Anexo I. Diccionario de términos

AutorAlejandro Zornoza Somolinos
Páginas211-239
ANEXO I
DICCIONARIO DE TÉRMINOS
A
Agente
En la contratación mercantil, persona que se obliga frente a otra de manera con-
tinuada o estable a cambio de una remuneración, a promover actos u operaciones de
comercio por cuenta ajena, o a promoverlos y concluirlos por cuenta y en nombre aje-
nos, como intermediario independiente, sin asumir, salvo pacto en contrario, el riesgo
y ventura de tales operaciones (Ley 12/1992, de 27 de mayo, sobre Contrato de
agencia).
En ingeniería de sistemas y automática, sinónimo de ‘agente autónomo’.
Ver (Agente autónomo).
Agente autónomo
En automática, máquina o sistema que resulta de un proceso de automatización,
capaz de operar, sin intervención humana o con una intervención humana mínima
(Russell y Norvig, 2006) (Nof, 2009).
Ver (Automatización); (Autonomía).
Algoritmo
Serie finita de reglas bien definidas para la solución de un problema en un número
finito de pasos (IEEE 610).
Aprendizaje
Método de análisis de datos que utiliza algoritmos de aprendizaje para encontrar
patrones en dichos datos (Marwala, 2002); (Munakata, 2008); (Marwala-
Achepsah Leke, 2019); (Radivojac-White, 2019).
212 Alejandro Zornoza Somolinos
El sistema que es capaz de observar, no sólo el entorno, sino sus interac-
ciones con el entorno y sus procesos de toma de decisiones y mejorarlos, es
un sistema con capacidad de aprendizaje.
En líneas generales, en el ámbito de la programación de sistemas hay dos
grandes tipos de aprendizaje que pueden ser relevantes para un vehículo
automatizado: el del conocimiento procedimental (cómo comportarse ante
cada circunstancia) y el del conocimiento declarativo (el aprendizaje de in-
formación).
Que el vehículo pueda adquirir por sí mismo un conocimiento procedi-
mental sin que intervenga un operador durante el proceso de aprendizaje es
relativamente complejo, y por ello se suele recurrir a métodos que implican
agentes externos, como el aprendizaje por interacción, imitación y demos-
tración.
El entrenamiento de un vehículo autónomo puede realizarse aplicando
diferentes métodos de aprendizaje.
Ver (Aprendizaje supervisado); (Aprendizaje no supervisado), (Aprendi-
zaje por refuerzo); (Machine learning).
Aprendizaje bayesiano
El aprendizaje bayesiano permite calcular la probabilidad de cada hipó-
tesis a través de los datos. No se trata de elegir la mejor opción, sino aquella
que tiene más probabilidades de ser la correcta. A la larga, de entre todas
las predicciones, aquella que domina la predicción debe ser la verdadera.
Como puede razonarse, cuanto mayor sea el espacio de hipótesis, más com-
plejo resulta tomar una decisión.
Los datos que recoge el vehículo no son datos estáticos, sino que la mayo-
ría de las veces serán datos complejos, es decir, tendrán diferentes valores en
cada una de las diferentes variables que están siendo aprendidas. Además,
como el entorno es parcialmente observable, existen variables ocultas que
no están disponibles en los datos que obtiene el vehículo, y complican el
procedimiento aprendizaje. También existen muchos elementos en el en-
torno que han sido etiquetados en una categoría concreta, por lo que el
vehículo tiene que aprender qué hacer con esos elementos.
Ver (Aprendizaje); (Aprendizaje no supervisado); (Entorno de trabajo).
Aprendizaje supervisado
El aprendizaje supervisado se da cuando el agente puede observar su en-
torno y los efectos de sus acciones en el mismo, aprendiendo a partir de
ejemplos. Cada entrada produce una salida que puede ser predicha (si el
semáforo está en rojo, el vehículo debe frenar).

Para continuar leyendo

Solicita tu prueba

VLEX utiliza cookies de inicio de sesión para aportarte una mejor experiencia de navegación. Si haces click en 'Aceptar' o continúas navegando por esta web consideramos que aceptas nuestra política de cookies. ACEPTAR