Monogra FIA

FACULTAD DE INGENIERA MECATRONICA
TRABAJO MONOGRAFICO DE INTELIGENCIA ARTIFICIAL
DOCENTE: TRINIDAD CHVEZ NIO
ALUMNO: SOTO VALQUI LUIS CDIGO: 1220684
CICLO: I
CURSO: MECATRONICA
2013
DEDICATORIA
Dedico este trabajo principalmente a mi madre, que incondicionalmente me brinda su ayuda su cario. A mi querida profesora que a lo largo del ciclo nos enriqueci, y nos cultivo en la rama de su grandioso curso.
INTELIGENCIA ARTIFICIAL
Pgina 2
INDICE
PORTADA. DEDICATORIA... CAPTULO I INTRODUCCIN... JUSTIFICACIN. OBJETIVO GENERAL. CAPTULO II ANTECEDENTES. DESARROLLO HISTORICO. CONCEPTO DE (IA) ... CARACTERISTICAS.... METODOLOGA. CAPTULO III SISTEMAS SISTEMA EXPERTO... COMPONENTES SITEMA EXPERTO. CARACTERISTICAS DE IA... DESARROLLO DE IA.... SISTEMAS EXPERTOS.... CAPTULO IV CATEGORIAS. ESCUELAS DE PENSAMIENTO... CAPTULO V REDES NEURONALES. CAPITULO VI INTELIGENCIAS MULTIPLES. CAPTULO VII APLICACIONES DE LA IA.. CAPTULO VIII CONCLUSIONES.. BIBLIOGRAFA.. 01 02
04 05 06
07 08 11 13 14 16 19 21 23 24 25 26 27 32 37 39 40
Pgina 3
CAPITULO I
Titulo descriptivo del problema: Inteligencia Artificial futuro de la humanidad En la actualidad nos damos cuenta que la tecnologa avanza y se desarrolla muy rpido y es capaz de buscar el desarrollo, comodidad, beneficios y sobre todo que nos faciliten a cada uno de los humanos en labores complejas, este es el caso de la inteligencia artificial o tambin llamada (IA), es la capacidad de razonar independientemente un objeto o robot no vivo. La IA es estudiada por la ciencia de la computacin pero tambin desarrollada por otras ingenieras, como actualmente es el caso de (ingeniera Meca trnica). La capacidad de razonar de un agente (robot) es impresionante porque se desempea eficientemente por su fabricacin de sensores fsicos y mecnicos, que le hacen actuar a actos reflejos, siendo capaz de tomar sus propias decisiones, que posiblemente llegaran a remplazar a un ser humano, teniendo las facultades de actuar ha ciertos principios de optimizacin y consistencia, como es el caso del robot humanoide. La IA conforma procesos de algoritmos genticos, redes neuronales artificiales, razonamiento mediante una lgica formal, actuacin a actos reflejos, son algunas de las capacidades que tiene un agente inteligente. Algunos de estos organismos no vivos estn capacitados y creados con entradas y salidas de bits de un software, muchos de estos sistemas emulan a un ser humano y actualmente se encuentran en reas de control de un sistema, planificacin automtica, responder a diagnsticos y a consultas de consumidores, reconocimiento de escritura y de habla, como tambin reconocimiento de patrones. Los sistemas de la IA cumplen funciones en campos como economa, medicina, ingeniera y la milicia. La IA se divide en escuelas de inteligencia artificial convencional y inteligencia artificial computacional. Esta capacidad de un ROBOT a trado muchas controversias en todo el mundo, ya que muchas personas piensan que pueden ser remplazados por una maquina, y cuchos de estos tomen el control.
Pgina 4
JUSTIFICACION: La IA es un factor importante en nuestra sociedad ya que llega ha desarrollar tareas imposibles o de alto riesgo para una persona. Estas maquinas supe desarrolladas, con autonoma es sus decisiones, pero aun con la capacidad de raciocinio de un nio. En la actualidad estos organismos inteligentes se encargan de evaluar el crdito de los prestamistas en los bancos, hasta los que corrigen la ortografa en los procesadores de palabras, pasando por los programas de investigacin que exploran los bancos de datos en busca de asociaciones. En el campo de la medicina son maquinas que facilitan al medico diagnosticar a un paciente de una forma mas confiable. Como tambin le podemos encontrar en la milicia ya que hay maquinas que monitorean y dirigen un determinado misil a un destino dado, y as como esta maquina hay varias que cumplen funciones diferentes facilitando al ejercito y teniendo mas ventaja al enfrentamiento con otros pases, ya que este caso se puede tomar como ejemplo al gobierno estadounidense que maneja una tecnologa superior a otros pases, y que su pretensin de ellos es desarrollar un robot que aprendan mediante la lectura, para que aprendan a leer estrategias o manuales militares y adaptarse al vuelo en el fragor de la batalla. En la NASA esta tecnologa a favorecido a que sean descubiertos variedades de planetas, meteoritos, vida en otros pases pero sobre todo el paso mas interesante el haber viajado a la luna. Actualmente la NASA mando a un ROBOT (CURIOSITY) a mandar a investigar sus fenmenos y la existencia de vida en dicho planeta; su pretensiones a futuro de dicha identidad es buscar un planeta apropiado y con rasgos casi iguales a la tierra para que las personas puedan habitar en ella. Pero tambin cumple una funcin importante en nuestras vidas cotidianas, como los sistemas de ayuda a la conduccin son slo un ejemplo de los numerosos campos de la vida cotidiana en los que las tcnicas de IA estn presentes. La IA no slo se aplica en proyectos de carcter industrial como el control de la produccin y el reciclaje selectivo sino que se puede encontrar tambin en los sistemas semafricos para la regulacin del trfico y en la deteccin de enfermedades, entre otros.
Pgina 5
OBJETIVO GENERAL: Dar a entender a muchas personas que la tecnologa como es la IA es un sistema que nos ayuda y nos facilita a hacer cosas que nosotros somos incapaces de hacerlo. Mostrar la tecnologa de ahora y tambin lo que se piensa hacer a futuro, dar a conocer lo que opinan varios cientficos y mostrar todo lo que puede hacer este agente inteligente no vivo.
Pgina 6
CAPITULO II
MARCO TEORICO 1.1 ANTECEDENTES. En el mundo actual vemos que los gobiernos, organizaciones y los distintos tipos de empresas que se desempean en manejar y manufacturar una maquina u ordenador inteligente, y que por ello este mundo globalizado gire a una industria llena de agentes o humanoides que son capaces de actuar independienteente gracias a una La Inteligencia Artificial comenz como el resultado de la investigacin en psicologa cognitiva y lgica matemtica. Se ha enfocado sobre la explicacin del trabajo mental y construccin de algoritmos de solucin a problemas de propsito general. Punto de vista que favorece la abstraccin y la generalidad. La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de mquinas que pueden "pensar". La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica, suministro de asesora experta en diversos temas. Es as como los sistemas de administracin de base de datos cada vez ms sofisticados, la estructura de datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el intento de crear mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956. Trabajos tericos fundamentales fueron el desarrollo de algoritmos matemticos por Warren McCullock y Walter Pitts, en 1943, necesarios para posibilitar el trabajo de clasificacin, o funcionamiento en sentido general, de una red neuronal. En 1949 Donald Hebb desarroll un algoritmo de aprendizaje para dichas redes neuronales creando, en conjunto con los trabajos de McCullock y Pitts, la escuela creacionista. Esta escuela se considera hoy como el origen de la Inteligencia Artificial, sin embargo se trat poco por muchos aos, dando paso al razonamiento simblico basado en reglas de produccin, lo que se conoce como sistemas expertos.
Pgina 7
1.2 DESARROLLO HISTORICO. Los juegos matemticos antiguos, como el de las Torres de Hani (hacia el 3000 a. C.), muestran el inters por la bsqueda de un modo resoluto, capaz de ganar con los mnimos movimientos posibles. Cerca de 300 a. C., Aristteles fue el primero en describir de manera estructurada un conjunto de reglas, silogismos, que describen una parte del funcionamiento de la mente humana y que, al seguirlas paso a paso, producen conclusiones racionales a partir de premisas dadas. En 250 a. C. Ctesibio de Alejandra construy la primera mquina auto controlada, un regulador del flujo de agua que actuaba modificando su comportamiento "racionalmente" (correctamente) pero claramente sin razonamiento. En 1315, Ramon Llull tuvo la idea de que el razonamiento poda ser efectuado de manera artificial. En 1847 George Boole estableci la lgica proposicional (booleana), mucho ms completa que los silogismos de Aristteles, pero an algo poco potente. En 1879 Gottlob Frege extiende la lgica booleana y obtiene la Lgica de Primer Orden la cual cuenta con un mayor poder de expresin y es utilizada universalmente en la actualidad. En 1903 Lee De Forest inventa el trodo, tambin llamado bulbo o vlvula de vaco. En 1937 Alan Turing public un artculo de bastante repercusin sobre los "Nmeros Calculables", un artculo que estableci las bases tericas para todas las ciencias de computacin, y que puede considerarse el origen oficial de la informtica terica. En este artculo introdujo el concepto de Mquina de Turing, una entidad matemtica abstracta que formaliz el concepto de algoritmo y result ser la precursora de las computadoras digitales. Poda conceptualmente leer instrucciones de una cinta de papel perforada y ejecutar todas las operaciones crticas de un computador. El artculo fij los lmites de las ciencias de la computacin porque demostr que no es posible resolver problemas con ningn tipo de computador. Con ayuda de su mquina, Turing pudo demostrar que existen problemas irresolubles, de los que ningn ordenador ser capaz de obtener su solucin, por lo que se le considera el padre de la teora de la computabilidad. En 1940 Alan Turing y su equipo contruyeron el primer computador electromecnico y en 1941 Konrad Zuse cre la primera computadora programable y el primer lenguaje de programacin de alto nivel Plankalkl. Las siguiente mquinas ms potentes, aunque con igual concepto, fueron la ABC y ENIAC.
Pgina 8
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera el primer trabajo del campo de inteligencia artificial, aun cuando todava no exista el trmino. Alan turing (1950): Consolid el campo de la inteligencia artificial con su artculo Computing Machinery and Intelligence, en el que propuso una prueba concreta para determinar si una mquina era inteligente o no, su famosa Prueba de Turing por lo que se le considera el padre de la Inteligencia Artificial. Aos despus Turing se convirti en el adalid que quienes defendan la posibilidad de emular el pensamiento humano a travs de la computacin y fue coautor del primer programa para jugar ajedrez. William Shockley (1951): nventa el transistor de unin. El invento hizo posible una nueva generacin de computadoras mucho ms rpidas y pequeas. En 1956 se dio el trmino "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 aos que jams se cumplieron, lo que provoc el abandono casi total de las investigaciones durante quince aos. Fischles y Oscar Firschein 1987: Describieron los atributos de un agente inteligente. Al intentar describir con un mayor mbito (no slo la comunicacin) los atributos de un agente inteligente, la IA se ha expandido a muchas reas que han creado ramas de investigaciones enormes y diferenciadas. Dichos atributos del agente inteligente son: Tiene actitudes mentales tales como creencias e intenciones. Tiene la capacidad de obtener conocimiento, es decir, aprender. Puede resolver problemas, incluso prediciendo problemas complejos en otros ms simples. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias. Planifica, predice consecuencias, evala alternativas (como en los juegos de ajedrez) Conoce los lmites de sus propias habilidades y conocimientos. Puede distinguir a pesar de la similitud de las situaciones. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando analogas.
Pgina 9
Puede entender y utilizar el lenguaje y sus smbolos.
Programa Linuistic (2000): El programa Artificial Linguistic Internet Computer Entity (A.L.I.C.E.) gan el premio Loebner al Chatbot mas humano en 2000, 2001 y 2004, y en 2007 el programa Ultra Hal Assistant gan el premio. En 2010 el programa Suzette gan el premio Loebner. Algunos programas de inteligencia artificial gratuitos son Dr. Abuse, Alice, Paula SG, Virtual woman millenium En la actualidad se est tan lejos de cumplir la famosa prueba de Turing como cuando se formul: Existir Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de computadora en una conversacin a ciegas. Como ancdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un programa capaz de ser ejecutado independientemente de la mquina que lo ejecute, computador o cerebro: *Podemos entonces decir que la IA posee caractersticas humanas tales como el aprendizaje, la adaptacin, el razonamiento, la autocorreccin, el mejoramiento implcito, y la percepcin modular del mundo. As, podemos hablar ya no slo de un objetivo, sino de muchos, dependiendo del punto de vista o utilidad que pueda encontrarse a la IA.
Pgina 10
2.3 CONCEPTO DE INTELIGENCIA ARTIFICIAL. La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de mquinas que pueden pensar. La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica, suministro de asesora experta en diversos temas. Es as como los sistemas de administracin de base de datos cada vez ms sofisticados, la estructura de datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el intento de crear mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956. La Inteligencia Artificial trata de conseguir que los ordenadores simulen en cierta manera la inteligencia humana. Se acude a sus tcnicas cuando es necesario incorporar en un sistema informtico, conocimiento o caractersticas propias del ser humano. Podemos interrogar a algunas bases de datos de Internet en lenguaje natural, o incluso charlar con ellas nuestro idioma, porque por detrs se est ejecutando un programa de Inteligencia Artificial. Otras herramientas inteligentes pueden utilizarse para escrutar entre los millones de datos que se generan en un banco en busca de patrones de comportamiento de sus clientes o para detectar tendencias en los mercados de valores. En la primera categora planteada por los expertos Sistemas que piensan como humanos se encuentra una definicin realizada por Haugeland (1995) en la cual plantea a la Inteligencia Artificial como la interesante tarea de lograr que las computadoras piensen... mquinas con mente, en su amplio sentido literal. En la segunda categora Sistemas que actan como humanos se puede encontrar la definicin de Kurzweil (1990) definiendo a la Inteligencia Artificial como El arte de crear mquinas con capacidad de realizar funciones que realizadas por personas requieren de inteligencia. La tercera categora planteada es Sistemas que piensan racionalmente dentro de la cual se encuentran definiciones como El estudio de las facultades mentales mediante el uso de modelos computacionales planteada por Charniak y McDermott en 1985.
Pgina 11
Dentro de la ltima categora Sistemas que actan racionalmente se encuentra la definicin de Schalkoff en 1990 que conceptualiza a la Inteligencia Artificial como Un campo de estudio que se enfoca a la explicacin y estimulacin de la conducta inteligente en funcin de procesos computacionales. Con ello estas cuatro categoras se llegan a considerar como posibles objetivos que la Inteligencia Artificial podra lograr, en cuanto a procesos mentales, razonamiento, conducta y eficiencia humana. *Uno de los conceptos ms reconocidos y aplicados para la definicin de la Inteligencia Artificial fue realizado por: Rich y Knight (1991), definindola como El estudio de cmo lograr que las computadoras realicen tareas que por el momento, los humanos hacen mejor. Con este concepto y a travs de un anlisis de los diversos significados que se pueden plantear a la Inteligencia Artificial, he desarrollado un concepto propio, la Inteligencia Artificial es un sistema programado y creado por el ser humano para lograr mejorar o agilizar las actividades que realiza el hombre, con ello agregando un valor al ser humano por ser el creador de la Inteligencia Artificial y dando a conocer su objetivo de una mejora y mayor agilidad, as como mencionando su fin de realizar actividades que el hombre ha desarrollado a lo largo de su vida en un tiempo menor del programado normalmente.
Pgina 12
2.4 CARACTRISTICAS DE INTELIGENCIA ARTIFICIAL.
1. Una caracterstica fundamental que distingue a los mtodos de Inteligencia Artificial de los mtodos numricos es el uso de smbolos no matemticos, aunque no es suficiente para distinguirlo completamente. Otros tipos de programas como los compiladores y sistemas de bases de datos, tambin procesan smbolos y no se considera que usen tcnicas de Inteligencia Artificial. 2. El comportamiento de los programas no es descrito explcitamente por el algoritmo. La secuencia de pasos seguidos por el programa es influenciado por el problema particular presente. El programa especifica cmo encontrar la secuencia de pasos necesarios para resolver un problema dado (programa declarativo). En contraste con los programas que no son de Inteligencia Artificial, que siguen un algoritmo definido, que especifica, explcitamente, cmo encontrar las variables de salida para cualquier variable dada de entrada (programa de procedimiento). 3. Las conclusiones de un programa declarativo no son fijas y son determinadas parcialmente por las conclusiones intermedias alcanzadas durante las consideraciones al problema especfico. Los lenguajes orientados al objeto comparten esta propiedad y se han caracterizado por su afinidad con la Inteligencia Artificial. 4. El razonamiento basado en el conocimiento, implica que estos programas incorporan factores y relaciones del mundo real y del mbito del conocimiento en que ellos operan. Al contrario de los programas para propsito especfico, como los de contabilidad y clculos cientficos; los programas de Inteligencia Artificial pueden distinguir entre el programa de razonamiento o motor de inferencia y base de conocimientos dndole la capacidad de explicar discrepancias entre ellas. 5. Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de Inteligencia Artificial los programas no pueden trabajar con este tipo de problemas. Un ejemplo es la resolucin de conflictos en tareas orientadas a metas como en planificacin, o el diagnstico de tareas en un sistema del mundo real: con poca informacin, con una solucin cercana y no necesariamente exacta.
Pgina 13
2.5 METODOLOGIAS DE LA INTELIGENCIA ARTIFICIAL. 1. La lgica difusa: permite tomar decisiones bajo condiciones de incerteza. 2. Redes neuronales: esta tecnologa es poderosa en ciertas tareas como la clasificacin y el reconocimiento de patrones. Est basada en el concepto de "aprender" por agregacin de un gran nmero de muy simples elementos. Este modelo considera que una neurona puede ser representada por una unidad binaria: a cada instante su estado puede ser activo o inactivo. La interaccin entre las neuronas se lleva a cabo a travs de sinapsis. Segn el signo, la sinapsis es excitadora o inhibidora. El perceptrn est constituido por las entradas provenientes de fuentes externas, las conexiones y la salida. En realidad un perceptrn es una Red Neuronal lo ms simple posible, es aquella donde no existen capas ocultas. Para cada configuracin de los estados de las neuronas de entrada (estmulo) la respuesta del perceptrn obedece a la siguiente dinmica: se suman los potenciales sinpticos y se comparan con un umbral de activacin. Esta suma ponderada es tambin llamada campo. Si el campo es mayor que un umbral, la respuesta de la neurona es activa, si no, es inactiva. Con una arquitectura tan simple como la del perceptrn no se puede realizar ms que una clase de funciones "booleanas" muy simples, llamadas linealmente separables. Son las funciones en las cuales los estados de entrada con salida positiva pueden ser separados de aquellos a salida negativa por un hiperplano. Un hiperplano es el conjunto de puntos en el espacio de estados de entrada, que satisfacen una ecuacin lineal. En dos dimensiones, es una recta, en tres dimensiones un plano, etc. Si se quieren realizar funciones ms complejas con Redes Neuronales, es necesario intercalar neuronas entre las capas de entradas y de salida, llamadas neuronas ocultas. Una red multicapas puede ser definida como un conjunto de perceptrones, ligados entre si por sinapsis y dispuestos en capas siguiendo diversas arquitecturas. Una de las arquitecturas ms comnmente usada es llamada feedforward: con conexiones de la entrada a las capas ocultas y de stas hacia la salida. El funcionamiento de una Red Neuronal es gobernado por reglas de propagacin de actividades y de actualizacin de los estados. Experiencia, Habilidades y Conocimiento Los tipos de experiencia que son de inters en los sistemas basados en conocimiento, pueden ser clasificados en tres categoras: asociativa, motora y terica.
Pgina 14
Los sistemas basados en conocimiento son excelentes para representar conocimiento asociativo. Este tipo de experiencia refleja la habilidad heurstica o el conocimiento que es adquirido mayoritariamente, a travs de la observacin. Puede ser que no se comprenda exactamente lo que ocurre al interior de un sistema (caja negra), pero se pueden asociar entradas o estmulos con salidas o respuestas, para resolver problemas que han sido previamente conocidos. La experiencia motora es ms fsica que cognitiva. La habilidad se adquiere fundamentalmente a travs del ejercicio y la prctica fsica constante. Los sistemas basados en conocimiento no pueden emular fcilmente este tipo de experiencia, principalmente por la limitada capacidad de la tecnologa robtica. La experiencia terica y el conocimiento profundo permite que los humanos puedan resolver problemas que no se han visto antes, es decir, no existe una posibilidad asociativa. El conocimiento terico y profundo se adquiere a travs de estudio y entrenamiento formal, as como por medio de la resolucin directa de problemas. Debido a su naturaleza terica, este conocimiento se puede olvidar fcilmente, a no ser que se use en forma continua. Al momento, los sistemas convencionales basados en conocimiento tienen muchas dificultades para duplicar este tipo de experiencia. Sin embargo, los Sistemas de Razonamiento Basado en Modelos representan un notable intento de encapsular este conocimiento profundo y razonar con l.
Pgina 15
CAPITULO III SISTEMAS EXPERTOS

2.1 SISTEMAS EXPERTOS (UN GRAN AVANCE).
A. Definicin de Sistemas Expertos: Bajo el trmino de sistemas expertos se encuentran un nuevo tipo de software que imita el comportamiento de un experto humano en la solucin de un problema. Puede almacenar conocimientos de expertos para un campo determinado y solucionar un problema mediante deduccin lgica de conclusiones. - Estos humanoides cuentan con software nico, que tiene una capacidad de actuar autnomo, tomando las decisiones al efectuar un trabajo, facilitar y ayudar a la sociedad en labores complejas es su destino de los agentes inteligentes. B. Ventajas de Sistemas Expertos: Se crearon sistemas expertos que adems basndose en algunas de accin (silogismos) y el anlisis de posibilidades nos dan una ayuda muy til, en todas las ramas de la accin humana. De este modo se crearon sistemas expertos para tareas genricas: es decir para la monitorizacin y el diagnostico, adems de los trabajos de simulacin de la realidad. Se esta usando en gran medida para la monitorizacin y diagnstico: como en plantas de energa, grandes industrias, cohetes, control de trfico areo, bsqueda de yacimientos petrolferos y hasta hospitales. - Muchos de estos agentes facilitan hoy en da la labor de una sociedad, compaa, industria y en mayor cantidad a la milicia. Con estos avances tecnolgicos facilitan a que un pas sobresalga tecnolgicamente. Tambin estos agentes de la IA son capaces de aportar y ayudar en la medicina, economa, etc, comportndose como sistemas de monitoreo, manufacturacin, bsqueda, control, etc, en un mundo globalizado. C. Desventajas de Sistemas Expertos: Tiene sus limitaciones propias, al ser un especialista en tan solo un rea, pero un completo intil en casi todas las otras ramas del pensamiento humano y al ser rule-base-sistgms (sistemas basados en reglas fijas), donde se pierden algunas veces la creatividad y un sentido comn.
Pgina 16
D. Capacidades de los Sistemas Expertos: Los siguientes expertos se aplican por norma general en problemas que implican un procedimiento basado en el conocimiento. Un procedimiento de solucin basado en el conocimiento comprende las siguientes capacidades: Utilizacin de normas o estructuras que contengan conocimiento y experiencias de expertos especializados. Deduccin lgica de conclusiones. Capaz de interpretar datos ambiguos. Manipulacin de conocimientos afectados por valores de probabilidad
Figura N 1 Estructura de los sistemas expertos
Estas estructuras de un agente inteligente son las que dan la formacin para que esta cumpla con su funcin, como vemos en el grafico cada uno de sus componentes son esenciales y nicas en un robot, ya que no toda maquina lleva la misma estructuracin. El desarrollo y funcionamiento, se da gracias a un software especializado, que controle cada uno de las interfaces de las mismas.
Pgina 17
E. Funcin de Sistemas Expertos: La funcin de un sistemas experto es la de aportar soluciones a problemas, como si de humanos se tratara, es decir, capaz de mostrar soluciones inteligentes. Es posible gracias a que al sistema lo crean con expertos (humanos), que intentan estructuran y formatean conocimientos ponindolos a disposicin del sistema, para que este pueda resolver una funcin dentro del mbito del problemas, de igual forma que lo hubiera hecho un experto acceder a los conocimientos adquiridos por experiencia es lo mas difcil, ya que los expertos, al igual que otras personas, apenas lo reconocen como tales. Son buscados con mucho esfuerzo y cuidado siendo descubiertos de uno en uno, poco a poco.
Figura N2 Simulacin de un sistema experto
Forma en que los usuarios interactan con los SE Verificador. El usuario intenta comprobar la validez del desempeo del sistema. Tutor. El usuario da informacin adicional al sistema o modifica el conocimiento que ya est presente en el sistema. Alumno. El usuario busca rpidamente desarrollar pericia personal relacionada con el rea especfica mediante la recuperacin de conocimientos organizados y condensados del sistema. Cliente. El usuario aplica la pericia del sistema a tareas especficas reales.
Pgina 18
2.2 COMPONENTES DE UN SISTEMA EXPERTO. A. La base de conocimientos. La base de conocimientos contiene todos los hechos, las reglas y los procedimientos del dominio de aplicacin que son importantes para la solucin del problema. Contiene el conocimiento de los hechos y la experiencia de los expertos de un dominio determinado. Un sistema experto contiene conocimiento de los hechos y de las experiencias de los expertos en un dominio determinado. El mecanismo de inferencia de un sistema experto puede simular la estrategia de solucin de un experto. Es la unidad lgica con la que se extraen conclusiones de la base de conocimiento, segn un mtodo fijo de solucin de problemas que esta configurado, limitando el procedimiento humano de los expertos para solucionar problemas. Una conclusin se produce mediante aplicacin de las reglas sobre hechos presentes. Las funciones de mecanismo de inferencia son: 1. Determinacin de las acciones que tendr lugar, el orden en que lo harn y como lo harn entre las diferentes partes del sistema experto. 2. Determinar como y cuando se procesaran las reglas, y dado el caso tambin la eleccin de que reglas debern procesarse. 3. Control de dialogo con el usuario. B. El componente explicativo. Explica al usuario la estrategia de solucin encontrada y el porque de las decisiones tomas. Las soluciones descubiertas por los expertos deben poder ser repetibles, tanto por lo el ingeniero del conocimiento en la base de comprobacin, as como por usuario. La exactitud de los resultados, slo podr ser controlada, naturalmente por los expertos. siempre es deseable que durante el trabajo de desarrollo del sistema se conozca el grado de progreso en el procesamiento del problema. A pesar de insistir sobre la importancia del componente explicativo es muy difcil y hasta ahora no se han conseguido cumplir todos los requisitos de un buen componente explicativo. Muchos representan el progreso y la consulta al sistema de forma grfica, adems los componentes explicativos intentan ajustar su funcin rastreando hacia atrs el camino de la solucin. Aunque encontrar la forma de representar finalmente en un texto lo suficiente inteligible las soluciones encontradas depara las mayores dificultades.
Pgina 19
Los componentes explicativos pueden ser suficientes para el ingeniero del conocimiento, ya que esta muy familiarizado con el entorno del conocimiento de datos y a veces basta tambin para el experto, pero para el usuario, que a menudo desconoce las sutilizas del conocimiento de datos, los compones explicativos son todava un poco satisfactorios. C. La interfaz del usuario. Sirve para que ste pueda realizar una consulta en un lenguaje lo ms natural posible. Este componente es la forma en la que el sistemas se presenta ante el usuario. Requisitos o caractersticas de la interface que se presenta al usuario al desarrollar el sistema. 1. El aprendizaje del manejo debe ser rpido. 2. Debe evitarse en lo posible la entrada de datos errneos. 3. usuario. 4. Las preguntas y explicaciones deben ser comprensibles. D. El componente de adquisicin. Ofrece ayuda a la estructuracin e implementacin del conocimiento en la base de conocimientos. Un buen componente de adquisicin ayudara considerablemente la labor del ingeniero del conocimiento. Este puede concentrarse principalmente en la estructuracin del conocimiento sin tener que dedicar tanto tiempo en la actividad de programacin. Daremos unas reglas o requisitos de nuestro componente de adquisicin. E. Requisitos o caractersticas del componente de adquisicin. 1. El conocimiento, es decir, las reglas, los hechos, las relaciones entre los hechos, debe poder introducirse de la forma ms sencilla posible. 2. Posibilidades de representacin clara en todas las informaciones contenida en una base de conocimientos. 3. Comprobacin automtica de la sintaxis. 4. Posibilidad constante de acceso al lenguaje de programacin.
Pgina 20
2.3 CARACTERSTICA DE IA. A. Capacidad de inferencia deductiva. Esto significa que los agentes no solo deben recuperar la informacin almacenada en la base de datos, sino hacer deducciones usando informacin para hacer deducciones que produzcan nuevas informaciones para la base de datos. B. Crecimiento dinmico. Porque los datos y las reglas estn sujetos a constante revisin, es decir, es fcil devorar o modificar los datos. C. Coleccin integrada de conocimiento. Los agentes que constituyen el sistema pueden representar los juicios de muchos expertos en varias partes del globo. Estas experiencias son guardadas en un solo lugar por lo que es posible la utilizacin luego por los expertos o no expertos tambin. Sin embargo, la real utilidad de ese sistema es que permite un constante intercambio de datos y juicios de lderes expertos, y esto permite la formacin de nuevas reglas e ideas acerca del tema.
FIGURA N3 Robot detector en forma de aspiradora
Pgina 21
*. DIFERENCIA ENTRE EXPERTO HUMANO Y EXPERTO ARTIFICIAL.
EXPERTO HUMANO
NO PERDURABLE DIFCIL DE TRANSFERIR
EXPERTO ARTIFICIAL
PERMANENTE FCIL
DIFCIL DE DOCUMENTAR IMPREDECIBLE CARO CREATIVO ADAPTATIVO EXPERIENCIA PERSONAL ENFOQUE AMPLIO CONOCIMIENTO DEL SENTIDOCOMN
FCIL CONSISTENTE ALCANZABLE NO INSPIRADO NECESITA SER ENSEADO ENTRADASIMBLICA ENFOQUE CERRADO CONOCIMIENTOTCNICO
*. Sistema experto contra sistema clsico.
Sistema Clsico Conocimiento y procesamiento combinados en un programa No contiene errores
Sistema Experto Base de conocimiento separada del mecanismo de procesamiento Puede contener errores
No da explicaciones, los datos slo se Una parte del sistema experto consiste usan o escriben en el mdulo de explicacin Los cambios son tediosos El sistema slo opera completo Se ejecuta paso a paso Necesita informacin completa para operar Representa y usa datos Los cambios en las reglas son fciles El sistema puede funcionar con pocas reglas La ejecucin usa heursticas y lgica Puede operar con informacin incompleta Representa y usa conocimiento
Pgina 22
2.4 DESARROLLO DE LOS SISTEMAS EXPERTOS. Para desarrollar el software primero conocemos el equipo de gente necesario, despus los mtodos que y utiliza ese equipo de gente y por ultimo como prueban y construyen prototipos de software para terminar en el sistema final.
1. Equipos de Desarrollo
1.1 Expertos 1.2 El ingeniero del conocimiento 1.3 El usuario 2. Mtodos auxiliares en el desarrollo
La eficiencia en la creacin de sistemas expertos puede aumentarse en gran medida con la aplicacin de shells. Un shell es un sistema experto que contiene una base de conocimientos vaca. Existe el mecanismo de inferencia, el componente explicativo y a veces tambin la interfaz del usuario. 3. Construccin de Prototipos. a implantacin de un prototipo de sistema experto que le permite llevar a cabo las funciones mas importantes de ste, aunque con esfuerzo de desarrollo considerablemente inferior al de una implementacin convencional. Este proceder se define bajo el nombre de rapid prototyping.
Pgina 23
2.5 SISTEMAS EXPERTOS UTILIZADOS EN EL MUNDO
DENDRAL: Es capaz de calcular o descubrir hechos relativos a las estructuras moleculares a partir de unos datos qumicos sin elaborar. MYCIN: el mas famoso de todos, diagnostica infecciones en la sangre y meningitis y adems sugiere el tratamiento que se debe seguir en cada caso. PUFF: el hermano menor de MYCIN, que diagnostica y trata enfermedades del pulmn. MOLGENO: ayuda a los bilogos que trabajan en el campo del DNA y la ingeniera gentica. PROGRAMMERS APPRENTICE: Se trata de un sistema que ayuda a la escritura de programas. EURISKO: Sistema experto capaz de aprender a medida que funciona, que crea circuitos micro elctricos GENESIS: Permite a los cientficos planificar y simular experimentos en el campo de la unin de genes EXPERT SYSTEMAS TO COMBAT INETRNATIONAL TERRORRISM: Ayuda a los expertos a la escritura de programas TWIRL: Simulaciones de guerras completas y guia de mejores acciones posibles a realizar, en casi todas las situaciones. RI: Programa utilizado para el descubrimiento de yacimientos petrolferos bajo aguas marinas.
FIGURA N4 Estacin espacial
Pgina 24
CAPITULO IV
3.1 CATEGORIAS DE INTELIGENCIA ARTIFICIAL. 1) Primera categora: Planteada por los expertos Sistemas que piensan como humanos se encuentra una definicin realizada por Haugeland (1995) en la cual plantea a la Inteligencia Artificial como la interesante tarea de lograr que las computadoras piensen... mquinas con mente, en su amplio sentido literal. 2) Segunda categora: Sistemas que actan como humanos se puede encontrar la definicin de Kurzweil (1990) definiendo a la Inteligencia Artificial como El arte de crear mquinas con capacidad de realizar funciones que realizadas por personas requieren de inteligencia. El World Trade Center estar equipado con Inteligencia Artificial Definicin de perseverancia: concepto y significado perseverante 'Accelerando', de Charles Stross 3) Tercera Categora: La tercera categora planteada es Sistemas que piensan racionalmente dentro de la cual se encuentran definiciones como El estudio de las facultades mentales mediante el uso de modelos computacionales planteada por Charniak y McDermott en 1985. 4) Cuarta categora: Dentro de la ltima categora Sistemas que actan racionalmente se encuentra la definicin de Schalkoff en 1990 que conceptualiza a la Inteligencia Artificial como Un campo de estudio que se enfoca a la explicacin y estimulacin de la conducta inteligente en funcin de procesos computacionales. Con ello estas cuatro categoras se llegan a considerar como posibles objetivos que la Inteligencia Artificial podra lograr, en cuanto a procesos mentales, razonamiento, conducta y eficiencia humana.
Pgina 25
3.2 ESCUELAS DE PENSAMIENTO. La Inteligencia Artificial se divide en dos ramas con pensamiento variado que son la Inteligencia Artificial Convencional y la Inteligencia Artificial de Cmputos. La Inteligencia Artificial Convencional envuelve mayormente mtodos que estn clasificados como de aprendizaje de las computadoras. Estas son estudiadas por los programadores de estos sistemas y se caracterizan por el estudio del anlisis estadstico y formal del comportamiento de los seres humanos. Este anlisis de comportamiento es lo que se le conoce como la inteligencia Artificial simblica, y lgica entre sus nombre mas comunes. Mtodos de hacer el anlisis de comportamiento incluye: Los sistemas expertos que tienen la capacidad de razonar y llegar a dar un a recomendacin sobre un problema en especifico. Estos sistemas son capaces de evaluar una gran variedad de informacin que tienen en conocimiento almacenado en su memoria. Dan alternativas y hasta llegan a brindar una conclusin basado en el razonamiento que el sistema realizo de la situacin en particular. Para lograr ser til el sistema tiene que tener informacin necesaria de antemano porque estas no se ajustan a las posibles caridades de cambio en un problema. Son especialista de una materia en particular y dan recomendacin como lo hara un profesional. Razonamiento Bsico sobre problemas en particular, aqu el sistema no llega a una conclusin final sino que estudia el problema y a medida que este se este resolviendo te da alternativas. Bsicamente durante el proceso del problema te va ayudando brindando opciones a seguir. Estudio del comportamiento del ser humano basado en la metodologa medular de la Inteligencia Artificial para construir a mano un sistema de Inteligencia Artificial. Es decir el no utilizar otros sistemas para crear un sistema de Inteligencia Artificial, sino que ser creado a manera convencional con ensamblaje y programacin por un especialista en la materia. La Inteligencia Computacional envuelve el desarrollo interactivo del sistema y/o el aprendizaje del sistema. Este aprendizaje se basa en data emprica que se asocia con la computacin del sistema de Inteligencia Artificial (programas introductorios) y el razonamiento matemtico simple de problemas. Se incluye ciertos mtodos como: Redes Neurales estos son sistemas que tienen la capacidad de reconocer patrones de data. A medida que pasa la informacin el sistema hace la lectura y busca un patrn que pueda reconocer. El defecto del sistema es que solo puede leer data que se reconozca y este en el sistema y no se ajusta a los cambios que puedan ocurrir. Sistemas Fuzzy estos son sistemas que contienen en sus comandos unas tcnicas que se utilizan para razonar de acuerdo a la incertidumbre del problema (se ajusta o reacciona). Actualmente es bien utilizado en la industria moderna en especial en los sistemas de control de productos al consumidor.
Pgina 26
CAPITULO V
4.1 REDES NEURONALES Las Redes Neuronales Artificiales (ANNs de Artificial Neural Networks) fueron originalmente una simulacin abstracta de los sistemas nerviosos biolgicos, formados por un conjunto de unidades llamadas "neuronas" o "nodos" conectadas unas con otras. Estas conexiones tienen una gran semejanza con las dendrtas y los axones en los sistemas nerviosos biolgicos. El Primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts en trminos de un modelo computacional de "actividad nerviosa". El modelo de McCulloch-Pitts es un modelo binario, y cada neurona tiene un escaln o umbral prefijado. Este primer modelo sirvi de ejemplo para los modelos posteriores de Jhon Von Neumann, Marvin Minsky, Frank Rosenblatt, y muchos otros. Una primera clasificacin de los modelos de ANNs podra ser, atendiendo a su similitud con la realidad biolgica: Los modelos de tipo biolgico. Este comprende las redes que tratan de simular los sistemas neuronales biolgicos as como las funciones auditivas o algunas funciones bsicas de la visin. El modelo dirigido a aplicacin. Estos modelos no tienen por qu guardar similitud con los sistemas biolgicos. Sus arquitecturas estn fuertemente ligadas a las necesidades de las aplicaciones para las que son diseados. Redes Neuronales de tipo Biolgico Se estima que el cerebro humano contiene ms de cien mil millones () de neuronas y sinapsis en el sistema nervioso humano. Estudios sobre la anatoma del cerebro humano concluyen que hay ms de 1000 sinapsis a la entrada y a la salida de cada neurona. Es importante notar que aunque el tiempo de conmutacin de la neurona ( unos pocos milisegundos) es casi un milln de veces menor que en las actuales elementos de las computadoras, ellas tienen una conectividad miles de veces superior que las actuales supercomputadoras.
Pgina 27
A. Redes Neuronales para aplicaciones concretas.
Las ANNs dirigidas a aplicacin estn en general poco ligadas a las redes neuronales biolgicas. Ya que el conocimiento que se posee sobre el sistema nervioso en general no es completo, se han de definir otras funcionalidades y estructuras de conexin distintas a las vistas desde la perspectiva biolgica. Las caractersticas principales de este tipo de ANNs son los siguientes: 1. Auto Organizacin y Adaptabilidad: utilizan algoritmos de aprendizaje adaptativo y auto organizacin, por lo que ofrecen posibilidades de procesado robusto y adaptativo (vase entrenamiento adaptativo y redes auto organizativas). 2. Procesado No Lineal: aumenta la capacidad de la red de aproximar, clasificar y su inmunidad frente al ruido. 3. Procesado paralelo: normalmente se usa un gran nmero de clulas de procesado por el alto nivel de interconectividad. Estas caractersticas juegan un importante papel en las ANNs aplicadas al procesado de seal e imagen. Una red para una determinada aplicacin presenta una arquitectura muy concreta, que comprende elementos de procesado adaptativo masivo paralelo combinadas con estructuras de interconexin de red jerrquica. B. Taxonoma de las Redes Neuronales. Existen dos fases en toda aplicacin de las redes neuronales: la fase de aprendizaje o entrenamiento y la fase de prueba. En la fase de entrenamiento, se usa un conjunto de datos o patrones de entrenamiento para determinar los pesos (parmetros de diseo) que definen el modelo neuronal. Una vez entrenado este modelo, se usar en la llamada fase de prueba o funcionamiento directo, en la que se procesan los patrones de prueba que constituyen la entrada habitual de la red, analizndose de esta manera las prestaciones definitivas de la red.
Fase de Prueba: los parmetros de diseo de la red neuronal se han obtenido a partir de unos patrones representativos de las entradas que se denominan patrones de entrenamiento. Los resultados pueden ser tanto calculados de una vez como adaptados interactivamente, segn el tipo de red neuronal, y en funcin de las ecuaciones dinmicas de prueba. una vez calculados los pesos de la red, los valores de la neuronas de la ltima capa, se comparan con la salida deseada para determinar la validez del diseo.
Pgina 28
Fase de Aprendizaje: una caracterstica de las redes neuronales es su capacidad de aprender. Aprenden por la actualizacin o cambio de los pesos sinpticos que caracterizan a las conexiones. Los pesos son adaptados de acuerdo a la informacin extrada de los patrones de entrenamiento nuevos que se van presentando. Normalmente, los pesos ptimos se obtienen optimizando (minimizando o maximizando) alguna "funcin de energa". Por ejemplo, un criterio popular en el entrenamiento supervisado es minimizar el least-square-error (error cuadrtico medio) entre el valor del maestro y el valor de salida actual.
Las aplicaciones del mundo real deben acometer dos tipos diferentes de requisitos en el procesado. En un caso, se requiere la prueba en tiempo real pero el entrenamiento ha de realizarse "fuera de linea". En otras ocasiones, se requieren las dos procesos, el de prueba y el de entrenamiento en tiempo real. Estos dos requisitos implican velocidades de proceso muy diferentes, que afectan a los algoritmos y hardware usados. Atendiendo al tipo de entrenamiento, una posible taxonoma de las redes neuronales es:
Redes Neuronales
Fijo Red de Hamming Red de Hopfield No supervisado Mapa de caractersticas Aprendizaje competitivo Supervisado Basadas en decisin Perceptrn ADALINE (LMS) Perceptrn Multicapa Modelos Temporales Dinmicos Modelos Ocultos de Marcov
C. Redes Neuronales Supervisadas y no Supervisadas. Las redes neuronales se clasifican comnmente en trminos de sus correspondientes algoritmos o mtodos de entrena miento: redes de pesos fijos, redes no supervisadas, y redes de entrenamiento supervisado. Para las redes de pesos fijos no existe ningn tipo de entrenamiento.
Pgina 29
Reglas de entrenamiento Supervisado Las redes de entrenamiento supervisado han sido los modelos de redes ms desarrolladas desde inicios de estos diseos. Los datos para el entrenamiento estn constituidos por varios pares de patrones de entrenamiento de entrada y de salida. El hecho de conocer la salida implica que el entrenamiento se beneficia la supervisin de un maestro. Dado un nuevo patrn de entrenamiento, por ejemplo, (m+1)-simo, los pesos sern adaptados de la siguiente forma:
Reglas de entrenamiento No Supervisado Para los modelos de entrenamiento No Supervisado, el conjunto de datos de entrenamiento consiste slo en los patrones de entrada. Por lo tanto, la red es entrenada sin el beneficio de un maestro. La red aprende a adaptarse basada en las experiencias recogidas de los patrones de entrenamiento anteriores. Ejemplos tpicos: son La Regla de Aprendizaje de Hebb, y la Regla de Aprendizaje Competitiva. Un ejemplo del primero consiste en reforzar el peso que conecta dos nodos que se excitan simultneamente. Como ejemplo de aprendizaje competitivo, si un patrn nuevo se determina que pertenece a una clase reconocida previamente, entonces la inclusin de este nuevo patrn a esta clase matizar la representacin de la misma. Si el patrn de la entrada se determin que no pertenece a ninguna de las clases reconocidas anteriormente, entonces la estructura y los pesos de la NN sern ajustados para reconocer la nueva clase.
D. estructuras de las Redes Neuronales Artificiales Los aspectos ms caractersticos de las estructuras son la estructura de conexin, el tamao de la red y la eleccin entre ACON y OCON. Estructuras de conexin de atrs hacia delante Una red neuronal se determina por la neurona y la matriz de pesos. El comportamiento de la red depende en gran medida del comportamiento de la matriz de pesos. Hay tres tipos de capas de neuronas: la de entrada, las ocultas y la de salida. Entre dos capas de neuronas existe una red de pesos de conexin, que puede ser de los siguientes tipos: Hacia delante, hacia atrs, lateral y de retardo.
Pgina 30
1. Conexiones hacia delante: para todos los modelos neuronales, los datos de las neuronas de una capa inferior son propagados hacia las neuronas de la capa superior por medio de las redes de conexiones hacia adelante. 2. Conexiones hacia atrs: estas conexiones llevan los datos de las neuronas de una capa superior a otras de la capa inferior. 3. Conexiones laterales. Un ejemplo tpico de este tipo es el circuito "el ganador toma todo" (winner-takes-all), que cumple un papel importante en la eleccin del ganador. 4. Conexiones con retardo: los elementos de retardo se incorporan en las conexiones para implementar modelos dinmicos y temporales, es decir, modelos que precisan de memoria.
Las conexiones sinpticas pueden ser total o parcialmente interconectadas, como muestra la figura. Tambin es posible que las redes sean de una capa con el modelo de pesos hacia atrs o bien el modelo multicapa hacia adelante. Es posible as mismo, el conectar varias redes de una sola capa para dar lugar a redes ms grandes. E. Tamao de las Redes Neuronales En una red multicapa de propagacin hacia delante, puede haber una o ms capas ocultas entre las capas de entrada y salida. El tamao de las redes depende del nmero de capas y del nmero de neuronas ocultas por capa.
Nmero de capas: en una red multicapa, hay una o ms capas de neuronas ocultas entre la entrada y la salida. El nmero de capas se cuenta a menudo a partir del nmero de capas de pesos (en vez de las capas de neuronas). Nmero de unidades ocultas: El nmero de unidades ocultas est directamente relacionado con las capacidades de la red. Para que el comportamiento de la red sea correcto (esto es, generalizacin), se tiene que determinar apropiadamente el nmero de neuronas de la capa oculta.
Pgina 31
CAPITULO VI
5.1 INTELIGENCIAS MULTIPLES EN LA IA Un psiclogo de Harvard llamado Howard Garden, sealo que nuestra cultura haba definido la inteligencia de manera muy estrecha y propuso en su libro " estructura de la mente", la existencia de por lo menos siete inteligencias bsicas:
Inteligencia lingstica: capacidad de usar las palabras de modo efectivo ( ya sea hablando, escribiendo, etc). Incluye la habilidad de manipular la sintaxis o escritura del lenguaje, la fontica o los sonidos del lenguaje, la semntica o significado de lenguaje o divisin, pragmtica o los husos prcticos. Inteligencia lgico matemtica: capacidad de usar los nmeros de manera efectiva y de razonar adecuadamente ( pensamiento vertical). Inteligencia espacial: la habilidad para percibir la manera exacta del mundo visual-espacial y de ejecutar transformaciones sobre esas percepciones (decorador, artistas, etc). Inteligencia corporal kintica: la capacidad para usar el cuerpo para expresar ideas y sentimientos y facilidad en el uso de las propias manos para producir o transformar cosas. Inteligencia musical: capacidad de percibir, discriminar, trasformar y expresar las formas musicales. Inteligencia interpersonal: la capacidad de percibir y establecer distinciones entre los estados de nimo, las intenciones, motivaciones, sentimientos, de otras personas. Inteligencia intrapersonal: el conocimiento de s mismo y la habilidad para adaptar las propias maneras de actuar a partir de ese conocimiento.
Ms all de la descripcin de las inteligencias y de sus fundamentos tericos hay ciertos aspectos que convienen destacar:

Cada persona posee varios tipos de inteligencias. La mayora de las personas pueden desarrollar cada inteligencia hasta un nivel adecuado de competencia. Las inteligencias por lo general trabajan juntas de manera compleja, sea, siempre interactan entre s para realizar la mayora de las tareas se precisan todas las inteligencias aunque en niveles diferentes hay muchas maneras de ser inteligentes en cada categora.
Pgina 32
Inteligencia emocional: existe una dimensin de la inteligencia personal que esta ampliamente mencionada aunque poco explorada en las elaboraciones de Gadner: el papel de las emociones. Daniel Goleman; toma este desafo y comienza a trabajar sobre el desarrollo de Gadner llevando a un plano ms pragmtico y centrado en las emociones como foco de la inteligencia.
FIGUA N 5 Microprocesador relacionad con las inteligencias
5.2 LGICA PROPOSICIONAL. La lgica proposicional es la ms antigua y simple de las formas de lgica. Utilizando una representacin primitiva del lenguaje, permite representar y manipular aserciones sobre el mundo que nos rodea. La lgica proposicional permite el razonamiento a travs de un mecanismo que primero evala sentencias simples y luego sentencias complejas, formadas mediante el uso de conectivos proposicionales, por ejemplo Y (AND), O (OR). Este mecanismo determina la veracidad de una sentencia compleja, analizando los valores de veracidad asignados a las sentencias simples que la conforman. La lgica proposicional permite la asignacin de un valor verdadero o falso para la sentencia completa, pero no tiene la facilidad de analizar las palabras individuales que componen la sentencia. La principal debilidad de la lgica proposicional es su limitada habilidad para expresar conocimiento.
Pgina 33
5.3 LGICA DE PREDICADOS. Existen varias sentencias complejas que pierden mucho de su significado cuando se les representa en lgica proposicional. Por esto se desarroll una forma lgica ms general, capaz de representar todos los detalles expresados en las sentencias, esta es la lgica de predicados. La lgica de predicados est basada en la idea de que las sentencias realmente expresan relaciones entre objetos, as como tambin cualidades y atributos de tales objetos. Los objetos pueden ser personas, objetos fsicos, o conceptos. Tales cualidades, relaciones o atributos, se denominan predicados. Los objetos se conocen como argumentos o trminos del predicado. Al igual que las proposiciones, los predicados tienen un valor de veracidad, pero a diferencia de las proposiciones, su valor de veracidad, depende de sus trminos. Es decir, un predicado puede ser verdadero para un conjunto de trminos, pero falso para otro.
5.4 ALGORITMOS. Cuando una tarea se realiza por medio de un algoritmo perfectamente definido de almacenamiento, clasificacin o clculo, lo puede hacer un computador. Este concepto de algoritmo, secuencial, fijo y de determinadas operaciones, es incapaz de manejar problemas donde el camino del razonamiento es variable y donde deben afrontarse situaciones diversas sin haber sido especificadas. La Inteligencia Artificial hace uso de un tipo de lenguaje diferente como es el caso de LISP y PROLOG. En 1932, Cannon visualiz la evolucin natural como un proceso de aprendizaje. Alan Turing reconoci, en 1950, que debe haber una conexin obvia entre el aprendizaje de mquina y la evolucin, y seal que se podran desarrollar programas para jugar ajedrez usando esta tcnica. Campbell conjetur en 1960 que en todos los procesos que llevan a la expansin del conocimiento, se involucra un proceso ciego de variacin y supervivencia selectiva. Los primeros intentos de aplicar de manera formal la teora de la evolucin, a problemas prcticos de ingeniera, apareci en las reas de control de procesos estadsticos, aprendizaje de mquina y optimizacin de funciones. Tal vez el primer intento serio de este tipo se dio en el trabajo que realizaron Box y sus colegas en 1957, en el desarrollo de una tcnica que denominaron operacin evolutiva, la cual se aplic a una planta de manufactura, y que se implanto sobre la base de los votos de un comit de jefes tcnicos. Bajo este esquema, la calidad del producto avanzaba a travs de mutaciones aleatorias y la seleccin era determinada por el comit. Por su parte, Friedberg intent, en 1958, hacer que un programa en lenguaje mquina se mejorara a s mismo, seleccionando instrucciones que se asociaran ms frecuentemente con un resultado exitoso. Aunque Friedberg nunca mencion explcitamente estar simulando la evolucin natural, esa es la interpretacin ms
Pgina 34
comnmente aceptada de su trabajo, y a pesar de que tuvo cierto xito evolucionando manipuladores de bits y determinando las interconexiones de una caja negra de 1400 terminales, la comunidad de Inteligencia Artificial de la poca prest poca atencin a su trabajo. Por ejemplo, Minsky lo critic duramente, argumentando que una bsqueda puramente aleatoria era mucho mejor que el algoritmo de Friedberg. El trabajo de Bremermann, en 1958, se enfoc ms a la optimizacin, introduciendo el importante manejo de un valor de aptitud, y definiendo a un individuo como una cadena de smbolos binarios (unos y ceros). Bremermann advirti, acertadamente, que la mutacin jugaba un papel importante en la evolucin, pues impeda el estancamiento en mnimos locales. Aunque muchas de sus ideas se usan hoy en da, Bremermann cometi el error de tratar de optimizar funciones lineales y convexas, obteniendo resultados decepcionantes, pues sus algoritmos evolutivos tenan que ser complementados con otras heursticas para converger en una solucin. Hoy sabemos que los algoritmos evolutivos difcilmente pueden competir con las tcnicas tradicionales de optimizacin en esos dominios. Barricelli ofreci, en 1954, una de las primeras simulaciones que usaba principios evolutivos, utilizando los mismos procedimientos generales que se usan hoy en da en la disciplina conocida como vida artificial. Sin embargo, en este trabajo, as como el que Reed realiz posteriormente en 1967, se concluy que la cruza no pareca mejorar la velocidad de la adaptacin selectiva, y el operador primordial era la mutacin. Fue Fogel el que introdujo la primera tcnica evolutiva que realmente funcion ms o menos dentro de los lineamientos actuales de la computacin evolutiva. Su programacin evolutiva consista en hacer evolucionar autmatas de estados finitos por medio de mutaciones. Fogel introdujo los importantes conceptos de poblacin y seleccin, y aunque las revisiones iniciales de su trabajo fueron favorables, algunos investigadores, como Solomonoff, enfatizaron que el mtodo de Fogel no deba verse en su estado actual (en 1966) como algo particularmente til para resolver problemas, a excepcin de los ms simples posibles. Solomonoff vio a la programacin evolutiva como una especie de bsqueda escalando la colina modelada mediante autmatas, y otros investigadores como Holland, Kieras, Rada y Lenat compartieron esa opinin.
Pgina 35
5.5 SISTEMAS COMPUTARIZADOS PUEDEN SER. a) Inteligencia Artificial dbil.

Primero, la separacin del conocimiento y el modo en que es usado. Segundo, la naturaleza del conocimiento empleado (heurstica antes que
algortmica).
Tercero, El uso de conocimiento especfico de un determinado dominio.
b) Las caractersticas principales son: Amplia difusin del conocimiento Fcil modificacin Respuestas coherentes Disponibilidad casi completa Conservacin del conocimiento Capacidad de resolver problemas disponiendo de informacin incompleta Capacidad de explicar los resultados y la forma de obtenerlos
C) Los principales problemas asociados a este mtodo son:
Las soluciones no siempre son las mejores o correctas Conocimiento limitado frente al dominio de un experto Carecen del sentido comn o criterio que puede tener un experto Es difcil extraer todo el conocimiento que maneja un experto.
Pgina 36
CAPITULO VII
5.1 APLICACIONES DE LA INTELIGENCIA ARTIFICIAL Y LAS TECNICAS QUE SE USAN.
1. Tcnicas bsicas, as llamadas por encontrarse a la base de diversas aplicaciones de IA. Entre otras se encuentran Bsqueda Heurstica de Soluciones, Representacin del Conocimiento, Deduccin Automtica, Programacin Simblica (LISP) y Redes Neuronales. Estas tcnicas son las bases de las aplicaciones. En su mayora, no necesita conocerla el usuario final, sino los profesionales que se dedican a su aplicacin y la generacin de aplicaciones comerciales.
2. Tecnologas, o combinaciones de varias tcnicas bsicas, orientadas a resolver familias de problemas. Las tecnologas son ms especializadas que las tcnicas bsicas y estn ms cerca de las aplicaciones finales. Se pueden mencionar a la Robtica y Visin, Lenguaje Natural, Sistemas Expertos
3. Clases o tipos de aplicaciones: Diagnstico, Prediccin (sistemas de autocontrol de reactores atmicos), Secuencia miento de operaciones ("Scheduling"), Diseo, Interpretacin de datos. Todas ellas son familias de problemas tipo. Por ejemplo, el diagnstico se refiere a encontrar las causas de fallas, ya sea que se trate de fallas en una lnea de produccin o de enfermedades en una persona.
4. Campos de aplicacin: Ingeniera, Medicina, Sistemas de Manufactura, Administracin, Apoyo a la Toma de Decisiones Gerenciales, etc. Todas caen dentro de las reas de los sistemas computacionales, pero que se consideran como clientes de la Inteligencia Artificial. Medicina, Economa, Psicologa, Finanzas, Derecho y prcticamente todas las ramas del conocimiento. Sus principales aplicaciones se dan en las gestiones empresariales debido a que: a) Casi todas las empresas disponen de un ordenador que realiza las funciones bsicas de tratamiento de la informacin: contabilidad general, decisiones financieras, gestin de la tesorera, planificacin, etc. b) Este trabajo implica manejar grandes volmenes de informacin y realizar operaciones numricas para despus tomar decisiones. Esto crea un terreno ideal para la implantacin de los SE.
Pgina 37
Adems los SE tambin se aplican en la contabilidad en apartados como: Auditoria(es el campo en el que ms aplicaciones de SE se esta realizando) Fiscalidad, planificacin, anlisis financiero y la contabilidad financiera.
REAS DE APLICACIN: Los SE se aplican a una gran diversidad de campos y/o reas. A continuacin se listan algunas de las principales:

Militar Informtica Qumica Derecho Aeronutica Geologa Arqueologa Agricultura Electrnica Transporte Educacin Medicina Industria Finanzas y Gestin Telecomunicaciones
FIGURA N6 LA TEGNOLOGIA DE LA IA EN LA INDUSTRIA
Pgina 38
CONCLUSIONES
Dentro del mbito de las Ciencias de la Computacin la Inteligencia Artificial es una de las reas que causa mayor expectacin, incluso dentro de la sociedad en general, debido a que la bsqueda para comprender los mecanismos de la inteligencia, ha sido la piedra filosofal del trabajo de muchos cientficos por muchos aos y lo sigue siendo. Dentro de las reas de la Inteligencia Artificial lo que ms ha atrado, es el aprendizaje de mquinas, resultando vital el proceso de emular comportamientos inteligentes. Que un sistema pueda mejorar su comportamiento sobre la base de la experiencia que recoge al efectuar una tarea repetitiva y que adems, tenga una nocin de lo que es un error y que pueda evitarlo, resulta apasionante. Pueden los computadores aprender a resolver problemas a partir de ejemplos? No hace tanto tiempo esta pregunta bordeaba la ciencia ficcin, pero ahora es objeto de profundos y prometedores estudios. Las redes de neuronas formales son mquinas que poseen esta capacidad de aprendizaje. Son mquinas propuestas como modelos extremadamente simplificados del funcionamiento del cerebro que sienta las bases de un modelo colectivo, donde el sistema global presenta propiedades complejas que no pueden predecirse a partir del estudio individual de sus componentes. Los estudios tericos de redes de neuronas reflejan estos dos aspectos: el de la modelizacin de fenmenos cognitivos y el del desarrollo de aplicaciones. Por ejemplo para una mquina, la clasificacin de rostros, datos mdicos o reconocimiento de letras son tareas difciles, ms que para un ser humano. La mquina necesita del aprendizaje, donde el asunto consiste en adaptar los parmetros de un sistema, en este caso artificial, para obtener la respuesta deseada. Los mtodos tradicionales en Inteligencia Artificial que permitieron el desarrollo de los primeros sistemas expertos y otras aplicaciones, ha ido de la mano de los avances tecnolgicos y las fronteras se han ido expandiendo constantemente cada vez que un logro, considerado imposible en su momento, se vuelve posible gracias a los avances en todo el mundo, generando incluso una nueva mentalidad de trabajo que no reconoce fronteras fsicas ni polticas. Se entiende como un esfuerzo comn.
Pgina 39
DATOS BIBLIOGRAFICOS
1. http://lorenzocintron.tripod.com/id3.html
2. http://es.wikipedia.org/wiki/Inteligencia_artificial#La_inteligencia_artificial
3. http://fraba.galeon.com/inteligenciaart.htm
4. http://electiva5urg.blogspot.com/p/sistemas-expertos.html
5. http://html.rincondelvago.com/sistemas-expertos_1.html
6. . http://suite101.net/article/el-concepto-de-la-inteligencia-artificial-a26236#axzz2H1UnoW6y
7. edes de Neuronas y Clasificacin. Torres, Juan Manuel 8. Jackson, P. Introduction to Expert Systems Addison-Wesley, 1990.
9. WINOGRAD, T.A., FLORES, F. Understanding Computers and Cognition. Norwood, N.J. 1986
Pgina 40

Monogra FIA

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Monogra FIA

Transféré par

Droits d'auteur :

Formats disponibles

FACULTAD DE INGENIERA MECATRONICA

TRABAJO MONOGRAFICO DE INTELIGENCIA ARTIFICIAL

DOCENTE: TRINIDAD CHVEZ NIO

ALUMNO: SOTO VALQUI LUIS CDIGO: 1220684

Puede entender y utilizar el lenguaje y sus smbolos.

2.4 CARACTRISTICAS DE INTELIGENCIA ARTIFICIAL.

CAPITULO III SISTEMAS EXPERTOS

Figura N 1 Estructura de los sistemas expertos

Figura N2 Simulacin de un sistema experto

FIGURA N3 Robot detector en forma de aspiradora

*. DIFERENCIA ENTRE EXPERTO HUMANO Y EXPERTO ARTIFICIAL.

*. Sistema experto contra sistema clsico.

Sistema Clsico Conocimiento y procesamiento combinados en un programa No contiene errores

2.5 SISTEMAS EXPERTOS UTILIZADOS EN EL MUNDO

FIGURA N4 Estacin espacial

A. Redes Neuronales para aplicaciones concretas.

FIGUA N 5 Microprocesador relacionad con las inteligencias

5.5 SISTEMAS COMPUTARIZADOS PUEDEN SER. a) Inteligencia Artificial dbil.

C) Los principales problemas asociados a este mtodo son:

FIGURA N6 LA TEGNOLOGIA DE LA IA EN LA INDUSTRIA

Vous aimerez peut-être aussi