Você está na página 1de 26

Contenido

INTELIGENCIA ARTIFICIAL............................................................................... 2
1.

INTRODUCCIN..................................................................................... 2

2.

DEFINICIN........................................................................................... 2

3.

HISTORIA DE LA INTELIGENCIA ARTIFICIAL............................................4

4.

MARCO TEORICO................................................................................... 6
4.1.

INTELIGENCIA DE LAS MQUINAS...................................................6

4.2.

DEFINICIN DE SISTEMAS INTELIGENTES.......................................6

4.3.

ELEMENTOS DE LA INTELIGENCIA ARTIFICIAL.................................7

4.4.

APLICACIONES DE LA INTELIGENGIA ARTIFICIAL.............................8

4.4.1.

ROBTICA................................................................................ 8

4.4.2.

PROCESAMIENTO DE LENGUAJES NATURALES........................12

4.4.3.

RECONOCIMIENTO DE PATRONES...........................................14

4.4.4.

SISTEMAS EXPERTOS..............................................................18

4.4.4.1. APRENDIZAJE AUTOMATICO................................................20


4.4.4.2. MODELOS DE APRENDIZAJE................................................20
4.4.4.3. TIPOS DE APRENDIZAJE.......................................................21
4.4.5. DISTINCIN ENTRE APRENDIZAJE SUPERVISADO Y NO
SUPERVISADO..................................................................................... 23
4.4.6.

BUSQUEDAS EN INTELIGENCIA ARTIFICIAL.............................24

4.4.6.1. ARBOL................................................................................. 24
4.4.6.2. RECORRIDO DE ARBOLES....................................................24
4.4.6.3. BUSQUEDA EN PROFUNDIDAD............................................25
4.4.6.4. BSQUEDA EN ANCHURA....................................................26
4.4.6.5. ALGORITMOS DE BUSQUEDA A*..........................................26
5.

BIBLIOGRAFIA...................................................................................... 28

INTELIGENCIA ARTIFICIAL
1. INTRODUCCIN
Desde

la

aparicin

de

las

computadoras,

se

han

ido

efectuando investigaciones cientficas y tecnolgicas con el fin de que stas puedan


resolver y realizar algunas actividades propias de los seres humanos, y se ha logrado
automatizar muchos procesos consiguiendo eficiencia en el tiempo y recursos invertidos
para realizar cualquier tipo de actividad.[6]
Las primeras investigaciones sobre la IA fueron realizadas en el siglo XX, dada por una
sucesin de etapas o perodos alternativos de xito y otros de abandono, donde ha
creado expectativas que no siempre son descubiertas o no tienen su fundamento
tecnolgico. En la actualidad, vemos a esto como un enfoque que toma fuerza con el
pasar del tiempo debido a sus logros y avances en las ltimas dcadas.

2. DEFINICIN
La Inteligencia Artificial es una rama de la ciencia de la computacin que comprende el
estudio y creacin de sistemas computarizados que manifiestan cierta forma de
inteligencia: sistemas que aprenden nuevos conceptos y tareas, sistemas que pueden
razonar y derivar conclusiones tiles acerca del mundo que nos rodea, sistemas que
pueden comprender un lenguaje natural o percibir y comprender una escena visual, y
sistemas que realizan otro tipo de actividades que requieren de inteligencia humana.
Como toda disciplina de reciente creacin, la IA no se encuentra unificada en trminos
de objetivos y mtodos de investigacin. Recientemente, parte de los esfuerzos de los
investigadores en esta rea se han dedicado a la definicin de dichos objetivos y al
recuento de las herramientas metodolgicas utilizadas hasta ahora. Como resultado de
este esfuerzo, que dista mucho de su conclusin, se han definido algunos acuerdos
bsicos sobre el rea y sus estrategias.
Por ahora, es suficientemente claro que el objetivo de la IA es el de entender la
naturaleza de la inteligencia a travs del diseo de sistemas computacionales que la
exhiban. En forma ms concreta, puede afirmarse que, en lo que ha transcurrido de su
corta historia, la
IA ha estado dirigida por tres objetivos generales:
El anlisis terico de las posibles explicaciones del comportamiento inteligente.
2

La explicacin de habilidades mentales humanas.


La construccin de artefactos (computadoras) inteligentes.
Con estos propsitos en su agenda de investigacin, los estudiosos de la IA han
recurrido al uso de cuatro diferentes estrategias metodolgicas: el desarrollo de
tecnologas tiles en esta rea, la simulacin, el modelamiento, y la construccin de
teora sobre la inteligencia artificial. El desarrollo de tecnologas de computacin ha
sido una empresa titnica que los ingenieros en electrnica han tomado en sus manos,
sin embargo, slo una pequea parte de lo que se conoce como ciencia de la
computacin puede incluirse dentro de la IA. No existe todava un criterio preciso con
el cual distinguir cundo un sistema computacional es un sistema de IA, pero el acuerdo
general es que cualquier mquina que desempee una funcin mental que tendra que
ser realizada por una inteligencia humana es un ejemplo de IA.
La simulacin que se hace en IA ha intentado reproducir algunas de las caractersticas
inteligentes de los seres humanos. Estas reproducciones han buscado abiertamente la
similitud entre una computadora y los seres humanos. La elaboracin de simulaciones
ha sugerido la posibilidad de explorar los procesos cognoscitivos humanos, sin embargo
los esfuerzos en esta lnea, a diferencia del modelamiento, han estado dedicados a
producir comportamiento humano inteligente en las computadoras ms que a entenderlo
o explicarlo.
El modelamiento, por otra parte, tiene como objeto la utilizacin de los sistemas de IA
para entender a la inteligencia humana. Ha sido tradicionalmente utilizado por
psiclogos y no tiene como requisito necesario el uso de computadoras, De hecho,
muchas de las teoras sobre cognicin han utilizado modelos en computadoras sin hacer
referencia a ellas, por ejemplo, la teora sobre memoria semntica o sobre
representacin mental.
Finalmente, el trabajo terico en IA ha abierto por primera vez la posibilidad de teorizar
sobre la inteligencia sin hacer necesariamente referencia a la inteligencia humana. Es
decir, se ha propuesto la formulacin de una teora de la inteligencia "pura".

3. HISTORIA DE LA INTELIGENCIA ARTIFICIAL


El nacimiento real de la IA se produce para el ao 1950, cuando Norbet Wiener
desarroll el principio de la retroalimentacin. Esta tcnica consiste, por ejemplo, en la
tecnologa del termostato, comparar la temperatura actual del entorno con la deseada y,
segn los resultados, aumentarla o disminuirla. En 1955 Newell y Simon desarrollan la
Teora de la lgica la cual permiti desarrollar un programa que exploraba la solucin a
3

un problema utilizando ramas y nudos, seleccionando nicamente las ramas que ms


parecan acercarse a la solucin correcta de los problemas siendo ste el primer
programa inteligente basado en su modelo de procesamiento de informacin
Basndose en los estudios sobre memoria asociativa, el equipo Newell-Shaw-Simon
construy los primeros lenguajes de procesamiento de informacin (IPL-I, IPL-II)
utilizados en el diseo de su "Logic Theorist Machine" que se convirti en la primera
mquina "inteligente". Esta mquina fue capaz no slo de memorizar y aprender, sitio
que consigui demostrar de una manera original y "creativa", es decir no prevista por
sus creadores, algunos de los teoremas propuestos por Bertrand Russell en los
Principios (Russell and Whitehead, 1925).
En el ao 1957 aparece la primera versin de The General Problem Solver (GPS), un
programa capaz de solucionar problemas de sentido comn. El GPS utilizaba la teora
de la retroalimentacin de Wiener.Desde sus orgenes la IA se relacion con juegos
como el ajedrez y las damas, probablemente debido a que los juegos de mesa
constituyen modelos de situaciones reales en las que hay que calcular, solucionar
problemas, tomar decisiones, corregir errores, recordar, etc. A pesar de que esta lnea de
investigacin ha sido casi totalmente abandonada en la actualidad, muchos de los
avances tericos y metodolgicos de la IA se deben a ella. Por ejemplo, Samuel dise
en 1961 un programa que jugaba damas y que era capaz de aprender de sus errores, es
decir, era capaz de adaptar su comportamiento en relacin con eventos pasados. Lo ms
controversial de este programa fue que, aunado a su capacidad de aprendizaje la de
memoria, con el tiempo consigui derrotar invariablemente a su creador.

Hacia mediados de los sesenta la IA se convierte en un rea en la que se interesan e


interactan especialistas de diversas disciplinas: lgicos, psiclogos, matemticos,
lingistas, filsofos, etc. Uno de los grandes temas de IA en esta dcada fue el estudio
del lenguaje. En la mayora de los estudios iniciales sobre el lenguaje, se atac el
problema de disear una mquina que fuera capaz de traducir de un idioma a otro. El
nfasis se hizo en el anlisis de la sintaxis, en lugar del significado, estrategia que se
abandon relativamente pronto. Los investigadores interesados en esta rea de la IA
pronto descubrieron que traduccin no es lo mismo que transformacin, y que, como
consecuencia de ello, de alguna manera la mquina tendra que "entender" un texto

antes de poder traducirlo. Los esfuerzos se orientaron hacia una definicin de la


comprensin que pudiera simularse en una computadora.
Ya en el ao 1970 se produce el advenimiento de los Sistemas Expertos. Los
Sistemas Expertos se han utilizado para ayudar a los mdicos a diagnosticar
enfermedades e informar a los mineros a encontrar vetas de mineral. Al mismo tiempo,
en 1970. David Marr propone nuevas teoras sobre la capacidad de reconocimiento
visual de las diferentes mquinas
Para el 1986 las ventas de hardware y software relacionados con la IA se
contabilizan por 425,000.00 millones de dlares. Compaas como DuPont, General
Motors, y Boeing utilizan sistemas expertos a principios de la dcada de los 80 y stos
sistemas expertos se convertirn en un standard a finales de la misma.
En los 90 la IA fue utiliza de forma efectiva en la Guerra del Golfo sobre sistemas de
misiles visores, los soldados y otros.

4. MARCO TEORICO
4.1.

INTELIGENCIA DE LAS MQUINAS

La inteligencia es la capacidad que tienen los seres humanos, a diferencia de


otras especies, de aprender, procesar informacin y a partir de ello resolver problemas.
La inteligencia artificial tiene como modelo natural las funcionalidades inteligentes
del hombre, cuya motivacin es intentar construir mquinas que pudieran pensar
como el hombre o por lo menos emular alguna de las capacidades que manifieste cierta
inteligencia.

A grandes rasgos se puede decir que la inteligencia artificial es una ciencia que intenta
crear programas para mquinas con el fin de imitar el comportamiento y la comprensin
humana para que sea capaz de aprender, reconocer y pensar.

4.2.

DEFINICIN DE SISTEMAS INTELIGENTES

La definicin de inteligencia en el diccionario de la lengua espaola: la


capacidad de adquirir y aplicar conocimiento. Ahora, un concepto algo ms tcnico y
claro de lo que es la inteligencia, se puede decir que es una propiedad del sistema que se
usa cuando los procedimientos de focalizar la atencin, bsqueda combinatoria y
generalizacin son aplicados a la informacin de entrada en orden a producir la salida.
El sistema inteligente tiene la habilidad de actuar apropiadamente en su entorno con
incertidumbre, donde una accin adecuada es la que aumenta la probabilidad del xito,
y el xito es la consecucin de los sub objetivos de comportamiento que respaldan el
ltimo objetivo del sistema.
El estudio y desarrollo de sistemas inteligentes requiere significativos esfuerzos de
investigacin multidisciplinario para integrar conceptos y mtodos de distintas reas.
Para considerar a una mquina o sistema inteligente, debe aprobar el test de Turing
(hombre y mquina realizan la misma tarea con el mismo resultado).
Por lo tanto, una mquina o sistema inteligente es el que realiza el proceso de analizar,
organizar y convertir los datos en conocimiento, donde el conocimiento del sistema es
informacin estructurada adquirida y aplicada para reducir la ignorancia o la
incertidumbre sobre una tarea especfica.

4.3.

ELEMENTOS DE LA INTELIGENCIA ARTIFICIAL


En verdad, la inteligencia artificial consiste en la asimilacin de los procesos

inductivos y deductivos del cerebro humano. Este intento de imitacin se enfrenta a


duras restricciones del hardware. Una computadora no es un cerebro; su complejidad
6

electrnica se encuentra a una distancia abismal de la superior complejidad neurolgica


cerebral. La inteligencia artificial acepta el reto de la imitacin de los procesos del
cerebro aplicando mucho ingenio para aprovechar los medios de que se dispone y que se
elaboran.
Sea cual sea la aplicacin de que se trate, la lA se sustenta sobre los dos
elementos siguientes:
Estrategias de comportamiento inteligente.
Saber.
Estos elementos forman una construccin coherente: son forma y contenido, estructura
y materia. El primer elemento es el de las estrategias de comportamiento inteligente; se
conjuga en la disposicin de reglas para formular buenas inferencias o conjeturas y,
tambin, en su utilidad para la bsqueda de una solucin a la cuestin o tarea planteada.
De esta forma, las estrategias son la parte estructural o formal.
Por oposicin, el segundo elemento significa lo material o el contenido, y, por
tanto, vara en cada caso de un modo ms profundo; se trata del saber. En realidad, no se
puede pretender reunir el saber, sino los saberes. Por ejemplo, cada sistema experto
posee en memoria todos los conocimientos distintivos que tendra un especialista en la
materia, sea un mdico, un abogado o un qumico. El saber que se recoge tiene un
carcter especializado y alcanza un volumen conceptual considerable.
4.4.

APLICACIONES DE LA INTELIGENGIA ARTIFICIAL


Robtica.
Procesamiento de Lenguaje Natural.
Reconocimiento de Patrones.
Sistemas Expertos
Tutores Inteligentes.
Manipulacin Inteligente de Base de Datos.
Programacin Automtica.
Visin Computarizada.

4.4.1. ROBTICA

El RIA (Robot Institute of America) define al robot como "un manipulador


multifuncional reprogramable, diseado para mover materiales, partes, herramientas o

dispositivos especializados a travs de movimientos variables programados para la


performance de una variedad de labores".
Esta definicin indudablemente no abarca todas las posibilidades de aplicacin
presente y futuras de los robots y a nuestro parecer, el robot es a la produccin, lo que el
computador es para el procesamiento de datos, es decir una nueva y revolucionaria
concepcin del sistema productivo cuyos alcances recin comienzan a percibirse en los
pases altamente industrializados. Realmente los robots, no incorporan nada nuevo a la
tecnologa en general, la novedad radica en la particularidad de su arquitectura y en los
objetivos que se procura con los mismos.
El trabajo del robot se limita generalmente a pocos movimientos repetitivos de
sus ejes, estos son casi siempre 3 para el cuerpo y 3 para la mano o puo, su radio de
accin queda determinado por un sector circular en el espacio donde ste alcanza a
actuar. Cuando las partes o piezas a manipular son idnticas entre ellas y se presentan en
la misma posicin, los movimientos destinados a reubicar o montar partes se efectan
mediante dispositivos articulados que a menudo finalizan con pinzas.

CRONOGRAMA SOBRE LA HISTORIA DE LA ROBTICA

FECHA
SigloXVIII.

DESARROLLO
A mediados del siglo XVIII J. de Vaucanson construy varias muecas

1801

mecnicas de tamao humano que ejecutaban piezas de msica


J. Jaquard invento su telar, que era una mquina programable para la

1805
1946

urdimbre
H. Maillardet construy una mueca mecnica capaz de hacer dibujos.
El inventor americano G.C. Devol desarroll un dispositivo controlador
que poda registrar seales elctricas por medio magnticos y
reproducirlas para accionar una mquina mecnica. La patente
estadounidense se emiti en 1952.
8

1951

Trabajo de desarrollo con teleoperadores (manipuladores de control


remoto) para manejar materiales radiactivos. Patente de Estados Unidos

1952

emitidas para Goertz (1954) y Bergsland (1958).


Una mquina prototipo de control numrico fue objetivo de
demostracin en el Instituto Tecnolgico de Massachusetts despus de
varios aos de desarrollo. Un lenguaje de programacin de piezas
denominado APT (Automatically Programmed Tooling) se desarroll

1954

posteriormente y se public en 1961.


El inventor britnico C. W. Kenward solicit su patente para diseo de

1954

robot. Patente britnica emitida en 1957.


G.C. Devol desarrolla diseos para Transferencia de artculos

1959

programada. Patente emitida en Estados Unidos para el diseo en 1961.


Se introdujo el primer robot comercial por Planet Corporation. Estaba

1960

controlado por interruptores de fin de carrera.


Se introdujo el primer robot Unimate, basada en la transferencia de
articulaciones programada de Devol. Utilizan los principios de control
numrico para el control de manipulador y era un robot de transmisin

1961

hidrulica.
Un robot Unimate se instal en la Ford Motors Company para atender

1966

una mquina de fundicin de troquel.


Trallfa, una firma noruega, construy e instal un robot de pintura por

1968

pulverizacin.
Un robot mvil llamado Shakey se desarrollo en SRI (standford
Research Institute), estaba provisto de una diversidad de sensores as
como una cmara de visin y sensores tctiles y poda desplazarse por

1971

el suelo.
El Standford Arm, un pequeo brazo de robot de accionamiento

1973

elctrico, se desarroll en la Standford University.


Se desarroll en SRI el primer lenguaje de programacin de robots del
tipo de computadora para la investigacin con la denominacin WAVE.
Fue seguido por el lenguaje AL en 1974. Los dos lenguajes se
desarrollaron posteriormente en el lenguaje VAL comercial para

1974

Unimation por Vctor Scheinman y Bruce Simano.


ASEA introdujo el robot Irb6 de accionamiento completamente

1974

elctrico.
Kawasaki, bajo licencia de Unimation, instal un robot para soldadura
9

1974
1975

por arco para estructuras de motocicletas.


Cincinnati Milacron introdujo el robot T3 con control por computadora.
El robot Sigma de Olivetti se utiliz en operaciones de montaje, una

1976

de las primitivas aplicaciones de la robtica al montaje.


Un dispositivo de Remote Center Compliance (RCC) para la insercin
de piezas en la lnea de montaje se desarroll en los laboratorios Charles

1978

Stark Draper Labs en Estados Unidos.


El robot T3 de Cincinnati Milacron se adapt y program para realizar
operaciones de taladro y circulacin de materiales en componentes de
aviones, bajo el patrocinio de Air Force ICAM (Integrated Computer

1978

Aided Manufacturing).
Se introdujo el robot PUMA (Programmable Universal Machine for
Assambly) para tareas de montaje por Unimation, basndose en diseos

1979

obtenidos en un estudio de la General Motors.


Desarrollo del robot tipo SCARA (Selective Compliance Arm for
Robotic Assambly) en la Universidad de Yamanashi en Japn para

1980

montaje. Varios robots SCARA comerciales se introdujeron hacia 1981.


Un sistema robtico de captacin de recipientes fue objeto de
demostracin en la Universidad de Rhode Island. Con el empleo de
visin de mquina el sistema era capaz de captar piezas en orientaciones

1981

aleatorias y posiciones fuera de un recipiente.


Se desarroll en la Universidad de Carnegie-Mellon un robot de
impulsin directa. Utilizaba motores elctricos situados en las
articulaciones del manipulador sin las transmisiones mecnicas

1982

habituales empleadas en la mayora de los robots.


IBM introdujo el robot RS-1 para montaje, basado en varios aos de
desarrollo interno. Se trata de un robot de estructura de caja que utiliza
un brazo constituido por tres dispositivos de deslizamiento ortogonales.
El lenguaje del robot AML, desarrollado por IBM, se introdujo tambin

1983

para programar el robot SR-1.


Informe emitido por la investigacin en Westinghouse Corp. Bajo el
patrocinio de National Science Foundation sobre un sistema de montaje
programable adaptable (APAS), un proyecto piloto para una lnea de

1984

montaje automatizada flexible con el empleo de robots.


Robots 8. La operacin tpica de estos sistemas permita que se

10

desarrollaran programas de robots utilizando grficos interactivos en


una computadora personal y luego se cargaban en el robot.
CARACTERSTICAS DE LOS ROBOTS
Versatilidad: Potencialidad estructural de ejecutar tareas diversas y/o ejecutar una
misma tarea de forma diversa. Esto impone al robot una estructura mecnica de
geometra variable.
Autoadaptibilidad al entorno: Significa que un robot debe, por s solo, alcanzar su
objetivo (ejecutar su tarea) a pesar de las perturbaciones imprevistas del entorno a lo
largo de la ejecucin de su tarea. Esto supone que el robot sea consciente de su entorno
y que por lo tanto posea sentidos artificiales.

4.4.2. PROCESAMIENTO DE LENGUAJES NATURALES


DEFINICIN

Es un campo de las computacin, inteligencia y lingstica que estudia las interacciones


entre las computadoras y el lenguaje humano. El PLN se ocupa de la formulacin e
investigacin de mecanismos eficaces computacionalmente para la comunicacin entre
personas y mquinas por medio de lenguajes naturales. El PLN no trata de la
comunicacin por medio de lenguajes naturales de una forma abstracta, sino de disear
mecanismos para comunicarse que sean eficaces computacionalmente que se puedan
realizar por medio de programas que ejecuten o simulen la comunicacin. Los modelos
aplicados se enfocan no slo a la comprensin del lenguaje de por s, sino a aspectos
generales cognitivos humanos y a la organizacin de la memoria. El lenguaje natural
sirve slo de medio para estudiar estos fenmenos. Hasta la dcada de 1980, la mayora
de los sistemas de PNL se basaban en un complejo conjunto de reglas diseadas a mano.
A partir de finales de 1980, sin embargo, hubo una revolucin en PNL con la
introduccin de algoritmos de aprendizaje para el procesamiento del lenguaje.
COMPONENTES
Anlisis morfolgico. El anlisis de las palabras para extraer races, rasgos
flexivos, unidades lxicas compuestas y otros fenmenos.
Anlisis sintctico. El anlisis de la estructura sintctica de la frase mediante
una gramtica de la lengua en cuestin.
Anlisis semntico. La extraccin del significado de la frase, y la resolucin de
ambigedades lxicas y estructurales.
11

Anlisis pragmtico. El anlisis del texto ms all de los lmites de la frase, por
ejemplo, para determinar los antecedentes referenciales de los pronombres.
Planificacin de la frase. Estructurar cada frase del texto con el fin de expresar
el significado adecuado.
Generacin de la frase. La generacin de la cadena lineal de palabras a partir
de la estructura general de la frase, con sus correspondientes flexiones,
concordancias y restantes fenmenos sintcticos y morfolgicos.

APLICACIONES

Sntesis del discurso


Anlisis del lenguaje
Comprensin del lenguaje
Reconocimiento del habla
Sntesis de voz
Generacin de lenguajes naturales
Traduccin automtica
Respuesta a preguntas
Recuperacin de la informacin
Extraccin de la informacin

4.4.3. RECONOCIMIENTO DE PATRONES


DEFINICIN

El reconocimiento de patrones es la ciencia que se encarga de la descripcin y


clasificacin (reconocimiento) de objetos, personas, seales, representaciones, etc. Esta
ciencia trabaja con base en un conjunto previamente establecido de todos los posibles
objetos (patrones) individuales a reconocer. El margen de aplicaciones del
reconocimiento de patrones es muy amplio, sin embargo las ms importantes estn
relacionadas con la visin y audicin por parte de una mquina, de forma anloga a los
seres humanos. El esquema de un sistema de reconocimiento de patrones consta de
varias etapas relacionadas entre s (los resultados de una etapa pueden modificar los
parmetros de etapas anteriores). La figura 2.1 muestra un esquema general de un
sistema de reconocimiento de patrones, en el cual el sensor tiene como propsito
proporcionar una representacin factible de los elementos del universo a ser

12

clasificados. Es un sub-sistema crucial ya que determina los lmites en el rendimiento de


todo el sistema. La Extraccin de Caractersticas es la etapa que se encarga, a partir del
patrn de representacin, de extraer la informacin discriminatoria eliminando la
informacin redundante e irrelevante. El Clasificador es la etapa de toma de decisiones
en el sistema. Su rol es asignar los patrones de clase desconocida a la categora
apropiada.

SISTEMA BASICO DE RECONOCIMIENTO DE PATRONES


Un sistema completo de reconocimiento de patrones incluye un sensor que recoja
fielmente los elementos del universo a ser clasificado, un mecanismo de extraccin de
caractersticas cuyo propsito es extraer la informacin til, eliminando la informacin
redundante e irrelevante, y finalmente una etapa de toma de decisiones en la cual se
asigna a la categora apropiada los patrones de clase desconocida a priori.
Sensor

El sensor es el dispositivo encargado de la adquisicin de datos. Ha de ser capaz de


transformar magnitudes fsicas o qumicas, llamadas variables de instrumentacin, en
magnitudes elctricas. Las variables de instrumentacin dependen del tipo de sensor y
pueden ser por ejemplo: temperatura, intensidad lumnica, distancia, aceleracin,
inclinacin, desplazamiento, presin, fuerza, torsin, humedad, etc.

13

Extraccin de caractersticas
Es el proceso de generar caractersticas que puedan ser usadas en el proceso de
clasificacin de los datos. En ocasiones viene precedido por un preprocesador de la
seal, necesario para corregir posibles deficiencias en los datos debido a errores del
sensor, o bien para preparar los datos de cara a posteriores procesos en las etapas de
extraccin de caractersticas o clasificacin.
Las caractersticas elementales estn explcitamente presentes en los datos adquiridos y
pueden ser pasados directamente a la etapa de clasificacin. Las caractersticas de alto
orden son derivadas de las elementales y son generadas por manipulaciones o
transformaciones en los datos.

Seleccin de variables
Consiste en seleccionar cul es el tipo de caractersticas o rasgos ms adecuados para
describir los objetos. Para ello, se deben localizar los rasgos que inciden en el problema
de manera determinante.
Esta etapa tambin puede ser diseada dentro de la clasificacin.
La seleccin de variables puede diferenciarse segn los objetivos buscados:

Para la clasificacin: la seleccin de caractersticas relevantes, a partir del


conjunto total de caractersticas que describen a los objetos, se hace con dos
motivos fundamentales: mejorar la clasificacin o aumentar la velocidad
de procesamiento.

Para la representacin: decidir qu caractersticas representan mejor a cierto


tipo de objetos.

Estrategias de seleccin de variables:

wrapper: la seleccin de caractersticas se hace usando informacin del


mecanismo de clasificacin.
14

filter: la seleccin se hace con un criterio independiente del clasificador.


Incluye algunos mtodos como:

Tablas de decisin: le busca un subconjunto mnimo de variables que no


introduzca confusin entre clases.

ID3: le crea un rbol de decisin y se selecciona un conjunto de variables


que permita discriminar entre clases.

Teora de testores: le buscan todos los subconjuntos de variables


discriminantes minimales, con estos se evala la relevancia de cada variable
y se seleccionan aquellas con mayor relevancia.

APLICACIONES
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las
ms relevantes y utilizadas actualmente son:

Previsin meteorolgica: poder clasificar todos los datos meteorolgicos segn


diversos patrones, y con el conocimiento a priori que tenemos de las diferentes
situaciones que pueden aparecer nos permite crear mapas de prediccin automtica.

Reconocimiento de caracteres escritos a mano o a mquina: es una de las


utilidades ms populares de los sistemas de reconocimiento de patrones ya que los
smbolos de escritura son fcilmente identificables.

15

Reconocimiento de voz: el anlisis de la seal de voz se utiliza actualmente en


muchas aplicaciones, un ejemplo claro son los teleoperadores informticos.

Aplicaciones en medicina: anlisis de biorritmos, deteccin de irregularidades


en imgenes de rayos-x, deteccin de clulas infectadas, marcas en la piel...

Reconocimiento de huellas dactilares: utilizado y conocido por la gran


mayora, mediante las huellas dactilares todos somos identificables y con programas
que

detectan

clasifican

las

coincidencias,

resulta

sencillo

encontrar

correspondencias.

Reconocimiento de caras: utilizado para contar asistentes en una manifestacin


o simplemente para detectar una sonrisa, ya hay diferentes cmaras en el mercado
con esta opcin disponible.

Interpretacin de fotografas areas y de satlite: gran utilidad para propuestas


militares o civiles, como la agricultura, geologa, geografa, planificacin urbana...

Prediccin de magnitudes mximas de terremotos.

Reconocimiento de objetos: con importantes aplicaciones para personas con


discapacidad visual.

Reconocimiento de msica: identificar el tipo de msica o la cancin concreta


que suena.

4.4.4. SISTEMAS EXPERTOS


DEFINICIN

En teora, los sistemas expertos son capaces de razonar siguiendo pasos comparables a
los que sigue un especialista (mdico, bilogo, gelogo, matemtico, etc.), cuando
resuelve un problema propio de su disciplina. Por ello el creador de un sistema experto
debe comenzar por identificar y recoger, del experto humano, los conocimientos que
ste utiliza: conocimientos tericos, pero sobre todo los conocimientos empricos
adquiridos en la prctica.

16

El estudio y desarrollo de los sistemas expertos (SES) comenz a mediados de la dcada


del 60. Entre 1965 y 1972 fueron desarrollados varios de estos sistemas, muchos de
ellos tuvieron un alcance muy limitado, otros como mycin, dendral y prospector,
constituyeron la base histrica del SES y an en la actualidad son de gran inters para
los investigadores que se dedican al estudio y construccin de los mismos.
Los sistemas expertos o especializados constituyen una instrumentalizacin de la IA
muy til. Son sistemas que acumulan saber perfectamente estructurado, de tal manera
que sea posible obtenerlo gradualmente segn las situaciones. Aqu desaparece el
concepto de informacin en favor del de saber. Un sistema experto no es una biblioteca
que aporta informacin, sino un consejero o especialista en una materia, de ah que
aporte saber, consejo experimentado.
Un sistema experto es un sofisticado programa de computadora. Posee en su memoria y
en su estructura una amplia cantidad de saber y, sobre todo, de estrategias para
depurarlo y ofrecerlo segn los requerimientos. Ello convierte al sistema (softwarehardware) en un especialista en la materia para lo que est programado; se utiliza como
apoyo o elemento de consulta para investigadores, mdicos, abogados, gelogos, y otros
profesionales. En la actualidad existe un gran nmero de sistemas expertos repartidos
entre los campos ms activos de la investigacin y de la profesionalidad.
Un ejemplo sera INTERNIST, un sistema experto en medicina. La medicina atrae, por
el momento, buena parte de la atencin de los diseadores de sistemas y cuenta con el
mayor nmero de programas. El sistema INTERNIST contempla el diagnstico de las
enfermedades de medicina interna u hospitalaria. Fue desarrollado en la universidad
norteamericana de Pittsburg en 1 977.
En los centros mdicos que disponen de dicho sistema, el mdico acude a la consola de
la computadora despus de haber reconocido al paciente y haber realizado los anlisis
que cree pertinentes. Entonces la mquina solicita al mdico informacin sobre el
paciente, y se establece una conversacin a travs de la pantalla y el teclado, similar a la
que se establecera entre un mdico y un reputado especialista al que se acude para
contrastar un diagnstico.
La computadora recibe el historial mdico del enfermo, los sntomas y los resultados de
pruebas y anlisis. Con esta informacin, el sistema experto relaciona los datos de
forma muy elaborada y comienza por desechar posibles diagnsticos hasta que llega a
los que parecen ms probables. Finalmente, elige uno y lo da a conocer con todo el

17

detalle del proceso. Luego justifica su eleccin y el porqu de la posible enfermedad:


cuadro clnico, historial, tratamiento, posibilidades de error, etc.
La elaboracin de los sistemas expertos exige el despliegue de un amplio equipo de
ingenieros de lA y una larga tarea de organizacin del saber. El equipo trabaja con algn
especialista en la materia de la aplicacin; en el caso del INTERNIST, con brillantes y
especializados mdicos. Estos especialistas son denominados informantes. La meta
consiste en plasmar computacionalmente los pasos que el informante sigue para
descartar unos diagnsticos y escoger el ms acertado. Ello requiere pacientes sesiones
para trasvasar el conocimiento del mdico especialista a una programacin que ha de
incluir procedimientos de diagnstico y conocimientos de enfermedades.
Por ser los SES programas basados en conocimiento, la programacin de SES incluye
como aspecto fundamental la programacin del conocimiento, la cual hace uso de la
representacin explcita del conocimiento a utilizar por el sistema y de su interpretacin
y manipulacin lgica por medio de mecanismos de inferencia, que permitan deducir
nuevo conocimiento a partir del que ya se conoce.

4.4.4.1. APRENDIZAJE AUTOMATICO

En ciencias de la computacin el aprendizaje automtico o aprendizaje de


mquinas es una rama de la inteligencia artificial cuyo objetivo es desarrollar
tcnicas que permitan a las computadoras aprender. De forma ms concreta, se
trata de crear programas capaces de generalizar comportamientos a partir de una
informacin no estructurada suministrada en forma de ejemplos. Es, por lo
tanto, un proceso de induccin del conocimiento. En muchas ocasiones el
campo de actuacin del aprendizaje automtico se solapa con el de la
estadstica, ya que las dos disciplinas se basan en el anlisis de datos. Sin
embargo, el aprendizaje automtico se centra ms en el estudio de la
18

complejidad computacional de los problemas. Muchos problemas son de clase


NP-hard, por lo que gran parte de la investigacin realizada en aprendizaje
automtico est enfocada al diseo de soluciones factibles a esos problemas. El
aprendizaje automtico puede ser visto como un intento de automatizar algunas
partes del mtodo cientficomediante mtodos matemticos.
El aprendizaje automtico tiene una amplia gama de aplicaciones, incluyendo
motores de bsqueda, diagnsticos mdicos, deteccin de fraude en el uso de
tarjetas de crdito, anlisis del mercado de valores, clasificacin de secuencias
de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robtica.
4.4.4.2. MODELOS DE APRENDIZAJE

El aprendizaje automtico tiene como resultado un modelo para resolver una


tarea dada. Entre los modelos se distinguen:
Los modelos geomtricos, construidos en el espacio de instancias y que
pueden tener una, dos o mltiples dimensiones. Si hay un borde de decisin
linear entre las clases, se dice que los datos son linealmente separables. Un
lmite de decisin linear se define como w * x = t, donde w es un vector
perpendicular al lmite de decisin, x es un punto arbitrario en el lmite de
decisin y t es el umbral de la decisin
Los modelos probabilsticos, que intentan determinar la distribucin de
probabilidades descriptora de la funcin que enlaza a los valores de las
caractersticas con valores determinados. Uno de los conceptos claves para
desarrollar modelos probabilsticos es la estadstica bayesiana.
Los modelos lgicos, que transforman expresan las probabilidades en
reglas organizadas en forma de rboles de decisin.
Los modelos pueden tambin clasificarse como modelos de agrupamiento y modelos de
gradiente. Los primeros tratan de dividir el espacio de instancias en grupos. Los
segundos, como su nombre lo indican, representan un gradiente en el que se puede
diferenciar entre cada instancia. Clasificadores geomtricos como las mquinas de
vectores de apoyo son modelos de gradientes
4.4.4.3.

TIPOS DE APRENDIZAJE

Los diferentes algoritmos de Aprendizaje Automtico se agrupan en una taxonoma en


funcin de la salida de los mismos. Algunos tipos de algoritmos son:
Aprendizaje supervisado

19

El algoritmo produce una funcin que establece una correspondencia entre las entradas
y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema
de clasificacin, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie
de vectores utilizando una entre varias categoras (clases). La base de conocimiento del
sistema est formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje
puede llegar a ser muy til en problemas de investigacin biolgica, biologa
computacional y bioinformtica.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado
tan slo por entradas al sistema. No se tiene informacin sobre las categoras de esos
ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones
para poder etiquetar las nuevas entradas.
Aprendizaje semi supervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de
manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su informacin de entrada es
el feedback o retroalimentacin que obtiene del mundo exterior como respuesta a sus
acciones. Por lo tanto, el sistema aprende a base de ensayo-error.
Transduccin
Similar al aprendizaje supervisado, pero no construye de forma explcita una funcin.
Trata de predecir las categoras de los futuros ejemplos basndose en los ejemplos de
entrada, sus respectivas categoras y los ejemplos nuevos al sistema.
Aprendizaje multi-tarea
Mtodos de aprendizaje que usan conocimiento previamente aprendido por el sistema
de cara a enfrentarse a problemas parecidos a los ya vistos. El anlisis computacional y
de rendimiento de los algoritmos de aprendizaje automtico es una rama de la
estadstica conocida como teora computacional del aprendizaje.
El aprendizaje automtico las personas lo llevamos a cabo de manera automtica ya que
es un proceso tan sencillo para nosotros que ni nos damos cuenta de cmo se realiza y
todo lo que implica. Desde que nacemos hasta que morimos los seres humanos llevamos
a cabo diferentes procesos, entre ellos encontramos el de aprendizaje por medio del cual
adquirimos conocimientos, desarrollamos habilidades para analizar y evaluar a travs de
mtodos y tcnicas as como tambin por medio de la experiencia propia. Sin embargo,
20

a las mquinas hay que indicarles cmo aprender, ya que si no se logra que una mquina
sea capaz de desarrollar sus habilidades, el proceso de aprendizaje no se estar llevando
a cabo, sino que solo ser una secuencia repetitiva. Tambin debemos tener en cuenta
que el tener conocimiento o el hecho de realizar bien el proceso de aprendizaje
automtico no implica que se sepa utilizar, es preciso saber aplicarlo en las actividades
cotidianas, y un buen aprendizaje tambin implica saber cmo y cundo utilizar
nuestros conocimientos.
Para llevar a cabo un buen aprendizaje es necesario considerar todos los factores que a
este le rodean, como la sociedad, la economa, la ciudad, el ambiente, el lugar, etc. Por
lo tanto, es necesario empezar a tomar diversas medidas para lograr un aprendizaje
adecuado, y obtener una automatizacin adecuada del aprendizaje.
4.4.5. DISTINCIN ENTRE APRENDIZAJE SUPERVISADO Y NO SUPERVISADO

El aprendizaje supervisado se caracteriza por contar con informacin que especifica


qu conjuntos de datos son satisfactorios para el objetivo del aprendizaje. Un ejemplo
podra ser un software que reconoce si una imagen dada es o no la imagen de un rostro:
para el aprendizaje del programa tendramos que proporcionarle diferentes imgenes,
especificando en el proceso si se trata o no de rostros.
En el aprendizaje no supervisado, en cambio, el programa no cuenta con datos que
definan que informacin es satisfactoria o no. El objetivo principal de estos programas
suele ser encontrar patrones que permitan separar y clasificar los datos en diferentes
grupos, en funcin de sus atributos. Siguiendo el ejemplo anterior un software de
aprendizaje no supervisado no sera capaz de decirnos si una imagen dada es un rostro o
no pero s podra, por ejemplo, clasificar las imgenes entre aquellas que contienen
rostros humanos, de animales, o las que no contienen. La informacin obtenida por un
algoritmo de aprendizaje no supervisado debe ser posteriormente interpretada por una
persona para darle utilidad.
APLICACIONES

Motores de bsqueda
Diagnstico mdico
Deteccin de fraudes con el uso de tarjetas de crdito
Anlisis del mercado de valores
Clasificacin de secuencias de ADN
21

Reconocimiento del habla


Robtica
Minera de datos
Big Data
4.4.6. BUSQUEDAS EN INTELIGENCIA ARTIFICIAL
4.4.6.1. ARBOL

En ciencias de la computacin y en informtica, un rbol es una estructura de


datos ampliamente usada que imita la forma de un rbol (un conjunto de nodos
conectados). Un nodo es la unidad sobre la que se construye el rbol y puede
tener cero o ms nodos hijos conectados a l. Se dice que un nodo a es padre de
un nodo b si existe un enlace desde a hasta b (en ese caso, tambin decimos que
b es hijo de a). Slo puede haber un nico nodo sin padres, que llamaremos raz.
Un nodo que no tiene hijos se conoce como hoja. Los dems nodos (tienen padre
y uno o varios hijos) se les conoce como rama.
TIPOS DE ARBOLES

rboles Binarios

rbol de bsqueda binario auto-balanceable


rboles AVL
rboles Rojo-Negro
rbol AA
rbol de segmento

rboles Multicamino

rboles

(rboles

de

bsqueda

multicamino

autobalanceados)
rbol-B+
rbol-B*
4.4.6.2.

RECORRIDO DE ARBOLES

En ciencias de la computacin, el recorrido de rboles refiere al proceso de visitar de


una manera sistemtica, exactamente una vez, cada nodo en una estructura de datos de
22

rbol (examinando y/o actualizando los datos en los nodos). Tales recorridos estn
clasificados por el orden en el cual son visitados los nodos. Los siguientes algoritmos
son descritos para un rbol binario, pero tambin pueden ser generalizados a otros
rboles.
RECORRIDO
Comparado a las estructuras de datos lineales como las listas enlazadas y arreglos
unidimensionales, que tienen un mtodo cannico de recorrido, las estructuras
arborescentes pueden ser recorridas de muchas maneras diferentes. Comenzando en la
raz de un rbol binario, hay tres pasos principales que pueden ser realizados y el orden
en la cual son realizados define el tipo de recorrido. Estos pasos (en ningn orden
particular) son: ejecucin de una accin en el nodo actual (referido como visitando el
nodo), recorriendo al nodo hijo de la izquierda, y recorriendo al nodo hijo de la derecha.
As el proceso ms fcilmente descrito a travs de la recursin.
Los nombres dados para un estilo particular de recorrido vienen de la posicin del
elemento de raz con respecto a los nodos izquierdo y derecho. Imagine que los nodos
izquierdo y derecho son constantes en espacio, entonces el nodo raz pudiera colocarse a
la izquierda del nodo izquierdo (pre-orden), entre el nodo izquierdo y derecho (inorden), o a la derecha del nodo derecho (post-orden).

Con el fin de ilustrar, se asume que los nodos izquierdos tienen siempre prioridad sobre
los nodos derechos. Este ordenamiento puede ser invertido mientras el mismo orden sea
asumido para todos los mtodos de recorrido.
4.4.6.3.

BUSQUEDA EN PROFUNDIDAD

Una Bsqueda en profundidad (en ingls DFS o Depth First Search) es un algoritmo
que permite recorrer todos los nodos de un grafo o rbol (teora de grafos) de manera
ordenada, pero no uniforme. Su funcionamiento consiste en ir expandiendo todos y cada
uno de los nodos que va localizando, de forma recurrente, en un camino concreto.
Cuando ya no quedan ms nodos que visitar en dicho camino, regresa (Backtracking),
de modo que repite el mismo proceso con cada uno de los hermanos del nodo ya

23

procesado.Anlogamente existe el algoritmo de bsqueda en anchura (BFS o Breadth


First Search).

4.4.6.4.

BSQUEDA EN ANCHURA

En Ciencias de la Computacin, Bsqueda en anchura (en ingls BFS - Breadth First


Search) es un algoritmo para recorrer o buscar elementos en un grafo (usado
frecuentemente sobre rboles). Intuitivamente, se comienza en la raz (eligiendo algn
nodo como elemento raz en el caso de un grafo) y se exploran todos los vecinos de este
nodo. A continuacin para cada uno de los vecinos se exploran sus respectivos vecinos
adyacentes, y as hasta que se recorra todo el rbol.
Formalmente, BFS es un algoritmo de bsqueda sin informacin, que expande y
examina todos los nodos de un rbol sistemticamente para buscar una solucin. El
algoritmo no usa ninguna estrategia heurstica.
Si las aristas tienen pesos negativos aplicaremos el algoritmo de Bellman-Ford en
alguna de sus dos versiones.
4.4.6.5.

ALGORITMOS DE BUSQUEDA A*

El algoritmo de bsqueda A* (pronunciado "A asterisco" o "A estrella") se clasifica


dentro de los algoritmos de bsqueda en grafos. Presentado por primera vez en 1968 por
Peter E. Hart, Nils J. Nilsson y Bertram Raphael, el algoritmo A* encuentra, siempre y
cuando se cumplan unas determinadas condiciones, el camino de menor coste entre un
nodo origen y uno objetivo.
PROPIEDADES
Como todo algoritmo de bsqueda en amplitud, A* es un algoritmo completo: en caso
de existir una solucin, siempre dar con ella.
Si para todo nodo n del grafo se cumple g(n) = 0, nos encontramos ante una bsqueda
voraz. Si para todo nodo n del grafo se cumple h(n) = 0, A* pasa a ser una bsqueda de
coste uniforme no informada.
Para garantizar la optimizacin del algoritmo, la funcin h(n) debe ser heurstica
admisible, esto es, que no sobrestime el coste real de alcanzar el nodo objetivo.
24

De no cumplirse dicha condicin, el algoritmo pasa a denominarse simplemente A, y a


pesar de seguir siendo completo, no se asegura que el resultado obtenido sea el camino
de coste mnimo. Asimismo, si garantizamos que h(n) es consistente (o montona), es
decir, que para cualquier nodo n y cualquiera de sus sucesores, el coste estimado de
alcanzar el objetivo desde n no es mayor que el de alcanzar el sucesor ms el coste de
alcanzar el objetivo desde el sucesor.
COMPLEJIDAD COMPUTACIONAL
La complejidad computacional del algoritmo est ntimamente relacionada con la
calidad de la heurstica que se utilice en el problema. En el caso peor, con una heurstica
de psima calidad, la complejidad ser exponencial, mientras que en el caso mejor, con
una buena h'(n), el algoritmo se ejecutar en tiempo lineal. Para que esto ltimo suceda,
se debe cumplir que h'(x) \le g(y) - g(x) + h'(y) donde h' es una heurstica ptima para el
problema, como por ejemplo, el coste real de alcanzar el objetivo.

COPLEJIDAD EN MEMORIA
El espacio requerido por A* para ser ejecutado es su mayor problema. Dado que tiene
que almacenar todos los posibles siguientes nodos de cada estado, la cantidad de
memoria que requerir ser exponencial con respecto al tamao del problema.

25

5. BIBLIOGRAFIA

Luis M Gonzalo, Inteligencia Humana e Inteligencia Artificial, Madrid, 1987. ISBN


84-7118-490-7

Vctor Gmez Pin, Entre lobos y autmatas. La causa del hombre, Espasa, Madrid,
2006. ISBN 978-84-670-2303-9

Adaraga Morales P., Zaccagnini Sancho J. L., Psicologa e inteligencia artificial,


Editorial Trotta, Madrid, 1994. ISBN 84-87699-77-4

Alberto Garca Serrano, Inteligencia Artificial. Fundamentos, prctica y


aplicaciones., Editorial RC Libros, 2012. ISBN 978-84-939450-2-2

Inteligencia artificial en Internet Movie Database

26

Você também pode gostar