PROGRAMA: ACTUALIZACION EN SISTEMAS PLANIFICACION DEL CURSO: DESARROLLO DE SOFTWARE – SISTEMAS INTELIGENTES INTRODUCCION
La era de la información ha tenido un enorme impacto en nuestra sociedad a través de tecnologías de la información de enormes capacidades y aplicabilidad, siendo las bases de datos su ejemplo más contundente. Estas tecnologías han permitido la automatización del procesamiento de datos, principalmente su almacenamiento y recuperación. A su vez, es constante el aumento en la cantidad de aparatos de medición que almacenan la información directamente en formato digital. Esta información es almacenada en bases de datos cuya capacidad tampoco parece tener límites debido al imparable aumento de la capacidad de los sistemas de almacenamiento, y a la sorprendente eficiencia en la recuperación de estos datos. La tecnología de base de datos está llegando a niveles tales de madurez que desde las más pequeñas hasta las más grandes empresas no dudan en guardar su información en estos formatos. Existen sin embargo dos pasos en el procesamiento de datos que ha encontrado dificultades: análisis y razonamiento. Las bases de datos contienen una pequeña cantidad de herramientas de análisis que permiten generar estadísticas, pero estas no son automatizadas, sino más bien requieren la intervención y guía de un analista experto (e.g. estadístico). La tarea de automatizar herramientas tradicionales de análisis de datos está siendo desarrollada en el campo del aprendizaje de máquinas. El análisis automatizado de datos tiene como producto el conocimiento. Por ejemplo, una serie de datos de posición espacial y tiempo (e.g. en el famoso experimento de caída libre desde la torre de Pisa de Galileo), no es de gran utilidad, al menos que estos datos le permitan a Galileo dilucidar la ley de caída libre de los cuerpos. Esta ley es un ejemplo de lo que llamamos conocimiento. Con la ley podemos razonar en niveles de abstracción que son de utilidad para nuestra vida cotidiana o aplicaciones avanzadas de ingeniería. Hoy en día se estudian algoritmos de aprendizaje para la generación automática de conocimiento a partir de observaciones (i.e., datos). Este conocimiento puede tomar variadas formas, como ser el aprendizaje de reglas (e.g., los objetos masivos sin sostén caen), reconocimiento de patrones (e.g., en donde el algoritmo encuentra la forma funcional de caída de los cuerpos, i.e., la ley de gravitación), sistemas expertos
probabilísticos (i.e., redes Bayesianas), aprendizaje de funciones continuas (i.e., regresión, con aplicación en la predicción de valores), o aprendizaje de funciones discretas con aplicación en la clasificación de las instancias de entrada
CONTENIDOS MINIMOS
DEFINIFICIONES - TIPOS DE SISTEMAS INTELIGENTES – USOS CAPACIDADES REQUERIDAS INTELIGENCIA INTELIGENCIA ARTIFICIAL o o HISTORIA DE LA INTELIGENCIA ARTIFICIAL CATEGORIAS DE LA INTELIGENCIA ARTIFICIAL o ESCUELAS DE PENSAMIENTO DE LA IA o SISTEMAS EXPERTOS o ESTRUCTURA BASICA DE UN SE TIPOS DE SE o VENTAJAS Y LIMITACIONES DE LOS SE o TAREAS QUE REALIZA UN SE o
OBJETIVO DEL MODULO
En el curso se imparten conocimientos del área de los Sistemas Inteligentes en general, se desarrollan los aspectos básicos y su aplicación en la resolución de problemas en la industria y servicios inteligentes.
PROGRAMA ACADEMICO I.- DEFINIFICIONES - TIPOS DE SISTEMAS INTELIGENTES - USOS
Podemos definir un sistema inteligente como un programa de computación que cuenta con características y comportamientos similares a los de la inteligencia humana o animal, es decir, que cuenta con la capacidad de decidir por sí mismo qué acciones realizará para alcanzar sus objetivos basándose en sus percepciones, conocimientos y experiencias acumuladas. Para hablar de sistema inteligente debe existir un entorno con el cual el sistema interactúe y, además, el sistema inteligente debe incluir “sentidos” que le permitan recibir comunicaciones de dicho entorno y así transmitir información. El sistema actúa continuamente y cuenta con una memoria para archivar el resultado de sus acciones. Tiene un objetivo y, para alcanzarlo, debe seleccionar la respuesta adecuada. Además, a través de su memoria, durante su existencia, aprende de su
experiencia, logrando mejorar tanto su rendimiento como su eficiencia. Por último, consume energía, la cual utiliza para sus procesos internos y para actuar. La expresión "sistema inteligente" se usa a veces para sistemas inteligentes incompletos, por ejemplo para una casa inteligente o un sistema experto. Un sistema inteligente completo incluye "sentidos" que le permiten recibir información de su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus acciones. Tiene un objetivo e, inspeccionando su memoria, puede aprender de su experiencia. Aprende cómo lograr mejorar su rendimiento y eficiencia. Los Sistemas Inteligentes están diseñados para tratar principalmente con problemas en: Administración Sistemas de Soporte a la Toma de Decisiones o Finanzas Sistemas de Análisis de Riesgo Crediticio o o Sistemas de Apoyo a las Inversiones Financieras Manufactura o Robótica Reconocimiento de Formas Reconocimiento de Patrones en Imágenes Medicas o o Reconocimiento de Patrones en Marcadores de Asistencia Instrumentación Adaptativa Sistemas de Información Educativos o Sistemas para la Valoración de la Enseñanza Aprendizaje. o Procesos de Control o Electrónica del Automóvil Cámaras de Seguridad o
II.- CAPACIDADES REQUERIDAS
Para que un sistema inteligente pueda ser considerado completo, debe incluir diversas funcionalidades que incluyan: Inteligencia (artificial): Hay muchas definiciones de "inteligencia". Para usos prácticos usamos esta: La inteligencia es el nivel del sistema en lograr sus objetivos. Sistematización: Un sistema es parte del universo, con una extensión limitada en espacio y tiempo. Las partes del sistema tienen más, o más fuertes, correlaciones con otras partes del mismo sistema; que con partes fuera del sistema.
Objetivo: Un objetivo es una cierta situación que el sistema inteligente quiere lograr. Normalmente hay muchos niveles de objetivos, puede haber un objetivo principal y muchos sub objetivos. Capacidad sensorial: Un sentido es la parte del sistema que puede recibir comunicaciones del entorno. Se necesitan los sentidos para que el sistema inteligente puede conocer su entorno y actuar interactivamente. Conceptualización: Un concepto es el elemento básico del pensamiento. Es el almacenamiento físico, material de información (en neuronas o electrones). Todos los conceptos de la memoria están interrelacionados en red. La capacidad de conceptualizar implica el desarrollo de niveles de abstracción. Reglas de actuación: Una regla de actuación es el resultado de una experiencia o el resultado de interpretar la propia memoria. Relaciona situación y consecuencias de la acción. Memoria: La memoria es un almacenaje físico de conceptos y reglas de actuación. Esto incluye la experiencia del sistema. Aprendizaje: El aprendizaje es probablemente la capacidad más importante de un sistema inteligente. El sistema aprende conceptos a partir de la información recibida de los sentidos. Aprende reglas de actuación a base de su experiencia. La actuación, a veces hecha al azar, se almacena con su valor. Una regla de actuación aumenta en valor si permitió el logro de un objetivo. El aprendizaje incluye la fijación de conceptos abstractos, a base de ejemplos concretos y la creación de conceptos compuestos que contienen los conceptos de partes de un objeto. El aprendizaje también es la capacidad de detectar relaciones (patrones) entre la parte "situación" y la parte "situación futura" de una regla de actuación.
III.- INTELIGENCIA
La inteligencia (del latín intellegentĭa ) es la capacidad de entender, asimilar, elaborar información y utilizarla para resolver problemas. El Diccionario de la lengua española de la Real Academia Española define la inteligencia, entre otras acepciones como la «capacidad para entender o comprender» y como la «capacidad para resolver problemas». La inteligencia parece estar ligada a otras funciones mentales como la percepción, o capacidad de recibir información, y la memoria, o capacidad de almacenarla
III.1.- INTELIGENCIA ARTIFICIAL
En ciencias de la computación se denomina inteligencia artificial (IA) a la capacidad de razonar de un agente no vivo. John McCarthy, acuñó el término en 1956, la definió: "Es la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes." También existen distintos tipos de percepciones y acciones, pueden ser obtenidas y producidas, respectivamente por sensores físicos y sensores mecánicos en máquinas, pulsos eléctricos u ópticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno software. Varios ejemplos se encuentran en el área de control de sistemas, planificación automática, la habilidad de responder a diagnósticos y a consultas de los consumidores, reconocimiento de escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina en campos como economía, medicina, ingeniería y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia como ajedrez de computador y otros videojuegos.
III.2.- HISTORIA DE LA INTELIGENCIA ARTIFICIAL
La idea de algo parecido a la inteligencia artificial existe desde hace millones de años. El primer hombre primitivo que tomo conciencia de su propia existencia, y de que era capaz de pensar, seguramente se pregunto como funcionaria su pensamiento y posteriormente llegaría a la idea de un "creador superior". Por lo tanto, la idea de que un ser inteligente cree a otro, la idea de un diseño virtual para la inteligencia, es tan remota como la toma de conciencia del ser humano: Los juegos matemáticos antiguos, como el de La Torre de Hanoi (aprox 3000ac), demuestran el interés por la búsqueda de un bucle “resolutor ”, una Inteligencia Artificial capaz de ganar en los mínimos movimientos posibles. En 1903 Lee De Forest inventa el tríodo (también llamados bulbo o válvula de vacío). Podría decirse que la primera gran maquina inteligente diseñada por el hombre fue el computador ENIAC, compuesto por 18.000 válvulas de vacío, teniendo en cuenta que el concepto de "inteligencia" es un término subjetivo que depende de la inteligencia y la tecnología que tengamos en esa época. Un indígena de las amazonas en el Siglo XX podría calificar de inteligente un tocadiscos, cuando en verdad no lo es tanto. En 1937, el matemático inglés Alan Mathison Turing (1912-1953) publicó un artículo de bastante repercusión sobre los "Números Calculables", que puede considerarse el origen oficial de la Informática Teórica. En este artículo, introdujo la Máquina de Turing, una entidad matemática abstracta que formalizó el concepto de algoritmo y resultó ser la precursora de las
computadoras digitales. Con ayuda de su máquina, Turing pudo demostrar que existen problemas irresolubles, de los que ningún ordenador será capaz de obtener su solución, por lo que a Alan Turing se le considera el padre de la teoría de la computabilidad. También se le considera el padre de la Inteligencia Artificial, por su famosa Prueba de Turing, que permitiría comprobar si un programa de ordenador puede ser tan inteligente como un ser humano. En 1951 William Shockley inventa el transistor de unión. El invento del transistor hizo posible una nueva generación de computadoras mucho más rápidas y pequeñas. En 1956, se acuño 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 ha sufrido una nueva detención en los años noventa. En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar describir con un mayor ámbito (no solo la comunicación) los atributos de un agente inteligente, la IA se ha extendido a muchas áreas que han creado ramas de investigación enorme y diferenciada. Dichos atributos del agente inteligente son: 1. Tiene actitudes mentales tales como creencias e intenciones 2. Tiene la capacidad de obtener conocimiento, es decir, aprender. 3. Puede resolver problemas, incluso particionando problemas complejos en otros más simples. 4. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias. 5. Planifica, predice consecuencias, evalúa alternativas (como en los juegos de ajedrez) 6. Conoce los límites de sus propias habilidades y conocimientos. 7. Puede distinguir a pesar de las similitudes de las situaciones. 8. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando analogías. 9. Puede generalizar. 10. Puede percibir y modelar el mundo exterior. 11. Puede entender y utilizar el lenguaje y sus símbolos.
Podemos entonces decir que la IA incluye características humanas tales como el aprendizaje, la adaptación, el razonamiento, la autocorrección, el mejoramiento implícito, y la percepción modelar del mundo. Así, podemos hablar ya no sólo de un objetivo, sino de muchos dependiendo del punto de vista o utilidad que pueda encontrarse a la IA. Muchos de los investigadores sobre IA sostienen que "la inteligencia es un programa capaz de ser ejecutado independientemente de la máquina que lo ejecute, computador o cerebro". III.3.- CATEGORIAS DE LA INTELIGENCIA ARTIFICIAL
Stuart Russell y Peter Norvig diferencian estos tipos de la inteligencia artificial: Sistemas que piensan como humanos.- Estos sistemas tratan de emular el pensamiento humano; por ejemplo las redes neuronales artificiales. La automatización de actividades que vinculamos con procesos de pensamiento humano, actividades como la Toma de decisiones, resolución de problemas, aprendizaje Sistemas que actúan como humanos.- Estos sistemas tratan de actuar como humanos; es decir, imitan el comportamiento humano; por ejemplo la robótica. El estudio de cómo lograr que los computadores realicen tareas que, por el momento, los humanos hacen mejor Sistemas que piensan racionalmente.- Es decir, con lógica (idealmente), tratan de imitar o emular el pensamiento lógico racional del ser humano; por ejemplo los sistemas expertos. El estudio de los cálculos que hacen posible percibir, razonar y actuar Sistemas que actúan racionalmente (idealmente).- Tratan de emular de forma racional el comportamiento humano; por ejemplo los agentes inteligentes .Está relacionado con conductas inteligentes en artefactos.
III.4.- ESCUELAS DE PENSAMIENTO DE LA IA
La IA se divide en dos escuelas de pensamiento: La inteligencia artificial convencional La inteligencia computacional 1. Inteligencia Artificial Convencional Se conoce también como IA simbólico-deductiva. Está basada en el análisis formal y estadístico del comportamiento humano ante diferentes problemas:
Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos y, aparte de que son muy importantes, requieren de un buen funcionamiento. Sistemas expertos: Infieren una solución a través del conocimiento previo del contexto en que se aplica y ocupa de ciertas reglas o relaciones. Redes bayesianas: Propone soluciones mediante inferencia probabilística. Inteligencia artificial basada en comportamientos: esta inteligencia tiene autonomía y pueden auto-regularse y controlarse para mejorar. Smart process management: facilita la toma de decisiones complejas, proponiendo una solución a un determinado problema al igual que lo haría un especialista en la actividad. 2. Inteligencia Artificial Computacional La Inteligencia Computacional (también conocida como IA subsimbólica-inductiva) implica desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de los parámetros en sistemas conexionistas). El aprendizaje se realiza basándose en datos empíricos. Centrada en el estudio de mecanismos adaptativos para permitir el comportamiento inteligente de sistemas complejos y cambiantes. Se presenta como una alternativa a la GOFAI ("Good Old-Fashioned Artificial Intelligence"), tratando de no confiar en algoritmos heurísticos tan habituales en la Inteligencia Artificial más tradicional. Dentro de la Inteligencia Computacional podemos encontrar técnicas como: Redes Neuronales: Las redes de neuronas artificiales (denominadas habitualmente como RNA o en inglés como: "ANN") 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 que colaboran entre sí para producir un estímulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales Computación Evolutiva: La computación evolutiva es una de las ramas de la Inteligencia Artificial que se aplica para la resolución de problemas de optimización combinatoria . La CE está inspirada en los mecanismos de evolución biológica propuestos por Darwin, Medel y Lamark . Sin entrar mucho en detalle sobre los estudios que hicieron estos científicos, solo vamos a mencionar brevemente lo que propusieron. Darwin propuso la “Selección natural de los más adaptados“, Medel propuso la “Teoría
corpuscular de la herencia” y Lamark propuso la “Herencia de caracteres adquiridos“.
El principal problema de la inteligencia artificial es que no tiene una definición fácil o formal, pero para entendernos podemos decir que la inteligencia artificial es una rama que trata de “ imitar ” a la inteligencia natural y por tanto la computación evolutiva se basa en imitar la evolución biológica tal y como la entendemos hoy en día. La CE trata de resolver problemas de optimización combinatoria, con el fin de encontrar el mejor resultado al problema, es decir tal y como pasa en la naturaleza, ya que el gran problema que hay, sobre todo en el entorno animal; es la supervivencia y solo los más fuertes y mejor adaptados al entorno son capaces de sobrevivir y reproducirse; en otras palabras, son los mejores individuos posibles o la mejor solución al problema. Swarm Intelligence (Colonias Inteligentes): Los campos de aplicación de la inteligencia de los enjambres es diversa: negocios, reorganización de operaciones en empresas diversas, solución a problemas de ingeniería de tráfico en redes, optimización de procesos de búsqueda, disminución de costos ocasionados por desperdicio en logística, mejorar estrategias para eliminar virus informáticos, aumento de productividad en la administración de aeropuertos, eficiencia en los mercados de valores, sistemas inteligentes para administración de mejores rutas en carreteras, optimización de sistemas de carga, entre otros. ¿Pero puede enseñarnos algo verdaderamente sorprendente un ser tan limitado como una hormiga?, la respuesta es que quizá una hormiga No enseñe mucho, pero en cambio, Si podemos aprender mucho de una colonia, un enjambre de hormigas. Si nos fijamos las hormigas forrajeras, a través de reglas muy simples, siempre encuentran rutas eficientes desde el hormiguero hacia las fuentes de comida. ¿Y este comportamiento social/inteligente de insectos/enjambres puede ser útil para solucionar problemas? Por supuesto, en base a estos comportamientos se puede desarrollar vías más efectivas para desarrollar cronogramas de trabajo en fábricas, planificación en el uso de equipos, dividir tareas entre trabajadores, organizar gente, administrar rutas, evitar pérdidas, atascos y desperdicios, etc. Individualmente una hormiga, abeja, avispa o termita tienen una inteligencia y comportamiento limitado y pobre. Estos animalitos trabajan independientemente sin necesidad de supervisores o capataces. Sin embargo en comunidad son capaces de construir obras de ingeniería maravillosas, capaces de mantener una temperatura ambiental adecuada, espacios de almacenamiento, transporte, descanso, ventilación y con canales de distribución de oxigeno/dióxido de carbono confortables.
¿Cómo lo hacen?, como he dicho, como individuos las hormigas -o cualquier otro animalito social- son pobres en términos de inteligencia, pero en comunidad no; los equipos de trabajo de insectos que funcionan socialmente se auto organizan, se auto regulan, a través de un proceso de coordinación basado en la interacción individual de los miembros de las colonias. Las colonias pueden solucionar problemas de alta dificultad con la acción muy simple de un individuo interactuando con otro. El comportamiento que resulta de un grupo de insectos sociales, se conoce como “Inteligencia de Enjambres”, “Swarm Intelligence”, “Inteligencia Colectiva” y puede ser útil para solucionar un a cantidad enorme de problemas. Al fin y al cabo varias son las disciplinas, organizaciones, individuos que han usado o se “han inspirado” en el comportamiento de organismos vivos, para desarrollar soluciones impresionantes. Recuerda a que se parece un avión, un Mac, un auto, un submarino, etc. Desde la década de los 80 muchos investigadores han desarrollado modelos matemáticos rigurosos para describir el comportamiento de insectos sociales. Sistemas Inmunes Artificiales o Sistemas difusos: El sistema inmune artificial es una nueva área de investigación que busca adquirir un mayor conocimiento del funcionamiento del sistema inmune biológico, a través de la creación de modelos computacionales que permitan emular, en la medida de lo posible, el comportamiento global del sistema inmune o de alguno de sus procesos en particular. Asimismo, la ingeniería inmune es un paradigma emergente que crea herramientas basadas en ideas inspiradas en el sistema inmune que son usadas para solucionar problemas de ingeniería. El éxito de esta nueva manera de ver la ingeniería se debe a que los procesos tienen más flexibilidad, y no se requiere conocimiento detallado del problema que se desea resolver
También se relaciona con técnicas como: Fractales: Los fractales son entidades matemáticas que están por todas partes. Y, precisamente, por su variedad, son difíciles de definir porque no todos cumplen las mismas características, aunque hay algo en común: son el producto de la repetición de un proceso geométrico elemental que da lugar a una estructura final de una complicación extraordinaria. Es decir, da como resultado un conjunto cuya frontera es imposible dibujar a pulso (por ser de longitud infinita).
Hay muchos objetos de la naturaleza que, debido a su estructura o comportamiento, son considerados fractales naturales aunque no lo parezcan: las nubes, las montañas, las costas, los árboles y los ríos. En lo que se diferencian de los fractales matemáticos es que éstos son entidades infinitas. Aplicaciones de los fractales: Puede parecer que los fractales son meras curiosidades matemáticas sin ninguna utilidad. Sin embargo son herramientas de gran potencia para afrontar el estudio de fenómenos complejos: Comunicaciones: Modelado del tráfico en redes Informática: Técnicas de compresión (audio y vídeo) o Robótica: Robots Fractales o Infografía: Paisajes fractales o Biología: Crecimiento tejidos, organización celular Evolución de o poblaciones Depredador-presa Matemáticas: Convergencia de métodos numéricos o Música: Composición musical o o Física: Transiciones de fase en magnetismo Química: Agregación por difusión limitada (DLA) o Geología: Análisis de patrones sísmicos, fenómenos de erosión, o modelos de formaciones geológicas Economía: Análisis bursátil y de mercado o o
Teoría del Caos: Teoría del caos es la denominación popular de la rama de las matemáticas, la física y otras ciencias que trata ciertos tipos de sistemas dinámicos muy sensibles a las variaciones en las condiciones iniciales. Pequeñas variaciones en dichas condiciones iniciales pueden implicar grandes diferencias en el comportamiento futuro, imposibilitando la predicción a largo plazo. Esto sucede aunque estos sistemas son en rigor determinísticos, es decir; su comportamiento puede ser completamente determinado conociendo sus condiciones iniciales. La Teoría del Caos y la matemática caótica resultaron ser una herramienta con aplicaciones a muchos campos de la ciencia y la tecnología. Gracias a estas aplicaciones el nombre se torna paradójico, dado que muchas de las prácticas que se realizan con la matemática caótica tienen resultados concretos porque los sistemas que se estudian están basados estrictamente con leyes deterministas aplicadas a sistemas dinámicos. En Internet se desarrolla este concepto en Teoría del Caos, el tercer paradigma, de cómo la estadística inferencial trabaja con modelos aleatorios para crear series caóticas predictoras para el estudio de eventos presumiblemente caóticos en las Ciencias Sociales. Por esta razón la
Teoría del Caos ya no es en sí una teoría: tiene postulados, fórmulas y parámetros recientemente establecidos con aplicaciones, por ejemplo, en las áreas de la meteorología o la física cuántica, y actualmente hay varios ejemplos de aplicación en la arquitectura a través de los fractales, por ejemplo el Jardín Botánico de Barcelona de Carlos Ferrater. Wavelets: La transformada de ondícula (frecuentemente también transformada wavelet ) es un tipo especial de transformada de Fourier que representa una señal en términos de versiones trasladadas y dilatadas de una onda finita (denominada óndula madre). La teoría de ondículas está relacionada con campos muy variados. Todas las transformaciones de ondículas pueden ser consideradas formas de representación en tiempo-frecuencia y, por tanto, están relacionadas con el análisis armónico. Las transformadas de ondículas son un caso particular de filtro de respuesta finita al impulso. Las óndulas, continuas o discretas, como cualquier función L2, responden al principio de incertidumbre de Hilbert (conocido por los físicos como principio de incertidumbre de Heisenberg), el cual establece que producto de las dispersiones obtenidas en el espacio directo y en el de las frecuencias no puede ser más pequeña que una cierta constante geométrica. En el caso de las ondículas discretas, la dispersión de los coeficientes se ha de medir de acuerdo con la norma l2 (norma 2 de series numerables). En cuanto a sus aplicaciones, la transformada de óndula discreta se utiliza para la codificación de señales, mientras la continua se utiliza en el análisis de señales. Como consecuencia, la versión discreta de este tipo de transformada se utiliza fundamentalmente en ingeniería e informática, mientras que la continua se utiliza sobre todo en la física. Este tipo de transformadas están siendo cada vez más empleadas en un amplio campo de especialidades, a menudo sustituyendo a la transformada de Fourier, por su ventaja para el análisis de señales en el dominio del tiempo y la frecuencia. Se puede observar este desplazamiento en el paradigma en múltiples ramas de la física, como la dinámica molecular, los cálculos ab initio, la astrofísica, la geofísica de los sismos, la óptica, el estudio de las turbulencias y la mecánica cuántica, así como en otros campos muy variados como el procesamiento digital de imágenes, los análisis de sangre, el análisis de electrocardiogramas, el estudio del ADN, el análisis de proteínas, la meteorología, el procesamiento de señal en general, el
reconocimiento de voz, los gráficos por ordenador, el análisis multifractal y en el campo de biometría. Autómata celular: Un autómata celular (A.C.) es un modelo matemático para un sistema dinámico que evoluciona en pasos discretos. Es adecuado para modelar sistemas naturales que puedan ser descritos como una colección masiva de objetos simples que interactúen localmente unos con otros. Son sistemas descubiertos dentro del campo de la física computacional por John von Neumann en la década de 1950. La teoría de los autómatas celulares se inicia con su precursor John von Neumann a finales de la década de 1940 con su libro Theory of Self-reproducing Automata (editado y completado por A. W. Burks). Aunque John von Neumann puso en práctica los AA.CC., estos fueron concebidos en los años 40 por Konrad Zuse y Stanislaw Ulam. Zuse pensó en los “espacios de cómputo” (computing spaces), como modelos discretos de sistemas físicos. Las contribuciones de Ulam vinieron al final de los 40, poco después de haber inventado con Nicholas Metropolis el Método de Montecarlo. Los autómatas celulares pueden ser usados para modelar numerosos sistemas físicos que se caractericen por un gran número de componentes homogéneos y que interactúen localmente entre sí. De hecho, cualquier sistema real al que se le puedan analogar los conceptos de "vecindad", "estados de los componentes" y "función de transición" es candidato para ser modelado por un A.C. Las características de los autómatas celulares harán que dichos modelos sean discretos en tiempo, espacio o ambos (dependiendo de la variante de la definición de A.C. que se use). Algunos ejemplos de áreas en donde se utilizan los autómatas celulares son: Modelado del flujo de tráfico y de peatones. o o Modelado de fluidos (gases o líquidos). Modelado de la evolución de células o virus como el VIH. o Modelado de procesos de percolación. o La Inteligencia Computacional combina elementos de aprendizaje, adaptación, evolución y Lógica difusa para crear programas que son, en cierta manera, inteligentes. La investigación en Inteligencia Computacional no rechaza los métodos estadísticos, pero muy a menudo aporta una vista complementaria. Las Redes Neuronales son una rama de la inteligencia computacional muy relacionada con el aprendizaje automático.
IV.- SISTEMAS EXPERTOS
Los sistemas expertos son llamados así porque emulan el razonamiento de un experto en un dominio concreto y en ocasiones son usados por éstos. Con los sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando así lugar a una mejora de la productividad del experto. Es una aplicación informática capaz de solucionar un conjunto de problemas que exigen un gran conocimiento sobre un determinado tema. Un sistema experto es un conjunto de programas que, sobre una base de conocimientos, posee información de uno o más expertos en un área específica. Se puede entender como una rama de la inteligencia artificial, donde el poder de resolución de un problema en un programa de computadora viene del conocimiento de un dominio específico. Estos sistemas imitan las actividades de un humano para resolver problemas de distinta índole (no necesariamente tiene que ser de inteligencia artificial). También se dice que un “SE” se basa en el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de control (información sobre el seguimiento de una acción). Para que un sistema experto sea herramienta efectiva, los usuarios deben interactuar de una forma fácil, reuniendo dos capacidades para poder cumplirlo: 1. Explicar sus razonamientos o base del conocimiento: los sistemas expertos se deben realizar siguiendo ciertas reglas o pasos comprensibles de manera que se pueda generar la explicación para cada una de estas reglas, que a la vez se basan en hechos. 2. Adquisición de nuevos conocimientos o integrador del sistema: son mecanismos de razonamiento que sirven para modificar los conocimientos anteriores. Sobre la base de lo anterior se puede decir que los sistemas expertos son el producto de investigaciones en el campo de la inteligencia artificial ya que ésta no intenta sustituir a los expertos humanos, sino que se desea ayudarlos a realizar con más rapidez y eficacia todas las tareas que realiza. Debido a esto en la actualidad se están mezclando diferentes técnicas o aplicaciones aprovechando las ventajas que cada una de estas ofrece para poder tener empresas más seguras. Un ejemplo de estas técnicas sería los agentes que tienen la capacidad de negociar y navegar a través de recursos en línea; y es por eso que en la actualidad juega un papel preponderante en los sistemas expertos.
IV.1.- ESTRUCTURA BASICA DE UN SE
Un Sistema Experto está conformado por: Base de conocimientos (BC): Contiene conocimiento modelado extraído del diálogo con un experto. Base de hechos (Memoria de trabajo): contiene los hechos sobre un problema que se ha descubierto durante el análisis.
Motor de inferencia: Modela el proceso de razonamiento humano. Módulos de justificación: Explica el razonamiento utilizado por el sistema para llegar a una determinada conclusión. Interfaz de usuario: es la interacción entre el SE y el usuario, y se realiza mediante el lenguaje natural.
IV.2.- TIPOS DE SE
Principalmente existen tres tipos de sistemas expertos: Basados en reglas previamente establecidas. Basados en casos o CBR (Case Based Reasoning). Basados en redes bayesianas. En cada uno de ellos, la solución a un problema planteado se obtiene: Aplicando reglas heurísticas apoyadas generalmente en lógica difusa para su evaluación y aplicación. Aplicando el razonamiento basado en casos, donde la solución a un problema similar planteado con anterioridad se adapta al nuevo problema. Aplicando redes bayesianas, basadas en estadística y el teorema de Bayes.
IV.3.- VENTAJAS Y LIMITACIONES DE LOS SE
Ventajas Permanencia: A diferencia de un experto humano un SE (sistema experto) no envejece, y por tanto no sufre pérdida de facultades con el paso del tiempo. Replicación: Una vez programado un SE lo podemos replicar infinidad de veces. Rapidez: Un SE puede obtener información de una base de datos y realizar cálculos numéricos mucho más rápido que cualquier ser humano. Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la capacidad de duplicación el coste finalmente es bajo. Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dañinos para el ser humano.
Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano sí (cansancio, presión, etc.). Consolidar varios conocimientos. Apoyo Académico. Limitaciones Sentido común: Para un Sistema Experto no hay nada obvio. Por ejemplo, un sistema experto sobre medicina podría admitir que un hombre lleva 40 meses embarazado, a no ser que se especifique que esto no es posible ya que un hombre no puede gestar hijos. Lenguaje natural: Con un experto humano podemos conversación informal mientras que con un SE no podemos.
mantener
una
Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de errores ajenos, que un SE haga esto es muy complicado. Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones relevantes de un problema y separarlas de cuestiones secundarias. Capacidad sensorial: Un SE carece de sentidos. Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolución de un problema. Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.
IV.4.- TAREAS QUE REALIZA UN SE
Monitorización La monitorización es un caso particular de la interpretación, y consiste en la comparación continua de los valores de las señales o datos de entrada y unos valores que actúan como criterios de normalidad o estándares. En el campo del mantenimiento predictivo los Sistemas Expertos se utilizan fundamentalmente como herramientas de diagnóstico. Se trata de que el programa pueda determinar en cada momento el estado de funcionamiento de sistemas complejos, anticipándose a los posibles incidentes que pudieran acontecer. Así, usando un modelo computacional del razonamiento de un experto humano, proporciona los mismos resultados que alcanzaría dicho experto.
Diseño Diseño es el proceso de especificar una descripción de un artefacto que satisface varias características desde un número de fuentes de conocimiento. El diseño se concibe de distintas formas: El diseño en ingeniería es el uso de principios científicos, información técnica e imaginación en la definición de una estructura mecánica, máquina o sistema que ejecute funciones específicas con el máximo de economía y eficiencia. El diseño industrial busca rectificar las omisiones de la ingeniería, es un intento consciente de traer forma y orden visual a la ingeniería de hardware donde la tecnología no provee estas características. Los SE en diseño ven este proceso como un problema de búsqueda de una solución óptima o adecuada. Las soluciones alternas pueden ser conocidas de antemano o se pueden generar automáticamente probándose distintos diseños para verificar cuáles de ellos cumplen los requerimientos solicitados por el usuario, ésta técnica es llamada “generación y prueba”, por lo tanto estos SE son llamados de selección. En áreas de aplicación, la prueba se termina cuando se encuentra la primera solución; sin embargo, existen problemas más complejos en los que el objetivo es encontrar la solución óptima. Planificación La planificación es la realización de planes o secuencias de acciones y es un caso particular de la simulación. Está compuesto por un simulador y un sistema de control. El efecto final es la ordenación de un conjunto de acciones con el fin de conseguir un objetivo global. Los problemas que presentan la planificación mediante SE son los siguientes: Existen consecuencias no previsibles, de forma que hay que explorar y explicar varios planes. Existen muchas consideraciones que deben ser valoradas o incluirles un factor de peso. Suelen existir interacciones entre planes de sub objetivos diversos, por lo que deben elegirse soluciones de compromiso. Trabajo frecuente con incertidumbre, pues la mayoría de los datos con los que se trabaja son más o menos probables pero no seguros. Es necesario hacer uso de fuentes diversas tales como bases de datos.
Control Un sistema de control participa en la realización de las tareas de interpretación, diagnóstico y reparación de forma secuencial. Con ello se consigue conducir o guiar un proceso o sistema. Los sistemas de control son complejos debido al número de funciones que deben manejar y el gran número de factores que deben considerar; esta complejidad creciente es otra de las razones que apuntan al uso del conocimiento, y por tanto de los SE. Cabe aclarar que los sistemas de control pueden ser en lazo abierto, si en el mismo la realimentación o el paso de un proceso a otro lo realiza el operador, o en lazo cerrado si no tiene que intervenir el operador en ninguna parte del mismo. Reparación, correcta o terapia. La reparación, corrección, terapia o tratamiento consiste en la proposición de las acciones correctoras necesarias para la resolución de un problema. Los SE en reparación tienen que cumplir diversos objetivos, como son: Reparación lo más rápida y económicamente posible. Orden de las reparaciones cuando hay que realizar varias. Evitar los efectos secundarios de la reparación, es decir la aparición de nuevas averías por la reparación. Simulación La simulación es una técnica que consistente en crear modelos basados en hechos, observaciones e interpretaciones sobre la computadora, a fin de estudiar el comportamiento de los mismos mediante la observación de las salidas para un conjunto de entradas. Las técnicas tradicionales de simulación requieren modelos matemáticos y lógicos, que describen el comportamiento del sistema bajo estudio. El empleo de los SE para la simulación viene motivado por la principal característica de los SE, que es su capacidad para la simulación del razonamiento de un experto humano, que es un proceso complejo. En la aplicación de los SE para simulación hay que diferenciar cinco configuraciones posibles: 1. Un SE puede disponer de un simulador con el fin de comprobar las soluciones y en su caso rectificar el proceso que sigue. 2. Un sistema de simulación puede contener como parte del mismo a un SE y por lo tanto el SE no tiene que ser necesariamente de simulación. 3. Un SE puede controlar un proceso de simulación, es decir que el modelo está en la base de conocimiento del SE y su evolución es función de la base de hechos, la base de conocimientos y el motor de inferencia, y no de un conjunto de ecuaciones aritmético – lógicas.
4. Un SE puede utilizarse como consejero del usuario y del sistema de simulación. 5. Un SE puede utilizarse como máscara o sistema frontal de un simulador con el fin de que el usuario reciba explicación y justificación de los procesos. Instrucción Un sistema de instrucción realizara un seguimiento del proceso de aprendizaje. El sistema detecta errores ya sea de una persona con conocimientos e identifica el remedio adecuado, es decir, desarrolla un plan de enseñanza que facilita el proceso de aprendizaje y la corrección de errores. Recuperación de información Los Sistemas Expertos, con su capacidad para combinar información y reglas de actuación, han sido vistos como una de las posibles soluciones al tratamiento y recuperación de información, no sólo documental. La década de 1980 fue prolija en investigación y publicaciones sobre experimentos de este orden, interés que continua en la actualidad. Lo que diferencia a estos sistemas de un sistema tradicional de recuperación de información es que éstos últimos sólo son capaces de recuperar lo que existe explícitamente, mientras que un Sistema Experto debe ser capaz de generar información no explícita, razonando con los elementos que se le dan. Pero la capacidad de los SE en el ámbito de la recuperación de la información no se limita a la recuperación. Pueden utilizarse para ayudar al usuario, en selección de recursos de información, en filtrado de respuestas, etc. Un SE puede actuar como un intermediario inteligente que guía y apoya el trabajo del usuario final.
