Marvin Minsky, en su publicación habla sobre el futuro que va a seguir la rama de

la inteligencia artificial, ya que realiza una serie de pasos que sirven para un mejor
procesamiento de la información respecto a las búsquedas en computadoras
convencionales que hacen por lo general back tracking, esto cuando se trata de
información pesada y de mucha capacidad por lo general los procesos llegan a ser
muy tardados, y tediosos a la hora de mostrar el resultado de la búsqueda
solicitada, esto se resume a que la heurística, busca la optimización de estos
procesos mediante el uso del back tracking. Cualquier programa heurístico
poderoso está destinado a contener una variedad de métodos y técnicas
diferentes. En cada paso del proceso de resolución de problemas, la máquina
tendrá que decidir en qué aspecto del problema trabajar y luego qué método usar.
Se debe hacer una elección, ya que generalmente no podemos permitirnos probar
todas las posibilidades.
La necesidad de elegir entre acciones nos obliga a proporcionar a la máquina
técnicas de clasificación o medios para evolucionarlas. Es de una importancia
abrumadora para la máquina contar con técnicas de clasificación, que son
realistas. Pero "realista" puede definirse solo con respecto a los entornos con los
que se encontrará la máquina, y con respecto a los métodos disponibles para ella.
No vale la pena reconocer las distinciones que no pueden ser explotadas. Y los
métodos generalmente no tienen valor sin los esquemas de clasificación que
pueden ayudar a decidir cuándo son aplicables.
Unos de los puntos a tratar en el problema del reconocimiento de patrones son los
requisitos teleológicos de clasificación, esto dice que los objetos agrupados en las
clasificaciones deben tener algo de valor heurístico en común.
Si bien es cierto que hablar de objetivos en algunos contextos puede orientarnos
hacia ciertos tipos de explicaciones animistas , esto no tiene por qué ser algo malo
en el campo de la resolución de problemas; es difícil ver cómo se pueden resolver
problemas sin tener en cuenta los propósitos. La verdadera dificultad con las
definiciones teleológicas es técnica, no filosófica, y surge cuando deben usarse y
no solo mencionarse. Obviamente, uno no puede darse el lujo de usar para la
clasificación un método que realmente requiere esperar algún resultado remoto, si
necesita la clasificación precisamente para decidir si probar ese método.

PATRONES Y DESCRIPCIONES
La estructura de los nombres tendrá una influencia crucial en el mundo mental de
la máquina, ya que determina qué tipo de cosas pueden pensarse
convenientemente. Hay una variedad de maneras de asignar nombres. Los
esquemas más simples usan lo que llamaremos nombres convencionales (o
propios) ; Aquí, los símbolos arbitrarios se asignan a las clases. Pero también
querremos usar descripciones complejas o nombres computados; Estos se
construyen para las clases mediante procesos que dependen de las definiciones de
clase.
Listas de propiedades y personajes:
Definimos una propiedad como una función de dos valores, que divide las figuras
en dos clases; se dice que una figura tiene o no la propiedad según si el valor de la
función es 1 o 0. Dado un número N de propiedades de distinción, podríamos
definir hasta 2 ** n subclases por sus intersecciones establecidas y, por lo tanto,
como muchos como 2 ** 2 ** n patrones combinando las propiedades con ANDs y
ORs.
Propiedades invariantes
supongamos que tenemos una función P de figuras, y supongamos que para una
figura dada F definimos [F] = { F1, F2. . .} para ser el conjunto de todas las cifras
equivalentes a F bajo el conjunto dado de transformaciones; además, defina P [F]
como el conjunto { P (F1), P (F2),. . .} de los valores de P en esas figuras.
Finalmente, defina P * [F] como MEDIA (P [F]).
La máquina recibe, al inicio, algunas transformaciones básicas A 1, ... A n , cada
una de las cuales transforma, de alguna manera significativa, cada figura en otra
figura. A1 podría, por ejemplo, eliminar todos los puntos que no estén en el límite
de una región sólida ; Un 2 podría dejar solo puntos de vértice; Un 3 podría llenar
regiones huecas, etc.
Combinando propiedades
El método más simple es definir, para cada clase, un "vector característico"
prototípico (una secuencia particular de valores de propiedad) y luego usar algún
procedimiento de comparación, por ejemplo, contando el número de acuerdos y
desacuerdos, para comparar un desconocido con estos elegidos prototipos

SISTEMAS DE APRENDIZAJE
Para resolver un nuevo problema, se utiliza lo que podría llamarse la heurística
básica de aprendizaje. Primero, utilice métodos similares a los que han funcionado,
en el pasado, en problemas similares. También queremos que nuestras máquinas
se beneficien de su experiencia pasada. Como no podemos esperar que las nuevas
situaciones sean exactamente iguales a las antiguas, cualquier aprendizaje útil
tendrá que involucrar técnicas de generalización. Hay demasiadas nociones
asociadas con el "aprendizaje" para justificar la definición precisa del término.
se utilizan herramientas de aprendizaje por ejemplo el Refuerzo
Un proceso de refuerzo es aquel en el que algunos aspectos del comportamiento
de un sistema se vuelven más (o menos) prominentes en el futuro como
consecuencia de la aplicación de un "operador de refuerzo" Z. Este operador debe
afectar solo a aquellos Aspectos del comportamiento para los que se han
producido casos recientemente.