Beruflich Dokumente
Kultur Dokumente
Ingeniería computacional:
Lingüística computacional:
Definición de IA
El misterio de la conciencia
Problema Difícil: explicar cómo puede nacer la experiencia subjetiva de la computación neuronal
El cerebro como máquina
¿Es la IA posible?
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:
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 y control
Procesamiento del lenguaje natural
Percepción (visión, reconocimiento del habla)
Creatividad, juegos, inteligencia ambiental
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
RAZONAMIENTO
Sistemas que piensan como humanos Sistemas que piensan racionalmente
Sistemas que actúan como humanos Sistemas que actúan racionalmente
COMPORTAMIENTO
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
Inconvenientes:
Actuar Racionalmente
También IA es:
Combinación de:
Ciencias de la Computación
Ingeniería Mecánica y Electrónica
Fisiología y Filosofía
Evolución Histórica de la I A
Los primeros años estuvieron llenos de éxitos, aunque con ciertas limitaciones.
Algunos «hitos»:
...Pero aun así las predicciones muy optimistas se chocaron con una realidad difícil de modelar
y excesivamente compleja en muchos casos:
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.
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».
Aplicaciones de la IA:
Lingüística computacional:
Minería de datos (Data Mining)
Robótica:
Sistemas de apoyo a la decisión:
Videojuegos:
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.
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:
Sistemas expertos
Utilización de lenguaje natural
Reconocimiento de voz
Reconocimiento de formas
Robótica
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:
Reconocimiento de voz:
Reconocimiento de formas:
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:
Brazos de robot.
Distintas definiciones.
Conceptos fundamentales.
Historia / Estado actual.
Ramas de IA
Distintos campos de aplicación.
Diferentes Modelos:
Modelos Cognitivos
Modelos Conexionistas
Redes neuronales
Algoritmos genéticos
Agentes reactivos
Fundamentos de la IA:
Quizás algunos aspectos de la inteligencia humana demuestren ser modelados por un SSF,
mientras que otros no.
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 ...)
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)
Características:
Voluminoso
Cambiante
Difícil De Representar
Represente generalizaciones
El ambiente plantea muchos desafíos (el diálogo es totalmente libre) que resulta difícil
para un sistema igualar a la contraparte humana
Modelos Cognitivos:
Lenguajes en IA:
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:
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:
Funciones de activación:
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:
Mecanismo de Aprendizaje:
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
pD
p
1
2 (d p
y p )2
E
Para esta regla de aprendizaje, wi
wi
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
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)