Professional Documents
Culture Documents
1.1 CONCEPTOS.
Algunas personas creen que las máquinas pensantes tendrían que ser tan complejas, y
disponer de una experiencia tan compleja (por ejemplo, interaccionando con el entorno
o con otras máquinas pensantes), que nunca seremos capaces de diseñarías o construirlas.
Otros puntos de vista sobre el tipo de máquinas que podrían ser capaces de desarrollar
habilidades pensantes como las de los humanos. Algunas de las hipótesis:
El cerebro procesa la información en paralelo, mientras que los ordenadores
convencionales lo hacen secuencialmente. Por tanto, tenemos que construir nuevas
variedades de ordenadores paralelos para realizar progresos en la IA.
Las neuronas animales son mucho más complejas que simples conmutadores (los
bloques constructivos básicos de los ordenadores actuales). Por tanto,
necesitaremos neuronas artificiales verdaderamente realistas para construir
máquinas inteligentes.
Finalmente, llegamos a la palabra más difícil: “pensar”. En lugar de intentar definir esta
palabra, Turing propuso un test, el llamado Test de Turing, mediante el cual pudiera
decidirse si una máquina particular es o no inteligente.
Esta versión simplificada del Test de Turing no se considera usualmente como un test de
inteligencia muy útil, debido a que es posible, incluso para programas muy simples,
engañar al interrogador humano durante un buen rato
Por ejemplo los programas:
ELIZA de Joseph Weizenbaum (1965)
JULIA de Mauldin (1994).
Tabla Nº 1: IA en 4 dimensiones
SISTEMAS QUE PIENSAN COMO SISTEMAS QUE PIENSAN
HUMANOS RACIONALMENTE
“El nuevo y excitante esfuerzo de hacer El estudio de las facultades mentales
que los ordenadores piensen… máquinas mediante el uso de modelos
con mentes, en el más amplio sentido computacionales”.
literal”. (Charniak y McDermott, 1985).
(Haugeland, 1985).
"La automatización de actividades que "El estudio de los cálculos que hacen
vinculamos con procesos de pensamiento posible percibir, razonar y actuar”.
humano, actividades como la toma de (Winston, 1992)
decisiones, resolución de problemas,
aprendizaje …"
(Bellman, 1978)
"El estudio de cómo lograr que los "IA… está relacionada con conductas
ordenadores realicen tareas, que por el inteligentes en artefactos”.
momento, los humanos hacen mejor”.
(Rich y Knight, 1991). (Nilsson, 1998).
1.3 OBJETIVOS
1.4 FUNDAMENTOS.
La IA ha tenido como fundamento las bases de varias disciplinas, entre las cuales
mencionaremos las siguientes:
Filosofía: Sócrates, Platón, Aristóteles, Leibniz (abuelo de la IA), desde el año 428
a.c hasta el presente.
Lógica: Searle.
Matemática: (Frege, Tarski) desde el año 800 a.c, proveyeron las herramientas para
manipular las aseveraciones de certeza lógica así como las inciertas de tipo
probabilista. Así mismo prepararon el terreno para el manejo del razonamiento con
algoritmos de probabilidad, álgebra booleana.
Psicología: (Piaget – Craik), conductismo, psicología cognitiva dándose desde el
año 1869 hasta la actualidad.
Ciencias de la Computación: Comenzó muy poco antes. Las teorías encuentran un
medio para su implementación (artefactos y modelado cognitivo).
Lingüística: Se desarrolló en paralelo con la IA y sirve de base para la
representación del conocimiento (Chomsky), año 1957 hasta el presente.
Neurociencia ¿Cómo procesa la información el cerebro?
1.5 HISTORIA.
En 1950 con el trabajo de Alan Turing, el matemático británico que diseñó el primer
computador electrónico digital y funcional del mundo en los años 1940.
Cuando era estudiante de posgrado en Princeton en 1936, Turing publicó On
Computable Numbers, un artículo que estableció las bases teóricas para todas las
ciencias de computación. Ahí describió lo que denominó Máquina de Turing, un
dispositivo teórico que podía leer instrucciones de una cinta de papel perforada y
ejecutar todas las operaciones críticas de un computador. El artículo fijó los límites de
las ciencias de la computación porque demostró que no es posible resolver problemas
con ningún tipo de computador.
Después de doctorarse en 1938, Turing tuvo la oportunidad de poner en práctica la teoría
cuando, al prever una invasión por parte de las fuerzas de Adolf Hitler, el gobierno
británico reunió un equipo de matemáticos e ingenieros con la misión súper secreta de
descifrar el código militar alemán. Turing con un grupo construyó COLOSSUS, una
máquina de propósito específico considerado como el primer computador digital
electrónico.
Desde que se completó el Colossus en 1943 hasta que terminó la Segunda Guerra
Mundial, descifró con éxito los códigos nazis. Muchos expertos creen que Colussus fue
responsable de la derrota de los nazis.
Turing inauguró el campo de la inteligencia artificial con su artículo publicado en 1950,
Computing Machinery and Intelligence, en el que propuso una prueba concreta para
determinar si una máquina era inteligente o no. Años después Turing se convirtió en el
En 1951 William Shockley inventa el transistor de unión. El invento hizo posible una
nueva generación de computadoras mucho más rápidas y pequeñas.
En 1956 se acuñó el término "inteligencia artificial" en Dartmouth durante una
conferencia convocada por McCarthy, a la cual asistieron, entre otros, Minsky, Newell y
Simon. En esta conferencia se hicieron previsiones triunfalistas a diez años que jamás se
cumplieron, lo que provocó el abandono casi total de las investigaciones durante quince
años.
En 1980 la historia se repitió con el desafío japonés de la quinta generación, que dio
lugar al auge de los sistemas expertos pero que no alcanzó muchos de sus objetivos, por
lo que este campo sufrió una nueva interrupción en los años noventa.
1.6.1.3. Características de un SE
Pueden explicar su razonamiento o decisiones sugeridas: La
capacidad de explicar cómo se llegó a una decisión o solución.
Puede mostrar un comportamiento “inteligente”: Al examinar
un grupo de datos, un SE puede proponer nuevas ideas o métodos
para la solución del problema, o proporcionar asesoramiento en el
trabajo para los trabajadores.
Puede obtener conclusiones de relaciones complejas: Evaluar
relaciones complejas para llegar a conclusiones y solucionar
problemas, por ejemplo: un SE propuesto trabajará con un sistema
de fabricación flexible para determinar la mejor utilización de las
herramientas, y otro sugerirá los mejores procedimientos de
control de calidad.
Puede proporcionar conocimientos acumulados: Se puede usar
para capturar conocimientos de humanos que de lo contrario
podrían perderse. Ejemplo es el SE denominado DELTA (Diesel
Electronic Locomotive Troble-shooting Aid), desarrollado para
conservar el conocimiento de David Smith, único ingeniero
competente para manejar muchas reparaciones extremadamente
1.6.2.2. Concepto:
La lógica difusa se funda en el concepto de que todo es cuestión de
grado, lo cual permite manejar información vaga o de difícil
especificación, importante para la resolución de un problema, por
medio de una serie de reglas de "sentido común" aprendidas con
sistemas adaptativos que se nutren de la observación de las personas o
de la formulación por parte del experto humano.
En la actualidad hay un número creciente de aplicaciones entre las
cuales podemos mencionar:
La construcción de artefactos electrónicos de uso doméstico y de
entretenimiento.
El diseño de dispositivos artificiales de deducción automática.
1.6.2.3. Funcionamiento
La lógica difusa se adapta mejor al mundo real en el que vivimos, e
incluso puede comprender y funcionar con nuestras expresiones, del
tipo "hace mucho calor", "no es muy alto", "el ritmo del corazón está un
poco acelerado", etc.
La clave de esta adaptación al lenguaje, se basa en comprender los
cuantificadores de nuestro lenguaje (en los ejemplos de arriba
"mucho", "muy" y "un poco").
En la teoría de conjuntos difusos se definen también las operaciones de
unión, intersección, diferencia, negación o complemento, y otras
operaciones sobre conjuntos (ver también subconjunto difuso), en los
que se basa esta lógica.
Para cada conjunto difuso, existe asociada una función de pertenencia
para sus elementos, que indican en qué medida el elemento forma parte
de ese conjunto difuso. Las formas de las funciones de pertenencia más
típicas son trapezoidales, lineales y curvas.
Se basa en reglas heurísticas de la forma SI (antecedente)
ENTONCES (consecuente), donde el antecedente y el consecuente son
también conjuntos difusos, ya sea puros o resultado de operar con ellos.
Sirvan como ejemplos de regla heurística para esta lógica (nótese la
importancia de las palabras "muchísimo", "drásticamente", "un poco" y
"levemente" para la lógica difusa):
SI hace muchísimo calor ENTONCES disminuyo drásticamente la
temperatura.
SI voy a llegar un poco tarde ENTONCES aumento levemente la
velocidad.
Los métodos de inferencia para esta base de reglas deben ser simples,
veloces y eficaces. Los resultados de dichos métodos son un área final,
fruto de un conjunto de áreas solapadas entre sí (cada área es resultado
de una regla de inferencia). Para escoger una salida concreta a partir de
1.6.2.5. Aplicaciones
La lógica difusa se utiliza cuando la complejidad del proceso en
cuestión es muy alta y no existen modelos matemáticos precisos, para
cada uno de ellos según determinada regla. Las señales moduladas que
han llegado a la unidad j-ésima se combinan Net j yi w ji entre ellas,
i
Net j
generando así la entrada total .
1.6.3.8. Aplicaciones.
Las características de las RNA las hacen bastante apropiadas para
aplicaciones en las que no se dispone a priori de un modelo
identificable que pueda ser programado, pero se dispone de un conjunto
básico de ejemplos de entrada (previamente clasificados o no).
Asimismo, son altamente robustas tanto al ruido como a la disfunción
de elementos concretos y son fácilmente paralelizables.
Esto incluye problemas de clasificación y reconocimiento de patrones
de voz, imágenes, señales, etc. Asimismo se han utilizado para
encontrar patrones de fraude económico, hacer predicciones en el
mercado financiero, hacer predicciones de tiempo atmosférico, etc.
También se pueden utilizar cuando no existen modelos matemáticos
precisos o algoritmos con complejidad razonable; por ejemplo la red de
Kohonen ha sido aplicada con un éxito más que razonable al clásico
Quake II Neuralbot
Un bot es un programa que simula a un jugador humano. El Neuralbot
es un bot para el juego Quake II que utiliza una red neuronal para
decidir su comportamiento y un algoritmo genético para el aprendizaje.
Es muy fácil probarlo y ver su evolución.
Clasificador No Sesgado de Proteínas
Es un programa que combina diversas técnicas computacionales con el
objetivo de clasificar familias de proteínas. Un posible método consiste
en utilizar métricas adaptativas como por ejemplo: mapas
autoorganizados y algoritmos genéticos.
El problema de clasificación no sesgada basada en la expresión de las
proteínas en Aminoácidos puede reducirse, conceptualmente, a lo
siguiente:
La identificación de grupos de proteínas que compartan
características comunes.
La determinación de las razones estructurales por las cuales las
proteínas en cuestión se agrupan de la manera indicada.
Evitar la idea de establecer criterios de clasificación
(“sesgados”) fundamentados en ideas preconcebidas para lograr
1.6.4.2. Definiciones
Los Algoritmos Genéticos (AGs) son métodos adaptativos que
pueden usarse para resolver problemas de búsqueda y optimización.
Están basados en el proceso genético de los organismos vivos. A lo
largo de las generaciones, las poblaciones evolucionan en la
naturaleza de acorde con los principios de la selección natural y la
supervivencia de los más fuertes, postulados por Darwin. Por
imitación de este proceso, los Algoritmos Genéticos son capaces de
ir creando soluciones para problemas del mundo real. La evolución
de dichas soluciones hacia valores óptimos del problema depende en
buena medida de una adecuada codificación de las mismas.
Un algoritmo genético consiste en una función matemática o una
rutina de software que toma como entradas a los ejemplares y
retorna como salidas cuales de ellos deben generar descendencia
para la nueva generación.
Versiones más complejas de algoritmos genéticos generan un ciclo
iterativo que directamente toma a la especie (el total de los
ejemplares) y crea una nueva generación que reemplaza a la antigua
una cantidad de veces determinada por su propio diseño. Una de sus
características principales es la de ir perfeccionando su propia
heurística en el proceso de ejecución, por lo que no requiere largos
períodos de entrenamiento especializado por parte del ser humano,
principal defecto de otros métodos para solucionar problemas, como
los Sistemas Expertos.
Los algoritmos genéticos son el resultado de los recientes avances
de la computación evolutiva y la genética y se constituyen en una de
las principales herramientas tecnológicas de la inteligencia artificial.
Estos algoritmos simulan la mecánica de la selección natural y de la
genética utilizando la información histórica para encontrar nuevos
puntos de búsqueda de una solución óptima, permitiendo obtener
1.6.4.4. Limitaciones
El poder de los Algoritmos Genéticos proviene del hecho de que se trata
de una técnica robusta, y pueden tratar con éxito una gran variedad de
problemas provenientes de diferentes áreas, incluyendo aquellos en los
que otros métodos encuentran dificultades. Si bien no se garantiza que
el Algoritmo Genético encuentre la solución óptima, del problema,
existe evidencia empírica de que se encuentran soluciones de un nivel
aceptable, en un tiempo competitivo con el resto de algoritmos de
optimización combinatoria. En el caso de que existan técnicas
especializadas para resolver un determinado problema, lo más probable
es que superen al Algoritmo Genético, tanto en rapidez como en
1.6.4.7. Aplicaciones
Como hemos podido observar, el área de aplicación de los AG es muy
amplia, y en general sus aplicaciones se pueden implementar a muchos
de los problemas de la vida cotidiana, de igual forma, se hayan aplicado
a diversos problemas y modelos en ingeniaría, y en la ciencia en general
cabe destacar entre ellos:
Las principales aplicaciones de los algoritmos genéticos en el campo de
la gestión financiera empresarial son:
La predicción de la bancarrota de una empresa.
Evaluación y predicción de la capacidad financiera de una
empresa para absorber un préstamo y con el fin de decidir el
otorgamiento del mismo, la inferencia de reglas que indiquen las
mejores decisiones sobre la asignación de recursos con base en
información histórica de varios años.
Generalmente, los algoritmos genéticos se emplean con bastante éxito
en la investigación de operaciones para resolver problemas de
optimización numérica y combinatoria.
Cruce Simple
Cruce Doble
1.6.5.2. Ventajas:
Técnica de adquisición de conocimientos.
Técnica de resolución de problemas.
Dominios de difícil estructuración.
1.6.5.3. Inconvenientes
Memoria
Manipulación de la incertidumbre.
1.6.5.4. Etapas
Recuperación
Adaptación
Evaluación
Aprendizaje
Los cuatro procesos no son tareas únicas, es decir, cada uno de ellos
implica llevar a cabo una serie de tareas más específicas
Si bien se ha dado a entender que en el proceso de reutilización se
lleva a cabo toda la problemática de adaptación del caso ó casos
recuperados para el nuevo problema, en muchas aplicaciones
prácticas las fases de reutilización y revisión apenas se distinguen, y
muchos investigados hablan de fase de adaptación, que combina
ambas. No obstante, la adaptación es quizá uno de los frentes más
abiertos en los sistemas CBR debido a su complejidad.
1.7 ÁREAS DE LA IA
Las definiciones anteriores implican que las máquinas para ser consideradas inteligentes
deben exhibir ciertas habilidades, suficientemente complejas como para ser tratadas
como áreas independientes. La forma de abordaje de cada una de estas áreas suele ser
tan disímil, que es difícil reconocerles un origen común.
1.7.3. Robótica.
Es la ciencia encaminada a diseñar y construir aparatos y sistemas capaces de
realizar tareas propias de un ser humano. No es un campo propio de la
Inteligencia Artificial pero es quizá todo un conjunto de circuito compacto que
van a permitir tener como base para que una computadora pensante pueda
desplazarse y lograr así la movilidad.
1.7.6. Cibernética.
Es la ciencia que se ocupa de los sistemas de control y de comunicación en las
personas y en las máquinas, estudiando y aprovechando todos sus aspectos y
mecanismos comunes. El nacimiento de la cibernética se estableció en el año
1942, en la época de un congreso sobre la inhibición cerebral celebrado en
Nueva York, del cual surgió la idea de la fecundidad de un intercambio de
conocimiento entre fisiólogos y técnicos en mecanismos de control. Cinco años
más tarde, Norbert Wiener uno de los principales fundadores de esta ciencia,
propuso el nombre de cibernética, derivado de una palabra griega que puede
traducirse como piloto, timonel o regulador. Por tanto la palabra cibernética
podría significar ciencia de los mandos. Estos mandos son estructuras con
elementos especialmente electrónicos y en correlación con los mecanismos que
regulan la psicología de los seres vivientes y los sistemas sociales humanos, y a
la vez que permiten la organización de máquinas capaces de reaccionar y
operar con más precisión y rapidez que los seres vivos, ofrecen posibilidades
nuevas para penetrar más exactamente las leyes que regulan la vida general y
especialmente la del hombre en sus aspectos psicológicos, económicos,
sociales etc.
1.7.7. Multimedia.
Es un sistema que utiliza más un medio de comunicación al mismo tiempo en
la presentación de la información, como el texto, la imagen, la animación, el
vídeo y el sonido.
Tipos de información multimedia:
Texto: sin formatear, formateado, lineal e hipertexto.
Gráficos: utilizados para representar esquemas, planos, dibujos lineales...
Imágenes: son documentos formados por píxeles. Pueden generarse por
copia del entorno (escaneado, fotografía digital) y tienden a ser ficheros
muy voluminosos.
Animación: presentación de un número de gráficos por segundo que
genera en el observador la sensación de movimiento.
1.7.8. Juegos.
La mayor parte de los juegos están construidos usando técnicas de inteligencia
artificial.
Deep Blue: Máquina paralela que juega ajedrez y primera en derrotar al campeón
mundial [IBM 97].
Aibo: De Sony, es un perro inteligente el cual fue introducido al mercado en Japón y
Estados Unidos en 1999, y solo era vendido por la red.
El robot cuenta con múltiples sensores a lo largo de su cuerpo para la iteración con
su dueño, así como para darle su ubicación. También cuenta con luces, con las
cuales expresa su estado de ánimo en distintas situaciones.
2.1 CONCEPTO
Estos agentes actúan de forma racional y es aquel que hace lo correcto, lo correcto se
afirmará que es que el agente tenga el mejor desempeño.
¿Cómo evaluar ésto?
El agente racional puede medir su propio desempeño.
Los mapeos son aquellos que logran caracterizar al agente, dependiendo de una
secuencia de percepciones, éste responderá con alguna acción lo cual lo podemos
representar mediante una tabla o matriz de percepciones vs. Acciones.
Los mapeos ideales son los que caracterizan a los agentes ideales. El especificar qué
tipo de acción deberá emprender un agente como respuesta a una determinada secuencia
de percepciones constituye lo que se denomina Diseño de un Agente ideal.
Ejemplo: Agente inteligente que recoge la basura.
Percepciones Acciones
Cae la lluvia Ubicarse en un lugar que lo proteja.
Ubica un obstáculo Retroceda y desvía su camino
….. …..
2.4 LA AUTONOMÍA
Cada vez que así se solicite, se actualiza la memoria para que refleje la nueva
percepción, se escoge la mejor acción y también se consigna en la memoria la
acción emprendida. La memoria persiste de una solicitud a otra.
que el agente mantenga un estado interno para estar al tanto de lo que sucede
en el mundo.