crea tu página web gratis

 

 

  

La IA (Inteligencia Artificial) es una de las disciplinas más nuevas. Formalmente se inicia en 1956 cuando se acuñó este término, sin embargo el estudio de la inteligencia contemplada como el razonamiento humano viene siendo estudiado por los filósofos hace más de 2 milenios.

La inteligencia artificial es la ciencia que enfoca su estudio a lograr la comprensión de entidades inteligentes. Es evidente que las computadoras que posean una inteligencia a nivel humano (o superior) tendrán repercusiones muy importantes en nuestra vida diaria.

En realidad los animales no son inteligentes, lo que hacen se debe a su intuición. A diferencia de los seres humanos que se caracterizan por su razonamiento.

 

Durante más de 2000 años de tradición en filosofía han surgido diversas teorías del razonamiento y del aprendizaje simultáneamente con el punto de vista de que la mente se reduce al funcionamiento de un sistema físico. Durante más de 400 años de matemáticas, han surgido teorías formales relacionadas con la lógica, probabilidad, teoría de decisiones y la computación. La psicología ofrece herramientas que permiten la investigación de la mente humana, así como un lenguaje científico para expresar las teorías que se van obteniendo. La lingüística ofrece teorías sobre la estructura y significado del lenguaje. La ciencia de la computación de la que se toman herramientas que permiten que la inteligencia artificial sea una realidad.

Los filósofos (desde el año 400 AC) permitieron el poder pensar en la inteligencia artificial al concebir a la mente con maneras diversas como una máquina que funciona a partir del conocimiento codificado en un lenguaje interno y al considerar que el pensamiento servía para determinar cuál era la acción correcta que había que emprender.

Las matemáticas proveyeron las herramientas para manipular las aseveraciones de certeza lógica así como las inciertas de tipo probabilista. Así mismo prepararon el terreno para el manejo del razonamiento con algoritmos.

Los psicólogos reforzaron la idea de que los humanos y otros animales podían ser considerados como máquinas para el procesamiento de información.

Los lingüistas demostraron que el uso de un lenguaje se ajusta dentro de este modelo.

La ingeniería de cómputo ofreció el dispositivo que permite hacer realidad las aplicaciones de la inteligencia artificial. Los programas de inteligencia artificial por general son extensos y no funcionarían sin los grandes avances de velocidad y memoria apartadas por la industria de cómputo.

En conclusión, las ciencias que aportan a la Inteligencia Artificial son:

o    Filosofía

o    Matemáticas

o    Psicología

o    Lingüística

o    Ciencias de la Computación

En los años 50 cuando se logra realizar un sistema que tuvo cierto éxito, se llamó el Perceptrón de Rossenblatt. Este 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.

Fue en los años 60 cuando Alan Newell y Herbert Simon, que trabajando la demostración de teoremas y el ajedrez por ordenador logran crear un programa llamado GPS (General Problem Solver: solucionador general de problemas). Este era un 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.

En los años 70, 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.

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)

Ya en los años 80, 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 ejemplo el EURISKO. Este programa perfecciona su propio cuerpo de reglas heurísticas automáticamente, por inducción.

El origen inmediato del concepto y de los criterios de desarrollo de la "IA" se remonta a la intuición del genio matemático inglés Alan Turing y el apelativo "Inteligencia Artificial" se debe a McCarthy, uno de los integrantes del "Grupo de Darmouth", que en el verano de 1956, se reunió en el Darmouth College (Estados Unidos) para discutir la posibilidad de construir máquinas "inteligentes".

Los principales integrantes del grupo eran:

·         John McCarthy: quien le dio el nombre a esta nueva área del conocimiento y estudiaba sistemas capaces de efectuar razonamientos de sentido común.

·         Marvin Minsky: fundador del laboratorio de IA del MIT. Trabajaba sobre razonamientos analógicos de geometría

·         Claude Shannon: de los laboratorios Bell de EEUU.

·         Nathaniel Rochester: de IBM

·         Allen Newell: primer presidente de la AAAI (Asociación Americana de Inteligencia Artificial)

·         Herbert Simon: Premio Nobel de Carnegie-Mellon University

También podemos destacar la importante intervención de Arthur Samuel, que había escrito un programa de juego de damas capaz de aprender de su propia experiencia; Selfridge, que estudiaba el reconocimiento visual por computador.

A partir de este grupo inicial, se formaron dos grandes "escuelas" de I.A.: Newell y Simon lideraron el equipo de la Universidad de Carnegie-Mellon, proponiéndose desarrollar modelos de comportamiento humano con aparatos cuya estructura se pareciese lo más posible a la del cerebro (lo que posteriormente derivó en la llamada postura "conexionista" y en los trabajos sobre "redes neuronales" artificiales).

McCarthy y Minsky formaron otro equipo en el Instituto Tecnológico de Massachusett (MIT), centrándose más en que los productos del procesamiento tengan el carácter de inteligente, sin preocuparse por que el funcionamiento o la estructura de los componentes sean parecidas a los del ser humano.

Ambos enfoques sin embargo corresponden a los mismos objetivos prioritarios de la I.A.: "entender la inteligencia natural humana, y usar máquinas inteligentes para adquirir conocimientos y resolver problemas considerados como intelectualmente difíciles".

La historia de la IA ha sido testigo de ciclos de éxito, injustificado optimismo y la consecuente desaparición de entusiasmo y apoyos financieros. También ha habido ciclos caracterizados por la introducción de nuevos y creativos enfoques y de un sistemático perfeccionamiento de los mejores.

El Test de Turing

 

En la siguiente figura se presentan definiciones de lo que es la inteligencia artificial. Estas definiciones varían en torno a dos dimensiones principales. Las que aparecen en la parte superior se refieren a procesos mentales y al razonamiento, en tanto que las de la parte inferior aluden a la conducta. Por otra parte, las definiciones de la izquierda miden la condición deseable en función de eficiencia humana, mientras que las de la derecha lo hacen de conformidad con un concepto de inteligencia ideal, denominado racionalidad.

 

Sistemas que piensan como humanos

Sistemas que piensan racionalmente

Procesos mentales y razonamiento

"La interesante tarea de lograr que las computadoras piensen…máquinas con mente, en su amplio sentido literal.”

"La automatización de actividades que vinculamos con procesos de pensamiento humano, actividades tales como toma de decisiones, resolución de problemas, aprendizaje…”

"El estudio de las facultades mentales mediante el uso de modelos computacionales.”

"El estudio de los cálculos que permiten percibir, razonar y actuar.”

 

Sistemas que actúan como humanos

Sistemas que actúan racionalmente

Conducta

"El arte de crear máquinas con capacidad de copiar funciones realizadas por personas donde se requiere inteligencia”

"El estudio de cómo lograr que las computadoras realicen tareas que, por el momento los humanos hacen mejor.”

"Un campo de estudio que se enfoca a la explicación y emulación de la conducta inteligente en función de procesos computacionales”

"La rama de la ciencia de la computación que se ocupa de la automatización de la conducta inteligente.”

 

 Ejemplos:

·         Almacenar la suma de dos variables (x , y) en otra variable denominada z , en donde: x = 1  ,   y = 1 ,   z = x + y  ,  z = 2     (Sistemas que piensan)

·         Al retirar la mano de una hornilla caliente. Esto es un acto reflejo mucho más eficiente que una tardía actuación emprendida después de una cuidadosa deliberación.                                        (Sistemas que piensan racionalmente)

·         Semáforos inteligentes que se encuentran en Europa y evitan por medio de sensores el congestionamiento de tráfico

(Sistemas que actúan racionalmente)

 

Actuar como humano: El enfoque de la prueba de Turing

La 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.


Si el diálogo que ocurra y el número de errores en la solución dada se acerca al número de errores ocurridos en la comunicación con un ser humano, se podrá estimar -según Turing- que estamos ante una máquina "inteligente".

Hoy por hoy, el trabajo que entraña programar una computadora para pasar la prueba es considerable. La computadora debería se capaz de lo siguiente:

·         Procesar un lenguaje natural: para así poder establecer comunicación satisfactoria, sea en español, inglés o en cualquier otro idioma humano.

·         Representar el conocimiento: para guardar toda la información que se le haya dado antes o durante el interrogatorio. Utilización de Base de Datos para receptar preguntas y luego almacenarlas.

·         Razonar automáticamente: Utiliza la información guardada al responder preguntas y obtener nuevas conclusiones o tomar decisiones.

·         Autoaprendizaje de la máquina: Con el propósito de adaptarse a nuevas circunstancias. El autoaprendizaje conlleva a la autoevaluación.

 

Para aprobar la prueba total de Turing, es necesario que la computadora esté dotada de:

  • Vista: Capacidad de percibir el objeto que se encuentra en frente suyo.
  • Robótica: Capacidad para mover el objeto que ha sido percibido.

 

Inteligencia Humana vs. Inteligencia Artificial

Problemas y Técnicas en Inteligencia Artificial

Desde el punto de vista de ingeniería, la mayor parte del trabajo requerido para construir sistemas de IA, está basado en el desarrollo de adecuadas representaciones de conocimiento y sus correspondientes estrategias de manipulación. No se puede manipular conocimiento a menos que esté adecuadamente representado. En consecuencia, las siguientes tres preguntas claves pueden guiarnos en el estudio de la IA.

  • ¿Qué es el conocimiento?
  • ¿Cómo se puede representar el conocimiento?
  • ¿Cómo se podría manipular el conocimiento?

A continuación, se dan respuestas parciales a estas preguntas planteadas. En los capítulos posteriores se presenta un estudio más formal y detallado acerca del conocimiento, su representación y manipulación.

Conocimiento

Puede ser definido como el conjunto de hechos y principios acumulados por la humanidad, o el acto, hecho o estado de conocer. Es la familiaridad con el lenguaje, conceptos, procedimientos, reglas, ideas, abstracciones, lugares, costumbres y asociaciones, unida a la habilidad de utilizar estas nociones en forma efectiva para modelar diferentes aspectos del universo que nos rodea.

Los conceptos de conocimiento e inteligencia están íntimamente ligados. La inteligencia requiere de la posesión y acceso al conocimiento. Conocimiento no debe ser confundido con datos o información. El conocimiento incluye y requiere del uso de datos e información. Además, combina relaciones, dependencias, y la noción del saber con datos e información.

A veces es también útil o más aun necesario distinguir entre conocimiento y otros términos como creencia e hipótesis.

Esencialmente, se define como creencia a toda expresión que tiene significado, que es coherente y puede ser representada. En consecuencia una creencia puede ser verdadera o falsa. Hipótesis se define como una creencia justificada que no se conoce sea verdadera. Una hipótesis es una creencia que está respaldada por cierta evidencia, pero todavía puede resultar falsa. Finalmente, se puede también decir que conocimiento es una creencia justificada como verdadera.

Otros términos relacionados con el conocimiento y que son ocasionalmente empleados son epistemología y metaconocimiento. Epistemología es el estudio de la naturaleza del conocimiento, mientras que metaconocimiento es conocimiento acerca del conocimiento, esto es, conocimiento acerca de lo que se conoce.

El conocimiento puede ser de tipo procedimental, declarativo o heurístico. Conocimiento procedimental es aquel conocimiento compilado que se refiere a la forma de realizar una cierta tarea (el saber como hacerlo). Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son expresados como conocimiento procedimental.

Por otro lado, el conocimiento declarativo es conocimiento pasivo, expresado como sentencias acerca de los hechos del mundo que nos rodea (el saber que hacer). La información personal en una base de datos es un típico ejemplo de conocimiento declarativo. Tales tipos de datos son piezas explícitas de conocimiento independiente.

El conocimiento heurístico es un tipo especial de conocimiento usado por los humanos para resolver problemas complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la palabra griega heuriskein que significa descubrir, encontrar. Se entiende por heurístico a un criterio, estrategia, método o truco utilizado para simplificar la solución de problemas. El conocimiento heurístico usualmente se lo adquiere a través de mucha experiencia.

Representación del Conocimiento

Dado que el conocimiento es importante y primordial para el comportamiento inteligente, su representación constituye una de las máximas prioridades de la investigación en IA. El conocimiento puede ser representado como imágenes mentales en nuestros pensamientos, como palabras habladas o escritas en algún lenguaje, en forma gráfica o en imágenes, como cadenas de caracteres o colecciones de señales eléctricas o magnéticas dentro de un computador. En nuestro estudio de IA, consideraremos las representaciones escritas y sus correspondientes estructuras de datos utilizadas para su almacenamiento en un computador. La forma de representación que se escoja dependerá del tipo de problema a ser resuelto y de los métodos de inferencia disponibles.

Una representación del conocimiento puede ser un esquema o dispositivo utilizado para capturar los elementos esenciales del dominio de un problema. Una representación manipulable es aquella que facilita la computación. En representaciones manipulables, la información es accesible a otras entidades que usan la representación como parte de una computación.

Debido a la variedad de formas que el conocimiento puede asumir, los problemas involucrados en el desarrollo de una representación del conocimiento son complejos, interrelacionados y dependientes del objetivo. El términos generales, se debe tratar que el conocimiento esté representado de tal forma que:

  • Capture generalizaciones.
  • Pueda ser comprendido por todas las personas que vayan a proporcionarlo y procesarlo.
  • Pueda ser fácilmente modificado.
  • Pueda ser utilizado en diversas situaciones aún cuando no sea totalmente exacto o completo.
  • Pueda ser utilizado para reducir el rango de posibilidades que usualmente debería considerarse para buscar soluciones.

El conocimiento declarativo puede ser representado con modelos relacionales y esquemas basados en lógica. Los modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o redes semánticas. Los esquemas de representación lógica incluyen el uso de lógica proposicional y lógica de predicados.

Los modelos procedimentales y sus esquemas de representación almacenan conocimiento en la forma de cómo hacer las cosas. Pueden estar caracterizados por gramáticas formales, usualmente implantadas por sistemas o lenguajes procedimentales y sistemas basados en reglas (sistemas de producción).

Las representaciones declarativas son usualmente más expansivas y costosas, en el sentido que la enumeración puede ser redundante e ineficiente. Sin embargo, la modificación de las representaciones declarativas es usualmente muy fácil; simplemente se agrega o se elimina conocimiento. Las representaciones procedimentales, en cambio, pueden ser más compactas, sacrificando flexibilidad. Representaciones prácticas pueden incluir elementos tanto declarativos (listado de hechos conocidos), como procedimentales (un conjunto de reglas para manipular los hechos).

Herramientas Derivadas de la Inteligencia Artificial( Manipulación del conocimiento)

Existen tres paradigmas que los investigadores han utilizado tradicionalmente para la resolución de problemas de IA:

Programación Heurística.- Está basado en el modelo de comportamiento humano y su estilo para resolver problemas complejos. Existen diversos tipos de programas que incluyen algoritmos heurísticos. Varios de ellos son capaces de aprender de su experiencia.

Redes Neuronales Artificiales.- Es una representación abstraída del modelo neuronal del cerebro humano. Las redes están formadas por un gran número de elementos simples y por sus interconexiones. Una red neuronal artificial puede ser simulada o ser real. Al elemento procesador de la red, se lo denomina neurona artificial.

Evolución Artificial.- Su modelo está basado en el proceso genético de evolución natural, propuesto por Charles Darwin. Se utilizan sistemas simulados en computador que evolucionan mediante operaciones de reproducción, mutación y cruce (Algoritmos Genéticos).

Cada paradigma comprende una colección de métodos, configuraciones y técnicas desarrolladas para manipular el conocimiento. En general, una técnica de IA está caracterizada por incluir los siguientes componentes:

Procesos de Búsqueda.- Proporciona una forma de resolver problemas para los cuales no hay un método más directo, así como también se constituye en un marco de trabajo dentro del cual cualquier técnica directa puede ser incorporada.

Uso del Conocimiento.- Proporciona una forma de resolver problemas explotando las estructuras de los objetos involucrados.

Abstracción.- Proporciona una forma de separar rasgos importantes y variaciones, de los tantos que no tienen importancia.

La manipulación del conocimiento involucra además la selección de objetos, entidades y rasgos que son claves para las representaciones. Al nivel más bajo de representación del conocimiento, estas entidades pueden consistir de simples datos de entrada, por ejemplo: grabaciones cuantizadas y digitalizadas de audio, datos de una imagen, valores captados por un sensor, información de interruptores o hechos elementales. Estos bloques constructivos de la representación se los denomina comúnmente primitivas. La representación escogida para las primitivas, puede determinar las capacidades del sistema, el éxito, la corrección y sus posibilidades de expansión.

En lo sucesivo, este tutorial se centrará en el estudio de las aplicaciones de la programación heurística, para el desarrollo de sistemas de IA.

El Nivel del Modelo de Inteligencia

En primer lugar, un proyecto de IA, debe definir lo más exactamente posible, lo que desea lograr:

  • Desarrollar programas que realicen las tareas de la misma forma en que lo realizan las personas.
  • Desarrollar programas que simplemente realicen las tareas de la forma que parezca más sencilla.

Los programas que se enmarcan en el primer caso, tratan de modelar el comportamiento humano, para ejecutar las siguientes tareas:

  • Probar teorías psicológicas del comportamiento humano.
  • Capacitar a los computadores para entender el razonamiento humano.
  • Capacitar a los humanos para que comprendan a los computadores.
  • Explotar el conocimiento que es posible obtener de la gente.

En el segundo caso, están agrupados los programas de IA de índole más práctica, que sin ser rigurosos en la modelación del comportamiento humano, tratan de proporcionar soluciones aceptables.

Criterios de Evaluación en I. A.

Cada campo necesita criterios para evaluar el éxito alcanzado. En general, es muy difícil determinar si una máquina o un sistema tiene inteligencia o puede pensar. Al respecto se han sugerido algunas pruebas entre las que se destaca la de Alan Turing (1912-1954). En 1950 ideó una prueba para reconocer comportamientos inteligentes, esta prueba dice lo siguiente:

Si la ejecución de un sistema de IA puede convencernos de que su comportamiento es el que tendría un humano, entonces el sistema es verdaderamente inteligente.

En una forma más práctica, para saber si un trabajo de investigación en IA ha tenido éxito, debe hacerse tres preguntas claves:

¿Está definida con claridad la tarea?

¿Existe un procedimiento ya instrumentado que efectúe la tarea? Si no existe, es que deben haber muchas dificultades escondidas en algún lugar.

¿Existe un conjunto de regularidades o restricciones identificables a partir de las cuales el procedimiento implantado obtiene su validez? De no ser así, el procedimiento no pasaría de ser un juguete, tal vez capaz de un desempeño superficial impresionante en ciertos ejemplos seleccionados con cuidado, pero incapaz de impresionar con un desempeño profundo y de resolver problemas más generales.

Para determinar si una aplicación de IA ha tenido éxito, deben plantearse preguntas adicionales como las siguientes:

  • ¿Resuelve la aplicación un problema real?
  • ¿Crea la aplicación una nueva oportunidad?

Eventualmente, las respuestas a las preguntas planteadas, deberán ser complementadas con pruebas típicas de verificación y validación de sistemas: eficacia en el desempeño, eficiencia operativa, facilidad de uso, flexibilidad, portabilidad, etc.

DAR CLICK, PARA

ENVIAR UN CORREO

Enviar email

 


 

contador de visitas

NÚMERO DE VISITANTES

pagina web gratis