Vous êtes sur la page 1sur 7

1. Fundamentos de la Inteligencia Artificial.

-La Inteligencia Artificial es la parte de las Ciencias de la


Computación que se ocupa del diseño de sistemas de computación
inteligentes, esto es, sistemas que exhiben las características que
asociamos con la inteligencia en el comportamiento humano. (Barr y
Feigembaum).

-La Inteligencia Artificial es el estudio de cómo hacer que las


computadoras hagan cosas que hasta el momento, los humanos
hacen mejor. (Rich y Knight).

-La inteligencia artificial (IA) es una disciplina científica que nació


oficialmente en 1956 en el Dartmouth College, en Hanover (Estados
Unidos), durante un curso de verano organizado por cuatro
investigadores estadounidenses: John McCarthy, Marvin Minsky,
Nathaniel Rochester y Claude Shannon. Desde entonces, la expresión
“inteligencia artificial”, que al principio fue inventada probablemente
para llamar la atención, se ha vuelto tan popular que hoy en día todos
saben de qué se trata. Este componente de la informática ha crecido
de forma constante con el paso del tiempo y las tecnologías que de
ella se derivan han contribuido en gran medida a transformar el mundo
durante los últimos sesenta años.

-En su definición, inteligencia artificial es programa de computación


diseñado para realizar determinadas operaciones que se consideran
propias de la inteligencia humana, como el auto-aprendizaje; tiene sus
fundamentos en las siguientes áreas de conocimiento:

 Filosofía:
 Matemáticas
 Economía
 Neurociencia
 Psicología
 Ingeniería Computacional
 Teoría de Control y la Cibernética
 Lingüística
2. Problemas de la Inteligencia Artificial.

-Desde que fuera inventado por John McCarthy en el famoso congreso


de Dartmouth, el término “Inteligencia Artificial” no ha cesado de
provocar reacciones dispares y muy intensas, tanto en el mundo
científico como en el “profano”. Cuando pronunciamos ambas
palabras, evocamos de pronto imágenes pertenecientes al mundo de
la ciencia-ficción, recreamos seres metálicos que emulan la conducta
humana o llegamos incluso a considerar la hipótesis de que nuestra
lavadora “piense”. No hay, posiblemente, un área de conocimiento tan
variada en sus propósitos como tan diferente en la seriedad de las
personas que en ella pretenden crear “episteme” (que viene del griego
Ciencia o Conocimiento).

-En un principio, la I.A. pretende simular la inteligencia humana,


descubrir los mecanismos de resolución de problemas que nos
permiten tener éxito en situaciones complejas, y un moderado
etcétera. Pero como en toda joven disciplina que se precie, la I.A. no
se libra de su “cisma”. Por un lado tenemos aquellos especialistas de
las ciencias de la información, de las matemáticas, de la psicología y
de todas las ciencias cognitivas en general que, con seriedad y
esmero, apoyan una visión llamada “I.A. débil”. Por otro lado tenemos
una lista más o menos abundante de científicos (algunos de ellos
prestigiosos y otros necesitados de fondos), que apoyan por el
contrario la así llamada “I.A. fuerte”.

-Existen tres grandes problemas que enfrenta la inteligencia artificial:


el primero de los problemas sería el volumen de datos, el segundo es
la limitación para las tareas múltiples y por último la compresión de sus
conclusiones.

El volumen de datos utilizados.

-Es bien conocida la necesidad de utilización de datos por parte de la


Inteligencia Artificial, para poder aprender sobre su entorno, pero
regularmente no se toma en cuenta la cantidad de datos que están
involucrados. La Inteligencia Artificial no solamente necesita de más
datos que el cerebro humano para poder comprender conceptos y
características, necesitan miles de veces más que los datos
requeridos por un humano.

Inteligencia artificial multitarea: una tarea pendiente

-La inteligencia humana es integral, puede desempeñar muchas


tareas, y ese es precisamente un fallo de la Inteligencia Artificial
desarrollada hasta ahora, ya que es aplicada a un área del
conocimiento o actividad específica. Una vez que un cerebro de
Inteligencia Artificial ha sido entrenado, puede ser altamente efectivo
para tareas como el reconocimiento de animales o para ser el rival
ideal en un videojuego, pero de acuerdo con Raia Hadsell, científico
de la división de Google DeepMind, no existe una red neuronal
artificial en el mundo capaz de hacer más de una tarea a la vez.

3. Definición del problema mediante una búsqueda en


un espacio de estados.

-Un problema de búsqueda se caracteriza por un estado inicial, una


serie de operadores o reglas llamadas producciones que permiten al
sistema pasar de un estado a otro y una condición de terminación. El
objetivo del proceso es llevar al sistema de su estado inicial a algún
estado final aplicando alguna secuencia de operadores.

-Recordemos que la mayoría de los problemas en inteligencia artificial,


involucran como tema central un proceso de búsqueda.

INTELIGENCIA ARTIFICIAL = REPRESENTACIÓN DE


CONOCIMIENTO+ BUSQUEDA.

-Para resolver problemas de búsqueda en espacios de estados, puede


merecer la pena mencionar, aunque sea de forma breve, cómo
podemos evaluar la eficiencia de estos algoritmos. Habitualmente, se
suelen usar los siguientes criterios de evaluación:

 Complejidad en tiempo: Se puede medir como el número de


veces que se aplica la función de transición que necesita el
algoritmo para encontrar la solución. En un contexto más amplio
suele medirse por medio del número de pasos que da un
algoritmo en su ejecución.

 Complejidad en espacio: Se mide por la cantidad de espacio


de almacenamiento necesario para encontrar la solución. En el
caso que estamos viendo lo podemos medir como el número de
estados que el algoritmo debe mantener en memoria para
encontrar la solución. Algunos algoritmos podrán "olvidar" los
estados por los que van pasando, mientras que otros necesitan
mantener una memoria con esos estados para poder volver atrás
en la búsqueda o saber por cuáles ha pasado.

 Completitud: Si existe una solución, ¿está garantizado por el


algoritmo que la encontraremos?

 Optimalidad: Si existen varias soluciones, ¿encuentra el


algoritmo la óptima? Esta optimalidad se mide respecto de
alguna medida, por ejemplo, la que está más cerca en número
de transformaciones para llegar desde el estado inicial, o la que
ha usado menos memoria.

4. Características de los
Sistemas de producción monótonos y no monótonos.

-Los sistemas de producción representan la forma más adecuada de


describir las operaciones que se llevan a cabo en la búsqueda de una
solución de un problema.

 Sistema de producción monótono: Es aquel en el que la


aplicación de una regla nunca prevé la posterior aplicación de
otra regla que podría haberse aplicado cuando se seleccionó la
primera.

 Sistema de producción no monótono: Es aquel en el que lo


anterior no es cierto.
 Sistema de producción parcialmente conmutativo: Es aquel
que tiene la propiedad de que si una determinada aplicación de
una secuencia de reglas transforma el estado X en el estado Y,
entonces alguna permutación permitida (p. ejemplo. Deben
satisfacerse las precondiciones de una regla para que pueda ser
aplicada) de estas reglas, también transforma el estado X en el
estado Y.

 Sistema de producción conmutativo: Es aquel que es a la vez


monótono y parcialmente conmutativo. La relevancia de esta
clasificación de los sistemas de producción estriba en la relación
que existe entre las categorías de los mismos y las estrategias
apropiadas de implementación.

 Los Sistemas Parcialmente conmutativos y los Monótonos


tienen las siguientes características en común: Son adecuados
para resolver problemas ignorables (un problema ignorable es
una formulación natural conduce a acciones que pueden
posteriormente ignorarse). Son adecuados para problemas que
implican la creación de nuevos objetos más que el cambio de los
viejos. Se utilizan procesos creativos (Demostración de
teoremas, Deducciones a partir de hechos conocidos). No
regresa hacia estados pasados cuando ha seguido un camino
incorrecto. La base de datos no se regenera.

 Los Sistemas Parcialmente conmutativos y no monótonos


tienen las siguientes características: Se adecuan a aquellos
problemas en los que se realizan cambios pero estos son
reversibles y en el que el orden de las operaciones no es crítico.
Son ideales para problemas de manipulación física Navegación
de robots.

 Los Sistemas no parcialmente conmutativos tiene las


siguientes características:
1. Son adecuados para muchos problemas en los que los
cambios son irreversibles (p. ejemplo. Compuestos
químicos).
2. Es menos probable que se llegue al mismo nodo varias
veces durante el proceso de búsqueda.

3. Es importante tomar las decisiones correctas desde la


primera vez.

5. Estado del arte (los últimos avances).

- El estado del arte, describe las investigaciones más recientes y


actuales que sobre un tema en específico se han realizado. En inglés
el Estate of de Art, se refiere a el conocimiento o tecnología de punta o
vanguardia; Y la característica de lo más reciente se refiere a los
últimos 10 años a partir de la fecha en la que inicia su elaboración
hacia atrás. En el caso específico en el que se escriben estas líneas,
por ejemplo, año 2011 y en el supuesto que iniciáramos la elaboración
del Estado del Arte de alguna investigación ´nuestro periodo de
indagación se delimitaría desde el 2000 al 2011. Pero, como es enero,
entonces hasta el 2010.

La descripción es un texto académico que expone sistemáticamente


los avances existentes acerca de un tema y es de carácter más
cualitativo, en el que se detallan los resultados y enfoques de las
investigaciones en torno al tema que cada investigación ha abonado al
tema de estudio de interés del investigador que elabora el estado del
arte. La descripción gira en torno esencial a cuatro elementos:

a) ¿Quién?: El investigador que desarrolló estudio.

b) ¿Cuándo?: El año en que se publicaron los resultados del estudio.


Aunque sabemos anticipadamente que el estudio debió de haber sido
desarrollado con anterioridad mínima a un año generalmente.

c) ¿Qué?: El objeto de estudio. Es aquí en donde se hace énfasis en


la descripción. No solo se dice el objeto de estudio, sino el enfoque,
los resultados de la investigación.
d) ¿Dónde?: El lugar en donde se realizó la investigación. Este es un
dato de referencia con varios propósitos: uno es para organizar la
información de lo macro a micro (de carácter internacional, nacional o
local); otro propósito es para saber la manera de establecer contacto
con el autor de la investigación si así fuera el deseo del investigador
que realiza el estado del arte; por ejemplo si es de la localidad puede
contactarlo de manera directa y cara a cara, si no tendrá que
establecer contacto por otros medios, ahora tenemos al alcance los
medios electrónicos para ello que recortan el tiempo de la
retroalimentación de un mensaje.