Escolar Documentos
Profissional Documentos
Cultura Documentos
INTELIGENCIA ARTIFICIAL............................................................................... 2
1.
INTRODUCCIN..................................................................................... 2
2.
DEFINICIN........................................................................................... 2
3.
4.
MARCO TEORICO................................................................................... 6
4.1.
4.2.
4.3.
4.4.
4.4.1.
ROBTICA................................................................................ 8
4.4.2.
4.4.3.
RECONOCIMIENTO DE PATRONES...........................................14
4.4.4.
SISTEMAS EXPERTOS..............................................................18
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
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
4. MARCO TEORICO
4.1.
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.
4.3.
4.4.1. ROBTICA
FECHA
SigloXVIII.
DESARROLLO
A mediados del siglo XVIII J. de Vaucanson construy varias muecas
1801
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
1952
1954
1954
1959
1960
1961
hidrulica.
Un robot Unimate se instal en la Ford Motors Company para atender
1966
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
1974
1974
elctrico.
Kawasaki, bajo licencia de Unimation, instal un robot para soldadura
9
1974
1975
1976
1978
1978
Aided Manufacturing).
Se introdujo el robot PUMA (Programmable Universal Machine for
Assambly) para tareas de montaje por Unimation, basndose en diseos
1979
1980
1981
1982
1983
1984
10
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
12
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:
APLICACIONES
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las
ms relevantes y utilizadas actualmente son:
15
detectan
clasifican
las
coincidencias,
resulta
sencillo
encontrar
correspondencias.
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
17
TIPOS DE APRENDIZAJE
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
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
rboles Binarios
rboles Multicamino
rboles
(rboles
de
bsqueda
multicamino
autobalanceados)
rbol-B+
rbol-B*
4.4.6.2.
RECORRIDO DE ARBOLES
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
4.4.6.4.
BSQUEDA EN ANCHURA
ALGORITMOS DE BUSQUEDA A*
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
Vctor Gmez Pin, Entre lobos y autmatas. La causa del hombre, Espasa, Madrid,
2006. ISBN 978-84-670-2303-9
26