Alumno: Guzmn Solano Elas Edmundo

Materia: Inteligencia Artificial

No. De control: 13320890

Horario: 0800: - 09:00 Hrs.

PARADIGMAS DE LA INTELIGENCIA ARTIFICIAL

Inteligencia Artificial Simblica (IAS)
La IA simblica o clsica, fue la primera aproximacin que se utiliz para
incorporar conocimientos y raciocinio en los computadores. Este tipo de
aproximacin se basa en los preceptos de la Lgica Clsica que fueron
enunciados hace ms de 2000 aos por Aristteles. Las aplicaciones de la IAS
corresponden a aplicaciones donde el ambiente es conocido y existe precisin en
los datos. Esta aproximacin ha tenido muchos xitos, fundamentalmente con los
llamados Sistemas Expertos. Es el nombre colectivo para todos los mtodos de
investigacin de la inteligencia artificial que se basan en representaciones de alto
nivel "simblico" de los problemas, la lgica matemtica y la bsqueda A simblica
fue el paradigma dominante de la investigacin en IA desde mediados de los
cincuenta hasta finales de los aos ochenta. Despus, se introdujeron enfoques
sub-simblicos
ms
recientes
a
la
IA,
basado
en redes
neuronales, estadstica, optimizacin numrica y otras tcnicas. La IA simblica se
sigue aplicando en algunos dominios ms pequeos (como la representacin del
conocimiento), pero la mayora de las aplicaciones de IA en el siglo XXI no
emplean smbolos legibles como sus objetos primarios.
John Haugeland dio el nombre GOFAI (por sus siglas en ingls, Good OldFashioned Artificial Intelligence) a la IA simblica en su libro de 1985 Inteligencia
Artificial: La Idea Pura, que explor las implicaciones filosficas de la investigacin
de la inteligencia artificial. En robtica el trmino anlogo es GOFAIR (por sus
siglas en ingls, "Good Old-Fashioned Robotics"). Este enfoque se basa en la
suposicin de que muchos aspectos de la inteligencia se pueden lograr mediante
la manipulacin de smbolos, un supuesto definido como la "hiptesis de sistemas
de smbolos fsicos" por Allen Newell y Herbert A. Simon a mediados de los aos
60s.

Alumno: Guzmn Solano Elas Edmundo

Materia: Inteligencia Artificial

No. De control: 13320890

Horario: 0800: - 09:00 Hrs.

Inteligencia Artificial Conexionista (IAC)

La IAC se inspira en la estructura neuronal del cerebro para implementar sistemas
con capacidad de reconocer patrones, clasificar, aprender, etc. A partir de la
interconexin de unidades elementales, llamadas neuronas, se obtienen las
llamadas Redes Neuronales Artificiales (RNA), las que presentan un
comportamiento emergente. La IAC se aplica en situaciones donde existe
imprecisin, principalmente desde el punto de vista del raciocinio (o sea, no se
conoce con exactitud cmo se resuelve el problema). El principio central del
conexionismo es que los fenmenos mentales pueden ser descritos por redes de
unidades sencillas y frecuentemente iguales que se interconectan. La forma de las
conexiones y de las unidades vara de un modelo a otro. Por ejemplo, las
unidades de la red podran representar neuronas y las conexiones podran
representar sinapsis. Otro modelo podra hacer cada unidad de la red una palabra,
y cada conexin una indicacin de similitud semntica. Las bases de las ideas
conexionistas se pueden remontar a finales del siglo XIX, cuando Santiago Ramn
y Cajal estableci las bases para los estudios de redes neuronales, cuando
describi la estructura de las neuronas y su forma de interconexin. 2 Ms tarde, en
1949, Donald Hebb propuso su postulado de aprendizaje segn el cual la conexin
entre dos neuronas se har ms fuerte si se disparan al mismo tiempo. Pero no
fue hasta la dcada de 1980 cuando el conexionismo se convirti en un punto de
vista popular entre los cientficos.

Inteligencia Artificial Evolutiva (IAE)

Esta surgi al final de los aos 60, cuando se comenz a estudiar la incorporacin
de mecanismos de seleccin natural para la solucin de problemas. Como
resultado se crearon una serie de algoritmos que, basados en la Teora de la
Evolucin de Charles Darwin, conducen una bsqueda estocstica de la solucin
de un problema, haciendo evolucionar a un conjunto de estructuras y
seleccionando de modo repetido, las ms adecuadas. La computacin evolutiva
(en adelante CE) es una de las ramas de la Inteligencia Artificial que se aplica para
la resolucin de problemas de optimizacin combinatoria. La CE est inspirada en
los mecanismos de evolucin biolgica propuestos por Darwin, Medel y Lamark.
Sin entrar mucho en detalle sobre los estudios que hicieron estos cientficos, solo
vamos a mencionar brevemente lo que propusieron. Darwin propuso la Seleccin
natural de los ms adaptados , Medel propuso la Teora corpuscular de la
herencia y Lamark propuso la Herencia de caracteres adquiridos .

Alumno: Guzmn Solano Elas Edmundo

Materia: Inteligencia Artificial

No. De control: 13320890

Horario: 0800: - 09:00 Hrs.

Entre los principales aspectos a considerar en el diseo de algoritmos evolutivos

se encuentran los siguientes:

La eleccin de una codificacin (representacin de las variables del

problema en el algoritmo evolutivo) tiene un gran efecto en el tamao
del Espacio de bsqueda y por ende, en el tiempo y dificultad de resolucin.

La funcin de desempeo (fitness function), la cual considera en la funcin

objetivo o funcin de la cual se desea obtener el valor ptimo.

Los algoritmos evolutivos poseen diversos parmetros los cuales deben ser
cuidadosamente elegidos para obtener un buen desempeo y evitar
problemas tales como la Convergencia prematura.

Inteligencia Artificial Distribuida (IAD )

La IAD es una subrama de la IA que se centra en la resolucin de problemas
mediante aplicacin tanto de tcnicas de la Inteligencia Artificial como de mltiples
solucionadores de sistemas. Se involucran adems mnimo dos agentes que
funcionaran como solucionadores de problemas, estos agentes seran autnomos
o semi-autnomos, tendran un cierto conocimiento del problema y seran
razonables. aparece en la dcada de los 80's como una nueva rama de la IA,
estudia sistemas inteligentes formados por un conjunto de varios agentes, intenta
resolver problemas donde una conducta colectiva es ms eficiente que una
conducta individual. Cuando propuestas centralizadas para solucionar problemas
mediante la IA se muestran insuficientes ante la aparicin de mltiples agentes en
un entorno social, En los problemas esencialmente distribuidos.
En la integracin de los sistemas de IA para mejorar la capacidad mediante la
distribucin del conocimiento. La principal diferencia entre ambas reas estriba en
la flexibilidad de la coordinacin entre los agentes. En la SCPD, las interacciones y
tareas que cada agente realiza, estn prefijadas de antemano: hay un plan
centralizado de resolucin de problemas. Suele haber un miembro que ejerce un
control global que centraliza los resultados parciales y datos entre el resto de los
componentes del sistema. En contraposicin en los SMA, los agentes tienen un
grado de autonoma mayor y pueden decidir dinmicamente que interacciones son
adecuadas, que tareas deben realizar, quien realiza cada tarea y, adems, es
posible mantener conocimiento que no es globalmente consistente, incluso los
agentes pueden mantener objetivos globales diferentes.