Reto Diagnóstico: El Guardián del Laberinto Adaptativo
Autor: @tcgh
Fecha: 13/01/26
Materia: Programación de Entornos Virtuales
Profesor: @frexus
Reto Diagnóstico
He leído y analizado el reto publicado por el profesor:
Enlace al reto
En este caso se aborda el tema de Inteligencia Artificial, donde se presenta una situación real o simulada para aplicar los conceptos vistos en clase.
Reto Diagnóstico: Configurando la Inteligencia del Guardián
1. Elige tu “Cerebro”
Yo elegiría la opción C) A Pathfinding.
La razón es que para un problema de navegación en un almacén virtual, donde el objetivo principal es moverse de un punto a otro evitando obstáculos, Pathfinding es muy eficiente y confiable. No necesita entrenamiento previo, siempre calcula la ruta más corta posible y es más sencillo de implementar.
Como estudiante, me parece una buena base para entender primero la lógica del movimiento y la navegación antes de pasar a soluciones más complejas, que requieren más tiempo, datos y ajustes.
2. El Mapa de Datos
Para que la IA evite colisiones, el entorno virtual debería enviarle información clara y constante, por ejemplo:
Distancia a los obstáculos más cercanos.
Dirección o ángulo hacia el objetivo.
Posición actual del agente.
Velocidad y dirección de movimiento actual.
Información básica de colisiones.
Con estos datos, la IA puede entender el espacio aunque no lo vea directamente, y tomar decisiones más seguras sobre hacia dónde moverse.
3. El Sistema de Premios
Si estuviéramos usando aprendizaje por refuerzo, yo definiría algo así:
Premio: +100 puntos por recoger un paquete correctamente.
Castigo: −50 puntos por chocar con un muro u obstáculo.
Dilema de la Inactividad:
Si el agente se queda quieto para no perder puntos, le restaría −1 punto por cada 30 segundos sin moverse. Así se le incentiva a seguir explorando y cumpliendo el objetivo, sin castigarlo de forma exagerada.
Preguntas de Reflexión
1. Diferenciación Conceptual
La diferencia principal es que un personaje con if-else sigue reglas fijas definidas por el programador, siempre responde igual ante la misma situación. En cambio, un personaje con IA puede adaptarse, aprender de la experiencia y mejorar su comportamiento con el tiempo según los resultados que obtiene en el entorno.
2. Percepción de Entorno
El avatar necesita “sensores digitales” como coordenadas, distancias a objetos, vectores de dirección y detección de colisiones. Estos datos normalmente se convierten en valores que la IA procesa para decidir acciones como avanzar, girar o detenerse.
3. Selección e Integración de Herramientas
Considero importantes criterios como la compatibilidad con el motor, el consumo de recursos, la facilidad de depuración y que no afecte demasiado los FPS. Una librería muy potente pero mal optimizada puede volver la simulación lenta e inestable.
4. Proceso de Aprendizaje
Un entorno para humanos está pensado para ser visualmente atractivo y fácil de usar. En cambio, un entorno para entrenar IA se enfoca más en datos claros, repetición de escenarios y retroalimentación constante, aunque no se vea bonito estéticamente.
5. Mantenimiento y Pruebas
Primero revisaría si el agente está recibiendo información correcta. Luego revisaría la física del entorno. Finalmente, analizaría la configuración de la librería de IA. Iría descartando causas paso a paso, de lo más simple a lo más complejo.
6. Impacto de la Incertidumbre
Se puede trabajar con valores intermedios en lugar de decisiones absolutas. Por ejemplo, usar porcentajes o rangos: batería al 40%, distancia media al objetivo, riesgo moderado. Así el avatar no decide solo sí o no, sino que evalúa qué tan conveniente es una acción según varios factores.
Conclusiones finales
Aprendizaje obtenido:
Aprendí que antes de implementar una inteligencia artificial es fundamental analizar el problema, definir claramente los objetivos y decidir qué herramientas son las más adecuadas. También comprendí la importancia de los datos de entrada y del sistema de recompensas para guiar el comportamiento del agente. En un contexto real, aplicaría este enfoque para planear mejor cualquier proyecto de IA, reduciendo errores y optimizando tiempo y recursos desde las primeras etapas.
Dificultades enfrentadas:
Lo más complicado fue decidir qué tipo de inteligencia era la más conveniente para el problema y cómo traducir el entorno virtual en datos que la IA pudiera entender. Lo resolví comparando las opciones disponibles y pensando en el objetivo principal del sistema, priorizando soluciones simples y eficientes antes de pasar a enfoques más complejos.
Backlinks y referencias
Este post forma parte de la actividad de aprendizaje correspondiente a la unidad [Fundamentos de la Inteligencia Artificial y Aplicaciones].
Publicación realizada con fines educativos como parte del curso de Programación de Entronos Virtuales.