Inteligencia Artificial y Sus Ramas

Capítulo 2

Inteligencia Artificial

2.1 Definiciones de Inteligencia Artificial •

“La interesante tarea de lograr que las computadoras piensen… máquinas con mentes, en su amplio sentido literal”. (Haugeland, 1985)

•

“La automatización de actividades que vinculamos con procesos de pensamiento humano, actividades tales como toma de decisiones, resolución de problemas, aprendizaje…”(Bellman, 1978)

•

“El arte de crear máquinas con capacidad de realizar funciones que realizadas por personas requieren inteligencia”. (Kurzweil, 1990)

•

“El estudio de cómo lograr que las computadoras realicen tareas que, por el momento, los humanos hacen mejor”. (Rich y Knight, 1991)

•

“El estudio de las facultades mentales mediante el uso de modelos computacionales”. (Charniak y McDermott, 1985)

•

“El estudio de los cálculos que permiten percibir, razonar y actuar”. (Winston, 1992)

•

“Un campo de estudio que se enfoca en la explicación y emulación de la conducta inteligente en función de procesos computacionales”. (Schalkoff, 1990)

•

“La rama de la computación que se ocupa de la automatización de la conducta inteligente”. (Luger y Stubblefied, 1993)

2.2 Historia de la Inteligencia Artificial La historia de la Inteligencia Artificial tiene sus orígenes 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. La máquina de Turing es un modelo computacional en el trabajo “On computable numbers, with an application to the Entscheidungsproblem”, publicado por la Sociedad Matemática de Londres, en el cual se estudiaba la cuestión planteada por David Hilbert sobre si las matemáticas son decidibles, es decir, si hay un método definido que pueda aplicarse a cualquier sentencia matemática y que nos diga si esa sentencia es cierta o no. Turing construyó un modelo formal de computador, la máquina de Turing, y demostró que existían problemas que ______________________________________________________________________8

Capítulo 2


una máquina no podía resolver. La máquina de Turing es un modelo matemático abstracto que formaliza el concepto de algoritmo. La I.A. tuvo su boom a partir de la conferencia efectuada en el Darmouth College en 1956 (aquí nace la I.A.) Estando presentes científicos como: 1.-John Mccarty: quien le dio el nombre a esta nueva área del conocimiento. 2.-Marvin Minisky: fundador del laboratorio de I.A. del MIT (Instituto Tecnológico de Massachusetts). 3.-Claude Shannon: de los laboratorios Bell de E.U.A. 4.-Nathaniel Rodhester: de I.B.M. 5.-Allen Newell: primer presidente de la A.A.A.I. (Asociacion Americana de Inteligencia Artificial) 6.-Herbert Simmon: Premio Novel de Carnige Mellon University.

La historia de la Inteligencia Artificial ha pasado por diversas situaciones: 50´s.-Se logra realizar un sistema que tuvo cierto éxito, se llamó el Perceptrón de Rossenblatt. Éste era un sistema visual de reconocimiento de patrones en el cual se aunaron esfuerzos para que se pudieran resolver una gama amplia de problemas, pero estas energías se diluyeron enseguida. 60´s.-Alan Newell y Herbert Simon, trabajando la demostración de teoremas y el ajedrez por computadora logran crear un programa llamado GPS (General Problem Solver: solucionador general de problemas). Éste era una sistema en el que el usuario definía un entorno en función de una serie de objetos y los operadores que se podían aplicar sobre ellos. Este programa era capaz de trabajar con las torres de Hanoi, así como con criptoaritmética y otros problemas similares, operando, claro está, con microcosmos formalizados que representaban los parámetros dentro de los cuales se podían resolver problemas. Lo que no podía hacer el GPS era resolver problemas ni del mundo real, ni médicos ni tomar decisiones importantes. El GPS manejaba reglas heurísticas (aprender a partir de sus propios descubrimientos) que la conducían hasta el destino deseado mediante el método del ensayo y el error. 70’s.- Un equipo de investigadores dirigido por Edward Feigenbaum comenzó a elaborar un proyecto para resolver problemas de la vida cotidiana o que se centrara, al menos, en problemas más concretos. Así es como nació el Sistema Experto.

______________________________________________________________________9

Capítulo 2


El primer sistema experto fue el denominado Dendral, un intérprete de espectrograma de masa construido en 1967, pero el más influyente resultaría ser el Mycin de 1974. El Mycin era capaz de diagnosticar trastornos en la sangre y recetar la correspondiente medicación, todo un logro en aquella época que incluso fueron utilizados en hospitales (como el Puff, variante de Mycin de uso común en el Pacific Medical Center de San Francisco, EEUU). 80’s.- Se desarrollaron lenguajes especiales para utilizar con la Inteligencia Artificial, tales como el LISP o el PROLOG. Es en esta época cuando se desarrollan Sistemas Expertos más refinados, como por el ejemplo el EURISKO. Este programa perfecciona su propio cuerpo de reglas heurísticas automáticamente, por inducción. En términos generales las eras por las que ha pasado la IA. son las siguientes: 1.-El inicio (1956-1965) poniéndose principal énfasis en la implementación de juegos en la computadora (ajedrez, damas etc.), así como en la demostración de teoremas. 2.-La etapa obscura (1965-1970) aquí se apoya el entusiasmo por la IA. 3.-Etapa del renacimiento de la IA. (1970-1975), iniciado en la universidad de Stanford con el sistema experto medico MYCIN (experto en enfermedades infecciosas de la sangre como la meningitis). 4.-Etapa de las sociedades. (1975-1980) aquí se identifica la necesidad de trabajar en sociedad con profesionistas en otras áreas del conocimiento (Dendral = MYCIN) 5.-Etapa de la comercialización de la IA.

Fig. 2.1 Diagrama Artístico de la Máquina de Turing

2.3 Inteligencia Artificial como Disciplina 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 adalid que quienes defendían la posibilidad de emular le pensamiento humano a través de la computación y fue coautor del primer programa para jugar ajedrez.

______________________________________________________________________10

Capítulo 2


En su histórico artículo de 1950, Turing propuso que la pregunta “¿puede pensar una máquina?” era demasiado filosófica para tener valor y para hacerlo más concreto, propuso “un juego de imitación”. En la prueba de Turing intervienen dos personas y una computadora. Una persona, el interrogador, se sienta en una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si actúa de manera inteligente, según Turing es inteligente. Turing, señaló que una máquina podría fracasar y aún ser inteligente. Aun así creía que las máquinas podrían superar la prueba a fin del siglo. Disciplinas sobre las que se apoya la IA La ciencia no se define, sino que se reconoce. Para la evolución de la Inteligencia Artificial las dos fuerzas más importantes en el entorno de 1930 y 1940 fueron la lógica matemática, la cual se desarrolla rápidamente a finales de esta centuria, y nuevas ideas acerca de computación. La lógica matemática ha continuando siendo un área muy activa en la inteligencia artificial. Incluso antes de la existencia de las computadoras como son los sistemas lógicos deductivos.

2.4 Características de la Inteligencia Artificial 1.- Una característica fundamental que diferencia a los métodos de Inteligencia Artificial de los métodos numéricos es el uso de símbolos no matemáticos, aunque no es bastante para diferenciarlo totalmente. Otros ejemplos de programas como los compiladores y sistemas de bases de datos, también procesan símbolos y no se considera que utilicen técnicas de Inteligencia Artificial. 2.- El comportamiento de los programas no es descrito explícitamente por el algoritmo. El programa especifica cómo encontrar la secuencia de pasos necesarios para resolver un problema dado (programa declarativo). En diferencia con los programas que no son de Inteligencia Artificial, que siguen un algoritmo determinado, que detalla, explícitamente, cómo hallar las variables de salida para cualquier variable dada de entrada (programa de procedimiento). Las conclusiones de un programa declarativo no son fijas y son determinadas parcialmente por las conclusiones intermedias alcanzadas durante las consideraciones al problema específico. Los lenguajes orientados al objeto comparten esta propiedad y se han caracterizado por su afinidad con la Inteligencia Artificial. 3.- El razonamiento basado en el conocimiento, implica que estos programas incorporan factores y relaciones del mundo real y del ámbito del conocimiento en que ellos operan. Al contrario de los programas para propósito específico, como los de contabilidad y cálculos científicos; los programas de Inteligencia Artificial pueden distinguir entre el programa de razonamiento o motor de inferencia y base de conocimientos dándole la capacidad de explicar discrepancias entre ellas. 4.- Aplicabilidad a datos y problemas mal estructurados, sin las técnicas de Inteligencia Artificial los programas no pueden trabajar con este tipo de ______________________________________________________________________11

Capítulo 2


problemas. Un ejemplo es la resolución de conflictos en tareas orientadas a metas como en planificación, o el diagnóstico de tareas en un sistema del mundo real: con poca información, con una solución cercana y no necesariamente exacta. La Inteligencia Artificial incluye varios campos de desarrollo tales como: la robótica, usada principalmente en el campo industrial; comprensión de lenguajes y traducción; visión en máquinas que distinguen formas y que se usan en líneas de ensamblaje; reconocimiento de palabras y aprendizaje de máquinas; sistemas computacionales expertos. Los Sistemas Expertos, que reproducen el comportamiento humano en un estrecho ámbito del conocimiento, son programas tan variados como los que diagnostican infecciones en la sangre e indican un tratamiento, los que interpretan datos sismológicos en exploración geológica y los que configuran complejos equipos de alta tecnología. Tales tareas reducen costos, reducen riesgos en la manipulación humana en áreas peligrosas, mejoran el desempeño del personal inexperto, y mejoran el control de calidad sobre todo en el ámbito comercial.

2.5 Aplicaciones de la Inteligencia Artificial Los esfuerzos de la IA se clasifican según varias categorías. Mientras la investigación y el desarrollo como Robótica y Visión Artificial, se relacionan con el hardware y software, la investigación y el desarrollo en otras áreas sólo se relacionan con el software. Sistemas de visión: Incluyen equipos y software que les permite a las computadoras capturar, almacenar y manipular imágenes visuales y fotografías. Los sistemas de visión 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.

Fig. 2.2 Visión Artificial

Procesamiento de Lenguaje Natural: Son programas diseñados para tomar lenguajes humanos como entrada y traducirlo en un conjunto estándar de instrucciones que una computadora ejecuta. El propósito de estos complejos programas es permitir 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.

______________________________________________________________________12

Capítulo 2


Sistemas de aprendizaje: Una 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. Agentes Inteligentes: La creación más reciente en IA son los 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. Tipos de agentes Agentes de reflejo simple: Este tipo de agente no contiene internamente estados y sus procesos o acciones que realiza son respuestas a la entrada de percepciones, a esta conexión entre percepciones y acciones se las denomina reglas de condición-acción. Ejemplo: Si el carro de adelante está frenando entonces empiece a frenar. Agentes bien informados de todo lo que pasa: Este tipo de agente guarda estados internos lo que nos sirve sin consideración para ejecutar una acción. Los sensores no pueden informar a la vez de todos los estados que maneja su ambiente, es por este caso que el agente necesita actualizar algo de información en el estado interno. Esto le permite discernir que entre estados del ambiente que generan la misma entrada de percepciones pero, sin embargo; para cada uno de los estados se necesitan acciones distintas. Agentes basados en metas: Además de los estados, los agentes necesitan cierto tipo de información sobre sus metas Estas metas van a detallar las situaciones a las que se desea llegar de este modo, el programa de agente puede combinar las metas con la información de los resultados (acciones) que emprenda y de esta manera poder elegir aquellas acciones que permitan alcanzar la meta. Agentes basados en utilidad: Las metas por sí solas garantizan la obtención de una conducta de alta calidad. En un programa de agente se podría tener un conjunto de metas pero la obtención de éstas no garantizan distinciones entre estados felices e infelices, mediante una medida de desempeño se podría establecer una comparación entre los diversos estados del mundo (ambientes) para poder encontrar el estado de felicidad para el agente. Este estado ofrecerá una mayor utilidad al agente.

Fig. 2.3 Diagrama de un Agente Inteligente

______________________________________________________________________13

Capítulo 2


Sistemas Expertos: Consisten de equipos y software que almacenan conocimientos y hacen inferencias, en forma similar a un experto humano. Los esfuerzos se orientaron al diseño de programas que resolvieran problemas en áreas precisas utilizando conocimiento y razonamiento de expertos. El propósito de los SE es duplicar el conocimiento no estructurado ni documentado de unos pocos (los expertos) y los pone a disposición de otros. Debido a la forma en que están planteados los SE (basados en la experiencia) no puede ayudar a los usuarios que tratan con sucesos que los expertos no consideraron durante el periodo de creación. Sin embargo muchos programas avanzados que incluyen "redes neuronales" aprenden de situaciones nuevas y formulan reglas adhoc en sus bases de conocimiento para resolver eventualidades no consideradas originalmente en su diseño. Vehículos Autónomos. Son una amalgama de ramas de la IA como: Robótica, aprendizaje de máquina, Sistemas Expertos, Visión, etc., para lograr que una máquina inteligente pueda maniobrar en un espacio físico singular pero variable, de manera autónoma hasta lograr el objetivo que se le asigne: tomar una muestra de la superficie del planeta Marte, conducir un vehículo hasta cierto destino por una carretera transitada, etc. Realidad Virtual. Sistema o Interfaz Informático que recrea mundos artificiales en tiempo real que pueden ser captados por diversos canales sensoriales en el espectador, el cuál puede navegar "inmerso" a través de dicho mundo virtual.

Fig. 2.4 Realidad Virtual Las Aplicaciones de la IA podrían resumirse de la siguiente manera: • • •

Ingeniería del Conocimiento para problemas de configuración espacial Técnicas híbridas para resolución de problemas de diseño Validación inteligente de datos

Búsqueda y resolución de problemas • •

Estrategias de búsqueda en grafos. Decisión multicriterio.

______________________________________________________________________14

Capítulo 2


Inteligencia Artificial Distribuida • • •

Sistemas multiagente Negociación automatizada. Formación de coaliciones Agentes para diseño ingenieril

Minería de Datos • •

Nuevos modelos para series temporales Modelos de aprendizaje de patrones que cambian con el tiempo

Razonamiento difuso • •

Lenguajes de programación difusos Computabilidad difusa

Representación del conocimiento • • •

Representación del conocimiento de diseño Representación del conocimiento de diagnóstico/validación Representación del conocimiento jurídico

2.6 Ramas de la Inteligencia Artificial 2.6.1 Lógica Difusa. La 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. Cuando la lógica difusa se incorpora a un SE, el resultado es un sistema que limita mejor la manera natural en que un experto humano resolvería un problema. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí: verdadero o falso. Basado en los principios del razonamiento aproximado y el "cálculo con palabras", se logra simplificar y aproximar la descripción del problema de una manera natural, eficiente y robusta. La Lógica Difusa va más allá de la lógica booleana en cuanto a que acepta valores parciales de verdad, es decir, de 0 a 100%; aceptando con ello expresiones tales como: "Juan es alto" con un 75% de certeza, o mejor aún, simplificándolo a "Juan no es muy alto"; "El tanque está lleno" con 50% de certeza, o bien, "El tanque está medio lleno o medio vacío". 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.

______________________________________________________________________15

Capítulo 2


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"). 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) Las reglas de las que dispone el motor de inferencia de un sistema difuso pueden ser formuladas por expertos, o bien aprendidas por el propio sistema, haciendo uso en este caso de Redes Neuronales para fortalecer las futuras tomas de decisiones. Los datos de entrada suelen ser recogidos por sensores, que miden las variables de entrada de un sistema. El motor de inferencias se basa en chips difusos, que están aumentando exponencialmente su capacidad de procesamiento de reglas año a año. Un esquema de funcionamiento típico para un sistema difuso podría ser de la siguiente manera:

Fig. 2.5 Funcionamiento de un sistema de control difuso

2.6.2 Redes Neuronales Artificiales. Denominadas habitualmente como RNA o en inglés como: ANN (Artificial Neural Networks) son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexión de neuronas en una red que colabora para producir un estímulo de salida. Una de las misiones en una red neuronal consiste en simular las propiedades observadas en los sistemas neuronales biológicos a través de modelos matemáticos recreados mediante mecanismos artificiales (como un circuito integrado, una computadora o un conjunto de válvulas). El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalización y su robustez.

______________________________________________________________________16

Capítulo 2


Fig. 2.6 Red Neuronal Biológica Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a través de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 1. Una función de propagación (también conocida como función de excitación), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexión (valor neto). Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria. 2. Una función de activación, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma función de propagación. 3. Una función de transferencia, que se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la sigmoide (para obtener valores en el intervalo [0,1]) y la hiperbólica-tangente (para obtener valores en el intervalo [-1,1]).

Fig. 2.7 Perceptrón con 2 Entradas

A diferencia de los Sistemas Expertos, un sistema de red neuronal aprende por ensayo y error.

______________________________________________________________________17

Capítulo 2


Características: Capacidad de recuperar información incluso si falla alguno de los nodos neuronales. Modificación rápida de los datos almacenados como consecuencia 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.

Fig. 2.8 Red Neuronal Artificial

2.6.3 Algoritmos Genéticos. Los Algoritmos Genéticos son 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, lo que sucede en ambientes naturales durante millones de años. Un algoritmo es una serie de pasos organizados que describe el proceso que se debe seguir, para dar solución a un problema específico. Los Algoritmos Genéticos se inspiran en la evolución biológica y su base genético-molecular. Estos algoritmos hacen evolucionar una población de individuos sometiéndola a acciones aleatorias semejantes a las que actúan en la evolución biológica (mutaciones y recombinaciones genéticas), así como también a una selección de acuerdo con algún criterio, en función del cual se decide cuáles son los individuos más adaptados, que sobreviven, y cuáles los menos aptos, que son descartados. Los Algoritmos Genéticos establecen una analogía entre el conjunto de soluciones de un problema, llamado fenotipo, y el conjunto de individuos de una población natural, codificando la información de cada solución en una cadena, generalmente binaria, llamada cromosoma. Los símbolos que forman la cadena son llamados los genes. Cuando la representación de los cromosomas se hace con cadenas de dígitos binarios se le conoce como genotipo. Los cromosomas ______________________________________________________________________18

Capítulo 2


evolucionan a través de iteraciones, llamadas generaciones. En cada generación, los cromosomas son evaluados usando alguna medida de aptitud. Las siguientes generaciones (nuevos cromosomas), llamada descendencia, se forman utilizando dos operadores, de cruzamiento y de mutación. Esquema general de funcionamiento del Algoritmo Genético 1. Inicializar aleatoriamente una población de soluciones a un problema, representadas por una estructura de datos adecuada. 2. Evaluar cada una de las soluciones, y asignarle una puntuación según lo bien que lo hayan hecho. 3. Escoger de la población la parte que tenga una puntuación mayor 4. Mutar (cambiar) y entrecruzar (combinar) las diferentes soluciones de esa parte escogida, para reconstruir la población. 5. Repetir un número determinado de veces o hasta que se haya encontrado la solución deseada.

Fig. 2.9 Estructura de un fragmento de ADN

2.6.4 Robótica La Robótica es una rama del árbol tecnología, que estudia el diseño y construcción de máquinas capaces de desempeñar tareas repetitivas o peligrosas para el ser humano. Las ciencias y tecnologías de las que deriva podrían ser: el álgebra, los autómatas programables, las máquinas de estados, la mecánica, la electrónica y la informática. La Robótica Incluye el desarrollo de dispositivos mecánicos o de computación que tengan la capacidad de realizar funciones, tales como pintar automóviles, de hacer soldaduras de precisión y realizar otras tareas que requieran de un alto grado de precisión o que sean tediosas o impliquen peligro para los seres humanos. En la robótica contemporánea se combinan las capacidades de alta precisión de la máquina con un software controlador sofisticado.

Fig. 2.10 Brazo Robot Soldador ______________________________________________________________________19

Capítulo 2


2.7 Futuro de la Inteligencia Artificial “En el futuro, la Inteligencia Artificial auto replicante podría fácilmente hacerse con todas las colonias humanas fuera de la tierra, y la raza humana nunca podrá luchar en el espacio vacío en igualdad de condiciones. El futuro de una inteligencia superior puede ser la investigación de tecnologías como la teleportación, los viajes estelares y cualquier otra tecnología para aumentar "artificialmente" la inteligencia... “ ISC Jhony C. López “Hemos llegado a un punto de avance técnico en el que no podemos plantear la posibilidad de crear inteligencia, cualidad humana, en máquinas físicamente superiores a nosotros. Esto las dotaría de un poder casi sin limitaciones. En el momento en el que una computadora pueda prescindir de la intervención del hombre para funcionar y adquiera la capacidad de pensar, estará viva, todo ser vivo desarrolla sentidos acordes con su condición, siendo uno de estos el de supervivencia”. Rafael López Diez Revista “Jumping”

______________________________________________________________________20

Inteligencia Artificial y Sus Ramas

Recommend Documents