Smith,, D. E., & Kambhampati, S. (2019). Explicability? Legibility? Predictability? Transparency? Privacy? Security? The Emerging Landscape of Interpretable Agent Behavior. In J. Benton (Ed) Proceedings of the Twenty-Ninth International Conference on Automated Planning and Scheduling (Vol. 29) (ICAPS 2019) (pp. 86 - 96). Association for the Advancement of Artificial Intelligence.
Champandard, A. (2003). AI Game Development: Synthetic Creatures with Learning and Reactive Behaviors. New Riders Publishing.
Laird, J., Newell, A. & Rosenbloom, P. (1987). SOAR: An Architecture for General Intelligence. The Journal of Artificial Intelligence [AIJ], 33(1), 1-64. https://doi.org/10.1016/0004-3702(87)90050-6
Langley, P., Laird, J. & Rogers, S. (2008). Cognitive architectures: Research issues and challenges. (Elsevier, Ed.) Cognitive Systems Research, 10(2), 143-158. https://doi.org/10.1016/j.cogsys.2006.07.004
Mora, A., Castillo, P. A., García-Sanchez, P. & Merelo, J. J. (2015). Modelling a Human-Like Bot in a First Person Shooter Game. International Journal of Creative Interfaces and Computer Graphics, 6(1), 21-37. https://doi.org/10.4018/IJCICG.2015010102
Norvig, P. & Russell, S. (2010). A.I. A modern Approach. 3rd Ed. New Jersey: Pearson.
Petersen, S. E., & Sporns, O. (2015). Brain Networks and Cognitive Architectures. Neuron Perspective, 88(1), 207 – 219. https://dx.doi.org/10.1016/j.neuron.2015.09.027
Vélez B., J. I., Castillo O., L. F. & González, M. (2010). Implementación de un modelo de comportamiento reactivo para agentes en un entorno de videojuegos. Revista Vector, 5(1), 61 - 68. http://vector.ucaldas.edu.co/downloads/Vector5_7.pdf

Licencia Creative Commons
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0).