Building Grounded Abstractions for Artificial Intelligence Programming

Most Artificial Intelligence (AI) work can be characterized as either ``high-level'' (e.g., logical, symbolic) or ``low-level'' (e.g., connectionist networks, behavior-based robotics). Each approach suffers from particular drawbacks. High-level AI uses abstractions that often have no relation to the way real, biological brains work. Low-level AI, on the other hand, tends to lack the powerful abstractions that are needed to express complex structures and relationships. I have tried to combine the best features of both approaches, by building a set of programming abstractions defined in terms of simple, biologically plausible components. At the ``ground level'', I define a primitive, perceptron-like computational unit. I then show how more abstract computational units may be implemented in terms of the primitive units, and show the utility of the abstract units in sample networks. The new units make it possible to build networks using concepts such as long-term memories, short-term memories, and frames. As a demonstration of these abstractions, I have implemented a simulator for ``creatures'' controlled by a network of abstract units. The creatures exist in a simple 2D world, and exhibit behaviors such as catching mobile prey and sorting colored blocks into matching boxes. This program demonstrates that it is possible to build systems that can interact effectively with a dynamic physical environment, yet use symbolic representations to control aspects of their behavior.

Electrical Design: A Problem for Artificial Intelligence Research

This report outlines the problem of intelligent failure recovery in a problem-solver for electrical design. We want our problem solver to learn as much as it can from its mistakes. Thus we cast the engineering design process on terms of Problem Solving by Debugging Almost-Right Plans, a paradigm for automatic problem solving based on the belief that creation and removal of "bugs" is an unavoidable part of the process of solving a complex problem. The process of localization and removal of bugs called for by the PSBDARP theory requires an approach to engineering analysis in which every result has a justification which describes the exact set of assumptions it depends upon. We have developed a program based on Analysis by Propagation of Constraints which can explain the basis of its deductions. In addition to being useful to a PSBDARP designer, these justifications are used in Dependency-Directed Backtracking to limit the combinatorial search in the analysis routines. Although the research we will describe is explicitly about electrical circuits, we believe that similar principles and methods are employed by other kinds of engineers, including computer programmers.

Entorn de programació pel robot Stäubli mitjantçant MatLab, aplicació a un sistema de recol·lecció de peces basat en visió artificial

Els objectius del projecte són: realitzar un intèrpret de comandes en VAL3 que rebi les ordres a través d’una connexió TCP/IP; realitzar una toolbox de Matlab per enviar diferents ordres mitjançant una connexió TCP/IP; adquirir i processar mitjançant Matlab imatges de la càmera en temps real i detectar la posició d’objectes artificials mitjançant la segmentació per color i dissenyar i realitzar una aplicació amb Matlab que reculli peces detectades amb la càmera. L’abast del projecte inclou: l’estudi del llenguatge de programació VAL3 i disseny de l’ intèrpret de comandes, l’estudi de les llibreries de Matlab per comunicació mitjançant TCP/IP, per l’adquisició d’imatges, pel processament d’imatges i per la programació en C; el disseny de la aplicació recol·lectora de peces i la implementació de: un intèrpret de comandes en VAL3, la toolbox pel control del robot STAUBLI en Matlab i la aplicació recol·lectora de peces mitjançant el processament d’imatges en temps real també en Matlab

Inteligencia artificial para la detección y el diagnóstico de fallos

L' ús de tècniques de la intel·ligència artificial per a la detecció, la diagnòsi i control d' errors

¿Pueden pensar las máquinas? Una evaluación del problema de la inteligencia artificial mediante el equilibrio refractivo

Revisión del problema de la filosofía de la Inteligencia Artificial a la vista del Equilibrio refractivo. La revisión del problema se lleva a cabo para mostrar como "¿pueden pensar las máquinas?" sólo se ha evaluado en los terminos humanos. El equilibrio refractivo se plantea como una herramienta para definir conceptos de tal modo que la experiencia y los preceptos se encuentren en equilibrio, para con él construir una definición de pensar que no esté limitada exclusivamente a "pensar tal y como lo hacen los humanos".

Artificial Intelligence

Pearon's resource from the Brookshear Chapter

Intelúligència artificial. 'Inteligencia artificial'.

El autor comenta los avances que se han producido en la inteligencia de los ordenadores y la compara con la inteligencia humana. Nos explica detalladamente la diferencia entre las dos maneras de 'pensar'.

An artificial economy based on reinforcement learning and agent based modeling

In this paper, we employ techniques from artificial intelligence such as reinforcement learning and agent based modeling as building blocks of a computational model for an economy based on conventions. First we model the interaction among firms in the private sector. These firms behave in an information environment based on conventions, meaning that a firm is likely to behave as its neighbors if it observes that their actions lead to a good pay off. On the other hand, we propose the use of reinforcement learning as a computational model for the role of the government in the economy, as the agent that determines the fiscal policy, and whose objective is to maximize the growth of the economy. We present the implementation of a simulator of the proposed model based on SWARM, that employs the SARSA(λ) algorithm combined with a multilayer perceptron as the function approximation for the action value function.

Inteligencia artificial y artificios intelectuales.

Valorar críticamente el desarrollo de la investigación en inteligencia y elaborar un modelo general de inteligencia. El objeto de estudio es el constructo de inteligencia y conceptos afines (inteligencia artificial, sistemas de procesamiento de información). Consta de tres partes. La primera consiste una revisión del marco teórico de la inteligencia desde la perspectiva de la Psicología de la Inteligencia. La segunda consiste en una revisión de las aportaciones de la investigación de la inteligencia artificial. Y la tercer consta de la descripción de los elementos teóricos de las dos disciplinas estudiadas que son coioncidentes, con el objeto de elaborar un modelo general de la inteligencia. Bibliografía, tests. Comparación, principios factoriales, análisis, epistemológico, correlaciones. Al ser una investigación básicamente epistemológica es difícil describir los resultados y comparaciones que va realizando. Por una parte realiza la identificación de los defectos e irregularidades de la investigación clásica en inteligencia y por otra argumenta la definición de un nuevo modelo de inteligencia más general. A través de argumentaciones, descripciones y comparaciones llega a la conclusión que las diferentes líneas de investigación en inteligencia son unificables, reestructurando el valor de las variables conducta, procesamiento y sujetos potencialmente inteligentes, en un modelo multidisciplinar de inteligencia.

Desarrollo e implantación de un telelaboratorio para la realización de prácticas en visión artificial.

Realizado en la E.T.S. de Ingenieros Industriales de la Universidad de Valladolid, por 2 profesores del centro, para la asignatura de Sistemas de Percepción y Técnicas de Procesamiento de la titulación de Ingeniero en automática y electrónica industrial. El objetivo era la implantación de una planta real de visión artificial compuesta de una cámara digital y un PC, con el software de gestión de captura de imágenes correspondiente. El PC actúa como servidor de imágenes a los clientes autorizados. Para ello, también, se pretende desarrollar un software de adquisición de imágenes de forma remota vía Internet desde otros PCs y el manual de uso del equipo del teleoperador. El contenido del proyecto consiste básicamente en una página Web con accesos a la aplicación, un tutorial sobre visión artificial y un manual de uso de la aplicación. Se espera poder poner en marcha la página Web y utilizar los equipos en las asignaturas a partir del segundo cuatrimestre del curso 2004/2005.

Inteligencia artificial y modelos de aprendizaje.

Este estudio especifica las aplicaciones de redes semánticas para la resolución de problemas en el proceso de enseñanza-aprendizaje. El sistema está orientado de forma que el estudiante se ve involucrado en dicho proceso, permitiéndosele el control total de la sesión de entrenamiento con el objetivo añadido de estimular los procesos metacognitivos; es un sistema interactivo. Para el aprendizaje del estudiante se utiliza un modelo cognitivo como un tipo de diagrama de circuito del procedimiento. El diagnóstico y la presentación del problema contenido en el programa de ordenador, junto con los procedimientos de la instrucción, pueden presentarse direccionalmente de forma diferenciada para cada individuo.

Lo real y lo artificial : dos caminos muy diferentes hacia el aprendizaje.

El artículo reflexiona acerca de cómo trabajar en el aula los distintos aspectos de la realidad de modo que se favorezcan aprendizajes que resulten significativos a los estudiantes. La escuela pretende que los alumnos aprehendan la realidad, la controlen y se adapten a ella. Sin embargo, esto se hace de un modo artificial, simulando esa realidad en el aula, lo que dificulta el aprendizaje. Se destaca la importancia del establecimiento de relaciones entre los distintos aspectos de la realidad. Del mismo modo, se considera importante la unión del conocimiento científico y el cotidiano. La conexión entre ambos permite dotar de mayor significado a los aprendizajes y posibilita atribuirles sentido. El que el alumno identifique el sentido de su aprendizaje, estimula su motivación para el mismo.

Mecanismos de aprendizaje retroactivo con inteligencia artificial.

Presenta un sistema de aprendizaje gestionado por ordenador representando el papel del tutor personalizado para materias científicas como las Matemáticas, Física y Química. Comienza con un estudio del aprendizaje gestionado por ordenador y un análisis de los proyectos y productos europeos. Se estudia el aprendizaje en las áreas de Matemáticas, Física y Química para estudiantes de BUP y COU, centrándose en: principios, leyes y factores de eficacia, estrategias de parendizaje, aprendizaje intuitivo y automático. El proceso se divide en: entrenamiento, trabajo, repaso y examen dando nombre al sistema ETRE. La dinámica impuesta por el método implica la obtención automática de diagramas inferenciales, reglas y meta-reglas con la que fundamentar la actuación de un sistema experto capaz de ayudar y emular al profesor tutor humano.

Arquitecturas emocionales en Inteligencia Artificial : una propuesta unificadora.

Monográfico con el título: 'Estudio de los comportamientos emocionales en la red'. Resumen basado en el de la publicación

La Tutorizaci??n humana y artificial en la resoluci??n de problemas de matem??ticas

El art??culo est?? incluido en un n??mero monogr??fico especial con los trabajos del I Simposio Pluridisciplinar sobre Dise??o, Evaluaci??n y Descripci??n de Contenidos Educativos Reutilizables (Guadalajara, Octubre 2004).Resumen tomado de la publicaci??n