Inteligencia artificial. Absolutamente todo!

Inteligencia artificial

Introduccin Historia y evolucin de la inteligencia artificial Caractersticas de la inteligencia artificial Funcionamiento bsico de la inteligencia artificial Funcionamientos generales de la inteligencia artificial La vida artificial Las redes neuronales Aplicaciones y proyectos La inteligencia artificial y el mundo La inteligencia artificial en la Argentina El cine y la inteligencia artificial Bibliografa Para ver el grfico seleccione la opcin Bajar trabajo del men superior

1. INTRODUCCIN

La finalidad de la inteligencia artificial consiste en crear teoras y modelos que muestren la organizacin y funcionamiento de la inteligencia. Actualmente, el mayor esfuerzo en la bsqueda de la inteligencia artificial se centra en el desarrollo de sistemas de procesamientos de datos que sean capaces de imitar a la inteligencia humana, realizando tareas que requieran aprendizaje, solucin de problemas y decisiones. A veces llamada inteligencia de mquina, la inteligencia artificial o AI (Artificial Intelligence) cubre una vasta gama de teoras y prcticas.

1.1 La base de la inteligencia artificial

La inteligencia artificial se basa en dos reas de estudio: el cuerpo humano y el ordenador electrnico. Puesto que la meta es copiar la inteligencia humana, es necesario entenderla. Sin embargo, a pesar de todos los progresos en Neurologa y Psicologa, la inteligencia del hombre se conoce poco, exceptuando sus manifestaciones externas. Muchos estudiosos de la inteligencia artificial se han vuelto para obtener su modelo de inteligencia hacia el estudio de la Psicologa cognoscitiva, que aborda la forma de percibir y pensar de los seres humanos.. Despus comprueban sus teoras programando los ordenadores para simular los procesos cognoscitivos en el modelo. Otros investigadores intentan obtener teoras generales de la inteligencia que sean aplicables a cualquier sistema de inteligencia y no solo al del ser humano.

1.2 Pueden pensar las mquinas?

En 1950 el matemtico ingls Alan M. Turing public un ensayo que comenzaba as: "Quiero proponer una pregunta: Pueden pensar las mquinas?." Como la pregunta era demasiado vaga (Qu entendemos por "pensar"?), Turing desarroll un experimento basado en un juego de saln en el que una persona formula a dos jugadores escondidos (un hombre y una mujer)

preguntas que le servirn para descubrir cul de los dos es la mujer. Turing propuso sustituir uno de los dos jugadores escondidos por una mquina inteligente capaz de conversar. Si el examinador, que se serva de un teletipo para comunicarse, no podan distinguir cul de los dos jugadores era la mquina, ello evidenciara segn Turing que la mquina poda pensar. En la actualidad, este experimento de Turing podra ser superado, en situaciones limitadas, por muchos programas de ordenador estudiados para dialogar con el usuario.

Investigaciones acerca de la inteligencia artificial realizadas en la Universidad de Yale (EE.UU.) han llevado al desarrollo de programas de ordenador mediante los cuales stos pueden aprender y razonar. Otros estudiosos de la inteligencia artificial estn poniendo a punto sistemas para dotar a los ordenadores de capacidad visual y auditiva. Una importante rea de investigacin es la del lenguaje normal, que permite a los ordenadores comunicarse mediante lenguaje humano en lugar de hacerlo en lenguaje de mquina. Es decir, la mayora de los ordenadores estn programados para recibir e interpretar instrucciones de este tipo: S#DYR=48-56, LOC=AS NOT SW, EN=RALSTON". nicamente personas preparadas son capaces de comunicarse eficazmente de esta forma. Pero si un ordenador programado para gestionar la documentacin de una compaa petrolfera pudiese entender la orden dactilografiada (traduccin de la anterior) "Encuntrame toda la documentacin relativa a las perforaciones de los pozos de Arabia Saudita entre 1948 y 1956, pero nicamente la de los pozos en que trabaj Ralston, no los de la zona surocciodental del pas", muchas personas podran utilizarlo.

1.3 Los fines de la IA

Las primeras investigaciones acerca de la inteligencia artificial estaban principalmente dirigidas al hallazgo de una tcnica universal para la solucin de problemas. Este intento a gran escala ha sido abandonado y las investigaciones actuales estn dirigidas al diseo de numerosos programas para ordenadores capaces de imitar los procesos de toma de decisiones de expertos, como mdicos, qumicos, basados en los conocimientos de especialistas en cada materia, son ahora utilizados para diagnosticar enfermedades, identificar molculas qumicas, localizar yacimientos de minerales e incluso disear sistemas de fabricacin. Investigaciones acerca de la percepcin han sido aplicadas a los robots y se han diseado algunos capaces de "ver". La meta final consiste en crear un sistema capaz de reproducir todas las facetas de la inteligencia humana.

2. HISTORIA Y EVOLUCIN DE LA INTELIGENCIA ARTIFICIAL

La Inteligencia Artificial "naci" en 1943 cuando Warren McCulloch y Walter Pitts propusieron un modelo de neurona del cerebro humano y animal. Estas neuronas nerviosas abstractas proporcionaron una representacin simblica de la actividad cerebral.

Ms adelante, Norbert Wiener elabor estas ideas junto con otras, dentro del mismo campo, que se llam "ciberntica"; de aqu nacera, sobre los aos 50, la Inteligencia Artificial.

Los primeros investigadores de esta innovadora ciencia, tomaron como base la neurona formalizada de McCulloch y postulaban que:

"El cerebro es un solucionador inteligente de problemas, de modo que imitemos al cerebro".

Pero si consideramos la enorme complejidad del mismo esto es ya prcticamente imposible, ni que mencionar que el hardware de la poca ni el software estaban a la altura para realizar semejantes proyectos.

Se comenz a considerar el pensamiento humano como una coordinacin de tareas simples relacionadas entre s mediante smbolos. Se llegara a la realizacin de lo que ellos consideraban como los fundamentos de la solucin inteligente de problemas, pero lo difcil estaba todava sin empezar, unir entre s estas actividades simples.

Es en los aos 50 cuando se logra realizar un sistema que tuvo cierto xito, se llam el Perceptrn de Rossenblatt. ste era un sistema visual de reconocimiento de patrones en el cual se asociaron esfuerzos para que se pudieran resolver una gama amplia de problemas, pero estas energas se diluyeron enseguida.

Fue en los aos 60 cuando Alan Newell y Herbert Simon, que trabajando la demostracin de teoremas y el ajedrez por ordenador logran crear un programa llamado GPS (General Problem Solver: solucionador general de problemas). ste era un sistema en el que el usuario defina un entorno en funcin de una serie de objetos y los operadores que se podan aplicar sobre ellos. Este programa era capaz de trabajar con las torres de Hanoi, as como con criptoaritmtica y otros problemas similares, operando, claro est, con microcosmos formalizados que representaban los parmetros dentro de los cuales se podan resolver problemas. Lo que no poda hacer el GPS era resolver problemas ni del mundo real, ni mdicos ni tomar decisiones importantes. El GPS manejaba reglas heursticas (aprender a partir de sus propios descubrimientos) que la conducan hasta el destino deseado mediante el mtodo del ensayo y el error. En los aos 70, un equipo de investigadores dirigido por Edward Feigenbaum comenz a elaborar un proyecto para resolver problemas de la vida cotidiana o que se centrara, al menos, en problemas ms concretos. As es como naci el sistema experto.

El primer sistema experto fue el denominado Dendral, un intrprete de espectrograma de masa construido en 1967, pero el ms influyente resultara ser el Mycin de 1974. El Mycin era capaz de diagnosticar trastornos en la sangre y recetar la correspondiente medicacin, todo un logro en aquella poca que incluso fueron utilizados en hospitales (como el Puff, variante de Mycin de uso comn en el Pacific Medical Center de San Francisco, EEUU).

Ya en los aos 80, se desarrollaron lenguajes especiales para utilizar con la Inteligencia Artificial, tales como el LISP o el PROLOG. Es en esta poca cuando se desarrollan sistemas expertos ms refinados, como por el ejemplo el EURISKO. Este programa perfecciona su propio cuerpo de reglas heursticas automticamente, por induccin.

Desarrollo Histrico (segn Jackson, 1986)

1950-1965 Periodo "clsico"

Gestacin (McColluck y Pitts, Shannon, Turing) Inicio - reunin de Darmouth College en 1956 (Minsky, McCarthy) Redes neuronales, robtica (Shakey) Bsqueda en un espacio de estados, Heursticas, LISP Solucionador general de problemas (GPS) (Newell, Simon)

Juegos, prueba de teoremas Limitaciones de pura bsqueda, explosin combinatoria. 1965-1975 Periodo "romntico"

Representacin "general" del conocimiento. Redes semnticas (Quillian) Prototipos (frames) (Minsky) Perceptrn (Minsky y Papert) Lgica (Kowalski) Mundo de bloques (SHDRLU) (Winograd) Compresin de lenguaje, visin, robtica. Dificultades de representacin "general", problemas de "juguete". 1975-Hoy Periodo "moderno". Inteligencia "especifica" vs. "general"

Representacin explcita del conocimiento especfico del dominio. Sistemas expertos o basados en conocimiento. Regreso de redes neuronales (Hopfield, Rumelhart, Hinton), algoritmos genticos (Holland, Goldberg) Reconocimiento de voz (HMM), incertidumbre (RB, Lgica difusa), planeacin, aprendizaje. Aplicaciones "reales" (medicina, finanzas, ingeniera, exploracin, etc.). Limitaciones: conocimiento "superficial" Desarrollo Histrico (segn Russell y Norvig, 1995):

Gestacin (1943-1956):

McCullock y Pitts (1943) Hebb (1949) Shannon (1950) Turing (1953) Minsky y Edmonds (1951) Darmouth College (1956) McCarthy, Newell y Simon, The Logic Theorist Entusiasmo y grandes expectativas (1952-1969):

Samuel - checkers (1952) McCarthy (1958): LISP: time sharing, Programs with common sense. Minsky y McCarthy en MIT moldearon mucho del rea. Minsky, Evans, Student, Waltz, Winston, Winograd, etc. Trabajo en RN: Hebb, Widrow, Rosenblatt Dosis de realidad (1966-1974): Simon predeca que en 10 aos se tendra una mquina inteligente.

Predicciones similares en traduccin automtica y ajedrez. Teora de NP- completness. Experimentos en machine evolution (ahora algoritmos genticos; estaban bien fundados pero no produjeron nada.) (Friedberg, 1958) Minsky y Papert Perceptrons (1969) (aunque irnicamente el mismo ao se descubri backpropagation (Bryson y Ho)) Sistemas basados en conocimiento (1969-1979):

Dendral, Mycin, HPP, Prospector, Winograd, SHDRLU, Shank (no hay sintxis), frames, Prolog, Planner IA como industria (1980-1988):

R1/XCON, proyecto de la quinta generacin, shells y mquinas de LISP. Regreso de redes neuronales (1986-presente):

Hopfield, Rumelhart y Hinton y descenso de los SE Eventos recientes (1987-presente):

Cambio gradual hacia los tcnicos y lejos de los rudos (implica cierto grado de madurez y estabilidad) ej., reconocimiento de voz (HMM), incertidumbre (Bayes), planeacin (Tweak), robtica, aprendizaje (PAC), etc. 3. CARACTERSTICAS DE LA INTELIGENCIA ARTIFICIAL

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. 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). 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. 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. La Inteligencia Artificial incluye varios campos de desarrollo tales como: la robtica, usada principalmente en el campo industrial; comprensin de lenguajes y traduccin; visin en mquinas que distinguen formas y que se usan en lneas de ensamblaje; reconocimiento de palabras y aprendizaje de mquinas; sistemas computacionales expertos.

Los sistemas expertos, que reproducen el comportamiento humano en un estrecho mbito del conocimiento, son programas tan variados como los que diagnostican infecciones en la sangre e indican un tratamiento, los que interpretan datos sismolgicos en exploracin geolgica y los que configuran complejos equipos de alta tecnologa.

Tales tareas reducen costos, reducen riesgos en la manipulacin humana en reas peligrosas, mejoran el desempeo del personal inexperto, y mejoran el control de calidad sobre todo en el mbito comercial.

3.1 Programa fijo y programa modificado por el procesamiento

Existen grandes diferencias entre el funcionamiento de las mquinas y el del cerebro: algunas son evidenciadas en el esquema bajo estas lneas. Las mquinas y el cerebro se diferencian en muchos aspectos: el primero es ligado a la arquitectura del sistema de memoria y a la elaboracin realizada por la inteligencia natural, que influye en los programas sucesivos al ser almacenada en la memoria que mantiene disponibles todos los hechos que se han ido acumulando a lo largo del tiempo. Abajo a la izquierda se muestra el esquema de funcionamiento de un sistema artificial: procesa datos que recibe del exterior y que le son presentados ya seleccionados. Los procesa mediante un programa fijo, siempre elegido y construido por el hombre, es decir, desde el exterior.

Este programa es sencillo comparado con los utilizados por el cerebro humano. A lo largo del tiempo, un mismo programa que procese los mismos datos obtendr siempre los mismos resultados. Sin embargo, este sistema es muy veloz cuando se le piden secuencias de operaciones. Contrariamente, el cerebro humano es capaz de procesar al mismo tiempo todas las informaciones contenidas en una imagen, y el resultado de dicho procesamiento puede servir para modificar el programa, que para posteriores utilizaciones ser ms completo. La observacin de una imagen muestra la diferencia fundamental entre el modo de procesar los datos del cerebro humano y el de la mquina. El cerebro humano no acta teniendo en cuenta un programa prefijado, sino ms bien uno de naturaleza variable en el tiempo; las variaciones dependen de los resultados procedentes. De hecho, el cerebro tiene la propiedad de recordar imgenes similares; una vez vista la figura, extrae de su memoria imgenes similares previamente almacenadas y los resultados de los anlisis realizados sobre ellas. Estos resultados sirven para mejorar el programa segn el cual sacar conclusiones aplicadas al examen de la figura.

4. FUNCIONAMIENTO BSICO DE LA INTELIGENCIA ARTIFICIAL

Diferentes teoras:

Construir rplicas de la compleja red neuronal del cerebro humano (bottom-up).

Intentar imitar el comportamiento del cerebro humano con un computador (top-down).

4.1 Smbolos vs. Mtodos Numricos

El primer perodo de la Inteligencia Artificial, llamado sub-simblico, data de aproximadamente 1950 a 1965. Este perodo utiliz representaciones numricas (o sub-simblicas) del conocimiento. Aunque la mayor parte de los libros de Inteligencia Artificial enfatizan el trabajo realizado por Rosenblatt y Widrow con redes neuronales durante este perodo, la realidad es que otra importante escuela sub-simblica data tambin de la misma poca y estos son los algoritmos evolutivos.

La escuela clsica dentro de la Inteligencia Artificial, utiliza representaciones simblicas basadas en un nmero finito de primitivas y de reglas para la manipulacin de smbolos. El perodo simblico se considera aproximadamente comprendido entre 1962 y 1975, seguido por un perodo dominado por los sistemas basados en el conocimiento de 1976 a 1988. Sin embargo, en este segundo perodo las representaciones simblicas (por ejemplo, redes semnticas, lgica de predicados, etc.) siguieron siendo parte central de dichos sistemas.

La Programacin Lgica tiene sus orgenes ms cercanos en los trabajos de J. A. Robinson que propone en 1965 una regla de inferencia a la que llama resolucin, mediante la cual la demostracin de un teorema puede ser llevada a cabo de manera automtica.

La resolucin es una regla que se aplica sobre cierto tipo de frmulas del Clculo de Predicados de Primer Orden, llamadas clusulas y la demostracin de teoremas bajo esta regla de inferencia se lleva a cabo por reduccin al absurdo.

Otros trabajos importantes de esa poca que influyeron en la programacin lgica, fueron los de Loveland, Kowalski y Green, que disea un probador de teoremas que extrae de la prueba el valor de las variables para las cuales el teorema es vlido.

Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una poca, pero, por su ineficiencia, fueron relegados hasta el nacimiento de Prolog, que surge en 1971 en la Universidad de Marsella, Francia.

La Lgica de Primer Orden, es uno de los formalismos ms utilizados para representar conocimiento en Inteligencia Artificial. La Lgica cuenta con un lenguaje formal mediante el cual es posible representar frmulas llamadas axiomas, que permiten describir fragmentos del conocimiento y, adems consta de un conjunto de reglas de inferencia que aplicadas a los axiomas, permiten derivar nuevo conocimiento.

4.2 Alfabeto del Lenguaje de la Lgica de Primer Orden

Contiene dos tipos de smbolos:

Smbolos lgicos, entre los que se encuentran los smbolos de constantes proposicionales true y false; los smbolos de operadores proposicionales para la negacin, la conjuncin, la disyuncin y las implicaciones (=>, <=); los smbolos de operadores de cuantificacin como el cuantificador universal; el cuantificador existencial; y los smbolos auxiliares de escritura como corchetes [,], parntesis (,) y coma.

Smbolos no lgicos, agrupados en el conjunto de smbolos constantes; el conjunto de smbolos de variables individuales; el conjunto de smbolos de funciones n-arias; y el conjunto de smbolos de relaciones n-arias.

A partir de estos smbolos se construyen las expresiones vlidas en el Lenguaje de Primer Orden: los trminos y las frmulas.

Un trmino es cualquiera de las tres expresiones siguientes: una constante, por ejemplo, el nmero "100", la palabra "alfredo" y la letra "c"; o una variable, por ejemplo, "X" o bien una expresin de la forma "f(t1,...,tn)" donde "f" es un smbolo de funcin n-aria y t1,...,tn son trminos. Ejemplos de funciones son: f(100,X), padre(Y) y sucesor(X).

Las frmulas atmicas o elementales son expresiones de la forma R(t1,...,tn) donde R es un smbolo de relacin n-aria y t1,...,tn son trminos.

Ejemplos de frmulas son:

positivo(3),not(igual(4,doble(2))), recetar(X,aspirina)<=tiene(X,fiebre), tiene(X,cefalea).

Esta ltima establece una regla que dice que, si X tiene fiebre y cefalea (dolor de cabeza), X debe tomar una aspirina.

El Lenguaje de Primer Orden posee un amplio poder de expresin, los trminos permiten nombrar los objetos del universo, mientras que las frmulas permiten afirmar o negar propiedades de stos o bien establecen las relaciones entre los objetos del universo.

Puede decirse que la Programacin Lgica utiliza la Lgica de Primer Orden como lenguaje de programacin. Prolog es un ejemplo

de lenguaje basado en la Lgica de Primer Orden y aunque toma su nombre de este trmino ("PROgramming in LOGic"

, no

abarca toda la riqueza de la Lgica de Primer Orden para resolver problemas, pues est restringido al uso de cierta clase de frmulas denominadas clusulas definidas o clusulas de Horn.

Un programa lgico est formado por un conjunto finito de clusulas de programa que son hechos o reglas. Por ejemplo:

padre(luis,miguel). hecho padre(miguel,jose). hecho padre(jose,juan). hecho abuelo(X,Y):-padre(X,Z), padre(Z,Y). regla

Este programa est formado por cuatro clusulas de programa, las tres primeras son del tipo hecho y definen la relacin padre/2 y la cuarta una regla que define la relacin abuelo/2. Ntese el uso de las variables X,Y y Z en esta clusula, las cuales permiten definir de manera general en Prolog la relacin "ser abuelo de", pues la lectura declarativa de dicha clusula es la siguiente: "Para cualesquiera X,Y,Z se cumple que: X abuelo de Y, si X padre de Z y Z padre de Y".

En Prolog es posible hacer preguntas sobre objetos y relaciones del dominio y estas preguntas se formulan como objetivos o metas, que son evaluadas por el intrprete de Prolog utilizando su mecanismo de inferencia interno, el cual determina si la meta a demostrar es una consecuencia lgica del programa, aplicando reglas de deduccin para obtener la respuesta.

Por ejemplo, del programa anterior, utilizando la clusula de tipo meta ?abuelo(X,juan), para preguntar quin es el abuelo de Juan? o bien quines son los abuelos de Juan?, es posible deducir que Luis es abuelo de Juan, aunque implcitamente no existe en el programa ningn hecho que as lo afirme.

En este ejemplo de anlisis de oraciones, podemos observar de qu manera se analiza una oracin ingresada por el usuario y cmo el ordenador lo traduce en un lenguaje lgico de primer orden.

En este caso la ejecucin del programa, para dicha meta, arrojara como resultado que X=luis.

El mtodo de deduccin utilizado por Prolog, para dar respuesta a los objetivos planteados, se basa en el uso de una nica regla de inferencia: el Principio de Resolucin.

Los primeros trabajos de prueba automtica de teoremas utilizaban la resolucin, aplicada a clusulas cualesquiera, pero el problema de las deducciones con clusulas generales es el gran nmero de combinaciones posibles para llevar a cabo las resoluciones.

Por ello Prolog restringe el conjunto de clusulas, lo que le permite llevar a cabo una prueba dirigida y, en la mayora de los casos, con un universo de posibilidades explorable en tiempo de ejecucin.

5. FUNCIONAMIENTOS GENERALES DE LA INTELIGENCIA ARTIFICIAL

5.1 Tipos de Algoritmos Utilizados

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 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.

Otra tcnica evolutiva dirigida particularmente a la optimizacin de funciones continuas de alta complejidad se desarroll en Alemania, en 1965, por Rechenberg y Schwefel. Esta tcnica, llamada estrategia evolutiva, se utiliz inicialmente para resolver problemas de ingeniera que desafiaban a los mtodos de optimizacin tradicionales, como el gradiente conjugado, y se basa en la modificacin sistemtica de un vector de nmeros reales (representando las variables de decisin del problema) mediante operadores probabilsticos, usando ciertos criterios para decidir en qu direccin dirigir la bsqueda. La estrategia evolutiva utiliza como operador principal a la mutacin, y en su versin ms reciente usa la cruza como operador secundario.

Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento muy similar al que John Holland llam planes evolutivos a fines de los 60, es al segundo al que se le suele atribuir la creacin de la tcnica que se conoce como algoritmo gentico, a raz de que Holland publicara el libro "Adaptation in Natural and Artificial Systems" en 1975.

5.1.1 Algoritmo Gentico

La principal diferencia del algoritmo gentico con las tcnicas antes mencionadas, es que utiliza la cruza como operador principal y a la mutacin como operador secundario (e incluso opcional). El algoritmo gentico, al igual que las redes neuronales, funciona como una caja negra que recibe ciertas entradas y produce (tras una cantidad de tiempo indeterminada) las salidas deseadas. Sin embargo, a diferencia de stas, los algoritmos genticos no necesitan entrenarse con ejemplos de ningn tipo, sino que son capaces de generar sus propios ejemplos y contraejemplos que guen la evolucin a partir de poblaciones iniciales totalmente aleatorias.

Los mecanismos de seleccin del ms apto y de reproduccin sexual del algoritmo gentico, son los encargados de preservar las caractersticas ms adecuadas de cada individuo a fin de hacer converger a la poblacin en soluciones ptimas.

Los algoritmos genticos se distinguen tambin por no quedar atrapados fcilmente en mnimos locales, como la mayor parte de las tcnicas de bsqueda clsicas, adems de usar operadores probabilsticos ms robustos que los operadores determinsticos, que las otras tcnicas suelen usar.

No obstante, siendo una heurstica, tampoco pueden garantizar encontrar siempre la solucin ptima, si bien la experiencia acumulada hasta la fecha parece demostrar que, cuando se utilizan apropiadamente, pueden proporcionar soluciones muy aceptables y, en la mayora de los casos, superiores a las encontradas con otras tcnicas de bsqueda y optimizacin.

Aunque an atacados por algunos sectores de la comunidad de Inteligencia Artificial, los algoritmos genticos, al igual que las

redes neuronales, se han ido ganando poco a poco, y sobre la base de la efectividad de sus resultados en aplicaciones prcticas, el reconocimiento de los investigadores como una tcnica efectiva en problemas de gran complejidad, como lo demuestra un nmero creciente de conferencias y publicaciones especializadas alrededor del mundo, en los ltimos aos.

5.2 Sistemas Basados en Conocimiento

Los mtodos generales desarrollados para la resolucin de problemas y tcnicas de bsqueda al inicio de la era de la Inteligencia Artificial demostraron no ser suficientes para resolver los problemas orientados a las aplicaciones, ni fueron capaces de satisfacer los difciles requerimientos de la investigacin.

A este conjunto de mtodos, procedimientos y tcnicas, se lo conoce como Inteligencia Artificial Dbil. La principal conclusin que se deriv de este trabajo inicial fue que los problemas difciles slo podran ser resueltos con la ayuda del conocimiento especfico acerca del dominio del problema.

La aplicacin de estas ideas dio lugar al desarrollo de los denominados Sistemas Basados en Conocimiento (Knowledge Based Systems) y al aparecimiento de la Ingeniera Cognoscitiva, como una rama de la Inteligencia Artificial, que estudia los sistemas basados en el conocimiento. La definicin de un sistema basado en conocimiento puede ser la siguiente:

Componentes: software de interfaz, base de datos, programa computacional.

Una relativamente nueva categora de sistemas de informacin orientada al servicio es el sistema experto, llamado as porque su base de datos guarda una descripcin de habilidades en la toma de decisiones de experiencias humanas en un estrecho dominio de procedimientos, tales como interpretacin mdica de imagen, impuestos, diseo de piping, configuracin de hardware en un sistema de computadores, equipamiento para reparar malfuncionamientos o, en la preparacin de cerveza.

La motivacin para construir sistemas expertos es el deseo de replicar el escaso, in estructurado y quizs el pobremente documentado conocimiento emprico de especialistas que de este modo puede ser rpidamente usado por otros.

Un programa computacional que usa inteligencia artificial resuelve problemas en un dominio especializado que ordinariamente requiere experiencia humana.

El primer sistema experto fue desarrollado en 1965 por Edward Feigenbaum y Joshua Lederberg de la Universidad de Standford en California, EEUU, y se lo llam Dendral. Fue diseado para analizar componentes qumicos.

Dado que cada condicin que puede ser encontrada puede ser descrita por una regla, los sistemas expertos basados en reglas no pueden manejar eventos no anticipados, pero pueden evolucionar con el uso, y permanece limitado a un estrecho dominio de problemas.

Otra variante de sistemas expertos, uno que no posee esta limitacin, emplea una base de conocimiento que consiste de descripciones estructuradas de situaciones, de problemas del mundo real y de decisiones actualmente hechas por expertos

humanos.

En medicina, por ejemplo, el registro de un paciente contiene descripciones de datos personales, exmenes fsicos y de laboratorio, diagnstico clnico, tratamiento propuesto, y los resultados de tales tratamientos.

Dada una gran base de datos con tales registros en una especialidad mdica, el mdico puede indagar acerca de eventos anlogos a los relacionados con el paciente. Esto en contraste con el sistema que idealmente intenta reemplazar al ser humano, ya que en casos como estos slo podra usarse este tipo de conocimiento como una herramienta que ayuda en la toma de decisiones.

El software requerido para este tipo de sistemas se ha ido complicando con el tiempo ya que su desarrollo demanda tiempo, un buen equipo de programadores y un buen producto final.

Se percibe este trabajo como una tarea para el ingeniero y consiste de:

Identificacin y anlisis de los requerimientos del usuario.

Desarrollo de las especificaciones del sistema (software y hardware).

Diseo del software.

Implementacin

Testeo

Mantenimiento

Tareas tpicas para sistemas expertos involucran clasificacin, diagnstico, monitoreo, diseo, inventario y planificacin para esfuerzos especializados.

5.2.1 Niveles de conocimiento

A pesar de no disponerse de un modelo general comnmente aceptado, existe unanimidad en cuanto a la aprobacin de tres niveles distintos de conocimientos, a los que corresponde tres fases diferentes de estudio y sobre los que se basa, en general, la

concepcin de un sistema experto. Esos niveles son el de estructuracin, el conceptual y el cognoscitivo. El primero es el que define el mecanismo que genera la certeza. Este mecanismo vara segn el campo al que se aplique el sistema experto, ya que las evidencias asociadas a cada campo no son idnticas. La determinacin del nivel de estructuracin permite definir un formalismo de representacin del conocimiento as como un mecanismo adecuado de deduccin. El nivel conceptual es el que determina el conjunto de los conceptos que emplea el experto humano en la materia; cada uno de ellos corresponde a un nudo del razonamiento del experto. Se le asocia un descriptor que se experimenta con el formalismo correspondiente al nivel de estructuracin. Finalmente, el nivel cognoscitivo corresponde al conjunto de los conocimientos que el experto humano pone en prctica para la resolucin del problema planteado. Este conjunto de conocimientos debe poder traducirse al lenguaje definido mediante el formalismo de representacin del conocimiento adoptado. En cuanto al desarrollo actual de la investigacin en el campo de los sistemas expertos, la primera fase corresponde al desarrollo de sistemas y programas que traten directamente el lenguaje natural, si bien persisten todava dos escollos importantes. Por un lado, el problema de cmo emplear de un modo eficaz una gran cantidad de informacin sin necesidad de echar mano de la combinatoria; es decir, cmo conseguir un sistema dotado de conocimientos (metaconocimientos) que le permitan utilizar los conocimientos del sistema y que, a su vez, le permitan deducir automticamente nuevos conocimientos, ya que no cabe pensar en la reunin de todos los conocimientos necesarios en casos de campos tan sumamente vastos como el del diagnstico en la medicina.

5.3 Sistemas Expertos

Los sistemas expertos se basan en la simulacin del razonamiento humano. El razonamiento humano tiene para ellos, un doble inters: por una parte, el del anlisis del razonamiento que seguira un experto humano en la materia a fin de poder codificarlo mediante el empleo de un determinado lenguaje informtico; por otra, la sntesis artificial, de tipo mecnico, de los razonamientos de manera que stos sean semejantes a los empleados por el experto humano en la resolucin de la cuestin planteada.

Estos dos campos de inters han conducido a los investigadores que trabajan en el campo de la inteligencia artificial (de la cual los sistemas expertos son un campo preferente) a intentar establecer una metodologa que permita verificar el intercambio con los expertos humanos y aislar los diversos tipos de razonamiento existentes (inductivo, deductivo, formal, etc.), as como construir los elementos necesarios para modelizarlos. Los sistemas expertos son, por lo tanto, intermediarios entre el experto humano, que transmite sus conocimientos al sistema, y el usuario de dicho sistema, que lo emplea para resolver los problemas que se le plantean con la competencia de un especialista en la materia y que, adems, puede adquirir una destreza semejante a la del experto gracias a la observacin del modo de actuar de la mquina. Los sistemas expertos son, pues, simultneamente, un sistema de ejecucin y un sistema de transmisin del conocimiento. Asimismo, los sistemas expertos se definen mediante su arquitectura; obtienen, por lo tanto, una realidad palpable. Mientras que en las operaciones de programacin clsicas se diferencia nicamente entre el propio programa y los datos, en el caso de los sistemas expertos se diferencian tres componentes principales. Son los siguientes:

La base de conocimientos aloja la totalidad de las informaciones especficas relativas al campo del saber deseado. Est escrita en un lenguaje especfico de representacin de los conocimientos que contiene y en el cual el experto puede definir su propio vocabulario tcnico.

A la inversa de lo que sucede en los programas clsicos, en la base de conocimientos las informaciones entran tal como llegan, ya

que el orden no influye en los resultados obtenidos. Sucede as porque cada elemento de conocimiento es comprensible por s mismo tomado de forma aislada y, por lo tanto, no es necesario referirse al contexto en el cual est inserto. La informacin se representa, por regla general, mediante reglas de produccin o redes semnticas. Las reglas de produccin constituyen el mtodo ms utilizado para construir bases de conocimientos en los sistemas expertos. Llamadas tambin implicaciones lgicas, su estructura es la siguiente: para unas ciertas causas, unos efectos; o, para determinadas condiciones, ciertas consecuencias. Junto a cada regla, se almacena tambin su porcentaje en forma de probabilidad. ste indica, mediante un tanto por ciento, el grado de certeza de las consecuencias que se obtienen como resultado de la aplicacin de la regla de produccin. En cuanto a las redes semnticas, se trata de un mtodo de construccin de bases de conocimientos en el cual los conocimientos se muestran mediante un grafo en el que los vrtices representan los conceptos u objetos y las aristas indican las relaciones entre ellos.

Adems el sistema dispone de la llamada base de hechos, que alberga los datos propios correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a pesar de ser la memoria de trabajo, la base de hechos puede desempear el papel de memoria auxiliar. La memoria de trabajo memoriza todos los resultados intermedios, permitiendo conservar el rastro de los razonamientos llevados a cabo. Puede, por eso, emplearse para explicar el origen de las informaciones deducidas por el sistema en el transcurso de una sesin de trabajo o para llevar a cabo la descripcin del comportamiento del propio sistema experto. Al principio del perodo de trabajo, la base de hechos dispone nicamente de los datos que le ha introducido el usuario del sistema, pero, a medida que va actuando el motor de inferencias, contiene las cadenas de inducciones y deducciones que el sistema forma al aplicar las reglas para obtener las conclusiones buscadas.

El ltimo elemento, el motor de inferencias, es un programa que, mediante el empleo de los conocimientos puede resolver el problema que est especificado. Lo resuelve gracias a los datos que contiene la base de hechos del sistema experto. Por regla general, el tipo de reglas que forman la base de conocimientos es tal que, si A es vlido, puede deducirse B como conclusin. En este caso, la tarea que lleva a cabo el motor de inferencias es la de seleccionar, validar y activar algunas reglas que permiten obtener finalmente la solucin correspondiente al problema planteado.

El sistema experto establecido se compone, por lo tanto, de dos tipos bien diferenciados de elementos, los propios del campo de los expertos relacionados con el problema concreto (es decir, la base de conocimientos y la base de hechos) y el que se puede aplicar de forma general a una gran variedad de problemas de diversos campos (como el caso del motor de inferencias). Sin embargo, el motor de inferencias no es un mecanismo universal de deduccin, ya que hay dos tipos diverso: los que emplean el razonamiento aproximativo (para el cual el resultado puede ser errneo) y aquellos que emplean un tipo de razonamiento capaz de obtener un resultado (si llegan a l), con toda seguridad, verdadero.

5.3.1 Fases del proceso

Sin embargo, a pesar de no existir una metodologa generalmente aceptada en cuanto a la concepcin de los sistemas expertos, se admite por regla general un esquema que consta de tres fases. En la primera fase, la discusin con el experto o los expertos humanos en la cual se intenta, por un lado, delimitar el problema a resolver y, por el otro, los modos de razonamiento que se emplearn para su solucin. La segunda fase comprende el desglose del formalismo de expresin del conocimiento y la determinacin del motor de inferencias adecuado a dicho formalismo. Por ltimo, la tercera etapa, corresponde a la creacin de la base de conocimientos (en colaboracin con los expertos humanos), as como a la comprobacin y ajuste del funcionamiento del

sistema experto mediante el empleo de ejemplos.

6. LA VIDA ARTIFICIAL

La Vida Artificial se puede considerar como la parte de la Inteligencia Artificial que pretende reproducir los procesos y comportamientos tpicos de los seres vivos. Tambin podemos definirla como el intento de crear vida, o algo parecido a la vida, mediante la combinacin de smbolos (datos) y procesos de smbolos (programas) independientemente del soporte fsico de estos smbolos y procesos.

Por una parte estn los intentos "hardware" de emulacin de vida. Por ejemplo, es posible construir un pequeo robot con aspecto de ratn capaz de encontrar la salida de un laberinto.

Por otra parte estn las simulaciones "software". stas tienen la ventaja de que permiten construir un gran nmero de seres vivos y entornos en los que estos existen, de manera que es ms fcil estudiar comportamientos sociales.

Podemos construir los seres artificiales con el objetivo de solucionar los problemas que a nosotros nos interesen, y que aprendan o colaboren entre ellos hasta conseguir el resultado deseado.

De esta forma, se puede considerar la Vida Artificial (VA) como un paso ms all despus de la Programacin Orientada a Objetos (POO), y sin embargo, siendo la VA un caso particular de la POO. Es decir, si un objeto es un elemento que encapsula datos y procedimientos, una entidad artificial es un elemento que encapsula un objetivo, unos sentidos, unas acciones y unas creencias. A esto le podemos llamar Programacin Orientada a Agentes.

En muchos campos de estudio se plantea la posibilidad de realizar simulaciones para intentar predecir o ayudar a la toma de decisiones acerca de ciertos aspectos del mundo real. Hay dos formas de enfocar estas simulaciones.

La primera de ellas se basa en la observacin de la realidad, centrando la atencin en los aspectos "a ms alto nivel", es decir, precisamente en los que se pretenden predecir o modificar, y tambin en aquellos que aparentemente estn ms relacionados con stos. El cerebro humano elabora una teora acerca de cmo todos estos aspectos varan. Esta teora se formaliza en frmulas, reglas o algo parecido, y se simula en un ordenador ante diversas condiciones iniciales. Se observa si el modelo, ante datos histricos del pasado, ofrece salidas (resultados) que se ajustan a lo esperado segn los datos histricos, y en ese caso, se utiliza para la toma de decisiones en el futuro, ajustando continuamente el modelo segn el error obtenido. En caso de obtener resultados muy alejados de la realidad, se revisa la teora inicial, reescribindola por completo, ajustando ciertos aspectos o detallando con mayor nivel de profundidad los que parecen ser generalizaciones excesivas.

La segunda de ellas se basa en la observacin de la realidad, centrando la atencin en los aspectos "a ms bajo nivel" del problema, buscando los aspectos ms sencillos y a la vez con una alta multiplicidad. Es decir, el cerebro humano identifica aquellas caractersticas sencillas que estn presentes en muchas entidades del problema. Mediante frmulas, reglas o algo parecido, se define un tipo genrico de entidad que admita estas caractersticas, y en un ordenador se realiza una simulacin basada en la generacin de un alto nmero de estas entidades capaces de interactuar entre s, con la esperanza en que de esta

interaccin emerja el comportamiento complejo que se pretende estudiar. Inicialmente los agentes genricos se definen tan sencillos como sea posible sin dejar de ajustarse al problema. Se observa si el modelo, ante datos histricos del pasado, ofrece salidas (resultados) que se ajustan a lo esperado segn los datos histricos, y en ese caso, se utiliza para la toma de decisiones en el futuro, ajustando continuamente el modelo segn el error obtenido. En caso de obtener resultados muy alejados de la realidad, se deduce que la definicin del agente genrico (ms su entorno, etc.) es demasiado sencilla y se va complicando, aadiendo detalles hasta ajustarse suficientemente a la realidad.

6.1 Cuestin Filosfica de la Vida Artificial

Para ver el grfico seleccione la opcin Bajar trabajo del men superior

La Vida Artificial tambin nos ofrece una "visin privilegiada" de nuestra realidad. No hace falta que las simulaciones por ordenador sean todava ms complejas, para poder tener el derecho a preguntarnos acerca de si nuestro propio mundo no ser tambin una "simulacin dentro de un cosmo-ordenador". De hecho, esta pregunta se ha planteado, desde tiempos remotos, de infinidad de maneras.

Si los ordenadores son capaces de simular universos artificiales poblados por organismos que mediante la reproduccin, las mutaciones y la seleccin natural, evolucionan y se hacen cada vez ms inteligentes y conscientes, podramos interpretar nuestro propio mundo como un "superordenador" donde nosotros mismos somos los "seres artificiales" que lo habitan, siguiendo el curso de evolucin que El Programador ha deseado.

En el caso de que existiera un creador y una intencionalidad, es decir, si El Programador que nos ha creado lo ha hecho con algn objetivo, no sera extrao que ese mismo programador hubiera implementado mecanismos para que sus "entidades" (nosotros) no escapen a su control. Por ejemplo, podra haber marcado lmites a su movimiento (la velocidad de la luz? la gravedad?) en su ordenador (nuestro universo) ...O tal vez el lmite de 300.000 km/seg corresponde con los MHz del ordenador en el que vivimos?.

Pero las limitaciones que el programador fija para controlar a sus entidades pueden no ser suficientes. Algunos programadores de Vida Artificial quedan a menudo gratamente sorprendidos por el inesperado comportamiento de sus pequeas creaciones, ms inteligentes y capaces de lo que cabra esperar en un primer momento.

Adems, los "bugs" (errores) en programacin son probablemente una constante en todos los universos, dimensiones y realidades posibles, as que tal vez el "programador" haya dejado algn hueco por donde podamos colarnos; es decir, que es posible que en nuestro mundo existan acciones, comportamientos, o razonamientos con efectos maravillosos, que estn ah, accesibles, pero que an nadie ha realizado, ya sea por ignorancia, mala suerte, o porque provocan la muerte a quien llega a adquirirlos. Un ejemplo de esto ltimo se encuentra en "Creced y Multiplicaos", de Isaac Asimov.

6.2 Perspectivas Futuras de la Vida Artificial

Con poco ms de diez aos de antigedad, la Vida Artificial se ha convertido en un punto de referencia slido de la ciencia actual.

En septiembre de 1987, 160 cientficos en informtica, fsica, biologa y otras disciplinas se reunieron en el Laboratorio Nacional de Los lamos para la primera conferencia internacional sobre Vida Artificial. En aquella conferencia se definieron los principios bsicos que han marcado la pauta desde entonces en la investigacin de esta disciplina.

Un concepto bsico dentro de este campo es el de comportamiento emergente. El comportamiento emergente aparece cuando se puede generar un sistema complejo a partir de reglas sencillas. Para que se d este comportamiento se requiere que el sistema en cuestin sea reiterativo, es decir, que el mismo proceso se repita de forma continua y adems que las ecuaciones matemticas que definen el comportamiento de cada paso sean no lineales.

Por otra parte, un autmata celular consiste en un espacio n-dimensional dividido en un conjunto de celdas, de forma que cada celda puede encontrarse en dos o ms estados, dependiendo de un conjunto de reglas que especifican el estado futuro de cada celda en funcin del estado de las celdas que le rodean.

Hay dos posturas dentro de la Vida Artificial: la fuerte y la dbil.

Para los que apoyan la postura dbil, sus modelos son solamente representaciones simblicas de los sntomas biolgicos naturales, modelos ciertamente muy tiles para conocer dichos sistemas, pero sin mayores pretensiones.

Para los que defienden la versin fuerte, dicen que se puede crear vida autntica a partir de un programa de ordenador que reproduzca las caractersticas bsicas de los seres vivos.

Desde este punto de vista, la vida se divide en vida hmeda, que es lo que todo el mundo conoce como vida, vida seca, formada por autmatas fsicamente tangibles, y vida virtual, formada por programas de computador. Las dos ltimas categoras son las que integran lo que genricamente se conoce como Vida Artificial.

Para defender un punto de vista tan radical, los defensores de la postura fuerte, aluden a un conjunto de reglas que comparten las tres categoras anteriores:

La biologa de lo posible: La Vida Artificial no se restringe a la vida hmeda tal como la conocemos, sino que "se ocupa de la vida tal como podra ser". La biologa ha de convertirse en la ciencia de todas las formas de vida posibles.

Mtodo sinttico: La actitud de la Vida Artificial es tpicamente sinttica, a diferencia de la biologa clsica, que ha sido mayoritariamente analtica. Desde este punto de vista, se entiende la vida como un todo integrado, en lugar de desmenuzarlo en sus ms mnimas partes.

Vida real (artificial): La Vida Artificial es tal porque son artificiales sus componentes y son artificiales porque estn construidos por el hombre. Sin embargo, el comportamiento de tales sistemas depende de sus propias reglas y en ese sentido es tan genuino como el comportamiento de cualquier sistema biolgico natural.

Toda la vida es forma: la vida es un proceso, y es la forma de este proceso, no la materia, lo que constituye la esencia de la vida.

Es absurdo pretender que slo es vida genuina aquella que est basada en la qumica del carbono, como es el caso de la vida hmeda.

Construccin de abajo hacia arriba: la sntesis de la Vida Artificial tiene lugar mejor por medio de un proceso de informacin por computador llamado programacin de abajo hacia arriba. Consiste en partir de unos pocos elementos constitutivos y unas reglas bsicas, dejar que el sistema evolucione por s mismo y que el comportamiento emergente haga el resto. Poco a poco el sistema se organiza espontneamente y empieza a surgir orden donde antes slo haba caos.

Esta clase de programacin contrasta con el principio de programacin en la Inteligencia Artificial. En ella se intenta construir mquinas inteligentes hechos desde arriba hacia abajo, es decir, desde el principio se intenta abarcar todas las posibilidades, sin dejar opcin a que el sistema improvise.

El principio de procesamiento de informacin en la Vida Artificial se basa en el paralelismo masivo que ocurre en la vida real. A diferencia de los modelos de Inteligencia Artificial en los que el procesamiento es secuencial, en la Vida Artificial es de tipo paralelo, tal y como ocurre en la mayora de fenmenos biolgicos.

7. LAS REDES NEURONALES

Si se pudieran explicar los procesos cognitivos superiores de una manera intrnseca, es decir, si se pudiera demostrar que los procesos mentales inteligentes que realiza el hombre se producen a un nivel superior (o intermedio) con independencia de las capas subyacentes que existen hasta la constitucin fsica del ente inteligente, se demostrara que es posible crear -mediante un sistema de smbolos fsicos-, una estructura artificial que imite perfectamente la mente humana mediante una arquitectura de niveles, ya que se podra construir dicho nivel superior mediante la combinacin de elementos que no necesariamente han de ser los que forman el nivel inferior en los humanos (que por ejemplo, podemos suponer que son las neuronas).

En cambio, si slo se pudieran explicar los procesos cognitivos superiores mediante una descripcin al ms bajo nivel (comportamiento neuronal), slo se podra imitar la inteligencia humana mediante la construccin de neuronas artificiales. Para ser exactos, esta afirmacin est condicionada por la certeza de la suposicin (bastante comn) segn la cual el neuronal es el ms bajo de los niveles relevantes para la formacin de los procesos cognitivos. Arbitrariamente, se podra haber elegido otro nivel an ms bajo (molculas, tomos). Llevado al extremo, se podra reescribir la afirmacin, sustituyendo "neuronas" por "la ms pequea partcula de nuestro universo", si este fuera discreto (no infinitamente divisible).

Las denominaciones "nivel superior" y "nivel inferior" son arbitrarias en cuanto a que parece que se puede encontrar con facilidad un nivel que est an ms bajo que el que hemos llamado "nivel inferior" -el nivel atmico es inferior al neuronal- y lo simtrico respecto al nivel superior -la conciencia colectiva es superior a la individual-. La existencia de una conciencia colectiva capaz de comunicarse a un nivel superior al del individuo parece evidente en los estudios sobre el comportamiento de algunos insectos, siempre que hagamos el esfuerzo de no interpretar el trmino "conciencia colectiva" desde nuestro punto de vista subjetivo como individuos. Cmo conseguir esto? No es difcil, si se usa una analoga bajando un nivel. Imaginemos dos clulas (concretamente,

dos neuronas) de nuestro cuerpo charlando amistosamente acerca de la posibilidad de que el conjunto de clulas forme una "conciencia colectiva". Las neuronas podran hablar sobre esta "conciencia colectiva", ponerla en duda o intentar argumentar su existencia, pero difcilmente podran llegar a comprenderla, no puede ser un concepto familiar para ellas.

Una Red Neuronal es usada para aprender patrones y relaciones de datos. Los datos pueden ser el resultado del esfuerzo de una investigacin de mercado, el resultado de un proceso de produccin dando variacin a las condiciones de operacin, o las decisiones de un prestamista dado un conjunto de aplicaciones de prstamo, utilizando una Red Neuronal es una salida considerable parecida a un enfoque tradicional. Tradicionalmente un programador o un analista especifican "cdigos" de cada faceta del problema en orden para la computadora pueda "entender" la situacin. Redes Neuronales no requieren el cdigo explcito del problema. Por ejemplo, para generar un modelo que lleve acabo un pronstico de ventas, una Red Neuronal solo necesita que le den los datos sin preparar relacionados con el problema. Los datos sin preparar podran consistir en: historias de ventas pasadas, precios, precios de la competencia y otras variables econmicas. La Red Neuronal escoge entre esta informacin y produce un acuerdo de los factores que influyen en las ventas. El modelo puede entonces ser llamado para dar una prediccin de ventas futuras dado un pronstico de los factores claves. Estos adelantos son debidos a la creacin de reglas de aprendizaje de una Red Neuronal, que son los algoritmos usados para "aprender" las relaciones de los datos. Las reglas de aprendizaje habilitan a la red para "ganar conocimiento" desde datos disponibles y aplica ese conocimiento para asistir al gerente para hacer decisiones claves.

Aunque su estructura vara segn el tipo de red, lo ms usual es que haya tres capas de neuronas, una de entrada, que recoge los estmulos, otra oculta, que procesa la informacin, y otra de salida, que ejecuta la respuesta. La figura siguiente muestra esta disposicin:

7.1 Red Neuronal Artificial

Las Redes Neuronales Artificiales son el resultado de investigaciones acadmicas que utilizan frmulas matemticas para modelar operaciones del sistema nervioso, es decir, es un modelo de procesamiento de informacin que es inspirado por el modo de un sistema nervioso biolgico, tal como el cerebro procesa informacin. El elemento clave de este paradigma es la estructura original del sistema de procesamiento de informacin. Este se compone de un gran nmero de elementos interconectados procesando y trabajando en armona para resolver problemas especficos. Las Redes Neuronales Artificiales, como la gente, aprenden con ejemplos. Una Red Neuronal Artificial es configurada para una aplicacin especfica, tal como el reconocimiento de patrones o clasificacin de datos, a travs de un proceso de aprendizaje. Aprender en sistemas biolgicos implica ajustes para las conexiones sinpticas que existen entre las neuronas. Esto lo hace una Red Neuronal Artificial.

Tambin, las Redes Neuronales Artificiales se han aplicado a un gran nmero de problemas reales de complejidad considerable. Su ventaja ms importante est en resolver problemas que son demasiado complejos para tecnologas convencionales, problemas que no tienen un algoritmo de solucin o que su algoritmo de solucin es muy difcil de encontrar. En general, a causa de su abstraccin del cerebro biolgico, las Redes Neuronales Artificiales son aptas para resolver problemas que la gente puede resolver, pero las computadoras no pueden. Estos problemas incluyen reconocimiento de patrones y pronsticos (los cuales

requieren el reconocimiento de tendencias de datos).

El hecho de suponer que el comportamiento inteligente en el hombre se produce a un nivel superior con independencia de los niveles inferiores est ntimamente relacionado con el debate entre holismo o creencia en que "el todo es ms que la suma de sus partes" y el reduccionismo, o creencia en que "un todo puede ser comprendido completamente si se entienden sus partes, y la naturaleza de su suma."

Los esfuerzos desarrollados en Arquitecturas Generales de Inteligencia son puramente reduccionistas. Por el contrario, el holismo subyacente en los modelos conexionistas como las Redes Neuronales Artificiales, sugiere el aspecto de la interdependencia entre algunos niveles, o lo que es lo mismo, la imposibilidad de sustituir un nivel (las conexiones neuronales, como sistema subsimblico) por otro que realice sus mismas funciones (sistema simblico). Sin embargo, tambin las Redes Neuronales Artificiales pueden ser consideradas reduccionistas si tenemos en cuenta otros niveles an ms bajos.

7.2 Modelos de Redes Neuronales

Inteligencia Artificial y Conciencia Artificial

Inteligencia Artificial y Conciencia Artificial

Antes de continuar la lectura quiero aclarar que esto es un razonamiento lejos de lo filosfico. Es el razonamiento de quien esta por disear un programa Lpiz papel y solo ideas que poco a poco van dando forma a lo que vamos a hacer. Segn le los mejores programas y sistemas operativos antes de ser pasaron por horas y horas de pizarrn

Un da un viejo dijo en la tele:

Las computadoras jams igualaran al hombre, algn da pensaran mejor que el hombre pero jams sabrn que estn pensando

Este viejo era realmente copado y no digo el nombre para saber a modo de trivia si alguien de ac lo escuch tambin

Queriendo o no me a tocado estudiar el cerebro humano, algunas caractersticas de su funcionamiento y cuales son sus diferencias del resto de los animalejos. Comenc a leer de computacin y como una revelacin:

Disee un esquema bsico para crear Inteligencia Artificial de una forma diferente Al alterar el marco terico de lo que llamamos inteligencia podemos ajustar de otra forma lo que esperamos de una IA. En este esquema lo que llamamos inteligencia queda subordinado a funciones inteligentes Si al hablar de inteligencia real definimos a esta como el accionar del conjunto conciencia-funciones inteligentes: donde la conciencia es el motor y timn de estas funciones inteligentes La lgica, el aprendizaje, la comunicacin y experienciael poder de crear en forma abstracta!!!! Son la meta de quien espera lograr una verdadera IA pero digamos que todas estas cosas solo serian por que hicimos que fuesen, programamos estas virtudes. Pero que tal seria generar una serie de pautas mas sencillas que a modo de fractal incrementen su complejidad por si mismas Pautas que acten como una conciencia artificial y generen por consecuencia las funciones inteligentes. En este ltimo prrafo ya se puede ver lo que quiero decir

Como construir una conciencia artificial?

Para ello hay que volver a hacer hiptesis y pizarrn Para explicar lo mejor que puedo mi idea vuelvo a citar al biejo:

Las computadoras jams igualaran al hombre, algn da pensaran mejor que el hombre pero jams sabrn que estn pensando

La clave de la conciencia es saber que se es, saber que se esta

Este es un estado, algo que en nosotros opera constantemente, para comprender que es esto busque momentos en que esto no opere otro estado que me permita diferenciar

La clave esta en el shock en la confusin: si apagamos la luz los sonidos los aromas, seguimos aun sabiendo que estamos y como estamos la posicin de cada

uno de nuestros miembros nuestra postura.

Si estamos tranquilos caminando por la calle y alguien arroja un gran petardo sin que nos percatemos al estallar quedaremos desorientados y remarco DESORIENTADOS y hasta que no reajustemos los parmetros donde estoy, como estoy que paso no volveremos a la anterior normalidad.

Con esto intento explicar que es la conciencia de la que podemos partir Podemos empezar a pensar en esta conciencia artificial que propongo como un SONAR como el de los submarinos pero dentro del mismo.

A continuacin describo un diagrama lgico con trminos inexactos pero perfectamente comprensibles a quien realmente tenga ganas de reescribir en su casa la que digo

Nuestro sistema emite una solicitud de diagnostico que se expande a todas las reas del sistema y vuelve con informacin al epicentro donde se emiti la seal pasando esta a ser analizada y rotulada por el mismo, asignando nombres y frecuencias a las constantes y variables en una cascada de compresin no hablamos de otra cosa que de el cerebro de un recin nacido

En esta primera etapa se generaran chorradas de datos, cuando la compresin sea mxima y cese el incremento de informacin habremos logrado un estado metaestable

Como segunda etapa se adicionan sistemas perifricos que generen alteracin del estado reinante a un nuevo estado metaestable no hablamos de otra cosa que de el cerebro de un recin nacido aprendiendo a aprender

Luego de x etapas la final ser la mas jodida Conectar nuestro sistema consiente a otro sistema como una simple PC Si me siguen estarn de acuerdo que el influjo de alteraciones que produzca esta conexin generara estados metaestables espontneos y cambiantes a altsimas velocidades mesetas paulatinas de comprensin como vern propongo seguir siempre la evolucin del sistema midiendo el volumen de informacin que este genere y su compresibilidad como constantes y variables

Constantes y variables: Dejo una aclaracin, al caer un objeto de vidrio sabemos al instante que es de vidrio por el sonido de este, no por que tengamos conocimiento previo del sonido al romperse de todos los objetos de vidrio que existen y existirnel vidrio es vidrio

Podra seguir especificando pero prefiero ver la respuesta de este post pues si a nadie le interesa para que perder tiempo

Hay algunas gentes que miraron un par de bocetos y me dijeron que difcil caro casi imposible pero se puede, pens en hacer un foro para dividir tareas y empezar a cocinarlo pero lamentablemente mi conocimiento en programacin es pobrsimo aun, no llego ni a peluchin!! me hubiese gustado estar a full para juntar gente ac pues creo en la inteligencia colectiva y lo que puede hacer

todo sobre inteligencia artificial (completo)

Historia de la inteligencia artificial

La inteligencia artificial surge definitivamente a partir de algunos trabajos publicados en la dcada de 1940 que no tuvieron gran repercusin, pero a partir de el influyente trabajo en 1950 de Alan Turing, matemtico britnico, se abre una nueva disciplina de las ciencias de la informacin.

Si bien las ideas fundamentales se remontan a la lgica y algoritmos de los griegos, y a las matemticas de los rabes, varios siglos antes de Cristo, el concepto de obtener razonamiento artificial aparece en el siglo XIV d.C. Recin a finales del siglo XIX se obtienen lgicas formales suficientemente poderosas y luego de un tiempo, a mediados del siglo XX, se obtienen mquinas capaces de hacer uso de tales lgicas y algoritmos de solucin. Contenido

* 1 Punto de inflexin de la disciplina * 2 Disciplinas sobre las que se apoya * 3 Orgenes y Evolucin Cronolgica * 4 Vase tambin * 5 Enlaces externos

Punto de inflexin de la disciplina

En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar una mquina? era demasiado filosfica para tener valor y, para hacerlo ms concreto, propuso un juego de imitacin. En la prueba de Turing intervienen dos personas y un computadora. Una persona, el interrogador, se sienta en una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si acta de manera inteligente, segn Turing es inteligente. Turing, seal que una mquina podra fracasar y an ser inteligente. Aun as crea que las mquinas podran superar la prueba a fin del siglo.

De todas maneras esta prueba no tuvo el valor prctico que se esperaba, aunque sus repercusiones tericas son fundamentales. El enfoque de Turing de ver a la inteligencia artificial como una imitacin del comportamiento humano no fuen tan prctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento racional, de manera similar, en el campo de la aeronutica se dej de lado el enfoque de tratar de imitar a los pjaros y se tomo el enfoque de comprender las reglas de aerodinamia. Aunque desde luego, el enfoque del comportamiento humano y el del pensamiento humano siguen siendo estudiados por las ciencias cognitivas y continan aportando interesantes resultados a la Inteligencia Artificial, y viceversa.

Vase tambin: Prueba de Turing

Disciplinas sobre las que se apoya

La ciencia no se define, sino que se reconoce. Para la evolucin de la Inteligencia Artificial las dos fuerzas ms importantes fueron la lgica matemtica, la cual se desarrolla rpidamente a finales del siglo XIX, y las nuevas ideas acerca de computacin y los avances en electrnica que permitieron la contruccin de los primeros computadores en 1940. Tambin son fuente de la inteligencia artificial, la filosofa, la neurociencia y la lingstica. La lgica matemtica ha continuando siendo un rea muy activa en la inteligencia artificial. Incluso antes de la existencia de los ordenadores como son los sistemas lgicos deductivos.

Orgenes y Evolucin Cronolgica

Los juegos matemticos antiguos, como el de las Torres de Hanoi (hacia el 3000 a.C.), demuestran el inters por la bsqueda de un bucle resolutor, capaz de ganar en 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. Ktesibios de Alejandra construy la primera mquina autocontrolada, un regulardor del flujo de agua que actuaba modificando su compotamiento "racionalmente" (correctamente) pero claramente sin razonamiento.

En 1315 d.C Ramn Lull tuvo la idea de que el razonamiento poda ser efectuado de maneral 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 triodo, 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 primer 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.

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, an cuando todava no exista el trmino.

En 1950 Turing 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 le pensamiento humano a travs de la computacin y fue coautor del primer programa para jugar ajedrez.

En 1951 William Shockley inventa el transistor de unin. El invento hizo posible una nueva generacin de computadoras mucho ms rpidas y pequeas.

En 1956 se acu 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.

En 1980 la historia se repiti con el desafo japons de la quinta generacin, que dio lugar al auge de los sistemas expertos pero que no alcanz muchos de sus objetivos, por lo que este campo sufri una nueva interrupcin en los aos noventa.

En 1987 Martin Fischles y Oscar Firschein 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 investigacin enormes y diferenciadas. Dichos atributos del agente inteligente son:

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".

1. Tiene actitudes mentales tales como creencias e intenciones. 2. Tiene la capacidad de obtener conocimiento, es decir, aprender. 3. Puede resolver problemas, incluso particionando problemas complejos en otros ms simples. 4. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias. 5. Planifica, predice consecuencias, evala alternativas (como en los juegos de ajedrez) 6. Conoce los lmites de su propias habilidades y conocimientos. 7. Puede distinguir a pesar de las similitud de las situaciones. 8. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando analogas. 9. Puede generalizar. 10. Puede percibir y modelar el mundo exterior. 11. Puede entender y utilizar el lenguaje y sus smbolos.

Podemos entonces decir que la IA incluye 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.

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".

Espero guste !