Escolar Documentos
Profissional Documentos
Cultura Documentos
FACULTAD: CIENCIAS.
INTELIGENCIA ARTIFICIAL
En la actualidad uno de los proyectos más ambiciosos de la informática es la inteligencia
artificial, por tal motivo es difícil definir exactamente qué es y los alcances que tiene. Es
de fundamental importancia conocer los orígenes de su nombre, es decir el significado de
la palabra inteligencia y así mismo el de la palabra artificial, mismos que según (Arauz,
1998) son:
Inteligencia, es la potencia intelectiva, la facultad de conocer o de entender. El grado en
que un individuo puede resolver satisfactoriamente una nueva situación o un problema.
La inteligencia está basada en el nivel de conocimientos individuales y en la habilidad de
manipular y reformular apropiadamente los conocimientos en base a los datos que se
proporcionan como requerimientos para resolver algún problema o situación.
Artificial, es lo hecho por mano y arte del hombre, falso, no natural. Por otro lado
(Zampayo, 2004) sugiere también que:
Inteligencia, es la capacidad de comprender, evocar, movilizar e integrar
constructivamente lo que se ha aprendido y de utilizarlo para enfrentarse a nuevas
situaciones.
Artificial, es aquel cuyo producto origen es no natural, sino que fue hecho por la mano
o arte del hombre. El nombre de Inteligencia Artificial como tal, surgió en la conferencia
de John McCarthy en 1956 en el Dartmouth College, New Hamspshire. En el foro, Marvin
Minsky, Claude Shannon y N. Rochester entre otros, discutieron acerca de cómo simular
la inteligencia humana a través de las máquinas. Ahora bien, según (Gutiérrez, 2006) la
inteligencia artificial es una de las áreas más fascinantes y con más retos de las ciencias
de la Computación ya que ha tomado a la inteligencia como la característica
universalmente aceptada para diferenciar a los humanos de otras criaturas ya sean vivas
o inanimadas, para construir programas o computadoras inteligentes. SGMA. Inteligencia
Artificial Capítulo 4 114 Por otro lado (Bourcier, 2003) dice que la inteligencia artificial
es una rama de la informática que intenta reproducir las funciones cognitivas humanas
como el razonamiento, la memoria, el juicio o la decisión y, después, confiar una parte de
esas facultades, que se consideramos signos de inteligencia, a los ordenadores.
Conservando el enfoque de los autores anteriores, se puede decir que la Inteligencia
Artificial es una disciplina eminentemente tecnológica que persigue la construcción de
máquinas y programas capaces de realizar complejas tareas con una habilidad y eficiencia
iguales o superiores a las que consigue el ser humano. En general se puede decir que la
inteligencia artificial es aquella disciplina que tiene como objetivo el estudio de la
conducta humana, mediante el análisis del comportamiento inteligente del ser humano,
mismo que se puede denominar análisis de los procesos cognoscitivos, debido a que estos
se enfocan en el estudio de los procesos internos que conducen al aprendizaje. Se puede
decir que en la actualidad la inteligencia artificial es una disciplina fundamental en la
ciencia y la tecnología, misma que tras el paso del tiempo ha creado una serie de
conocimientos básicos que le permiten emular diversas capacidades del ser humano para
exhibir comportamientos inteligentes. Debido a lo anterior se han desarrollado diversos
sistemas que tienen por objetivo perfeccionar las distintas capacidades del ser humano
con el fin de la reproducción de las mismas.
MACHINE LEARNING
Una vez que ya hemos acotado qué es Inteligencia Artificial, pasamos a la definición de
Machine Learning que está muy relacionada con los avances y nuevos usos de la IA
El Machine Learning en su forma más básica es la práctica de usar algoritmos para
analizar datos, aprender de ellos y luego hacer una determinación o predicción sobre algo
en el mundo. Por lo tanto, en lugar de rutinas de software de codificación manual con un
conjunto específico de instrucciones para realizar una tarea en particular, la máquina está
“entrenada” utilizando grandes cantidades de datos y algoritmos que le dan la capacidad
de aprender a realizar la tarea.
El Machine Learning vino directamente de las mentes de las primeras comunidades de
IA, y los enfoques algorítmicos a lo largo de los años incluyeron el aprendizaje del árbol
de decisiones, la programación de la lógica inductiva, agrupamiento, aprendizaje
reforzado y redes bayesianas, entre otros. Como sabemos, ninguno logró el objetivo final
de la IA general, e incluso la IA estrecha estuvo fuera de su alcance con los primeros
enfoques de Machine Learning.
Resultó que una de las mejores áreas de aplicación para el Machine Learning durante
muchos años fue la Visión Computacional (Computer Visión), aunque todavía requería
una gran cantidad de codificación manual para hacer el trabajo. La gente entraba y
escribía clasificadores codificados a mano como filtros de detección de bordes para que
el programa identificara dónde se inició y se detuvo un objeto; detectores de forma; un
clasificador para reconocer las letras “S-T-O-P”, etc. todos los clasificadores codificados
a mano, desarrollaron algoritmos para dar sentido a la imagen y “aprender” a determinar,
por ejemplo, si había una señal de alto en una foto.
Las predicciones del detector de señales de STOP eran buenas, pero no alucinantemente
precisas. Especialmente al haber un día con niebla o poca luz y el cartel no es
perfectamente visible.
Hay una razón por la que la Visión Computacional y la detección de imágenes no se
acercaban a compararse con los humanos hasta hace muy poco, era demasiado frágil y
demasiado propenso al error. El tiempo, los algoritmos de aprendizaje correctos y el Deep
Learning marcaron la diferencia.
DEEP LEARNING:
De la Inteligencia Artificial al Machine Learning y de ahí al Deep Learning o aprendizaje
profundo. Un nuevo paso en los procesos y la evolución de los sistemas de Inteligencia
Artificial que se acerca, cada vez más, al reto de conseguir sistemas informáticos que, de
forma autónoma y sin apenas intervención humana, sean capaces de imitar
comportamientos y razonamientos propios del ser humano.
Estamos hablando de un nuevo nivel en el desarrollo de los sistemas de Inteligencia
Artificial y Machine Learning y, por el momento, de lo más parecido al pensamiento
humano que podemos encontrar. De hecho, estas redes neuronales son capaces de generar
procesos que incluyen el pensamiento abstracto (lenguaje propio y razonado) o, incluso,
según algunos expertos, en un futuro no muy lejano, de la capacidad de crear.
Otro acercamiento algorítmico de los primeros especialistas en Machine Learning fueron
las Redes Neuronales Artificiales llegaron para quedarse a través de las décadas. Las
redes neuronales se inspiran en nuestra comprensión de la biología de nuestros cerebros,
todas esas interconexiones entre las neuronas. Pero, a diferencia de un cerebro biológico
donde cualquier neurona se puede conectar a cualquier otra neurona dentro de una cierta
distancia física, estas redes neuronales artificiales tienen capas discretas, conexiones y
direcciones de propagación de datos.
Se podría, por ejemplo, tomar una imagen, cortarla en un grupo que se ingresan en la
primera capa de la red neuronal. En la primera capa, las neuronas individuales pasan los
datos a una segunda capa. La segunda capa de neuronas hace su tarea, y así
sucesivamente, hasta que se produce la capa final y la producción final.
Cada neurona asigna una ponderación a su entrada: qué tan correcta o incorrecta es en
relación con la tarea que se realiza. El resultado final se determina luego por el total de
esas ponderaciones. En el ejemplo de reconocimiento de una señal de STOP. Los atributos
de una imagen de señal de STOP son cortados y “examinados” por las neuronas: su forma
octogonal, la tonalidad de su color rojo, sus letras distintivas, la altura, entre otros. La
tarea de la red neuronal es concluir si esto es una señal de STOP o no. Se trata de un
“vector de probabilidad”, realmente una suposición altamente educada, basada en la
ponderación. En nuestro ejemplo, el sistema puede tener un 86% de confianza de que la
imagen es una señal de alto, un 7% de confianza es un signo de límite de velocidad y un
5% es una cometa atrapada en un árbol, y así sucesivamente, y la arquitectura de red le
dice a la red neuronal si es correcto o no
Incluso este ejemplo se está adelantando a sí mismo, porque hasta hace poco las redes
neuronales eran casi rechazadas por la comunidad de investigación de IA. Habían existido
desde los primeros días de la IA, y habían producido muy poco en el camino de la
“inteligencia”. El problema era que incluso las redes neuronales más básicas eran muy
computacionalmente intensivas, simplemente no era un enfoque práctico. Aun así, un
pequeño grupo de investigación herético liderado por Geoffrey Hinton en la Universidad
de Toronto lo siguió, finalmente paralelizando los algoritmos para supercomputadoras
para ejecutar y probar el concepto, pero no fue hasta que las GPU fueron desplegadas
como un esfuerzo para hacer realidad el concepto.
Nuevamente en el ejemplo de señal de STOP, es muy probable que a medida que la red
esté siendo ajustada o “entrenada” surjan respuestas incorrectas. Lo que la neurona
necesita es entrenamiento. Necesita ver cientos de miles, incluso millones de imágenes,
hasta que la ponderación de las entradas de las neuronas se sintonice de manera tan precisa
que tenga la respuesta correcta prácticamente siempre, halla niebla o ausencia de niebla,
sol o lluvia. Es en ese punto que la red neuronal se ha enseñado a sí misma cómo se ve
una señal de STOP, o la cara de tus amigos en el caso de Facebook; o un gato, que es lo
que Andrew Ng hizo en 2012 en Google.
El avance de Ng fue tomar estas redes neuronales, y esencialmente hacerlas
enormes, aumentar las capas y las neuronas, y luego ejecutar grandes cantidades de datos
a través del sistema para entrenarlo. En el caso de Ng, se trataba de imágenes de 10
millones de videos de YouTube. Ng puso la palabra “deep” en el Deep Learning, que
describe todas las capas en estas redes neuronales.
Hoy en día, el reconocimiento de imágenes por máquinas entrenadas a través del Deep
Learning en algunos escenarios es mejor que el de los humanos, y eso va desde identificar
gatos hasta la identificación de indicadores de cáncer en sangre y tumores en las imágenes
por resonancia magnética. El AlphaGo de Google aprendió el juego y se entrenó para su
partido de Go, sintonizó su red neuronal jugando contra sí mismo una y otra y otra vez.