INTELIGENCIA ARTIFICIAL

NOMBRE: MARIA FERNANDA LOJERO

SANTILLAN

GRUPO: 4030

MATERIA: INFORMÁTICA

PROFERSOR: JOSÉ LUIS ALVARADO ECALANTE

CICLO ESCOLAR
2017 – 2018
INTELIGENCIA ARTIFICIAL

La inteligencia artificial, también llamada inteligencia computacional, es la inteligencia

exhibida por máquinas. En ciencias de la computación, una máquina «inteligente» ideal es
un agente racional flexible que percibe su entorno y lleva a cabo acciones que maximicen
sus posibilidades de éxito en algún objetivo o tarea. Coloquialmente, el término
inteligencia artificial se aplica cuando una máquina imita las funciones «cognitivas» que
los humanos asocian con otras mentes humanas, como por ejemplo: "aprender" y
"resolver problemas".
A medida que las máquinas se vuelven cada vez más capaces, tecnología que alguna
vez se pensó que requería de inteligencia se elimina de la definición.
Por ejemplo, el reconocimiento óptico de caracteres ya no se percibe como un ejemplo
de la "inteligencia artificial" habiéndose convertido en una tecnología común.Avances
tecnológicos todavía clasificados como inteligencia artificial son los sistemas capaces de
jugar ajedrez, GO y manejar por si mismos.
Según Tayekas (2007) la IA es una rama de las ciencias computacionales encargada de
estudiar modelos de cómputo capaces de realizar actividades propias de los seres
humanos en base a dos de sus características primordiales: el razonamiento y la
conducta.7
En 1956, John McCarthy acuñó la expresión «inteligencia artificial», y la definió como:
"...la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de
cómputo inteligenteS
Para Nils John Nilsson son cuatro los pilares básicos en los que se apoya la inteligencia
artificial:

 Búsqueda del estado requerido en el conjunto de los estados producidos por las
acciones posibles.
 Algoritmos genéticos
 Redes neuronales artificiales
 Razonamiento mediante una lógica formal análogo al pensamiento abstracto humano.
También existen distintos tipos de percepciones y acciones, que pueden ser obtenidas y
producidas, respectivamente, por sensores físicos y sensores mecánicos en máquinas,
pulsos eléctricos u ópticos en computadoras, tanto como por entradas y salidas de bits de
un software y su entorno software.
Varios ejemplos se encuentran en el área de control de sistemas, planificación
automática, la habilidad de responder a diagnósticos y a consultas de los
consumidores, reconocimiento de escritura, reconocimiento del habla y reconocimiento de
patrones.
Los sistemas actualmente son parte de la rutina en campos
como economía, medicina, ingeniería y la milicia, y se ha usado en gran variedad de
aplicaciones de software, juegos de estrategia, como ajedrez de computador, y
otros videojuegos.

Inteligencia artificial convencional

Se conoce también como IA simbólico-deductiva. Está basada en el análisis formal y
estadístico del comportamiento humano ante diferentes problemas:
 Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven
ciertos problemas concretos y, aparte de que son muy importantes, requieren de un
buen funcionamiento.
 Sistemas expertos: Infieren una solución a través del conocimiento previo del contexto
en que se aplica y ocupa de ciertas reglas o relaciones.
 Redes bayesianas: Propone soluciones mediante inferencia probabilística.
 Inteligencia artificial basada en comportamientos: Esta inteligencia contiene
autonomía y puede auto-regularse y controlarse para mejorar.
 Smart process managemen: Facilita la toma de decisiones complejas, proponiendo
una solución a un determinado problema al igual que lo haría un especialista en la
dicha actividad.

Inteligencia artificial computacional

La Inteligencia Computacional implica desarrollo o aprendizaje interactivo. El aprendizaje
se realiza basándose en datos empíricos.
El concepto de la es aún demasiado difuso. Contextualizando, y teniendo en cuenta un
punto de vista científico, podríamos definir esta ciencia como la encargada de imitar el
cerebro, que no el cuerpo, de una persona en todas sus funciones. Estas pueden ser las
ya existentes en el humano o bien otras novedosas e incorporadas en el desarrollo de
una máquina inteligente.
En relación a la conciencia y las emociones, y aunque por el momento la mayoría de los
investigadores en el ámbito de la Inteligencia Artificial se centran sólo en el aspecto
racional, hay expertos que consideran seriamente la posibilidad de incorporar
componentes «emotivos» como indicadores de estado, a fin de aumentar la eficacia de
los sistemas inteligentes en determinadas situaciones.
A diferencia de los humanos, hay términos que la Inteligencia Artificial no puede
comprender o entender conceptos humanos como el amor, el matrimonio, el sentido de la
vida, el libre albedrío el cariño o las emociones humanas
Particularmente, en el caso de los robots móviles, es necesario que estos cuenten con
algo similar a las emociones con el objeto de saber –en cada instante y como mínimo–
qué hacer a continuación Al tener sentimientos y, al menos potencialmente, motivaciones,
podrán actuar de acuerdo con sus intenciones. Así, se podría equipar a un robot con
dispositivos que controlen su medio interno; por ejemplo, que «sientan hambre» al
detectar que su nivel de energía está descendiendo o que «sientan miedo» cuando este
esté demasiado bajo.
Esta señal podría interrumpir los procesos de alto nivel y obligar al robot a conseguir el
preciado elemento Incluso se podría introducir el dolor o el sufrimiento físico, a fin de
evitar las torpezas de funcionamiento como, por ejemplo, introducir la mano dentro de una
cadena de engranajes o saltar desde una cierta altura, lo cual le provocaría daños
irreparables.
Esto significa que los sistemas inteligentes deben ser dotados con mecanismos
de retroalimentación que les permitan tener conocimiento de estados internos, igual que
sucede con los humanos que disponen de propiocepción, intercepción, nocicepción,
etcétera. Esto es fundamental tanto para tomar decisiones como para conservar su propia
integridad y seguridad. La retroalimentación en sistemas está particularmente
desarrollada en cibernética: por ejemplo, en el cambio de dirección y velocidad autónomo
de un misil, utilizando como parámetro la posición en cada instante en relación al objetivo
que debe alcanzar. Esto debe ser diferenciado del conocimiento que un sistema o
programa computacional puede tener de sus estados internos, por ejemplo la cantidad de
ciclos cumplidos en un loop o bucle en sentencias tipo do for o la cantidad de memoria
disponible para una operación determinada.
A los sistemas inteligentes el no tener en cuenta elementos emocionales les permite no
olvidar la meta que deben alcanzar. En los humanos el olvido de la meta o el abandonar
las metas por perturbaciones emocionales es un problema que en algunos casos llega a
ser incapacitante. Los sistemas inteligentes, al combinar una memoria durable, una
asignación de metas o motivación, junto a la toma de decisiones y asignación de
prioridades con base en estados actuales y estados meta, logran un comportamiento en
extremo eficiente, especialmente ante problemas complejos y peligrosos.

Las técnicas desarrolladas en el campo de la inteligencia artificial son numerosas y

ubicuas. Comúnmente cuando un problema es resuelto mediante inteligencia artificial la
solución es incorporada en ámbitos de la industria y de la vida diaria de los usuarios de
programas de computadora, pero la percepción popular se olvida de los orígenes de estas
tecnologías que dejan de ser percibidas como inteligencia artificial. A este fenómeno se le
conoce como el efecto IA.
Las redes neuronales (también conocidas como sistemas conexionistas son un modelo
computacional basado en un gran conjunto de unidades neuronales simples neuronas
artificiales, de forma aproximadamente análoga al comportamiento observado en los
axones de las neuronas en los cerebros biológicos. Cada unidad neuronal está conectada
con muchas otras y los enlaces entre ellas pueden incrementar o inhibir el estado de
activación de las neuronas adyacentes. Cada unidad neuronal, de forma individual, opera
empleando funciones de suma. Puede existir una función limitadora o umbral en cada
conexión y en la propia unidad, de tal modo que la señal debe sobrepasar un límite antes
de propagarse a otra neurona. Estos sistemas aprenden y se forman a sí mismos, en
lugar de ser programados de forma explícita, y sobresalen en áreas donde la detección de
soluciones o características es difícil de expresar con la programación convencional.
Las redes neuronales suelen consistir en varias capas o un diseño de cubo, y la ruta de la
señal atraviesa de adelante hacia atrás. Propagación hacia atrás es donde se utiliza la
estimulación hacia adelante o en el "frente" para restablecer los pesos de las unidades
neuronales y esto a veces se realiza en combinación con una formación en la que se
conoce el resultado correcto. Las redes modernas son un poco más libres en el sentido de
que fluye en términos de estimulación e inhibición con conexiones que interactúan de una
manera mucho más caótica y compleja. Las redes neuronales dinámicas son lo más
avanzadas en que se pueden formar dinámicamente nuevas conexiones e incluso nuevas
unidades neuronales.
El objetivo de la red neuronal es resolver los problemas de la misma manera que el
cerebro humano, aunque las redes neuronales son más abstractas. Los proyectos de
redes neurales modernas suelen trabajar desde unos miles a unos pocos millones de
unidades neuronales y millones de conexiones que, si bien son muchas órdenes, siguen
siendo de una magnitud menos compleja que la del cerebro humano, más bien cercana a
la potencia de cálculo de un gusano.
Nuevas investigaciones sobre el cerebro a menudo estimulan nuevos patrones en las
redes neuronales. Un nuevo enfoque está utilizando conexiones que se extienden mucho
más allá y capas de procesamiento de enlace en lugar de estar siempre localizado en las
neuronas adyacentes. Otra investigación está estudiando los diferentes tipos de señal en
el tiempo que los axones se propagan, como el aprendizaje profundo , interpola una
mayor complejidad que un conjunto de variables booleanas que son simplemente
encendido o apagado.
Las redes neuronales se basan en los números reales, con el valor del núcleo y del axón
siendo típicamente una representación entre 0,0 y 1.Un aspecto interesante de estos
sistemas es que son impredecibles en su éxito con el auto-aprendizaje. Después del
entrenamiento, algunos se convierten en grandes solucionadores de problemas y otros no
funcionan tan bien. Con el fin de capacitarlos, se necesitan varios miles de ciclos de
iteración.
Las redes neuronales se han utilizado para resolver una amplia variedad de tareas,
como la visión por computador y el reconocimiento de voz, que son difíciles de resolver
usando la ordinaria programación basado en reglas.
Históricamente, el uso de modelos de redes neuronales marcó un cambio de dirección a
finales de los años ochenta de alto nivel, que se caracteriza por sistemas expertos con
conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje
automático , caracterizado por el conocimiento incorporado en los parámetros de
un modelo cognitivo con algún sistema dinámico .