¿Qué es la inteligencia artificial?

 Hollywood sigue creando expectaciones no realísticas para los androides y las

máquinas inteligentes en general.
 Quisiéramos robots como C-3PO que se parecen a los humanos, y actúan y responden
como ellos (quejándose menos, posiblemente).
 ¿Por qué no los tenemos y solo tenemos autómatas capaces de construir coches en
cadenas de montaje?
 A pesar de algoritmos sofisticados y muchos años de experimentación, aún no somos
muy buenos en modelar la vida.
 Los motores no replican los músculos.
 Las cámaras no son ojos.
 Y los ordenadores definitivamente no son cerebros.
 Sin embargo, seguimos con la idea de tener robots humanoides.
 Estamos perfeccionando continuamente la bio-imitación, la visión por ordenador y las
técnicas de inteligencia artificial.
 En cada una de estas áreas se ha visto frustrada la carrera de muchos científicos.
 La disciplina entera parece marchar hacia un callejón sin salida y las aplicaciones
prometidas son una continua decepción.
 No se están obteniendo resultados en máquinas de propósito general, ni en robots
humanoides que pueden andar.
 Los avances reales son en cambio en:
 La comprensión de cómo funcionan cerebro y conciencia;
 Bots especializados en un único propósito.
 El futuro, de momento, es más Roomba que Asimo.
Bases de la inteligencia artificial

Filosofía. Debate sobre la posibilidad de una inteligencia mecánica:

 Descartes, Leibniz: la mente está ligada al mundo físico.

 John Locke: en el principio fue la Mente (1690).
 Hume (1779), Russell: el conocimiento es fruto de la percepción, se adquiere por la
experiencia (inducción) y está representado por teorías lógicas.
 Darwin (1857): destrucción del ex nihilo nihil fit a través de la teoría de la evolución por
selección natural.

Matemáticas. Las bases filosóficas necesitan reglas formales:

 Boole, Frege: fundamentos de la lógica matemática.

 Gödel, Turing: límites de lo computable (teorema de incompletitud).
 Fermat, Bernoulli, Bayes: probabilidad, razonamiento probabilístico.

Psicología cognitiva. Teorías sobre la conducta, bases del comportamiento racional:

 Representación de los estímulos externos

 Manipulación consciente de la representación
 Actuación consecuente

Ingeniería computacional:

 Para la existencia de la IA es necesario un mecanismo para soportarlo (hardware).

 También son necesarias herramientas para desarrollar programas de IA.

Lingüística computacional:

 Chomsky: representación del conocimiento, gramática de la lengua.

Definición de IA

 Sistemas que actúan como humanos

➷ El estudio de cómo lograr que los ordenadores realicen tareas que, de
momento, la gente hace mejor (Rich y Knight, 1991)
 Sistemas que piensan como humanos
➷ El esfuerzo de hacer que los ordenadores piensen … máquinas con mentes en el
más amplio sentido literal (Haugeland, 1985)
 Sistemas que piensan racionalmente
➷ El estudio de las facultades mentales a través del estudio de modelos
computacionales (Charniak y McDermott, 1985)
 Sistemas que actúan racionalmente
➷ El estudio que busca explicar y emular el comportamiento inteligente en
términos de procesos computacionales (Shalkoff, 1990)
Sistemas que actúan como humanos

➷ El modelo es el hombre; el objetivo es construir un sistema que pase por humano.

➷ Prueba de Turing: si un sistema la pasa es inteligente.
➷ Capacidades necesarias:
 procesamiento del lenguaje natural
 representación del conocimiento
 razonamiento
 aprendizaje
➷ Pasar la Prueba no es el objetivo primordial de la IA.
➷ La interacción de programas con personas hace que sea importante que éstos puedan
actuar como humanos.

Sistemas que piensan como humanos

 El modelo es el funcionamiento de la mente humana.

 Se intenta establecer una teoría sobre el funcionamiento de la mente (experimentación
psicológica).
 A partir de la teoría se pueden establecer modelos computacionales.
 Influencia de las neurociencias y de las ciencias cognitivas.

El misterio de la conciencia

 Si identificamos el núcleo cognitivo de la conciencia (que no es el simple conocimiento

de nuestra existencia), ¿podemos incorporarlo en una máquina?
 Las mayores religiones localizan la conciencia en un ánima que sobrevive a la muerte
del cuerpo.
 Woody Allen: “No quiero alcanzar la inmortalidad a través de mi obra. Quiero alcanzarla
no muriéndome”.
 Estas cuestiones, antes objeto solo de especulaciones teológicas, ahora son estudiadas
por la neurociencia cognitiva.

Problemas fáciles y difíciles

David Chalmers trata el tema de la conciencia en términos de dos problemas:

Problema Fácil: distinguir entre pensamiento consciente e inconsciente (Freud):

 superficies que tenemos delante

 planes para el día
 sueños con ojos abierto durante las clases
 control del latido del corazón
 reglas que ordenan las palabras cuando hablamos
 secuencias de contracciones musculares

Problema Difícil: explicar cómo puede nacer la experiencia subjetiva de la computación neuronal
El cerebro como máquina

 La “hipótesis asombrosa” de Francis Crick:

➷ Nuestros pensamientos, sensaciones, alegrías, dolores consisten enteramente
de actividad fisiológica en los tejidos del cerebro.
 La conciencia es un producto biológico natural, tan vacía de elementos sobrenaturales
como la digestión o la circulación de la sangre.

Sistemas que piensan racionalmente

➷ Las leyes del pensamiento racional se fundamentan en la lógica (Aristóteles).

➷ La lógica formal está a la base de los programas inteligentes (logicismo).

Se presentan dos obstáculos:

➷ Es muy difícil formalizar el conocimiento.

➷ Hay un gran salto entre la capacidad teórica de la lógica y su realización práctica.

Sistemas que actúan racionalmente

 Actuar racionalmente significa conseguir unos objetivos dadas unas creencias.

 El paradigma es el agente racional, que se aplica, por ejemplo, a muchos sistemas
robóticos.
 Un agente percibe y actúa, siempre teniendo en cuenta el entorno en el que está
situado.
 Las capacidades necesarias:
 percepción
 procesamiento del lenguaje natural
 representación del conocimiento
 razonamiento
 aprendizaje automático

 Visión de la actuación general y no centrada en el modelo humano

 Ejemplos: Stanley (Grand challenge) Asimo

¿Es la IA posible?

 La posibilidad de la inteligencia artificial plantea problemas filosóficos complejos.

 ¿Las máquinas pensantes poseen consciencia?
 La habitación china (Searle, 1980)
 ¿Es la inteligencia una propiedad emergente de los elementos biológicos que la
producen?
 No hay una conclusión definitiva.
Historia de la IA

Los inicios (1943-1956)

 McCulloch y Pitts: primer modelo de neurona, demostración de que cualquier función

es computable por una red de neuronas, aprendizaje
 Hebb: regla de aprendizaje Hebbiano o de Hebb
 Minsky, Edmonds: primer simulador de red neuronal (40 neuronas)
 Taller de Dartmouth (bautizo de la IA): McCarthy, Minsky, Shannon, Rochester, More,
Samuel, Solomonoff, Selfridge, Newell, Simon
 Newell, Simon: Teórico Lógico (TL)

Entusiasmo inicial, grandes expectativas (1952-1969)

 SRGP: sistema de resolución general de problemas, imitación de las demostraciones

humanas
 Samuel: programa jugador de damas, aprendizaje
 Sistemas planificadores, representación interna del mundo
 Aplicaciones en dominios reducidos: integración simbólica, mundo de bloques
 Redes neuronales: perceptrones, aprendizaje

La dura realidad (1966-1973)

 Muchos sistemas de IA actuaban de manera prometedora en problemas sencillos y

fallaban ante problemas reales.
 Muchos problemas eran intratables (NP); el tamaño del problema es relevante.
 La búsqueda exhaustiva es impracticable.
 Minsky, Papert: en Perceptrons se demuestra la escasa capacidad de representación de
los perceptrones.

Los sistemas basados en el conocimiento (1969-1979)

 Los mecanismos generales de resolución de problemas no son practicables (métodos

débiles).
 DENDRAL: el conocimiento del dominio del problema ayuda a resolverlo mejor.
 Sistemas Expertos (MYCIN, PROSPECTOR): incertidumbre, factores de certeza
 Representación del conocimiento y razonamiento (redes semánticas, marcos, Prolog,
ontologías)

La IA se industrializa (1980 hasta el presente)

 El éxito de los sistemas expertos lleva a su uso comercial: R1, XCON (sistema de
configuración en Digital Equipment Corporation).
 Japoneses: quinta generación de ordenadores
 Estadounidenses: MCC
 Software para el desarrollo de la IA
 Máquinas de arquitectura dedicada
IA en la actualidad

RAZONAMIENTO:

 Satisfacción de restricciones
 Búsqueda heurística
 Razonamiento basado en modelos
 Razonamiento no monotónico
 Planificación de tareas y scheduling
 Razonamiento cualitativo
 Razonamiento con incertidumbre
 Razonamiento temporal y espacial

APRENDIZAJE AUTOMÁTICO:

 Razonamiento basado en casos

 Análisis de datos
 Computación evolutiva
 Redes de neuronas
 Aprendizaje por refuerzo

INGENIERÍA DEL CONOCIMIENTO Y APLICACIONES:

 Lógica
 Sistemas de apoyo a la decisión
 Interacción hombre-máquina inteligente
 Gestión del conocimiento
 Representación del conocimiento
 Ontologías y Web semántica
 Sistemas multi-agente e IA distribuida

ROBÓTICA, PERCEPCIÓN, PROCESAMIENTO DEL LENGUAJE NATURAL:

 Robótica y control
 Procesamiento del lenguaje natural
 Percepción (visión, reconocimiento del habla)
 Creatividad, juegos, inteligencia ambiental

INTELIGENCIA ARTIFICIAL

 Intenta comprender el comportamiento de entidades inteligentes (es una ciencia).

 se esfuerza en construir máquinas inteligentes (es una ingeniería).
 máquinas inteligentes = máquinas capaces de percibir, razonar, aprender, comunicarse
y actuar en entornos complejos.
 La IA es un área reciente (1956).
 El estudio de la inteligencia es una disciplina muy antigua.
 La aparición de las computadoras en los años 50 permitió poner en práctica las ideas
surgidas hasta el momento.
 La IA puede considerarse un campo universal.
¿Qué es la Inteligencia?

 Resolver problemas Complejos

 Hacer Generalizaciones
 Establecer Relaciones
 Análisis
 Percepción
 Comprensión y Aprendizaje
 Creación

¿Qué es inteligencia Artificial?

Inteligencia Artificial es la parte de las Ciencias de la Computación que se ocupa del diseño de
sistemas inteligentes, esto es sistemas que exhiben características que asociamos con la
inteligencia en las conductas humanas. Feigenbaum y Barr ’80s

El estudio de cómo lograr que las computadoras realicen tareas que, por el momento, los
humanos hacen mejor. E. Rich - Knight, 1991

La rama de la Ciencias de la computación que se ocupa de la automatización de la conducta

inteligente. Luger y Stubblefield, 1993

Es la Ciencia e Ingeniería de hacer máquinas inteligentes (especialmente programas). Esto está

relacionado a la tarea de usar computadoras para entender la inteligencia humana, pero IA no
tiene que limitarse a métodos que son biológicamente observables. J. Mc Carthy, 1998.

LAS DEFINICIONES DE IA SE AGRUPAN EN:

RAZONAMIENTO
Sistemas que piensan como humanos Sistemas que piensan racionalmente
Sistemas que actúan como humanos Sistemas que actúan racionalmente
COMPORTAMIENTO

Objetivos a alcanzar por la IA

 Desarrollar sistemas que piensan como humanos.

 Desarrollar sistemas que actúan como humanos.
 Desarrollar sistemas que piensan racionalmente.
 Desarrollar sistemas que actúan racionalmente.
Pensar como los Humanos

 Pensar como los humanos: la Ciencia Cognitiva

 ¿cómo piensan los humanos? Técnicas experimentales de la psicología
 Es el objetivo de la Ciencia Cognitiva (reúne técnicas de IA y psicología)

Actuar como los Humanos

Test de Turing (1950). Comportamiento inteligente:

 Incapacidad de diferenciar entre respuestas del ordenador repuestas humanas.

 Supondría:
 Procesamiento del Lenguaje Natural.
 Representación del Conocimiento.
 Razonamiento Automático
 Aprendizaje Automático.

Prueba de Turing:

(Alan Turing 1950) intenta ofrecer una definición de inteligencia Artificial que se pueda evaluar.
Para que un ser o máquina se considere inteligente debe lograr engañar a un evaluador de que
este ser o máquina se trata de un humano evaluando todas las actividades de tipo cognoscitivo
que puede realizar el ser humano.

Pensar Racionalmente

La corriente Logística en Inteligencia Artificial trata de crear sistemas inteligentes utilizando la

Lógica Formal.

Inconvenientes:

 Necesaria una representación del conocimiento informal (o difuso).

 Uso de probabilidades.
 Explosión combinatoria posibilidades.

Actuar Racionalmente

 Uso de agentes: percepción + actuación.

 Se necesita resolver situaciones, que el pensamiento racional no puede por sí solo hacer:
 Acciones reflejas: “retirar la mano del fuego”.
 El estudio de IA como agentes racionales tiene dos ventajas:
 Es más general que el “pensamiento racional”.
 Es más cercano al método científico que el comportamiento y el pensamiento
humanos.

También IA es:

 Combinación de:
 Ciencias de la Computación
 Ingeniería Mecánica y Electrónica
 Fisiología y Filosofía

Creación de Máquinas que puedan Pensar

FUNDAMENTOS

Filosofía (desde 428 ac): teorías del razonamiento y aprendizaje.

Matemática (desde el 800): teorías formales de la lógica.

Psicología (desde 1879): investigación de la mente humana.

Ingeniería en computación (1940): herramientas para poder concretar IA

Lingüística (1957): teorías sobre el lenguaje (sintaxis-semántica)

Evolución Histórica de la I A

 Los inicios (1943-1956)

 Entusiasmo inicial, grandes expectativas (1952-1969)
 La dura realidad (1966-1973)
 Los sistemas basados en el conocimiento (1969-1979)
 La IA se industrializa (1980- actualidad)

Los inicios (1943-1956)

 McCulloch y Pitts: primer modelo de neurona.

 Hebb: regla de aprendizaje Hebbiano o de Hebb.
 Minsky, Edmonds: primer simulador de red neuronal (40 neuronas).
 Taller de Dartmouth (bautizo de la IA): McCarthy, Minsky, Shannon, Rochester, More,
Samuel, Solomonoff, Selfridge, Newell, Simon.
 Newell, Simon: Teórico Lógico (TL).

Entusiasmo inicial, grandes expectativas (1952-1969)

Los primeros años estuvieron llenos de éxitos, aunque con ciertas limitaciones.

Entusiasmo general y grandes esperanzas.

Algunos «hitos»:

 Hipótesis del sistema de símbolos físicos.

 Lenguaje de alto nivel LISP.
 Generador de consejos.
 Micromundos, destacando el mundo de los bloques.
 RNs como adalines o perceptrones.

...Pero aun así las predicciones muy optimistas se chocaron con una realidad difícil de modelar
y excesivamente compleja en muchos casos:

traducción, búsqueda de soluciones genérica, la explosión.

Los sistemas basados en el conocimiento 1966-1973)

 Hasta este momento la investigación en IA estaba centrada en el desarrollo de

mecanismos de búsqueda de propósito general métodos débiles.
 Alternativa: uso de conocimiento específico del dominio que facilita el desarrollo de
etapas de razonamiento más largas, pudiendo así resolver casos recurrentes en
dominios de conocimiento restringido: DENDRAL
Los sistemas basados en el conocimiento 1966-1973)

Sistemas expertos.

 Surge esta nueva metodología que puede aplicarse a distintas áreas de la actividad
humana. Muy empleado en diagnóstico médico: MYCIN.
 Se incorporan también los factores de certeza.
 Aparecen los marcos de Minsky.

La IA se industrializa (1980 hasta el presente)

 Primer sistema experto comercial con éxito: R1 por Digital Equipment Corporation.
 En 1981 los japoneses anunciaron su proyecto «Quinta Generación».
 Los EEUU constituyeron el MCC (Microelectronics and Computer Technology
Corporation).
 Ninguno cumplió completamente sus objetivos, mientras que Reino Unido se restaura
el patrocinio/subvención.
 La industria de la IA creció rápidamente, pasando de unos pocos millones de dólares en
1980 a billones de dólares en 1988.
 Poco después llegó la época llamada «El invierno de la IA».

La IA se convierte en una ciencia:

 Actualmente es más usual el desarrollo de teorías ya existentes y trabaja también en

demostrar la utilidad de las aplicaciones en el mundo real.
 La IA ya forma parte del ámbito de los métodos científicos.
 En 1986 se produce un regreso de las redes neuronales, y este enfoque denominado
conexionista convivirá con otros diferentes.
 Recientemente ha habido una revolución en el campo de la IA tanto en el contenido
como en la metodología de trabajo.

Aplicaciones de la IA:

 Lingüística computacional:
 Minería de datos (Data Mining)
 Robótica:
 Sistemas de apoyo a la decisión:
 Videojuegos:

INTELIGENCIA ARTIFICIAL

Que es la inteligencia artificial:

Es una rama de la informática cuyo objetivo es proporcionar computadoras con sus elementos
hardware y software que permitan conseguir la simulación de la inteligencia humana.

Fundamentos de la inteligencia artificial:

Las computadoras deben soportar un software compuesto por varios programas llamados
motor de interferencias que funcionan sobre una cantidad de datos llamados base de
conocimientos.
Motor de Inferencias:

El Motor de Inferencias (MI) es un programa de control cuya función es seleccionar las reglas
posibles a satisfacer el problema, para ello se vale de ciertas estrategias de control sistemáticas
o de estrategias heurísticas.

Base de Conocimientos:

Está compuesta por un conjunto de hechos, teorías y reglas fundamentadas en la experiencia

que se posee relativa a un problema determinado.

Fundamentos de la inteligencia artificial:

Inteligencia artificial aplicaciones:

 Sistemas expertos
 Utilización de lenguaje natural
 Reconocimiento de voz
 Reconocimiento de formas
 Robótica

SISTEMAS EXPERTOS

Que son los sistemas expertos:

Un sistema experto es un conjunto de programas que, sobre una base conocimientos, posee
información de uno o más expertos en un área específica que nos permite usarla para resolver
problemas relacionados con dicha área.

Tipos de Información:

 Los hechos: datos obtenidos de la realidad.

 Reglas de procedimiento: describen las secuencias de eventos
 Reglas heurísticas: reflejan opiniones donde no existe una regla de procedimiento
Lenguaje Natural:

Lenguaje hablado o escrito en un determinado idioma.

Reciben datos de entrada en lenguaje natural produciendo resultados en el mismo lenguaje.

Constan de una base de conocimientos diccionarios que reconocen el idioma.

Provocando reacciones correspondientes a dicho idioma.

Reconocimiento de voz:

Objetivo es capturar la voz humana con una computadora.

La voz es capturada por un micrófono produciendo una señal analógica, posteriormente es

digitalizada se compara con patrones de la base de conocimientos con el fin de reconocer la voz
ingresada.

Reconocimiento de formas:

Trata de imitar la visión humana por medio de una cámara de video.

Esta señal produce una señal analógica posteriormente digitalizada se procesa y se realizan las
comparaciones con los patrones contenidos en la base de conocimientos hasta conseguir el
reconocimiento de la forma.

Robótica:

Esta aplicación trata de imitar la capacidad física del ser humano.

Brazos de robot.

Son muy comunes en las líneas de ensamblaje se les ha implementa el sistema de

reconocimientos de formas.

¿En qué desarrollos encontramos algo de IA ?:

 Sistemas de control (vuelos espaciales).

 Planificadores (aeropuertos).
 Sistemas de soporte a la decisión.
 e-commerce, subastas electrónicas.
 Agentes recomendadores (Web!!!) e-learning .....

¿Qué es la inteligencia artificial ?:

 Distintas definiciones.
 Conceptos fundamentales.
 Historia / Estado actual.
 Ramas de IA
 Distintos campos de aplicación.
Diferentes Modelos:

Simular El Comportamiento Humano

 A nivel de procesos cognitivos

Construir Programas Inteligentes

 De la forma más eficiente

Modelos Cognitivos

Ciencia cognitiva, son transparentes al usuario, facil de modificar - incrementar

 Sistemas basados en el conocimiento (kbs)

 Agentes deliberativos

Modelos Conexionistas

 Redes neuronales
 Algoritmos genéticos
 Agentes reactivos

Fundamentos de la IA:

 Filosofía (desde 428 ac): teorías del razonamiento y aprendizaje

 Matemática (desde el 800): teorías formales de la lógica
 Psicología (desde 1879): investigación de la mente humana
 Ingeniería en computación (1940): herramientas para poder concretar IA
 Lingüística (1957): teorías sobre el lenguaje (sintaxis-semántica)

EL SUPUESTO SUBYACENTE (Newell & Simon):

En el centro de la investigación de IA subyace lo que se denomina

 SISTEMA DE SIMBOLOS FISICOS:

 Conjunto de entidades llamadas símbolos, (patrones físicos)

 Expresiones (compuestas por símbolos)
 El sistema contendrá un conjunto finito de estas estructuras más una colección de
procesos para producir otras expresiones.
 SISTEMA SIMBOLICO FISICO (SSF):
Es una máquina que produce a lo largo del tiempo una colección evolutiva de
expresiones
HIPOTESIS:
Un SSF posee los medios necesarios y suficientes para realizar una acción inteligente en
general.
Validación empírica.

HIPÓTESIS SISTEMA SIMBÓLICO FÍSICO:

Quizás algunos aspectos de la inteligencia humana demuestren ser modelados por un SSF,
mientras que otros no.

¿Naturaleza de la Inteligencia Humana?

Ramas De IA:

 Búsqueda Heurística
 Representación del conocimiento
 Inferencia
 Planificación
 Aprendizaje
 Lenguaje Natural
 Visión
 Robótica

Áreas de contenido

 Restricción de Restricción
 Control de aprendizaje
 Aprendizaje
 Representación del conocimiento / Razonamiento
 Sistemas multiagente
 Procesamiento de lenguaje natural
 Planificación y programación
 Robótica
 Buscar
 Incertidumbre
 Web / Datos
 Otros (aplicaciones, bases filosóficas, fundamentos matemáticos ...)

Ejemplos De Sistemas De IA:

 80´s SE en diferentes dominios (Mycin, R1, Prospector, Dendral,...)

 89 HITECH: Programa de ajedrez.
 92 MARVEL: S.E. En tiempo real que monitorea nave espacial.
 94 PEGASUS: Realiza reservas de vuelos
 Sistemas de conducción de automóviles S.E. en distintos dominios – Sistemas
recomendadores ...

¿Qué Es La IA? Enfoque Agente Inteligente:

Históricamente los investigadores en IA se han enfocado en los distintos componentes del

comportamiento inteligente (aprendizaje, razonamiento, visión, ….), de forma aislada.

 En la actualidad, algunos autores sugieren que la inteligencia, es producto de la

interacción entre un agente y su entorno.
 Entonces, el comportamiento inteligente emerge de la interacción de varios
comportamientos simples. (Brooks)

IA consiste en el estudio y construcción de agentes racionales. Norvig & Russell

 Principios generales que rigen a los A.R.

 Elementos usados para construirlos.
AGENTE (Norvig & Russell):

 AGENTE: Es todo aquello que percibe su ambiente mediante sensores y que responde
o actúa mediante efectores.
 AGENTE INTELIGENTE:
 Debe hacer siempre lo correcto de acuerdo a sus percepciones.
 Es aquel que emprende la mejor acción posible en una situación dada. Russel &
Norvig

AGENTE: Es un sistema de computación situado en algún entorno, que es capaz de una acción
autónoma y flexible para alcanzar sus objetivos de diseño. Wooldridge & Jennings

Débil

Nociones de Agentes

Fuerte

Noción Débil: Es la forma más general en que es usado el término agente. Es un sistema de
software (hardware) con las siguientes propiedades:

 Autonomía.
 Habilidad Social.
 Reactividad.
 Proactividad.

Noción más fuerte: Además de las propiedades anteriores, se agregan nociones mentales como:

 Conocimiento.
 Creencias.
 Intenciones.
 Obligaciones
 (Emociones)

Inteligencia Artificial Distribuida (DAI – MIT en los 80´s):

 Resolución Distribuida De Problemas (DPS)

 Sistemas Multiagentes (MAS)
 Significado más general
 Usado para referir a todo sistema compuesto por múltiples autónomos (semi-
autónomos) componentes.
Sistemas Multi-Agentes (MAS):

Características:

 Cada agente tiene información y capacidades limitadas para resolver un problema

 No hay un control global del sistema
 Los datos están descentralizados
 Computación es asincrónica

Proveen más robustez, eficiencia y permiten la interoperatividad de sistemas existentes.

Un Sistema En IA Requiere Mucho Conocimiento:

 Voluminoso
 Cambiante
 Difícil De Representar

Ingeniería Del Conocimiento:

¿Qué es una Técnica de IA? (Rich):

¿Problemas en IA son complicados y variados existen técnicas apropiadas?

Es un método que utiliza el conocimiento representado de tal forma que:

 Represente generalizaciones

 Debe ser comprendido por las personas que lo proporcionan

 Puede modificarse fácilmente

 Puede utilizarse en distintas situaciones, aunque no sea certero. (modelos cognitivos)

Evaluación de un sistema de IA:

TEST DE TURING: Comportarse como humano

 El ambiente plantea muchos desafíos (el diálogo es totalmente libre) que resulta difícil
para un sistema igualar a la contraparte humana

El sistema debería ser capaz de:

 Procesar lenguaje natural

 Representar el conocimiento
 Razonar automáticamente
 Aprendizaje automático
 (Visión - Robótica)

Evaluación de un sistema de IA:

En Dominios Mas Restrictivos:

 Evaluar si el sistema (Agente) se comporta de acuerdo a los objetivos planteados

previamente. (E. Rich)

Modelos Cognitivos:

 Sistemas Basados en Conocimiento.

 Agentes Deliberativos.

Lenguajes en IA:

 LISP (COMMON LISP)

 Lenguaje funcional - procesamiento simbólico.
 PROLOG
 Programación lógica
 C ( C ++ ) / JAVA
 Procedural - Orientación a objetos

Aprendizaje Automatizado:

Definición:

 Una red neuronal es "un nuevo sistema para el tratamiento de la información, cuya
unidad básica de procesamiento está inspirada en la célula fundamental del sistema
nervioso humano: la neurona".
 Las neuronas son un componente relativamente simple pero conectadas de a miles
forman un poderoso sistema.

Descripción:

 Unidades de procesamiento que intercambian datos o información.

 Se utilizan para reconocer patrones, incluyendo imágenes, manuscritos, tendencias
financieras, etc.
 Tienen la capacidad de aprender y mejorar su funcionamiento.
Fundamentos - El modelo biológico:

 El cerebro humano contiene más de cien mil millones de neuronas.

 La clave para el procesamiento de la información es las conexiones entre ellas llamadas
sinápsis.

Estructura biológica:

 Las dendritas son la vía de entrada de las señales que se combinan en el cuerpo de
la neurona.
 El axón es el camino de salida de la señal generada por la neurona.
 En las terminaciones de las sinápsis se encuentran unas vesículas que contienen
unas sustancias químicas llamadas neurotransmisores, que propagan señales
electroquímicas de una neurona a otra.
 La neurona es estimulada por sus entradas y cuando alcanza cierto umbral, se
dispara o activa pasando una señal hacia el axón.

Estructura artificial:

La función de activación puede ser una simple función escalón.

Elementos de una red neuronal:

 Se interconectan neuronas en tres tipos de capas:

 De entrada: reciben estímulos externos.
 Oculta: elementos internos de procesamiento (se pueden estructurar en varias
capas).
 De salida: reciben la información procesada y retornan la respuesta del sistema
al exterior.

Elementos de una red neuronal:

 Las neuronas están conectadas por canales unidireccionales con peso.

 El peso wij está asociado al canal que conecta la neurona j con la neurona i.
  La entrada total de la neurona j es netj = Σwijyi.
 La salida de la neurona j es yj = f(netj).

Funciones de activación:

 θi representa un desplazamiento o umbral de activación (sesgo o bias).

 Se puede pensar θi como el peso w0i que conecta una neurona imaginaria x0 con a0(t)
= 1.

Función de activación escalón:

Funciones de activación identidad y lineal-mixta:

Función de activación sigmoidal:

Regla de aprendizaje:

 Biológicamente se acepta que la información memorizada en el cerebro se relaciona

con los valores sinápticos de las conexiones.
 En las RNA se considera que el conocimiento se encuentra representado en los pesos
de las conexiones.
 El proceso de aprendizaje se basa en cambios en estos pesos.

Formas de conexión entre neuronas:

 Las salidas de las neuronas se convierten en entradas de otras neuronas.

 Cuando ninguna salida de las neuronas es entrada de neuronas del mismo nivel o de
niveles precedentes, la red se describe como propagación hacia adelante
(feedforward).
 En caso contrario la red se describe como propagación hacia atrás (feedback).

Características de las RNA:

 Topología.
 Número de capas.
 Número de neuronas por capa.
 Tipo de conexiones. Normalmente, todas las neuronas de una capa reciben señales
de la capa anterior (más cercana a la entrada) y envían su salida a las neuronas de
la capa posterior (más cercana a la salida de la red).
 Tipo de aprendizaje.

Redes feedforward:

 Las más conocidas son:

 Perceptrón
 Adaline
 Madaline
 Backpropagation
 Son útiles en aplicaciones de reconocimiento o clasificación de patrones.

Mecanismo de Aprendizaje:

 Los cambios en el proceso de aprendizaje se reducen a destrucción, modificación y

creación de conexiones entre las neuronas.
 La creación de una conexión implica que el peso de la misma pasa a tener un valor
distinto de cero.
 Una conexión se destruye cuando su valor pasa a ser cero.

Redes con aprendizaje supervisado:

 El tipo de aprendizaje puede ser supervisado o no supervisado.

 El proceso de aprendizaje supervisado se realiza mediante el control de un agente
externo (supervisor) que determina la respuesta que debería generar la red a partir de
una entrada determinada.
 En el caso de no coincidir se modifican los pesos con el fin de aproximarse al valor
deseado.
Aprendizaje por corrección del error. Algoritmo:

 Paso 1: Asignar valores aleatorios a los pesos de la red.

 Paso 2: Mientras no se alcance un nivel deseado de predicción:
 Tomar un dato de entrenamiento x y obtener una salida y.
 Si y no es el valor deseado para x entonces actualizar los pesos.

Regla de aprendizaje delta o MEC:

 Los algoritmos actualizan los pesos mediante:

w´ w  w
 La variación entre los distintos métodos está en la forma de calcular Δw.
 Se define una medida de error para cada patrón de entrenamiento p:

E p  12 (d p  y p ) 2
 Se deben encontrar los wi que minimicen el error cuadrático:

E E
pD
p
 1
2  (d p
 y p )2

 E
Para esta regla de aprendizaje, wi  
wi

 La idea es definir un vector gradiente

E E E
E  , ,...,
w1 w2 wm
 Se debe encontrar la dirección en la que este vector hace menor al error E.
 Algunas fórmulas útiles (función lineal):

E E y y E
   xi  ( d p  y p )
wi y wi wi y

 Las redes Adaline y Madaline utilizan esta regla de aprendizaje.

Regla delta generalizada:

 La regla delta se puede aplicar a una capa de neuronas.

 Se puede generalizar a más capas.
 La idea central es que los errores de las unidades ocultas se propagan hacia atrás.
 Se aplica en la red Backpropagation.

Neural Network Toolbox:

>> load house_dataset

 La red backpropagation más comunmente utilizada posee una capa oculta con 20
neuronas.
>> newff(houseInputs, houseTargets, 20);
  La cantidad de neuronas de entrada tanto como la de salida quedan determinadas por
las características del dataset.
>> net = train(net, houseInput, houseTargets)

Neural Network Toolbox:

 El dataset es dividido aleatoriamente en tres conjuntos:

 60% de los datos se utilizan para entrenamiento.
 20% de los datos se utilizan para validación.
 20% de los datos se utilizan para test.
 El entrenamiento continúa mientras se reduce el error de validación.
 Esta es una técnica muy utilizada para evitar el sobreentrenamiento.
 Una vez entrenada la red, se la puede utilizar:
>> y = sim(net, p);

 Para un conjunto de nuevos datos se espera un error similar al calculado para el

conjunto de test.
 Se puede mejorar la precisión de una red.
 Se puede inicializar nuevamente la red para volver a entrenar:
>> net.IW{1, 1}(1:2, 1:2)
-0.5815 0.2696
-0.2799 -0.4926
>> net = init(net);
>> net.IW{1, 1}(1:2, 1:2)
-0.0047 0.2063
0.4592 -0.4419

 Una segunda estrategia es cambiar el número de capas y neuronas internas.

 Se puede agregar como cuarto argumento un arreglo con los nombres de las
funciones transferencia a usar en cada capa.
 Por último, usar datos adicionales generalmente mejora el aprendizaje.