IA

IA

miércoles, 30 de julio de 2014

Inteligencia Artificial



La inteligencia artificial es la parte de la Ciencia que se ocupa del diseño de sistemas de computación inteligentes, es decir, sistemas que exhiben las características que asociamos a la inteligencia en el comportamiento humano que se refiere a la comprensión del lenguaje, el aprendizaje, el razonamiento, la resolución de problemas, entre otros.

La inteligencia artificial es una ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana.

Los sistemas de inteligencia artificial incluyen a las personas, los procedimientos, el hardware y software, los datos y los conocimientos necesarios para desarrollar sistemas, y máquinas de computación que presenten características de inteligencia. El objetivo del desarrollo de sistemas de IA contemporáneos no es el reemplazo completo de la toma de decisiones de los humanos, pero sí duplicarlas para ciertos tipos de problemas bien definidos.

Etapas de la IA en la Historia

1943 - 1956
Estudios centrados en Redes Neuronales.

Demostración de Teoremas y Ajedrez.

(1937) Matemático Inglés Alan Mathison Turing (Artículo "Números Calculables"), introdujo la Máquina de Turing, una entidad matemática abstracta que formalizó el concepto de algoritmo y resultó ser la precursora de las computadoras digitales.

Considerado padre de la inteligencia artificial, por su famosa Prueba de Turing, que permitiría comprobar si un programa de computadora puede ser tan inteligente como un ser humano.

1952 - 1969
Creación de sistemas que resuelvan cualquier problema.

Avances limitados por los recursos computacionales.

1966 - 1974
Algoritmos genéticos.

Problemas en la representación del conocimiento.

1969 - 1979
DENDRAL, MYCIN.

1980 - 1988
Las empresas se interesan por la IA.

Control industrial y robótica.

1988 - Actualidad
Resolución de problemas del mundo real.

Sistemas especializados que cooperan.

Principales ramas de la Inteligencia Artificial
Robótica
Desarrollo de dispositivos mecánicos o de computación que tengan la capacidad de realizar funciones y/o tareas que requieran de un alto grado de precisión, tediosas o impliquen riesgo de peligro para los seres humanos. En la actualidad se combinan las capacidades de alta precisión de la máquina con un software controlador sofisticado.



Sistemas de Visión
Equipos y software que les permite a las computadoras capturar, almacenar y manipular imágenes visuales y fotografías.

Se pueden usar junto con robots para darles “visión” a estas máquinas y que pueda tomar decisiones con base a lo que ve y reconocer la información visual de acuerdo con patrones generales. 



Procesamiento de Lenguaje Natural
Programas que tienen como entrada lenguajes humanos para traducirlos en un conjunto estándar de instrucciones que una computadora ejecuta. Permiten a los seres humanos usar su propio lenguaje natural cuando interactúan con programas como sistemas de administración de bases de datos (DBMS) o sistemas de apoyo para la toma de decisiones.

El objetivo de los procesadores de lenguaje natural es eliminar paulatinamente la necesidad de aprender lenguajes de programación o comandos personalizados para que las computadoras entiendan. Su ventaja radica en que combinados con dispositivos de reconocimiento de voz, el usuario de instrucciones a las computadoras para que realicen tareas, sin usar un teclado o cualquier otro dispositivo de entrada.



Sistemas de Aprendizaje
Combinación de software y equipos que le permite a la computadora cambiar su modo de funcionar o reaccionar a situaciones, basado en la retroalimentación que recibe. 

Redes Neuronales
Es un sistema de computación que puede actuar en la misma forma que funciona el cerebro humano, o simularlo. Las redes neuronales pueden procesar muchas piezas de información al mismo tiempo y aprender a reconocer patrones. Un sistema de red neuronal aprende por ensayo y error. Sus principales características son:
-         Capacidad de recuperar información incluso si falla alguno de sus nodos.

-         -  Modificación rápida de los datos almacenados a partir de nueva información.

-         - Capacidad de descubrir relaciones y tendencias en grandes bases de datos.

   - Capacidad de resolver problemas complejos para los cuales no se cuenta con la información.




Lógica Difusa
Se basa en reglas que no tienen límites discretos, sino que se prolongan en un continuum, permitiendo a un sistema manejar mejor la ambigüedad. Esto es muy útil para reflejar cómo tienden a pensar las personas, en términos relativos, no absolutos.

Algoritmos Genéticos
Un algoritmo genético es un método de búsqueda dirigida basada en probabilidad. Al aumentar el número de iteraciones, la probabilidad de tener el óptimo en la población tiende a 1. Funciones matemáticas que usan los principios de Darwin para mejorar una aplicación. Las funciones se diseñan para simular en software, en cuestión de minutos o segundos.

Agentes Inteligentes
Programas de computadora que automáticamente revisan enormes cantidades de datos y seleccionan y entregan la información más adecuada para el usuario, de acuerdo con requisitos contextuales o específicos. La aplicación más importante de los agentes inteligentes se encuentra en la WEB. Un gran ejemplo de esto es Amazon.com.
El propósito principal de los agentes inteligentes es realizar sus tareas significativas más rápido, con más frecuencia y de manera más efectiva, que el usuario. Los agentes inteligentes vinculan automáticamente su computadora con sitios favoritos, le avisan cuando éstos se hayan actualizado y adecuan páginas específicas a sus preferencias.
Por último entre los distintos tipos de Inteligencia Artificial está en el que nos enfocaremos más, se trata de los Sistemas Expertos.

Sistemas Expertos

Programa de computadora, inteligente, que usa el conocimiento y los procedimientos de inferencia para resolver problemas que son suficientemente difíciles como para requerir significativa experiencia humana para su solución. Hace un amplio uso del conocimiento especializado, como lo hace un experto humano. Trabaja sobre un dominio específico.
Se utilizan los términos: Sistema Experto (SE), Sistemas Basados en Conocimientos o Sistema Experto Basado en Conocimiento. Para construir un SE, un ingeniero del conocimiento se entrevista con un experto humano, y traduce la información en código.

Características de los Sistemas Expertos

-         - Pueden explicar su razonamiento o decisiones sugeridas.

-         - Puede mostrar un comportamiento “inteligente”.

-         - Puede obtener conclusiones de relaciones complejas.

-         - Puede proporcionar conocimientos acumulados.

-         - Puede hacer frente a la incertidumbre.

Capacidades de los Sistemas Expertos

En comparación con otros tipos de sistemas de información, los SE ofrecen varias capacidades poderosas y beneficios. Los SE se pueden usar para solucionar problemas en todos los campos y disciplinas y ayudar en la totalidad de las etapas del proceso de solución de problemas.
-         Fijación de objetivos estratégicos.

-         - Planeación.

-         - Diseño.

-         - Toma de decisiones.

-         - Control y supervisión de calidad.

-         - Diagnóstico.

Usos de los Sistemas Expertos

El desarrollo de un SE complejo puede ser difícil, costoso y requerir de tiempo, por lo tanto, es importante asegurarse de que los posibles beneficios valen el esfuerzo y que las diversas características del SE se equilibran, en términos de costo, control y complejidad.

Limitaciones de los Sistemas Expertos

-         - No se han usado o probado en forma extensa.

-         - Dificultad de uso.

-         - Están limitados a problemas relativamente limitados.

-         - No pueden enfrentar con facilidad a conocimientos “mixtos”.

-         - Posibilidad de error.

-         - Dificultad de mantenimiento.

-         - Pueden tener costo altos de desarrollo.

-         - Ocasionan preocupaciones legales y éticas.


Componentes de los Sistemas Expertos

El usuario interactúa con el SE a través de una interfaz, la cual puede contender menús, procesamiento del lenguaje natural u otro tipo de interacción. Debe ser amigable en la entrada y salida de información. Interfaz de Usuario.

Se corresponde con el proceso de crear y actualizar la base de conocimientos Interfaz de Usuario Adquisición de Conocimiento.

Almacena toda la información, datos, reglas, casos y relaciones importantes que utiliza el SE. Para cada aplicación única se tiene que desarrollar una base conocimientos. Puede incluir conocimientos genéricos provenientes de teorías generales que se han establecido con el tiempo y conocimientos específicos que provienen de experiencias más recientes y de reglas prácticas.

Es similar a la suma total de los conocimientos y experiencias de los expertos humanos que se obtienen a través de años de trabajo en un área o disciplina específica.
Una BC que contiene información proporcionada por diversos expertos humanos puede ser extremadamente eficiente y exacta desde el punto de vista de sus sugerencias y pronósticos.

 El uso de reglas: una regla es una instrucción condicionada que enlaza determinadas condiciones con acciones o resultados. La regla se crea por medio de construcciones de SI – ENTONCES. Un SE puede usar casos al desarrollar la solución a un problema o situación actual.

El proceso incluye:
-         Encontrar casos almacenados en la base de conocimientos, que sean similares al problema.

-         Modificar las soluciones a los casos para adaptarlas, o ajustarlas, al problema o la situación actual.

El Motor de Inferencia, usado para buscar información y relaciones en la base de conocimientos, y proporcionar respuestas, pronósticos y sugerencias en la misma forma en que lo haría un experto humano. En otras palabras es el que proporciona el consejo experto. El conocimiento se representa como un conjunto de reglas y hechos.
Se asocia con un modelo o paradigma para resolver problemas. Dicho modelo utiliza métodos de encadenamientos de reglas SI – ENTONCES para formar una línea de razonamiento.

Si el encadenamiento comienza de un conjunto de condiciones y se mueve hacia las conclusiones entonces el método es denominado encadenamiento hacia adelante.
Si la conclusión es conocida pero la ruta de la conclusión no es conocida entonces el método que se utiliza es el encadenamiento hacia atrás.
El motor de inferencia contiene implementado estos métodos de razonamiento y controla la ejecución de las reglas.

Busca a través de la BC, intentando asociar el conocimiento almacenado en forma de hechos el antecedente de una regla (condición). Si el antecedente de una regla es satisfecho, entonces la regla ejecuta la acción de la conclusión o el consecuente.

Permite explicar el proceso de razonamiento seguido para tomar una decisión. Responderá a la pregunta: ¿Cómo? O ¿Por qué? Cuando ha efectuado una conclusión.



No hay comentarios:

Publicar un comentario