Wednesday, February 11, 2015
Thursday, January 22, 2015
Tuesday, December 2, 2014
TEMA 3.3. CARACTERÍSTICAS DE LAS REDES NEURONALES ARTIFICIALES
INTRODUCCIÓN
Una de
las diferencias más grandes entre una red de neuronas biológica y una
artificial es la complejidad con la que trabajan, una RNB tiene una gran
complejidad, es decir puede resolver grandes problemas, mientras que la RNA
trabaja con una complejidad bastante baja.
En
este capítulo se conocerán las características más importantes de una red de
neuronas artificiales y se procederá a hacer una comparación entre los dos
tipos de redes neuronales que existen.
MARCO TEÓRICO
En
el cerebro humano existen una gran red neuronal, conformada por miles de
millones de neuronas las cuales se conectan formando una gran malla, con esta
idea se ha pretendido que este es el punto clave para desarrollar verdadera
inteligencia artificial, lo cual ha derivado en muchas investigaciones, que han
permitido desarrollar varios modelos de redes neuronales artificiales.
Pero,
aunque actualmente se tiene un gran avance tecnológico, el cerebro humano sigue
siendo un gran misterio, por lo cual parece casi imposible crear una red
similar a esta.
CARACTERÍSTICAS PRINCIPALES DE UNA RED NEURONAL ARTIFICIAL
Las
redes neuronales artificiales poseen una serie de características que a pesar
de ser muy importantes y de parecerse a las de una red biológica no llega a
cumplir a cabalidad todo el proceso que esta realiza.
Entre
las características más importantes de esta red tenemos las siguientes.
COMPARACIÓN ENTRE REDES NEURONALES ARTIFICIALES Y
BIOLÓGICAS
El
funcionamiento entre los diversos tipos de redes neuronales es muy diverso, aunque
con ciertas similitudes, pero hasta la actualidad no se ha podido crear o
llegar más allá de un 25% de semejanzas entre varias redes. A continuación se
presentan las diferencias más importantes entre ellas.
CONCLUSIONES
Una
red de neuronas biológicas es muy compleja de entender en cuanto a
funcionamiento interno, además de que cuenta con millones de neuronas, las
cuales tienen un sinnúmero de conexiones entre sí, mientras que en una red
artificial es muy diferente ya que no se ha podido implementar un gran número de neuronas artificiales, y estas solo
se conectan a una siguiente.
En la
red artificial se dan las conexiones en una sola dirección, es decir que la información
no regresa, en cambio en una red biológica las conexiones se dan en forma de
mallas, por lo cual es mucho más rápido conseguir una respuesta.
BIBLIOGRAFÍA
Viñuela, P y Galván, I. 2004. Redes de Neuronas
artificiales. Un enfoque práctico. Pearson education. Madrid. p 1-5.
Hilera, J y
Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.
Izurieta, F y
Saavedra, C. 2000. Redes Neuronales artificiales. (En línea). ES. Consultado,
27 de Dic .2014. Formato PDF. Disponible en:
www.uta.cl/charlas/volumen16/Indice/Ch-csaavedra.pdf
TEMA 3.2. MODELO COMPUTACIONAL
INTRODUCCIÓN
Los
primeros programas de computadoras se guiaban mediante los algoritmos,
diferencia principal de una maquina conexionista de una convencional, ya que la
conexionista como su nombre lo indica, posee una serie de conexiones las cuales
le permite tener una resolución de problemas de manera más eficaz y sin
necesidad de tener un algoritmo que lo resuelva.
Dentro
de este capítulo vamos a conocer la composición de un modelo computacional de
redes neuronales, el funcionamiento de una neurona artificial, es decir, como
reciben o envían información.
MARCO TEÓRICO
Una red
neuronal artificial al igual que una biológica está formada por un sinnúmero de
conexiones entre las neuronas artificiales que existan.
En la
actualidad existen diversos modelos de redes neuronales y en cada uno de ellos
se presenta una filosofía diferente, es decir cada modelo de red es creado para
una o varias funciones en específico.
EL SISTEMA DE COMUNICACIÓN DE UNA RED NEURONAL ARTIFICIAL
El
sistema de comunicación de una red neuronal artificial al igual que una
biológica se compone de tres partes:
Los receptores (Patrones de Entradas).- O
también llamada Capa de entrada, esta capa es en donde se presentan los datos a
la red, las capas de entrada se comunican con las capas ocultas.
El sistema Nervioso (Capas Ocultas).- Estas
capas ocultas como su nombre lo indica no tiene contacto con el exterior, sin
embrago es en estas capas en donde se procesa la información recibida, las
capas ocultas se comunican con las capas de salida o a otras capas ocultas.
Órganos Dianas o efectores (Patrones de
Salida).- También llamadas capas de salida, estas capas son las
encargadas de mostrar la información recibidas de las capas ocultas.
ESTRUCTURA BÁSICA DE LA RED
Como
se menciono anteriormente una red neuronal artificial básica esta formada por
una serie de capas, las primeras capas son denominadas capas de entrada y son
las que reciben la información del medio, estas a su vez se comunican con las
capas ocultas, las cuales no tienen contacto con el exterior, pero su función
es de vital importancia ya que estas son las encargadas del procesamiento de la
información que le envían las capas de entrada, una vez procesada la información
las capas ocultas la envían a la capa de salida, las cuales se encargan de
mostrar dicha información.
Como
se puede apreciar en la imagen la estructura de la red neuronal es bastante
simple aunque su funcionamiento es un poco más complejo.
APRENDIZAJE
El
aprendizaje de una red de neuronas artificiales consiste en la determinación de
los valores de los pesos para todas sus conexiones, que la capacite para la
resolución eficiente de un problema. (Hilera,
J y Martinez, V. 2000)
En esta red el aprendizaje se va dando
paulatinamente cada vez que se introduzca un ejemplo dentro de la misma, la red
guardara la información necesaria para poder en un futuro resolver un problema
del mismo tipo sin necesidad de otro ejemplo.
CONCLUSIONES
La red
de neuronas artificiales al igual que una biológica es la parte más importante
en un agente, ya que es esta la que le permite resolver diversos tipos de
problemas, aunque aún no se ha podido crear una red similar al cerebro humano
se avanza en investigaciones para lograrlo algún día.
Para
que la red artificial pueda funcionar de buena manera (en resolución de
problemas), es necesario que esta tenga un tipo de aprendizaje, esto para
evitar la implementación de nuevos módulos a cada momento.
BIBLIOGRAFÍA
Viñuela, P y Galván, I. 2004. Redes de Neuronas
artificiales. Un enfoque práctico. Pearson education. Madrid. p 1-5.
Hilera, J y
Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.
Basogain,
X. 2010. Redes Neuronales Artificiales y sus aplicaciones. Escuela Superior de
Ingenieria de Bilbao. En línea. Consultado 27 de diciembre 2014. Formato
PDF. Disponible en: http://www.ciberesquina.una.edu.ve:8080/2014_2/350_E.pdf
Teahan,
W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 1 de Dic 2014. Formato PDF.
Disponible en: http://www.bookboon.com.
TEMA 3.1. FUNDAMENTOS DE LAS REDES NEURONALES
INTRODUCCIÓN
Una
de las grandes metas propuestas por los científicos ha sido la de conocer como
es el funcionamiento del cerebro humano, que es lo que nos diferencia de los
demás animales y con esto poder llevar a cabo una verdadera Inteligencia
Artificial.
Una
red de neuronas está compuesta por una infinidad de neuronas las mismas que al
conectarse logran pasar información y hacer que el cuerpo reaccione a los
estímulos recibidos, es por esto que su estudio dentro de la I.A. es
fundamental a la hora de hacer un agente inteligente.
En
este capítulo conoceremos cual es el funcionamiento de una neurona estando sola
o en conjunto (en red), y como hacen para recibir o enviar información.
MARCO TEÓRICO
Una red
neuronal como su nombre lo indica es la unión entre dos o más neuronas que se
relacionan entre si y transmiten información de manera rápida.
MODELO BIOLÓGICO DE
UNA NEURONA
Como
podemos ver en la imagen una neurona está compuesta de dendritas, núcleo,
cuerpo celular y axón, al unirse una neurona con otra se forma la llamada
sinapsis. La misión neuronas es recoger información del medio ambiente o del
interior del cuerpo las elabora, almacena y transmite hacia otra neurona.
Formando así la red neuronal como se ve en la imagen 2.
EL SISTEMA DE COMUNICACIÓN NEURONAL
El
sistema de comunicación neuronal se compone de tres partes:
Los receptores.- Situados
en las células sensoriales. Recogen información en forma de estímulos del
ambiente o del interior del organismo.
El sistema Nervioso.- Recibe
la información de los receptores, la elabora (codifica), las almacena, y las
envía de forma elaborada a otras neuronas o a los órganos efectores.
Órganos Dianas o efectores.- Son
aquellos que reciben la información y la interpretan en forma de acciones
motoras, hormonales, etc, por ejemplo: (músculos y glándulas).
MISIÓN DE LAS NEURONAS
La
misión de las neuronas comprende generalmente 5 funciones parciales:
Recoger la información que llega a ellas,
dicha información puede proceder de otras neuronas o de los receptores, la
información llega en forma de impulsos.
La información es integrada en un código de
activación propio de la celula.
La información es trasmitida codificada y en
forma de frecuencia de impulsos a través del axón.
Mediante las ramificaciones el axón efectúa
la transmisión de los mensajes.
En la terminal se transmite los impulsos a
otras neuronas o a los órganos diana.
CONCLUSIONES
El
estudio de las redes neuronales es un pilar fundamental dentro de la I.A. ya
que nos permite conocer cómo se da el comportamiento en los seres racionales
(personas), y con ello se da un gran paso para la creación de agentes
inteligentes.
Al conocer
el funcionamiento biológico de una neurona podemos construir réplicas exactas
de estas para adaptarlas a los agentes y que estos razonen y puedan comportarse
de manera inteligente, es decir podrá actuar como un humano.
BIBLIOGRAFÍA
Viñuela, P y Galván, I. 2004. Redes de
Neuronas artificiales. Un enfoque práctico. Pearson education. Madrid. p 1-5.
Hilera, J y Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.
Hilera, J y Martinez, V. 2000. Redes neuronales artificiales. Alfaomega. Madrid España.
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.
Monday, November 17, 2014
TEMA 2.3. LA NATURALEZA DEL ENTORNO
INTRODUCCIÓN
El funcionamiento de los agentes inteligentes, depende de muchos
factores entre los cuales se encuentra su entorno y la naturaleza del mismo, es
muy importante conocer cuál será el entorno en el que se desenvolverá el
agente, para de esta forma pueda realizar todas las acciones de manera
correcta.
En el desarrollo de este tema se conocerán los diversos tipos de entornos en los cuales va a interactuar el agente, cuáles serán las percepciones y las acciones posibles que tomara el agente, pero tomando en cuenta cual es la naturaleza del entorno en el cual se desarrolla.
En el desarrollo de este tema se conocerán los diversos tipos de entornos en los cuales va a interactuar el agente, cuáles serán las percepciones y las acciones posibles que tomara el agente, pero tomando en cuenta cual es la naturaleza del entorno en el cual se desarrolla.
ESPECIFICACIÓN
DEL ENTORNO DE TRABAJO
El medio ambiente que influye un comportamiento del agente puede ser influenciado
por el mismo agente. Siempre se ha tenido la tendencia a pensar que el medio
ambiente es el que influye sobre el agente, pero se puede decir que la
influencia es bidireccional, es decir el agente altera el ambiente y al mismo
tiempo se altera el comportamiento del agente. (Grobstein, 2005).
El entorno de trabajo está compuesto de las medidas de rendimiento, el
entorno en sí, los sensores y los actuadores, todo esto es conocido con las
siglas REAS (Rendimiento, Entorno, Actuadores, Sensores), para poder realizar el diseño de un agente se debe
primeramente especificar cuál será el entorno de trabajo de la forma más
completa posible.
A continuación se presenta una tabla con la descripción REAS del Agente Taxista:
PROPIEDADES DE LOS ENTORNOS DE TRABAJO
Un entorno puede tener varios atributos o propiedades desde el punto de
vista del agente. A continuación se
presenta una serie de atributos que se pueden presentar en el entorno de
trabajo.
Ejemplos
de los entornos según sus atributos.
Ejemplo de entorno total y parcialmente observable.
Ejemplos de entorno determinista, estocático y estratégico.
Ejemplos de entorno episódico y secuencial.
Ejemplos de entorno estático y dinámico.
Ejemplos de entorno discreto y continuo.
Ejemplos de entorno agente simple y multi - agente.
CONCLUSIÓN
Es muy importante conocer cuál es el ambiente (entorno) en el que se va
a desarrollar el agente, saber cuáles son sus propiedades o atributos, esto con
la finalidad de que el agente pueda realizar sus funciones (acciones) de una
forma adecuada.
Un entorno puede tener muchos atributos, al ser de este tipo se puede
decir que el agente va a ser capaz de realizar muchas acciones y que las
realizara de manera correcta, además si el agente es autónomo, su capacidad ira
incrementando a medida que avance su desenvolvimiento con el medio (entorno).
BIBLIOGRAFÍA
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.
García, A.2012. Inteligencia Artificial. Fundamentos, práctica y aplicaciones. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/books.
Russell, S y Norving, P. 2004. Inteligencia Artificial un enfoque moderno. Pearson Education. 2 ed. Mexico. p 1-5.
Grobstein, P. 2005. Exploring Emergence. The world of langton’s Ant :Thinking about puporse. (En Línea). EC. Consultado, 7 de Nov. 2014. Disponible en http://www.serendip.brynmawer.edu.
Wednesday, November 12, 2014
TEMA 2.2. BUEN COMPORTAMIENTO: EL CONCEPTO DE RACIONALIDAD
INTRODUCCIÓN
Un
Agente racional es aquel que hace lo correcto, pero hacer lo correcto no
significa no equivocarse, pensar racionalmente es tomar una decisión que
aparentemente es la mejor en la circunstancia en la que nos encontramos, pero
no por esto significa es la decisión tomada ha sido correcta.
En
este capítulo conoceremos temas importantes como la racionalidad, la
omnisciencia, el aprendizaje y la autonomía, todos ellos necesarios dentro del
desarrollo de los sistemas inteligentes.
RACIONALIDAD
La
racionalidad en un momento determinado depende de cuatro factores:
·
La medida de rendimiento que
define el criterio de éxito.
·
El conocimiento del medio en
el que habita acumulado por el agente.
·
Las acciones que el agente
puede llevar a cabo.
·
La secuencia de percepciones
del agente hasta este momento.
Es decir que al pensar racionalmente el agente
debe definir o medir el éxito que tendremos al realizar una acción, también
debemos tener en cuenta el medio ambiente en el que se encuentra el agente,
saber cuáles son las posibles acciones que puede realizar y por ultimo hacer un
análisis de todas las percepciones recibidas hasta ese momento, en base a todo
ello el agente puede tomar una decisión racional. En un ejemplo. Un taxista
automático.
En este ejemplo se puede decir que el taxista
piensa de forma racional, sin embargo puede que una decisión tomada no sea la
mejor, por ejemplo en esa ruta ocurrió un accidente y la carretera está
cerrada, entonces el taxi debe volver a tomar otra ruta, lo cual conlleva a una
pérdida de tiempo.
OMNISCIENCIA, APRENDIZAJE Y AUTONOMÍA
Se debe tener mucho cuidado entre la
racionalidad y la omnisciencia, ya que son dos conceptos muy diferentes, por
una parte al tomar una decisión de manera racional, por ejemplo cruzar la calle
si no hay vehículos puede que sea correcto, pero no sabemos qué pasará mientras
estamos cruzando la calle, en cambio la omnisciencia conoce de manera
anticipada el efecto de su acción, es decir que va a pasar luego, por lo que
esto es muy poco probable.
Se
dice que un agente racional debe aprender de sus acciones, es decir toma
información del medio y las almacena, de esta forma sabrá como actuar frente a
situaciones similares. Esta propuesta no solo implica que el agente recopile
información, sino más bien que aprenda lo máximo posible de su entorno.
Un
agente racional debe contar con autonomía de esta forma no va a depender de los
conocimientos dados por su diseñador, es importante que estos agentes cuenten
con esta característica para de esta manera poder aprender de las percepciones
recibidas, un agente al contar con autonomía va a ser mucho más eficiente,
nuevamente tomamos el ejemplo del taxista, si es autónomo, puede guardar rutas
alternas, si encontró un obstáculo (muros) que no estaban puede mejorar el
servicio.
A
continuación se presenta un ejemplo en el que se puede ver que el aprendizaje y
la autonomía, hacen mucho más eficaz el desarrollo de acciones del agente.
“Supongamos
que el taxista automático, va por una carretera en la que anteriormente no había muros, va rápido y de pronto se encuentra con un obstáculo (muro), deberá frenar de manera rápida para evitar un mal golpe, si el taxista no es autónomo,
es decir no puede aprender, nunca va a poder frenar a tiempo, en cambio si ya
sabe que en ese lugar existe un muro, entonces podrá saber que debe bajar la
velocidad”.
En este caso nos damos cuenta que es muy necesario que el
agente cuente con autonomía.
CONCLUSIÓN
El
pensar racionalmente no significa no cometer errores, sin embargo se puede
aprender de ellos.
Una
de las características necesarias que debe tener un agente racional es el
aprendizaje, ya que si comete un error puede guardar esa información
(percepción), y de esta manera no hacer lo mismo otra vez.
BIBLIOGRAFÍA
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.
García, A.2012. Inteligencia Artificial. Fundamentos, práctica y aplicaciones. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/books.
Pino, R; Gómez, A; Abajo, N. 2010. Introducción a la Inteligencia Artificial. Sistemas Expertos, Redes Neuronales Artificiales y Computación Evolutiva. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/book.
Russell, S y Norving, P. 2004. Inteligencia Artificial un enfoque moderno. Pearson Education. 2 ed. Mexico. p 1-5.
TEMA 2.1. AGENTES Y SU ENTORNO
INTRODUCCIÓN
Los
Agentes Inteligentes o Racionales son el centro de la Inteligencia Artificial,
debido a que son estos los que nos permiten conocer si los avances de la IA van por buen camino, es decir, si estos
responden de la manera deseada.
En
este capítulo conoceremos un poco más sobre los agentes y su entorno y cuáles
deberían ser las acciones que tomen estos de acuerdo a las percepciones
obtenidas del medio.
“Agents
represent the most important new paradigm for software development sincce
object-orientation” (McBurney et al, 2004)
MARCO TEÓRICO
¿Qué es un Agente?
Históricamente,
una de las primeras áreas enfocadas dentro de la IA ha sido la construcción de
sistemas inteligentes, tal y como indican Russell y Norving, El concepto de
Agente racional es un tema central para tener una aproximación a lo que es la
IA. Es por esto que los agentes que razonan son también conocidos como
Inteligentes. (Teahan, 2010).
Russell, S y Norving, P. 2004, indican que un Agente es cualquier cosa que sea capaz de recibir percepciones del medio ambiente (mediante sensores), y además actuar en dicho ambiente con los actuadores (elementos que reaccionan frente a un estímulo realizando una acción). Imagen 1 y 2.
Como
nos podemos dar cuenta en la imagen los Agentes reciben una percepción del
medio, las cuales llegan por medio de los sensores, luego el Agente las procesa
y después pasa a los actuadores quienes envían acciones al medio ambiente de
acuerdo a lo percibido. Por ejemplo, el Agente peatón: El peatón va a cruzar la
calle, pero en ese instante va cruzando un carro, entonces el agente recibe
esto como una percepción mediante el sensor vista, dicho agente procesa esta
información recibida y con los actuadores piernas envía la acción detenerse
hasta que pase el carro.
El agente puede percibir una percepción en cualquier instante, a esto se
lo conoce como una secuencia de percepciones que siempre va acompañada de una
acción, en el ejemplo del peatón (Imagen 2) la secuencia de percepciones seria
como se muestra en la Imagen 3.
La
función que describe el comportamiento de un agente se puede presentar en forma
de tabla (Imagen 4), aunque en la mayoría de los casos esta tabla sería muy
grande (infinita a menos que se limite el tamaño de la secuencia de
percepciones que se quiera considerar). Dado un agente, con el que se quiera
experimentar, se puede, en principio, construir esta tabla teniendo en cuenta
todas las secuencias de percepción y determinando qué acción lleva a cabo el
agente.
Es
necesario aclarar que la función del Agente viene dada por o se implemente por
medio del programa del agente, es decir que la función solo es una descripción
matemática abstracta mientras que el programa en si es una implementación
completa sobre la arquitectura del agente.
CONCLUSIÓN
En
conclusión se puede decir que un agente es una de las partes principales dentro
de la IA, debido a que mediante este podemos implementar un sistema y ver como
actúa según las percepciones recibidas.
Un agente está
compuesto principalmente por sensores y actuadores, los sensores son los que le
permiten recibir percepciones del medio en el que se encuentra y los actuadores
le ayudan a interactuar con el medio, mediante las acciones que realiza.
BIBLIOGRAFÍA
McBurney, P. et al. 2004. AgentLink III: A coordination Networks for Agent-Based
Computing. (En línea). EC. Consultado, 6 de Nov. 2014. Disponible
en Http://dbs.cordis.lu/fepcgi.
García, A.2012. Inteligencia Artificial. Fundamentos, práctica y aplicaciones. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/books.
Pino, R; Gómez, A; Abajo, N. 2010. Introducción a la Inteligencia Artificial. Sistemas Expertos, Redes Neuronales Artificiales y Computación Evolutiva. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/book.
Russell, S y Norving, P. 2004. Inteligencia Artificial un enfoque moderno. Pearson Education. 2 ed. Mexico. p 1-5.
Thursday, October 30, 2014
TEMA 1.3. HISTORIA DE LA INTELIGENCIA ARTIFICIAL
INTRODUCCIÓN
En
el desarrollo de este capítulo conoceremos como ha sido la evolución de la IA
desde sus inicios, la repercusión que ha tenido sobre otras ciencias y además
como ha ayudado a la sociedad. El desarrollo de La IA ha tenido muchos inconvenientes, durante
algunos años se estancó, pero, luego de una época logro surgir nuevamente,
ahora si como una ciencia muy bien definida.
Desde
el comienzo de la IA han existido algunas personas que han formado una parte
muy importante de la historia de la IA, así por ejemplo tenemos a Warren
McCulloch y Walter Pitts (1943), que han sido reconocidos como los autores del
primer trabajo referente a la IA, entre otros.
GÉNESIS DE LA INTELIGENCIA ARTIFICIAL (1943-1955)
Nacimiento de la inteligencia artificial (1956)
Entusiasmo inicial, grandes esperanzas (1952-1969)
Los
primeros años de la IA estuvieron llenos de éxitos (aunque con ciertas
limitaciones). Teniendo en cuenta lo primitivo de los computadores y las herramientas
de programación de aquella época, y el hecho de que sólo unos pocos años antes,
a los computadores se les consideraba como artefactos que podían realizar
trabajos aritméticos y nada más, resultó sorprendente que un computador hiciese
algo remotamente inteligente. Muchos de la comunidad científica, prefirieron creer
que una maquina nunca podría hacer una tarea. Pero, como era de esperarse, los
investigadores de IA responderían a esto demostrando la realización de una
tarea tras otra. John McCarthy se refiere a esta época como la era de «Mira,
mamá, ahora sin manos!». Al temprano éxito de Newell y Simón siguió el del
sistema de resolución general de problemas, o SRGP. A diferencia del Teórico
Lógico, desde un principio este programa se diseñó para que imitara protocolos
de resolución de problemas de los seres humanos. Dentro del limitado número de
puzles que podía manejar, resultó que la secuencia en la que el programa
consideraba que los sub-objetivos y las posibles acciones eran semejantes a la
manera en que los seres humanos abordaban los mismos problemas. Es decir, el
SRGP posiblemente fue el primer programa que incorporó el enfoque de «pensar como un ser humano».
En
IBM, Nathaniel Rochester y sus colegas desarrollaron algunos de los primeros
programas de IA. Herbert Gelernter (1959) construyó el demostrador de teoremas
de geometría (DTG), el cual era capaz de probar teoremas que muchos estudiantes
de matemáticas podían encontrar muy complejos de resolver. A comienzos 1952,
Arthur Samuel escribió una serie de programas para el juego de las damas que
eventualmente aprendieron a jugar hasta alcanzar un nivel equivalente al de un
amateur. Con esto se echó por tierra la teoría de que los computadores sólo
pueden hacer lo que se les dice su programa, ya que pronto aprendió a jugar
mejor que su creador. El programa fue presentado en la televisión en febrero de
1956 y causó una gran impresión.
En
el año de 1958, en un Laboratorio de IA del MIT, McCarthy definió el lenguaje
de alto nivel Lisp, el cual se convertiría
en el lenguaje de programación dominante en la IA. Lisp es el segundo lenguaje de programación más antiguo que se
utiliza en la actualidad, ya que apareció un año después de FORTRAN. En este mismo año, McCarthy
publicó un artículo titulado Programs with Common Sense, en el que describía el
Generador de Consejos, un programa hipotético que podría considerarse como el
primer sistema de IA completo, el cual tuvo un diseño igual que el Teórico
Lógico y el Demostrador de Teoremas de Geometría, pero, a diferencia de los
otros, manejaba el conocimiento general del mundo.
En
1963 McCarthy creó el Laboratorio de IA en Stanford. Su plan para construir la
versión más reciente del Generador de Consejos con ayuda de la lógica sufrió un
considerable impulso gracias al descubrimiento de Robinson del método de
resolución (un algoritmo completo para la demostración de teoremas para la
lógica de primer orden, Minsky tuvo a su cargo la supervisión del trabajo de
una serie de estudiantes que eligieron un número de problemas limitados cuya
solución pareció requerir inteligencia.
Algunos programas importantes
SAINT (1963a).-
Programa creado por James Slagle, este programa fue capaz de resolver problemas
de integración de cálculo en forma cerrada, problemas habituales en los
primeros cursos de licenciatura.
ANALOGY (1968).-
Creado por Tom Evans, programas que resolvía problemas de analogía geométrica
que eran aplicadas en las pruebas de medición de inteligencia, parecidos al
siguiente.
STUDENT (1967).-
Cuyo creador fue Daniel Bobrow, es un programa que podía resolver problemas de
álgebra del siguiente tipo:
“Si
el número de clientes de Tom es dos veces el cuadrado del 20 por ciento de la
cantidad de anuncios que realiza, y éstos ascienden a 45, ¿cuántos clientes
tiene Tom?”
El mundo de los Bloques
Consiste en un conjunto
de bloques sólidos colocados sobre una mesa (más frecuentemente, en la simulación
de ésta), como se muestra en la siguiente ilustración. Una tarea típica de este
mundo es la reordenación de los bloques de cierta manera, con la ayuda de la
mano de un robot que es capaz de tomar un bloque cada vez que lo desee.
El
mundo de los bloques fue el punto de partida para el proyecto de visión de
David Huffman (1971), la visión y el trabajo de propagación con restricciones
de David Waltz (1975), la teoría del aprendizaje de Patrick Winston (1970), del
programa para la comprensión de lenguaje natural de Terry Winograd (1972) y del
planificador de Scott Fahlman (1974).
El
trabajo realizado por McCulloch y Pitts con redes neuronales hizo florecer esta
área. El trabajo de Winograd y Cowan (1963) mostró cómo un gran número de
elementos podría representar un concepto individual de forma colectiva, lo cual
llevaba consigo un aumento proporcional en robustez y paralelismo. Los métodos
de aprendizaje de Hebb se reforzaron con las aportaciones de Bemie Widrow
(Widrow y Hoff, 1960; Widrow, 1962), quien llamó adaUnes a sus redes, y por
Frank Rosenblatt (1962) con sus perceptores. Rosenblatt demostró el famoso
teorema del perceptrón, con lo que mostró que su algoritmo de aprendizaje
podría ajustar las intensidades de las conexiones de un perceptrón para que se
adaptaran a los datos de entrada, siempre y cuando existiera una
correspondencia.
UNA DOSIS DE REALIDAD (1966-1973)
Desde
el principio, los investigadores de IA hicieron públicas, sin timidez,
predicciones sobre el éxito que les esperaba. Con frecuencia, se cita el
siguiente comentario realizado por Herbert Simón en 1957:
“Sin afán de
sorprenderlos y dejarlos atónitos, pero la forma más sencilla que tengo de re
sumirlo es diciéndoles que actualmente en el mundo existen máquinas capaces de
pen sar, aprender y crear. Además, su aptitud para hacer lo anterior aumentará
rápidamente hasta que (en un futuro previsible) la magnitud de problemas que
serán capaces de re solver irá a la par que la capacidad de la mente humana
para hacer lo mismo.”
El
primer tipo de problemas surgió porque la mayoría de los primeros programas contaban
con poco o ningún conocimiento de la materia objeto de estudio; obtenían resultados
gracias a sencillas manipulaciones sintácticas.
La
realidad es que para traducir es necesario contar con un conocimiento general
sobre el tema, que permita resolver ambigüedades y así, precisar el contenido
de una oración. La famosa retraducción del ruso al inglés de la frase «el
espíritu es fuerte pero la carne es débil», cuyo resultado fue «el vodka es
bueno pero la carne está podrida» es un buen ejemplo del tipo de dificultades
que surgieron.
El
segundo problema fue que muchos de los problemas que se estaban intentando
resolver mediante la IA eran intratables. La mayoría de los primeros programas
de IA resolvían problemas experimentando con diversos pasos hasta que se
llegara a encontrar una solución.
El
tercer obstáculo se derivó de las limitaciones inherentes a las estructuras
básicas que se utilizaban en la generación de la conducta inteligente. Por
ejemplo, en 1969, en el libro de Minsky y Papert, Perceptrons, se demostró que
si bien era posible lograr que los perceptrones (una red neuronal simple)
aprendieran cualquier cosa que pudiesen re presentar, su capacidad de representación
era muy limitada.
SISTEMAS BASADOS EN EL CONOCIMIENTO: ¿CLAVE DEL PODER?
(1969-1979)
El
programa DENDRAL (Buchanan etal., 1969) constituye uno de los primeros ejemplos
de este enfoque. Fue diseñado en Stanford, donde Ed Feigenbaum (discípulo de
Herbert Simón), Bruce Buchanan (filósofo convertido en informático) y Joshua
Lederberg (genetista ganador del Premio Nobel) colaboraron en la solución del
problema de inferir una estructura molecular a partir de la información
proporcionada por un espectrómetro de masas.
La
trascendencia de DENDRAL se debió a ser el primer sistema de conocimiento intenso
que tuvo éxito: su base de conocimiento estaba formada por grandes cantidades
de reglas de propósito particular. En sistemas diseñados posteriormente se
incorporaron también los elementos fundamentales de la propuesta de McCarthy
para el Generador de Consejos, la nítida separación del conocimiento (en forma
de reglas) de la parte correspondiente al razonamiento.
El
siguiente gran esfuerzo se realizó en el área del diagnóstico médico.
Feigenbaum, Buchanan y el doctor Edward Shortliffe diseñaron el programa MYCIN,
para el diagnóstico de infecciones sanguíneas. Con 450 reglas aproximadamente,
MYCIN era capaz de hacer diagnósticos tan buenos como los de un experto y,
desde luego, mejores que los de un médico recién graduado. Se distinguía de
DENDRAL en dos aspectos principalmente. En primer lugar, a diferencia de las reglas
de DENDRAL, no se contaba con un modelo teórico desde el cual se pudiesen deducir
las reglas de MYCIN. Fue necesario obtenerlas a partir de extensas entrevistas
con los expertos, quienes las habían obtenido de libros de texto, de otros
expertos o de su experiencia directa en casos prácticos. En segundo lugar, las
reglas deberían reflejar la incertidumbre inherente al conocimiento médico.
MYCIN oontaba con un elemento que facilitaba el cálculo de incertidumbre denominado
factores de certeza, que al parecer (en aquella época) correspondía muy bien a
la manera como los médicos ponderaban las evidencias al hacer un diagnóstico.
LA IA SE CONVIERTE EN UNA INDUSTRIA (DESDE 1980 HASTA EL
PRESENTE)
El
primer sistema experto comercial que tuvo éxito, R1, inició su actividad en
Digital Equipment Corporation (McDermott, 1982). El programa se utilizaba en la
elaboración de pedidos de nuevos sistemas informáticos. En 1986 representaba
para la compañía un ahorro estimado de 40 millones de dólares al año. En 1988,
el grupo de Inteligencia Artificial de DEC había distribuido ya 40 sistemas
expertos, y había más en camino. DuPont utilizaba ya 100 y estaban en etapa de
desarrollo 500 más, lo que le generaba ahorro de diez millones de dólares
anuales aproximadamente. Casi todas las compañías importantes de Estados Unidos
contaban con su propio grupo de IA, en el que se utilizaban o investigaban
sistemas expertos. En 1981 los japoneses anunciaron el proyecto «Quinta
Generación», un plan de diez años para construir computadores inteligentes en
los que pudiese ejecutarse Prolog.
Como respuesta Estados Unidos constituyó la Microelectronics and Computer
Technology Corporation (MCC), consorcio encargado de mantener la competitividad
nacional en estas áreas. En ambos casos, la IA formaba parte de un gran
proyecto que incluía el diseño de chips y la investigación de la relación
hombre máquina. Sin embargo, los componentes de IA generados en el marco de MCC
y del proyecto Quinta Generación nunca alcanzaron sus objetivos.
En
su conjunto, la industria de la IA creció rápidamente, pasando de unos pocos millones
de dólares en 1980 a billones de dólares en 1988. Poco después de este período llegó
la época llamada «El Invierno de la IA», que afectó a muchas empresas que no
fueron capaces de desarrollar los extravagantes productos prometidos.
REGRESO DE LAS REDES NEURONALES (DESDE 1986 HASTA EL
PRESENTE)
Aunque
la informática había abandonado de manera general el campo de las redes neuronales
a finales de los años 70, el trabajo continuó en otros campos. Físicos como
John Hopfield (1982) utilizaron técnicas de la mecánica estadística para analizar
las propiedades de almacenamiento y optimización de las redes, tratando
colecciones de nodos como colecciones de átomos. Psicólogos como David
Rumelhart y Geoff Hinton continuaron con el estudio de modelos de memoria
basados en redes neuronales.
Aquellos
modelos de inteligencia artificial llamados conexionistas fueron vistos por
algunos como competidores tanto de los modelos simbólicos propuestos por Newell
y Simón como de la aproximación lógica de McCarthy entre otros (Smolensky,
1988). Pue de parecer obvio que los humanos manipulan símbolos hasta cierto
nivel, de hecho, el libro The Symbolic Species (1997) de Terrence Deacon sugiere
que esta es la característica que define a los humanos, pero los conexionistas
más ardientes se preguntan si la manipulación de los símbolos desempeña algún
papel justificable en determinados modelos de cognición. Este interrogante no
ha sido aún clarificado, pero la tendencia actual es que las aproximaciones conexionistas
y simbólicas son complementarias y no competidoras.
IA SE CONVIERTE EN UNA CIENCIA (DESDE 1987 HASTA EL PRESENTE)
En los últimos años se ha producido una revolución tanto
en el contenido como en la metodología de trabajo en el campo de la inteligencia
artificial. Actualmente es más usual el desarrollo sobre teorías ya existentes
que proponer teorías totalmente novedosas, tomar como base rigurosos teoremas o
sólidas evidencias experimentales más que intuición, y demostrar la utilidad de
las aplicaciones en el mundo real más que crear ejemplos de juguete. La IA se
fundó en parte en el marco de una rebelión en contra de las limitaciones de los
campos existentes como la teoría de control o la estadística, y ahora abarca
estos campos.
En términos metodológicos, se puede decir, con total
seguridad, que la IA ya forma parte del ámbito de los métodos científicos. Para
que se acepten, las hipótesis se deben someter a rigurosos experimentos
empíricos, y los resultados deben analizarse estadísticamente para identificar
su relevancia (Cohén, 1995). El uso de Internet y el compartir repositorios de
datos de prueba y código, ha hecho posible que ahora se puedan contrastar experimentos.
EMERGENCIA DE LOS SISTEMAS INTELIGENTES (DESDE 1995 HASTA EL
PRESENTE)
Quizás animados por el progreso en la resolución de
subproblemas de IA, los investigadores han comenzado a trabajar de nuevo en el
problema del «agente total». El trabajo de Alien Newell, John Laird, y Paul
Rosenbloom en Soar (Newell, 1990;
Laird et al., 1987) es el ejemplo mejor conocido de una arquitectura de agente
completa. El llamado «movimiento situado» intenta entender la forma de actuar
de los agentes inmersos en entornos reales, que disponen de sensores de
entradas continuas. Uno de los medios más importantes para los agentes
inteligentes es Internet. Los sistemas de IA han llegado a ser tan comunes en
aplicaciones desarrolladas para la Web que el sufijo «-bot» se ha introducido
en el lenguaje común. Más aún, tecnologías de IA son la base de muchas herramientas
para Internet, como por ejemplo motores de búsqueda, sistemas de recomendación,
y los sistemas para la construcción de portales Web.
CONCLUSIÓN
La
IA desde sus inicios ha tenido que enfrentar una serie de obstáculos, muchos de
los cuales lograron estancarla durante algunos años, sin embargo gracias al
esfuerzo y la dedicación que tuvieron muchos de los investigadores de IA, se ha
logrado desarrollar de una forma increíble, y sobre todo de manera correcta.
Se puede decir que estos
obstáculos le han permitido a la IA, perfeccionarse en las áreas en las que se
encontraba sin salida, es decir, que le dieron el empujón necesario para que la
IA sea lo que es hoy ben día, una ciencia
que a pesar de su avance sigue en desarrollo.
BIBLIOGRÁFICA
Teahan, W. 2010. Artificial Intelligence – Agents and Environments. (En Línea). EC. Consultado, 7 de Oct. 2014. Formato PDF. Disponible en http://www.bookboon.com.
García, A.2012. Inteligencia Artificial. Fundamentos, práctica y aplicaciones. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/books.
Pino, R; Gómez, A; Abajo, N. 2010. Introducción a la Inteligencia Artificial. Sistemas Expertos, Redes Neuronales Artificiales y Computación Evolutiva. (En Línea). ES. Consultado, 10 de Oct. 2014. Disponible en http://books.google.com.ec/book.
Russell, S y Norving, P. 2004. Inteligencia Artificial un enfoque moderno. Pearson Education. 2 ed. Mexico. p 1-5.
Subscribe to:
Posts (Atom)