INTELIGENCIA ARTIFICIAL
La inteligencia artificial (IA), es la inteligencia llevada a cabo por máquinas. En ciencias de la computación, una máquina «inteligente» ideal es un agente flexible que percibe su entorno y lleva a cabo acciones que maximicen sus posibilidades de éxito en algún objetivo o tarea.1 Coloquialmente, el término inteligencia artificial se aplica cuando una máquina imita las funciones «cognitivas» que los humanos asocian con otras mentes humanas, como por ejemplo: «percibir», «razonar», «aprender» y «resolver problemas».2 Andreas Kaplan y Michael Haenlein definen la inteligencia artificial como "la capacidad de un sistema para interpretar correctamente datos externos, para aprender de dichos datos y emplear esos conocimientos para lograr tareas y metas concretas a través de la adaptación flexible".3 A medida que las máquinas se vuelven cada vez más capaces, tecnología que alguna vez se pensó que requería de inteligencia se elimina de la definición. Por ejemplo, el reconocimiento óptico de caracteres ya no se percibe como un ejemplo de la «inteligencia artificial» habiéndose convertido en una tecnología común.4 Avances tecnológicos todavía clasificados como inteligencia artificial son los sistemas de conducción autónomos o los capaces de jugar al ajedrez o al Go.5
Según Takeyas (2007) la IA es una rama de las ciencias computacionales encargada de estudiar modelos de cómputo capaces de realizar actividades propias de los seres humanos en base a dos de sus características primordiales: el razonamiento y la conducta.6
En 1956, John McCarthy acuñó la expresión «inteligencia artificial», y la definió como «la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes».7
También existen distintos tipos de percepciones y acciones, que pueden ser obtenidas y producidas, respectivamente, por sensores físicos y sensores mecánicos en máquinas, pulsos eléctricos u ópticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno software.
Varios ejemplos se encuentran en el área de control de sistemas, planificación automática, la habilidad de responder a diagnósticos y a consultas de los consumidores, reconocimiento de escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina en campos como economía, medicina, ingeniería y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia, como ajedrez de computador, y otros videojuegos.
Según Takeyas (2007) la IA es una rama de las ciencias computacionales encargada de estudiar modelos de cómputo capaces de realizar actividades propias de los seres humanos en base a dos de sus características primordiales: el razonamiento y la conducta.6
En 1956, John McCarthy acuñó la expresión «inteligencia artificial», y la definió como «la ciencia e ingenio de hacer máquinas inteligentes, especialmente programas de cómputo inteligentes».7
También existen distintos tipos de percepciones y acciones, que pueden ser obtenidas y producidas, respectivamente, por sensores físicos y sensores mecánicos en máquinas, pulsos eléctricos u ópticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno software.
Varios ejemplos se encuentran en el área de control de sistemas, planificación automática, la habilidad de responder a diagnósticos y a consultas de los consumidores, reconocimiento de escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA actualmente son parte de la rutina en campos como economía, medicina, ingeniería y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia, como ajedrez de computador, y otros videojuegos.
COMUNICACIÓN EN LENGUAJES DE MAQUINA
Un lenguaje de programación es un lenguaje formal diseñado para realizar procesos que pueden ser llevados a cabo por máquinas como las computadoras. Pueden usarse para crear programas que controlen el comportamiento físico y lógico de una máquina, para expresar algoritmos con precisión, o como modo de comunicación humana. Está formado por un conjunto de símbolos y reglas sintácticas y semánticas que definen su estructura y el significado de sus elementos y expresiones. Al proceso por el cual se escribe, se prueba, se depura, se compila (de ser necesario) y se mantiene el código fuente de un programa informático se le llama programación. Un lenguaje de programación proporciona los elementos de lenguaje necesarios que son necesarios para traducir los pasos de un pseudocódigo en formato comprensible de la máquina. En otras palabras, el lenguaje de programación proporciona el puente para hacer la transición de pseudocódigo legible por humano instrucciones legible por máquina. Las dos clasificaciones principales de lenguajes de programación son: bajo nivel de lenguaje de programación y lenguaje de programación de alto nivel. Generaciones de lenguaje de programación Los lenguajes de primera generación, o 1GL, lenguajes de bajo nivel que son lenguaje de máquina. Los lenguajes de segunda generación, o 2GL, lenguajes de bajo nivel que generalmente consisten en lenguajes ensamblados. Los lenguajes de tercera generación, o 3GL, lenguajes de alto nivel como C. Los lenguajes de cuarta generación, o 4GL, son idiomas que consisten en declaraciones similares a las declaraciones en un lenguaje humano. Los lenguajes de cuarta generación se usan comúnmente en la programación de bases de datos y scripts. Los idiomas de quinta generación, o 5GL, son lenguajes de programación que contienen herramientas visuales para ayudar a desarrollar un programa. Un buen ejemplo de un lenguaje de quinta generación es Visual Basic. Tipos de lenguaje de programación Hay tres tipos de lenguaje de programación: Lenguaje de máquina (lenguaje de bajo nivel). Lenguaje ensamblador (lenguaje de bajo nivel). Lenguaje de alto nivel. Lenguaje de máquina El lenguaje de la máquina es una colección de dígitos binarios o bits que la computadora lee e interpreta. Los lenguajes de máquina son los únicos idiomas que las computadoras entienden. Aunque las computadoras las entienden fácilmente, los lenguajes de máquina son casi imposibles de usar por los humanos, ya que consisten completamente de números. Los idiomas de bajo nivel están más cerca del idioma utilizado por una computadora, mientras que los idiomas de alto nivel están más cerca de los idiomas humanos. Ejemplo: Digamos que un motor tiene un procesador y memoria principal. El motor puede rotar a la izquierda y a la derecha, y puede verificar el interruptor de encendido / apagado. Las instrucciones de la máquina son de un byte de largo y corresponden a las siguientes operaciones de la máquina. Instrucción Operación 0000 0000 Detener 0000 0001 Rotar a la derecha 0000 0010 Rotar a la izquierda 0000 0100 Regrese al inicio del programa 0000 1000 Omita las siguientes instrucciones si el interruptor está apagado Lenguaje ensamblador El problema es que la computadora no comprende el código ensamblador, por lo que necesitamos una forma de convertirlo a código de máquina, que la computadora sí entiende. Los programas de lenguaje ensamblador se traducen al lenguaje de máquina mediante un programa llamado ensamblador. Ejemplo: - Lenguaje de máquina: 10110000 01100001 - Lenguaje ensamblador: mov A1, # 061h - Sentido: Mueva el valor hexadecimal 61 (97 decimal) en el registro del procesador llamado "A1". Lenguaje de alto nivel Los idiomas de alto nivel nos permiten escribir códigos de computadora usando instrucciones que se asemejan al lenguaje hablado cotidiano (por ejemplo: imprimir, si, mientras) que luego se traducen al lenguaje de máquina para ser ejecutados. Los programas escritos en un lenguaje de alto nivel deben ser traducidos al lenguaje de máquina antes de que puedan ser ejecutados. Algunos lenguajes de programación usan un compilador para realizar esta traducción y otros usan un intérprete.
BASE DE DATOS
Una base de datos es un conjunto de datos pertenecientes a un mismo contexto y almacenados sistemáticamente para su posterior uso. En este sentido; una biblioteca puede considerarse una base de datos compuesta en su mayoría por documentos y textos impresos en papel e indexados para su consulta. Actualmente, y debido al desarrollo tecnológico de campos como la informática y la electrónica, la mayoría de las bases de datos están en formato digital, siendo este un componente electrónico, por tanto se ha desarrollado y se ofrece un amplio rango de soluciones al problema del almacenamiento de datos.
Hay programas denominados sistemas gestores de bases de datos, abreviado SGBD (del inglés Database Management System o DBMS), que permiten almacenar y posteriormente acceder a los datos de forma rápida y estructurada. Las propiedades de estos DBMS, así como su utilización y administración, se estudian dentro del ámbito de la informática.
Las aplicaciones más usuales son para la gestión de empresas e instituciones públicas; También son ampliamente utilizadas en entornos científicos con el objeto de almacenar la información experimental.
RECONOCIMIENTO DE PATRONES
El término de reconocimiento de patrones se refiere a un procesamiento de información que tiene una gran importancia práctica que da solución a un amplio rango de problemas. Algunos de estos problemas son resueltos por los humanos sin mucho esfuerzo. Sin embargo, en muchos casos, la solución a estos problemas, usando computadoras, se vuelve extremadamente dificultosa [Bishop, 1995]. Reducir estas dificultades, construyendo métodos y algoritmos, es el objetivo principal del Reconocimiento de patrones como una disciplina de la Ingeniería de Sistemas.
En términos más concretos, el Reconocimiento de Patrones como una disciplina científica tiene el objetivo de clasificar objetos en un número específico de categorías o clases. Dependiendo de la aplicación, estos objetos pueden ser imágenes, sonidos, olores, en general, señales producto de mediciones que deben ser clasificadas. Estos objetos se denotan con el término genérico de patrones. [Theodoridis y Koutroumbas, 1999].
La producción industrial se está automatizando y esto ha logrado hacer del Reconocimiento de Patrones un tema de investigación importante en el campo de la Ingeniería de Sistemas, como parte integral de los Sistemas Inteligentes.
2 PRINCIPALES APLICACIONES
Visión de máquina.
Esta aplicaciones tienen que ver con la captura de imágenes con ayuda de cámaras digitales y la interpretación automática de lo que esta en la imagen. Este tipo de aplicaciones surgen en la industria para automatizar la inspección visual en la línea de ensamblaje.
Reconocimiento de caracteres
Es otra área importante del Reconocimiento de Patrones, sus aplicaciones están relacionadas con la transformación de textos impresos o manuscritos a formato digital, lo que permite una mayor flexibilidad en la manipulación de la información.
Diagnóstico ayudado por computador
yon aplicaciones destinadas a ayudar al experto en el diagnóstico de situaciones. En especial se han desarrollado sistemas que ayudan a los doctores en el diagnóstico de enfermedades a partir de datos médicos, tales como las mamografías de Rayos X, imágenes digitales de la tomografía, ecografías, electrocardiogramas y electroencefalogramas.
Reconocimiento de voz
La voz es el recurso más natural que los humanos usamos para comunicarnos e intercambiar información. La aplicación, en este caso, tiene que ver con la construcción de máquinas que puedan reconocer la información hablada.
Lo descrito representa una mínima parte del gran número de posibles aplicaciones.
3. PASOS EN LA CONSTRUCCIÓN DE UN RECONOCEDOR DE PATRONES
El sensor
Es importante decidir que tipo de sensor se utilizará para la captura de los datos del patrón.
Generación de características
Dependiendo del problema específico, de los variables que capturan los sensores, algunos sirven para el reconocimiento. Estos se denominan características.
Selección de características
En la práctica, se generan un número innecesario de características, entonces el mejor subconjunto de ellas debe ser seleccionado.
Diseño del clasificador
Habiendo ya elegido el subconjunto de características adecuadas a un problema específico, es necesario diseñar el sistema clasificador que en resumen es una función que mapea el valor de las características en un conjunto de categorías o clases.
Finalmente, es necesario evaluar que tan bueno es el reconocimiento de patrones. El proceso de evaluación del sistema deberá calcular las tasas de certeza y tasa del error de clasificación.
4. RECONOCIMIENTO DE PATRONES SUPERVISADO Y NO SUPERVISADO
El reconocimiento supervisado asume la existencia a priori de ejemplos de clasificación que relacionan a los valores de las características con ciertas categorías. Este es el caso más expandido en los problemas reales. Sin embargo, hay situaciones en el que no se disponen de ejemplos de clasificación a priori, en te caso el reconocimiento se llama no supervisado y tienen como objeto revelar las relaciones intrínsecas de similitud entre los valores de las características creando clusters.
5. bibliografía
Bishop C. M. (1995). Neural Network for Pattern Recognition. Clarendon Press - Oxford. [ Links ]
Theodoridis S. y Koutroumbas K.(1999). Pattern Recognition. Academic Press - London. [ Links ]
REDES NEURONALES
Las redes neuronales artificiales (también conocidas como sistemas conexionistas) son un modelo computacional vagamente inspirado en el comportamiento observado en su homólogo biológico1. Consiste en un conjunto de unidades, llamadas neuronas artificiales, conectadas entre sí para transmitirse señales. La información de entrada atraviesa la red neuronal (donde se somete a diversas operaciones) produciendo unos valores de salida.
Cada neurona está conectada con otras a través de unos enlaces. En estos enlaces el valor de salida de la neurona anterior es multiplicado por un valor de peso. Estos pesos en los enlaces pueden incrementar o inhibir el estado de activación de las neuronas adyacentes. Del mismo modo, a la salida de la neurona, puede existir una función limitadora o umbral, que modifica el valor resultado o impone un límite que se debe sobrepasar antes de propagarse a otra neurona. Esta función se conoce como función de activación.
Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, y sobresalen en áreas donde la detección de soluciones o características es difícil de expresar con la programación convencional. Para realizar este aprendizaje automático, normalmente, se intenta minimizar una función de pérdida que evalúa la red en su total. Los valores de los pesos de las neuronas se van actualizando buscando reducir el valor de la función de pérdida. Este proceso se realiza mediante la propagación hacia atrás.
El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro humano, aunque las redes neuronales son más abstractas. Las redes neuronales actuales suelen contener desde unos miles a unos pocos millones de unidades neuronales.
Nuevas investigaciones sobre el cerebro a menudo estimulan la creación de nuevos patrones en las redes neuronales. Un nuevo enfoque está utilizando conexiones que se extienden mucho más allá y capas de procesamiento de enlace en lugar de estar siempre localizado en las neuronas adyacentes. Otra investigación está estudiando los diferentes tipos de señal en el tiempo que los axones se propagan, como el aprendizaje profundo, interpola una mayor complejidad que un conjunto de variables booleanas que son simplemente encendido o apagado.
Las redes neuronales se han utilizado para resolver una amplia variedad de tareas, como la visión por computador y el reconocimiento de voz, que son difíciles de resolver usando la ordinaria programación basado en reglas. Históricamente, el uso de modelos de redes neuronales marcó un cambio de dirección a finales de los años ochenta de alto nivel, que se caracteriza por sistemas expertos con conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje automático, caracterizado por el conocimiento incorporado en los parámetros de un modelo cognitivo con algún sistema dinámico.
REVOLUCIÓN DE LOS ROBOT
Se respira incertidumbre en el ambiente cuando hablamos de inteligencia artificial (en adelante IA) y su posible impacto en la sociedad. Son muchas las preguntas y cuestiones a debatir sobre estos temas y pocas las respuestas absolutas. En realidad no las hay; al menos, aún no. Las expectativas ante estas nuevas tecnologías son inmensas a todos los niveles. Por un lado, a nivel empresarial, se estima que el impacto económico global de la IA ascenderá nada menos que a catorce billones de euros para el año 2030. Ya en la actualidad son muchas las compañías que apuestan por la inclusión de algoritmos de IA en sus productos y servicios simplemente para decir públicamente que están empleando estas tecnologías. Estas palabras están de moda. Son sinónimos de modernidad y, sin duda, ayudan a justificar precios. Si son útiles o no, teniendo en cuenta su desarrollo actual, habría que verlo uno a uno…
Otro aspecto interesante es la foto del CEO con el robot humanoide. La IA no requiere de cuerpo robótico y menos con forma de humano… pero también vende. Y también da sensación de modernidad, de estar a la última. Realmente llama mucho la atención, a nivel general, estar delante de un Pepper o un NAO (robots humanoides), que parece que te entienden y te escuchan e incluso usan el lenguaje natural cuando se dirigen a nosotros; un lenguaje preprogramado por un humano. Probablemente un bien mandado ingeniero bajo las órdenes interesadas de sus superiores. Sin embargo, a la sociedad en general, sin conceptos tecnológicos profundos, le llega unos ojos expresivos que emocionan y encandilan. Algunos políticos han intentado incluso influir en la intención de voto a través de la boca de uno de estos seres inanimados pero, a la vez, protagonistas de la escena pública actual.
IMPLICACIONES
Importante: Este párrafo trata sobre relaciones causales, es una visión parcial del objetivo del artículo
La realidad del mundo no se nos manifiesta como un conjunto de cosas o de hechos aislados. Por el contrario, aparece como un proceso, un conjunto de hechos y de cosas relacionados entre sí de forma que unas cosas "dependen" de otras, unos hechos "suceden" a otros, o suceden "siempre y cuando" se dé un "orden" entre determinadas circunstancias, etcétera. Estas relaciones en las que unas cosas dependen de otras, o unos hechos suceden a otros, solemos comprenderlas, de forma general, bajo la idea de causa.1
El conocimiento del mundo lo elaboramos a través de unos datos captados por los sentidos; y lo manejamos conceptual y lingüísticamente y lo comunicamos a los demás según interpretamos la realidad y "creemos" que conocemos el mundo como realidad.
Esta creencia en el modo de conocer el mundo como relación de causas, la expresamos en el pensamiento y el lenguaje mediante las oraciones condicionales que en lógica se formalizan lingüísticamente,2 por ejemplo:
La cadena de causas y sus efectos constituyen una nueva causa con un efecto del conjunto: Causa y efecto paralelo
"Si llueve, el suelo está mojado"
"Cuando llueve, el suelo está mojado"
"Siempre que llueve, el suelo está mojado"
"Llueve, luego el suelo está mojado"
"Llueve, por lo tanto, el suelo está mojado" etc.
Que de forma general vienen a decir que:
"El suelo está mojado porque llueve"
"La lluvia causa que el suelo esté mojado"
"El suelo está mojado a consecuencia de la lluvia"
"Todas las lluvias mojan el suelo"
y cualquier otra expresión o enunciado que establezca como significado "unas relaciones semejantes".
Este tipo de expresiones, llamadas implicaciones, se formalizan simbólicamente en el cálculo lógico como:
{\displaystyle A\Rightarrow B}{\displaystyle A\Rightarrow B}
lo que indica que, siendo {\displaystyle A}A una causa o conjunto de causas, {\displaystyle B}B es el efecto o conjunto de efectos, que resultan de esas causas.
En otras palabras, {\displaystyle B}B es una conclusión lógica de {\displaystyle A}A.
Al percibir algunas cosas o hechos, "esperamos", "creemos", que van a suceder otras; o "suponemos" que estas cosas o hechos suceden porque antes han sucedido otras. En otras palabras, damos por supuesto que unas cosas implican otras y los hechos están implicados unos en otros. Nuestra percepción del mundo en un "momento dado" nos lleva a interpretarlo según unas condiciones pasadas y expectativas de un mundo de posibilidades. Hoy tenemos conciencia de que la pretensión de la comprensión científica del mundo consiste en "construir teorías científicas", es decir:3
Primero es el establecimiento del sistema de referencia. Segundo es el esbozo de posibilidades. El tercero es la intelección del fundamento posibilitante de lo real.
Zubiri. Inteligencia y razón. p. 222
Esta implicación de las cosas y los hechos del mundo suceden no de forma arbitraria sino de forma legal, conforme a leyes. El mundo se nos manifiesta conforme a unas «leyes naturales» según las cuales las cosas suceden así por "necesidad", porque tienen que ser así, y no de forma arbitraria, "por voluntad de los dioses" o el "azar".4
Al expresar nuestro conocimiento por medio del lenguaje, utilizamos unas reglas gramaticales y lógicas que, aunque no las reconozcamos, operan de forma inconsciente y natural. Pero mediante ellas, intuimos que conocemos y expresamos la realidad del mundo.
Pensamos que el conocimiento, cuando es una interpretación adecuada de la realidad, es verdadero. Pero otras veces nos causa admiración cuando sentimos ignorancia.
Pues los hombres comienzan y comenzaron siempre a filosofar movidos por la admiración; al principio, admirados ante los fenómenos sorprendentes más comunes; luego avanzando poco a poco y planteándose problemas mayores, como los cambios de la luna y los relativos al sol, las estrellas y a la generación del universo. Pero el que se plantea un problema o se admira, reconoce su ignorancia, por eso también el que ama los mitos es en cierto modo filósofo, pues el mito se compone de elementos que dejan estupefacto. De suerte que, si filosofaron para huir de la ignorancia, es claro que buscaban el saber en busca del conocimiento, y no por ninguna utilidad
Aristóteles. Metafísica, 982,b.11-32. (sin subrayar en el original)
Cuando reflexionamos sobre el fundamento de nuestro conocimiento y que dicho conocimiento es producto de nuestra interactuación con la realidad, puesto que nosotros somos parte de la misma y del mismo proceso, esta reflexión es el fundamento del pensamiento racional que da lugar a la ciencia y a la filosofía.5 El conocimiento de la ciencia y de la reflexión filosófica supone una gran depuración del conocimiento vulgar. De ahí que la noción de causa, de implicación, de ley científica, la misma noción de experiencia en el contexto científico y filosófico, aunque tengan el mismo fundamento que la noción corriente, requiere un proceso de depuración o formalización para adecuar las nociones lo mejor posible al contenido experimental (que no es lo mismo que la experiencia) de las mismas6
El comprender la realidad del mundo en sus "implicaciones" se hace mediante las "explicaciones" de la ciencia. La ciencia, por su parte, como pensamiento racional, se somete a unas reglas de razonamiento o funcionamiento de la razón, conocidas, elaboradas y formalizadas, que es lo que normalmente entendemos por lógica y método.7
En este artículo consideramos la "implicación" en su sentido meramente lógico. Reservando la explicación al ámbito de una lógica empírica, que habla del mundo de la experiencia conforme a un método científico y que es lo que consideramos como ciencia.
SISTEMA EXPERTO
Los sistemas expertos utilizados en inteligencia artificial son software que emula el comportamiento de un experto humano en la solución de un problema. Los sistemas expertos funcionan de manera que almacenan conocimientos concretos para un campo determinado y solucionan los problemas, utilizando esos conocimientos, mediante deducción lógica de conclusiones. Con ellos se busca una mejora en calidad y rapidez de respuestas dando así lugar a una mejora de la productividad del experto.
Los sistemas expertos pueden estar basados en reglas, es decir, disponen de unos conocimientos predefinidos que se utilizan para tomar todas las decisiones (aplicando heurística), o basados en casos (CBR, Case Based Reasoning), aplicando el razonamiento basado en casos, donde la solución a un problema similar planteado con anterioridad se adapta a un nuevo problema.
Para los verdaderos expertos humanos supone un gran apoyo que reduce tiempo y, en ocasiones puede realizar tareas por sí mismo. Pero, para que un sistema experto sea una herramienta efectiva debe de poseer dos capacidades: por un lado debe ser posible explicar los razonamientos del sistema experto, por otro debe ser capaz de integrar nuevos conocimientos así como modificar sus conocimientos obtenidos por otros mejorados.
No hay comentarios:
Publicar un comentario