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