|
Reconocimiento a una trayectoria en IA
|
|
| Francisco J. Garijo |
fgarijo@tid.es |
|
|
Telefonica I+D
Madrid. Spain.
|
|
Resumen: I.A con Comunidades de agentes. Pensando en la preparación de esta charla, he vuelto a leer el libro “Las telecomunicaciones mañana “elaborado por Telefónica I+D en 1991. En uno de sus capítulos se destacaba el potencial de la tecnología de agentes y se estimaba que para mediados de los 90 habría productos comerciales hechos con “organizaciones de agentes” ( por supuesto inteligentes). Más de una década después, en un nuevo milenio, las promesas permanecen. La tecnología de agentes sigue anunciándose como imprescindible dentro del universo tecnológico de la sociedad de la información. Existe gran actividad científica, sin embargo las aplicaciones “hechas con agentes”, son escasas y difícilmente pasan el test de Touring.
Pretendo a lo largo de la charla, dar un breve repaso a las dificultades y retos que plantea el desarrollo de Aplicaciones con Agentes. Una de las ideas más atractivas, (que ya estaba en el libro de Telefónica I+D del 1991) es concebir las aplicaciones como organizaciones de agentes. Construir un sistema se limita a seleccionar los agentes adecuados, dotarles del conocimiento necesario y del modelo organizativo que les permita colaborar eficientemente. El paso de las Ideas a la Ingeniería no siempre es trivial. ¿Disponemos de agentes cognitivos pre-cocinados capaces de cooperar en una organización computacional? Para responder a ésta pregunta, analizaremos en primer lugar, –con óptica de ingenieros- los modelos existentes, desgranando sus posibilidades para formar parte de una comunidad de agentes.
Para ilustrar dificultades y retos, expondremos las experiencias de estos últimos (10) años. A través de varios proyectos nacionales e internacionales, hemos tenido la oportunidad de construir distintos tipos de agentes, de aplicarlos en el desarrollo de servicios de telecomunicaciones, y de evaluar sus ventajas respecto a las tecnologías convencionales. Finalmente retornaremos al frágil y atrevido universo de las recomendaciones y de las predicciones.
|
|
|
Clasificadores Bayesianos en Biomedicina
|
|
| Pedro Larrañaga Múgica |
ccplamup@si.ehu.es |
|
|
Universidad del País Vasco
Spain.
|
|
Resumen: En la conferencia se presentarán diversos paradigmas de modelos gráficos probabilísticos, englobados bajo la denominación de clasificadores Bayesianos, con los que abordar problemas de clasificación supervisada.
En concreto se presentarán algoritmos estándares de inducción de modelos naive Bayes, seminaive Bayes, naive Bayes aumentado a árbol y red Bayesiana múltiplemente conectada. Una vez vistos los algoritmos básicos
se profundizará en el tema exponiendo algoritmos de selección de subconjuntos de variables --tanto en su vertiente de filtrado como de envoltura-- con el objetivo de inducir con los mismos clasificadores Bayesianos mas parsimoniosos.
La metodología presentada en la primera parte de la conferencia se aplicará a dos problemas de clasificación supervisada en biomedicina como son la predicción de la supervivencia en pacientes cirróticos tratados con TIPS
y el diagnóstico del cancer de colon a partir de microchips de ADN.
|
|
|
A New Architecture for Negotiating Agents Based on Punishment and Pessimism
|
|
| Ronald Prescott Loui |
loui@cs.wustl.edu |
|
|
Washinton University
USA.
|
|
Resumen: This talk briefly comments on ideas of Jennings-Sierra-Parsons and
Sandholm for an AI theory of negotiation. Then it describes a new
architecture for an agent: this agent is driven purely by the expectation
of settlment and a nonstandard utility which rewards the dialogue-act of
unilaterally breaking down on an uncooperative negotiating partner. The
resulting behavior includes successively improving offers, accepting an
offer that was initially unacceptable, and breaking down as a punishment
on procedural grounds. We define the laissez-faire path as the path taken
by two such agents with fixed parameters and no initiative, and view the
joint problem as an acceleration of the schedule of expectation-based acts
so as to avoid trajectories that lead to breakdown. Finally, we discuss
briefly what are the desiderata for an AI theory of negotiation that
aims at competence rather than performance.
|
|
|
Razonamiento en Enseñanza y Aprendizaje
|
|
| Beverly Park Woolf |
bev@cs.umass.edu |
|
|
Center for Knowledge Communication University of Massachusetts
Departamento Department of Computer Science
Amherst
1003 MA. USA.
|
Tlf. 413 549 6036
Fax 413 545 1249 |
Resumen: -Artificial Intelligence (AI) techniques have been extended for use in tutoring systems enabling tutors to dynamically customize material for an individual student. Such techniques model and reason about the student, the domain and alternative teaching strategies. They enable tutors to communicate with a student in real-time. Evaluation results show increased learning, reduced costs and improved grades.
We will demonstrate intelligent and distributed technology that provides interactive multimedia education anytime and anyplace. We present a grade school mathematics tutor that positively influences students' confidence and image of their mathematics ability. Machine learning was used to model student performance and derive a teaching policy to meet a desired educational goal. We also present a college level inquiry tutor that moves students towards more active and problem-based learning. We will discuss other tutors that introduce new pedagogy and address inequities in the classroom.
|
|