Inteligencia Arrificial

Estado del arte

PDF generado usando el kit de herramientas de fuente abierta mwlib. Ver http://code.pediapress.com/ para mayor informacin. PDF generated at: Thu, 11 Jul 2013 14:17:08 UTC

Contenidos
Artculos
Inteligencia artificial Portal:Inteligencia artificial Action description language Agente inteligente (inteligencia artificial) Agente racional Agente situado AIML Algoritmo de eliminacin de variables American Association for Artificial Intelligence Aprendizaje automtico Autoorganizacin Autmata celular Red bayesiana Bot Bsquedas no informadas CADUCEUS (sistema experto) Cmara inteligente Campo aleatorio condicional Campus Multidisciplinar en Percepcin e Inteligencia 2006 Cerebro artificial Cheap design Cimek Clasificacin de documentos Cleverbot Conectiva lgica Conferencia de Dartmouth Consulta de imgenes mediante ejemplo Copalred Cougaar Cyc CycL Diagnsticos asistidos por ordenador Elbot Espacio de bsqueda 1 8 9 10 13 14 14 16 18 18 22 29 33 43 44 47 48 48 50 52 54 54 55 55 56 59 60 64 67 69 71 73 76 77

Finereader General Problem Solver Heurstica admisible Historia de la inteligencia artificial IA Fuerte Inteligencia artificial (videojuegos) Inteligencia computacional Interfaz de usuario de lenguaje natural Usuario:Isanzn/Java Agent Development Framework Java Agent Development Framework Juego de cero jugadores KEEL (software) La era de las mquinas espirituales Lgica no monotnica Mallet Usuario:Mar215/Cougaar Usuario:Mar215/Cougaar English Metaheurstica Modelo basado en agente Modelo oculto de Mrkov Mquina Lisp La nueva mente del emperador OpenCV Operador Sobel Orange (aprendizaje automtico) Paradoja de Moravec Planificacin automtica Programacin lgica Prolog Proyecto ACROSS Quinta generacin de computadoras RapidMiner Razonamiento automatizado Razonamiento automtico Razonamiento basado en casos Reconocimiento de expresiones faciales Reconocimiento de palabras clave Red jerrquica de tareas

78 79 80 83 86 86 88 89 96 99 102 103 104 116 118 119 121 124 126 126 130 131 132 133 136 137 137 138 140 147 149 155 156 157 160 174 177 182

Robtica cognitiva Robtica evolutiva Seguimiento de objetos Sistema adaptativo complejo Sistema basado en reglas Sistema de conocimiento Sistema de reconocimiento facial Sistema inteligente Sistema multi-agente Sistemas bioinspirados Soft Computing Ray Solomonoff SPADE STRIPS Systran Wikipedia:Tutorial Corrector-es Watson (inteligencia artificial) Weka (aprendizaje automtico)

183 185 186 192 194 195 196 203 205 209 211 212 213 216 218 220 222 227

Referencias
Fuentes y contribuyentes del artculo Fuentes de imagen, Licencias y contribuyentes 231 234

Licencias de artculos
Licencia 236

Inteligencia artificial

Inteligencia artificial
TOPIO, un robot que juega tenis de mesa

TOPIO, un robot humanoide, jugando tenis de mesa en Tokio International Robot Exhibition (IREX) 2009.
Otros nombres Campo de aplicacin Subrea de IA Desarrollo de agentes racionales no vivos Ciencias de la Computacin

En ciencias de la computacin se denomina inteligencia artificial (IA) a la capacidad de razonar de un agente no vivo.[1][2][3] John McCarthy, acu el trmino en 1956, la defini: "Es la ciencia e ingenio de hacer mquinas inteligentes, especialmente programas de cmputo inteligentes."[4]. Bsqueda del estado requerido en el conjunto de los estados producidos por las acciones posibles. Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de ADN). Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro de animales y humanos). Razonamiento mediante una lgica formal anlogo al pensamiento abstracto humano.

Tambin existen distintos tipos de percepciones y acciones, pueden ser obtenidas y producidas, respectivamente por sensores fsicos y sensores mecnicos en mquinas, pulsos elctricos u pticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno software. Varios ejemplos se encuentran en el rea de control de sistemas, planificacin automtica, la habilidad de responder a diagnsticos 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 economa, medicina, ingeniera y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia como ajedrez de computador y otros videojuegos.

Categoras de la inteligencia artificial

Stuart Russell y Peter Norvig diferencian estos tipos de la inteligencia artificial:[5] Sistemas que piensan como humanos.- Estos sistemas tratan de emular el pensamiento humano; por ejemplo las redes neuronales artificiales. La automatizacin de actividades que vinculamos con procesos de pensamiento humano, actividades como la Toma de decisiones, resolucin de problemas, aprendizaje.[6] Sistemas que actan como humanos.- Estos sistemas tratan de actuar como humanos; es decir, imitan el comportamiento humano; por ejemplo la robtica. El estudio de cmo lograr que los computadores realicen tareas que, por el momento, los humanos hacen mejor.[7] Sistemas que piensan racionalmente.- Es decir, con lgica (idealmente), tratan de imitar o emular el pensamiento lgico racional del ser humano; por ejemplo los sistemas expertos. El estudio de los clculos que hacen posible percibir, razonar y actuar.[8]

Inteligencia artificial Sistemas que actan racionalmente (idealmente). Tratan de emular de forma racional el comportamiento humano; por ejemplo los agentes inteligentes .Est relacionado con conductas inteligentes en artefactos.[9]

Escuelas de pensamiento
La IA se divide en dos escuelas de pensamiento: La inteligencia artificial convencional La inteligencia computacional

Inteligencia artificial convencional

Se conoce tambin como IA simblico-deductiva. Est basada en el anlisis formal y estadstico del comportamiento humano ante diferentes problemas: Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos y, aparte de que son muy importantes, requieren de un buen funcionamiento. Sistemas expertos: Infieren una solucin a travs del conocimiento previo del contexto en que se aplica y ocupa de ciertas reglas o relaciones. Redes bayesianas: Propone soluciones mediante inferencia probabilstica. Inteligencia artificial basada en comportamientos: esta inteligencia tiene autonoma y pueden auto-regularse y controlarse para mejorar. Smart process management: facilita la toma de decisiones complejas, proponiendo una solucin a un determinado problema al igual que lo hara un especialista en la actividad.

Inteligencia artificial computacional

La Inteligencia Computacional (tambin conocida como IA subsimblica-inductiva) implica desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de los parmetros en sistemas conexionistas). El aprendizaje se realiza basndose en datos empricos.

Historia
l trmino "inteligencia artificial" fue acuado formalmente en 1956 durante la conferencia de Darthmounth, ms para entonces ya se haba estado trabajando en ello durante cinco aos en los cuales se haba propuesto muchas definiciones distintas que en ningn caso haban logrado ser aceptadas totalmente por la comunidad investigadora. La IA es una de las disciplinas ms nuevas junto con la gentica moderna. Las ideas ms bsicas se remontan a los griegos, antes de Cristo. Aristteles (384-322a.C.) fue el primero en describir un conjunto de reglas que describen una parte del funcionamiento de la mente para obtener conclusiones racionales, y Ctesibio de Alejandra (250a.C.) construy la primera mquina autocontrolada, un regulador del flujo de agua (racional pero sin razonamiento). En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento poda ser efectuado de manera artificial. En 1936 Alan Turing disea formalmente una Mquina universal que demuestra la viabilidad de un dispositivo fsico para implementar cualquier cmputo formalmente definido. En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera el primer trabajo del campo, aun cuando todava no exista el trmino. Los primeros avances importantes comenzaron a principios de los aos 1950 con el trabajo de Alan Turing, a partir de lo cual la ciencia ha pasado por diversas situaciones. En 1955 Herbert Simon, Allen Newell y J.C. Shaw, desarrollan el primer lenguaje de programacin orientado a la resolucin de problemas, el IPL-11. Un ao ms tarde desarrollan el LogicTheorist, el cual era capaz de demostrar

Inteligencia artificial teoremas matemticos. En 1956 fue inventado el trmino inteligencia artificial por John McCarthy, Marvin Minsky y Claude Shannon en la Conferencia de Dartmouth, un congreso en el que se hicieron previsiones triunfalistas a diez aos que jams se cumplieron, lo que provoc el abandono casi total de las investigaciones durante quince aos. En 1957 Newell y Simon continan su trabajo con el desarrollo del General Problem Solver (GPS). GPS era un sistema orientado a la resolucin de problemas. En 1958 John McCarthy desarrolla en el Instituto de Tecnologa de Massachusetts (MIT) el LISP. Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simblico. En 1959 Rosenblatt introduce el Perceptrn. A finales de los 50 y comienzos de la dcada del 60 Robert K. Lindsay desarrolla Sad Sam, un programa para la lectura de oraciones en ingls y la inferencia de conclusiones a partir de su interpretacin. En 1963 Quillian desarrolla las redes semnticas como modelo de representacin del conocimiento. En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de inferir conocimiento basado en informacin que se le suministra. Bobrow desarrolla STUDENT.

A mediados de los aos 60, aparecen los sistemas expertos, que predicen la probabilidad de una solucin bajo un set de condiciones. Por ejemplo DENDRAL, iniciado en 1965 por Buchanan, Feigenbaum y Lederberg, el primer Sistema Experto, que asista a qumicos en estructuras qumicas complejas euclidianas, MACSYMA, que asista a ingenieros y cientficos en la solucin de ecuaciones matemticas complejas. Posteriormente entre los aos 1968-1970 Terry Winograd desarroll el sistema SHRDLU, que permita interrogar y dar rdenes a un robot que se mova dentro de un mundo de bloques. En 1968 Minsky publica Semantic Information Processing. En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programacin LOGO. En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en 1980. En 1973 Alain Colmenauer y su equipo de investigacin en la Universidad de Aix-Marseille crean PROLOG (del francs PROgrammation en LOGique) un lenguaje de programacin ampliamente utilizado en IA. En 1973 Shank y Abelson desarrollan los guiones, o scripts, pilares de muchas tcnicas actuales en Inteligencia Artificial y la informtica en general. En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos ms conocidos, que asisti a mdicos en el diagnstico y tratamiento de infecciones en la sangre. En las dcadas de 1970 y 1980, creci el uso de sistemas expertos, como MYCIN: R1/XCON, ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy (Shells) como EMYCIN, EXPERT, OPSS. En 1981 Kazuhiro Fuchi anuncia el proyecto japons de la quinta generacin de computadoras. En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes Neuronales). En 1988 se establecen los lenguajes Orientados a Objetos. En 1997 Garry Kasparov, campen mundial de ajedrez, pierde ante la computadora autnoma Deep Blue. En 2006 se celebr el aniversario con el Congreso en espaol 50 aos de Inteligencia Artificial - Campus Multidisciplinar en Percepcin e Inteligencia 2006. En el ao 2009 ya hay en desarrollo sistemas inteligentes teraputicos que permiten detectar emociones para poder interactuar con nios autistas. En el ao 2011 IBM desarroll una supercomputadora llamada Watson , la cual gan una ronda de tres juegos seguidos de Jeopardy, venciendo a sus dos mximos campeones, y ganando un premio de 1 milln de dlares que IBM luego don a obras de caridad.[10] Existen personas que al dialogar sin saberlo con un chatbot no se percatan de hablar con un programa, de modo tal que se cumple la prueba de Turing como cuando se formul: Existir Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de computadora en una conversacin a ciegas.

Inteligencia artificial Como ancdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un programa capaz de ser ejecutado independientemente de la mquina que lo ejecute, computador o cerebro.

La inteligencia artificial y los sentimientos

El concepto de IA es an demasiado difuso. Contextualizando, y teniendo en cuenta un punto de vista cientfico, podramos englobar a esta ciencia como la encargada de imitar una persona, y no su cuerpo, sino imitar al cerebro, en todas sus funciones, existentes en el humano o inventadas sobre el desarrollo de una mquina inteligente. A veces, aplicando la definicin de Inteligencia Artificial, se piensa en mquinas inteligentes sin sentimientos, que obstaculizan encontrar la mejor solucin a un problema dado. Muchos pensamos en dispositivos artificiales capaces de concluir miles de premisas a partir de otras premisas dadas, sin que ningn tipo de emocin tenga la opcin de obstaculizar dicha labor. En esta lnea, hay que saber que ya existen sistemas inteligentes. Capaces de tomar decisiones acertadas. Aunque, por el momento, la mayora de los investigadores en el mbito de la Inteligencia Artificial se centran slo en el aspecto racional, muchos de ellos consideran seriamente la posibilidad de incorporar componentes emotivos como indicadores de estado, a fin de aumentar la eficacia de los sistemas inteligentes. Particularmente para los robots mviles, es necesario que cuenten con algo similar a las emociones con el objeto de saber en cada instante y como mnimo qu hacer a continuacin [Pinker, 2001, p. 481]. Al tener sentimientos y, al menos potencialmente, motivaciones, podrn actuar de acuerdo con sus intenciones [Mazlish, 1995, p. 318]. As, se podra equipar a un robot con dispositivos que controlen su medio interno; por ejemplo, que sientan hambre al detectar que su nivel de energa est descendiendo o que sientan miedo cuando aquel est demasiado bajo. Esta seal podra interrumpir los procesos de alto nivel y obligar al robot a conseguir el preciado elemento [Johnson-Laird, 1993, p. 359]. Incluso se podra introducir el dolor o el sufrimiento fsico, a fin de evitar las torpezas de funcionamiento como, por ejemplo, introducir la mano dentro de una cadena de engranajes o saltar desde una cierta altura, lo cual le provocara daos irreparables. Esto significa que los sistemas inteligentes deben ser dotados con mecanismos de retroalimentacin que les permitan tener conocimiento de estados internos, igual que sucede con los humanos que disponen de propiocepcin, interocepcin, nocicepcin, etctera. Esto es fundamental tanto para tomar decisiones como para conservar su propia integridad y seguridad. La retroalimentacin en sistemas est particularmente desarrollada en ciberntica, por ejemplo en el cambio de direccin y velocidad autnomo de un misil, utilizando como parmetro la posicin en cada instante en relacin al objetivo que debe alcanzar. Esto debe ser diferenciado del conocimiento que un sistema o programa computacional puede tener de sus estados internos, por ejemplo la cantidad de ciclos cumplidos en un loop o bucle en sentencias tipo do... for, o la cantidad de memoria disponible para una operacin determinada. A los sistemas inteligentes el no tener en cuenta elementos emocionales les permite no olvidar la meta que deben alcanzar. En los humanos el olvido de la meta o el abandonar las metas por perturbaciones emocionales es un problema que en algunos casos llega a ser incapacitante. Los sistemas inteligentes, al combinar una memoria durable, una asignacin de metas o motivacin, junto a la toma de decisiones y asignacin de prioridades con base en estados actuales y estados meta, logran un comportamiento en extremo eficiente, especialmente ante problemas complejos y peligrosos. En sntesis, lo racional y lo emocional estn de tal manera interrelacionados entre s, que se podra decir que no slo no son aspectos contradictorios sino que son hasta cierto punto complementarios.

Inteligencia artificial

Crticas
Las principales crticas a la inteligencia artificial tienen que ver con su capacidad de imitar por completo a un ser humano. Estas crticas ignoran que ningn humano individual tiene capacidad para resolver todo tipo de problemas, y autores como Howard Gardner han propuesto que existen inteligencias mltiples. Un sistema de inteligencia artificial debera resolver problemas. Por lo tanto es fundamental en su diseo la delimitacin de los tipos de problemas que resolver y las estrategias y algoritmos que utilizar para encontrar la solucin. En los humanos la capacidad de resolver problemas tiene dos aspectos: los aspectos innatos y los aspectos aprendidos. Los aspectos innatos permiten por ejemplo almacenar y recuperar informacin en la memoria y los aspectos aprendidos el saber resolver un problema matemtico mediante el algoritmo adecuado. Del mismo modo que un humano debe disponer de herramientas que le permitan solucionar ciertos problemas, los sistemas artificiales deben ser programados de modo tal que puedan resolver ciertos problemas. Muchas personas consideran que el test de Turing ha sido superado, citando conversaciones en que al dialogar con un programa de inteligencia artificial para chat no saben que hablan con un programa. Sin embargo, esta situacin no es equivalente a un test de Turing, que requiere que el participante est sobre aviso de la posibilidad de hablar con una mquina. Otros experimentos mentales como la Habitacin china de John Searle han mostrado cmo una mquina podra simular pensamiento sin tener que tenerlo, pasando el test de Turing sin siquiera entender lo que hace. Esto demostrara que la mquina en realidad no est pensando, ya que actuar de acuerdo con un programa preestablecido sera suficiente. Si para Turing el hecho de engaar a un ser humano que intenta evitar que le engaen es muestra de una mente inteligente, Searle considera posible lograr dicho efecto mediante reglas definidas a priori. Uno de los mayores problemas en sistemas de inteligencia artificial es la comunicacin con el usuario. Este obstculo es debido a la ambigedad del lenguaje, y apareci ya en los inicios de los primeros sistemas operativos informticos. La capacidad de los humanos para comunicarse entre s implica el conocimiento del lenguaje que utiliza el interlocutor. Para que un humano pueda comunicarse con un sistema inteligente hay dos opciones: o bien el humano aprende el lenguaje del sistema como si aprendiese a hablar cualquier otro idioma distinto al nativo, o bien el sistema tiene la capacidad de interpretar el mensaje del usuario en la lengua que el usuario utiliza. Un humano durante toda su vida aprende el vocabulario de su lengua nativa. Un humano interpreta los mensajes a pesar de la polisemia de las palabras utilizando el contexto para resolver ambigedades. Sin embargo, debe conocer los distintos significados para poder interpretar, y es por esto que lenguajes especializados y tcnicos son conocidos solamente por expertos en las respectivas disciplinas. Un sistema de inteligencia artificial se enfrenta con el mismo problema, la polisemia del lenguaje humano, su sintaxis poco estructurada y los dialectos entre grupos. Los desarrollos en inteligencia artificial son mayores en los campos disciplinares en los que existe mayor consenso entre especialistas. Un sistema experto es ms probable de ser programado en fsica o en medicina que en sociologa o en psicologa. Esto se debe al problema del consenso entre especialistas en la definicin de los conceptos involucrados y en los procedimientos y tcnicas a utilizar. Por ejemplo, en fsica hay acuerdo sobre el concepto de velocidad y cmo calcularla. Sin embargo, en psicologa se discuten los conceptos, la etiologa, la psicopatologa y cmo proceder ante cierto diagnstico. Esto dificulta la creacin de sistemas inteligentes porque siempre habr desacuerdo sobre lo que se esperara que el sistema haga. A pesar de esto hay grandes avances en el diseo de sistemas expertos para el diagnstico y toma de decisiones en el mbito mdico y psiquitrico (Adaraga Morales, Zaccagnini Sancho, 1994).

Inteligencia artificial

Tecnologas de apoyo
Interfaces de usuario Visin artificial Smart process management

Aplicaciones de la inteligencia artificial

Lingstica computacional Minera de datos (Data Mining) Industriales. Medicina Mundos virtuales Procesamiento de lenguaje natural (Natural Language Processing) Robtica Mecatrnica Sistemas de apoyo a la decisin Videojuegos Prototipos informticos Anlisis de sistemas dinmicos. Smart Process Management Simulacin de multitudes

Cientficos en el campo de la inteligencia artificial

Jeff Hawkins John McCarthy Marvin Minsky Judea Pearl Alan Turing, discpulo de John Von Neumann, dise el Test de Turing que debera utilizarse para comprender si una mquina lgica es inteligente o no. Joseph Weizenbaum Ral Rojas Ray Kurzweil

Inteligencia artificial en la ficcin

En Portal y Portal 2, GLaDOS es una IA que nos lleva a traves del juego y maneja las camaras de pruebas mediante se vallan pasando. Inteligencia artificial, la pelcula de Steven Spielberg. Suean los androides con ovejas elctricas?, y su adaptacin al cine Blade Runner. Comienza con la aplicacin del Test de Turing. Ghost in the Shell, anime, pelculas y serie The Matrix, la triloga Resident Evil, la saga 2001: Una odisea espacial, novela y pelcula Cortana Code Lyoko Vida y Obra de Multivac, Isaac Asimov

Inteligencia artificial Yo, robot, Isaac Asimov El hombre bicentenario, Isaac Asimov En Metal Gear Solid 2, Los Patriots los controla una IA Mass Effect Terminator, James Cameron

Referencias
[1] http:/ / www. csail. mit. edu/ [2] http:/ / decsai. ugr. es/ [3] http:/ / ai. stanford. edu/ [4] ) [5] Stuart Russell and Peter Norvig, Inteligencia Artificial: Un Enfoque Moderno http:/ / aima. cs. berkeley. edu/ contents. html [6] Bellman, 1978 [7] Rich y knight, 1991 [8] Winston, 1992 [9] Nilsson, 1998 [10] http:/ / es. blog. pinggers. com/ 2011/ 02/ 21/ watson-y-otros-sistemas-que-mejoran-nuestras-vidas-con-inteligencia-artificial/

Bibliografa
Tirso de Andrs, Homo Cybersapiens. La Inteligencia artificial y la humana, 2002, ISBN 84-313-1982-8 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 Revista "Inteligencia Artificial" (http://erevista.aepia.org/) Revista Iberoamericana de Inteligencia Artificial. ISSN 1137-3601 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

Enlaces externos
Wikimedia Commons alberga contenido multimedia sobre Inteligencia artificial. Commons Wikilibros alberga un libro o manual sobre Ingeniera del conocimiento. Wikilibros

Publicaciones Revista "Inteligencia Artificial" (http://erevista.aepia.org/) Revista Iberoamericana de Inteligencia Artificial Pgina sobre Inteligencia Artificial (http://www.fortunecity.com/skyscraper/chaos/279/) Web que desde 1998 trata este tema de forma diversificada. Tiene enlaces a proyectos. Asociaciones AEPIA - Asociacin Espaola de Inteligencia Artificial (http://www.aepia.org/) Aperture Laboratories, o Aperture Science. Robtica Robots (http://robots-argentina.com.ar/) Sitio de robtica con artculos de contenido tcnico y didctico (en espaol) Videos

Inteligencia artificial Inteligencia Artificial - El futuro, la fusin del alma y la tecnologa -2008- Redes, n 10, en RTVE a la carta (http://www.rtve.es/alacarta/videos/redes/redes-el-futuro-la-fusion-del-alma-y-la-tecnologia/391648/) Otros Luis Piscoya, "Lgica e inteligencia artificial" (http://www.cesfia.org.pe/piscoya/ LOGICA_E_INTELIGENCIA_ARTIFICIAL.pdf) Una nueva tecnologa percibe la informacin antes de que llegue al consciente (http://www.tendencias21.net/ Una-nueva-tecnologia-percibe-la-informacion-antes-de-que-llegue-al-consciente_a2051. html?PHPSESSID=5ac08a2c351962a314ad54cdfc780681) Introduzione all'intelligenza artificiale (http://www.terrediconfine.eu/introduzione-all-intelligenza-artificiale. html) (en italiano) Inteligencia artificial. Un mirada al futuro del hombre (http://cibernetica.wordpress.com/) Lista de pelculas con mencin a la IA (en ingls) (http://homepages.inf.ed.ac.uk/rbf/AIMOVIES/AImovai. htm) Grupo de investigacin en Sistemas Inteligentes (http://www.esp.uem.es/gsi/) Artculos sobre IA (http://www.uniajc.edu.co/uniajc/investigacion/sapientia/sapientia10.pdf) Mquinas de computacin, creatividad artificial y cine digital (http://issuu.com/diegodario/docs/ creatividadartificialcinedigital) Sistemas expertos en medicina (un uso para la inteligencia artificial) (http://sistemasexpertosenmedicina.com/)

Portal:Inteligencia artificial
Portales de Wikipedia: Arte Ciencias Naturales Ciencias Sociales Deporte Geografa Historia Religin Tecnologa

Inteligencia artificial
Se denomina Inteligencia artificial (IA) a la rama de las ciencias de la Computacin dedicada al desarrollo de agentes racionales no vivos. Entindase a un agente como cualquier cosa capaz de percibir su entorno (recibir entradas), procesar tales percepciones y actuar en su entorno (proporcionar salidas), y entindase a la racionalidad como una capacidad humana que permite pensar, evaluar y actuar conforme a ciertos principios de optimidad y consistencia , para satisfacer algn objetivo o finalidad. De acuerdo al concepto previo, racionalidad es ms general y por ello ms adecuado que inteligencia para definir la naturaleza del objetivo de esta disciplina. Existen distintos tipos de conocimiento y medios de representacin del conocimiento, el cual puede ser cargado en el agente por su diseador o puede ser aprendido por el mismo agente utilizando tcnicas de aprendizaje. l termino "Inteligencia artificial" fue acuado formalmente en 1956 durante la conferencia de Darthmounth, ms para entonces ya se haba estado trabajando en ello durante cinco aos en los cuales se haba propuesto muchas definiciones distintas que en ningn caso haban logrado ser aceptadas totalmente por la comunidad investigadora. La IA es una de las disciplinas ms nuevas que junto con la gentica moderna es el campo en que la mayora de los cientficos "ms les gustara trabajar". Ms sobre IA

Portal:Inteligencia artificial

Artculo seleccionado

ELIZA en Emacs. ELIZA es un programa informtico diseado en 1966 por Joseph Weizenbaum. El mismo parodiaba al psiclogo Carl Rogers e intentaba mantener una conversacin de texto coherente con el usuario. A veces, las respuestas de este bot conversacional resultaban tan convincentes que al conversar por primera vez con l, algunas personas creyeron que en verdad estaban dialogando con un interlocutor humano. Sin embargo, esto tuvo un lmite cuando el usuario encontraba mensajes implcitos o subliminales en las respuestas del bot que en verdad no existan o no intentaban significar eso. Llegado este punto, la conversacin se volva incoherente. Leer ms...

Imagen aleatoria

Action description language

En el campo de la inteligencia artificial, Action description language (ADL) es un lenguaje de planificacin automtica, particularmente diseado para robots. Se consider una mejora de STRIPS. Pednault propuso este idioma en 1987. Pednault observ que el poder expresivo de STRIPS era susceptible de ser mejorado si se permitan a los efectos de un operador ser condicionales. Esta es la principal idea de ADL-A, que es bsicamente el fragmento proposicional de ADL propuesto por Pednault.[1] ADL-B es una extensin del A. En esta extensin, las acciones se pueden describir con efectos indirectos introduciendo un nuevo tipo de proposiciones, "leyes estticas". Una tercera variacin de ADL es ADL-C. Esta ltima es similar a B en el sentido de que sus proposiciones pueden ser calificadas en dinmicas y estticas. Pero hay algunas particularidades ms.</ref> El objetivo de un lenguaje de planificacin es representar ciertas condiciones en el entorno y, basado en ellas, generar automticamente una cadena de acciones que conduzcan a una meta determinada. Una meta u objetivo es una condicin especificada parcialmente. Antes de que una accin pueda ser ejecutada, sus precondiciones deben ser satisfechas: tras la ejecucin de una accin se producen unos efectos, a travs de los cuales cambian las condiciones del entorno. Este entorno est descrito a travs de ciertos predicados, que puede ser que se cumplan o que no. Al contrario que STRIPS, ADL sigue el paradigma de mundo abierto: cualquier cosa que no ocurra en las condiciones es desconocida (en lugar de asumirla directamente como falsa). De manera adicional, mientras en STRIPS solo se permiten literales positivos y conjunciones, ADL permite literales negativos y disyunciones.

Action description language

10

Referencias
[1] Pednault. Formulating multi-agent dynamic-world problems in the classical planning framework. In Michael Georgeff and Amy Lansky, editors, Reasoning about actions and plans pages 47-82. Morgan Kaufmann, San Mateo, CA, 1987.

Agente inteligente (inteligencia artificial)

Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando actuadores (elementos que reaccionan a un estmulo realizando una accin).
Agente Inteligente Simple. En este contexto la racionalidad es la caracterstica que posee una eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es ms general y por ello ms adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales.

Un agente inteligente puede ser una entidad fsica o virtual. Si bien el trmino agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, tambin puede considerarse agentes racionales a los animales incluido el hombre. Los agentes inteligentes se describen esquemticamente como un sistema funcional abstracto. Por esta razn, los agentes inteligentes son a veces llamado Agentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones del mundo real como sistemas informticos, los sistemas biolgicos, o de organizaciones. Algunas definiciones de agentes inteligentes hacen nfasis en su autonoma por lo que prefieren el trmino agente inteligente autnomo. Y otros (en particular, Russell y Norvig (2003)) considera conducta dirigida a objetivos como la esencia de lo inteligente y prefieren un trmino tomado de la economa "Agente Racional". En Ciencias de la Computacin el trmino agente inteligente puede ser usado para referirse a un agente de software que tiene algo de inteligencia, independientemente de si no es un agente racional por definicin de Russell y Norvig. Por ejemplo, programas autnomos utilizados para asistencia de un operador o de minera de datos (a veces denominado robots) son tambin llamados "agentes inteligentes".

Agente inteligente (inteligencia artificial)

11

Definiciones sobre Agentes Inteligentes

Los agentes inteligentes se han definido de diferentes maneras. [2] Segn Nikola Kasabov [3] los sistemas de IA deben exhibir las siguientes caractersticas: Aprender nuevos problemas e incrementar normas de solucin. Capacidad de adaptacin en lnea y en tiempo real. Ser capaz de analizar condiciones en trminos de comportamiento, el error y el xito. Aprender y mejorar a travs de la interaccin con el medio ambiente (realizacin). Aprender rpidamente de grandes cantidades de datos. Deben estas basados en memoria de almacenamiento masivo y la recuperacin de dicha capacidad.

Ejemplos
Como ejemplos de entidades fsicas pueden nombrarse: un robot de comportamiento variable autoregulado (ya sea que su comportamiento sea determinado por software o incorporado directamente en la electrnica), una computadora que ejecuta un software de diagnstico mdico y muestra resultados en una pantalla para ayudar a decidir a un mdico, una computadora especializada que controla un helicptero en maniobras peligrosas para un hombre. Ejemplos de entidad puramente virtual seran: un software de descubrimiento de patrones en Internet que slo interacta con otros software. un software softbot que simula a una persona en un juego de computadora, tal como un jugador de ajedrez, un jugador de ftbol contrincante o un conductor de carreras de automviles, etc.

Clasificacin
Es posible clasificar los agentes inteligentes en 6 categoras principales: 1. 2. 3. 4. 5. 6. agentes reactivos agentes reactivos basados en modelo agentes basados en objetivos agentes basados en utilidad agentes que aprenden agentes de consultas

La racionalidad es necesaria
En muchos textos se define agente inteligente como todo agente capaz de tener conciencia de su entorno y actuar sobre l. No obstante es necesario exigir que estas decisiones sean racionales en el sentido de que persigan algn fin. Vamos a mostrarlo con un contraejemplo: cuando un fotn con la suficiente energa incide sobre un tomo, puede arrancar de l un electrn. Podramos considerar al tomo inteligente puesto que percibe su entorno (la incidencia del fotn) y acta sobre su entorno (emite un electrn). La ausencia de relacin entre la emisin del electrn y cualquier hipottico inters del tomo muestra que este no es un agente inteligente pese a verificar la definicin de Bertrand Russell. Sin ese trmino no tendra sentido la palabra racionalidad.

Agente inteligente (inteligencia artificial)

12

La conducta de un agente no suele ser la ptima

Paradjicamente la conducta de un agente rara vez es la ptima. La razn es sencilla: calcular el ptimo de un criterio de un modo suficientemente bueno como para ser considerado razonable es muy difcil cuando en el problema planteado concurren mltiples restricciones. Un ejemplo sera el clculo de la mejor ala para un avin, donde el agente tendra que ser capaz de tener en cuenta criterios tan dispares como la aerodinmica, la compatibilidad con el resto de componentes de la aeronave, o criterios econmicos, y restricciones tales como limitaciones en peso de la propia ala, el peso total de la aeronave, las normativas aplicables, etc. En el otro extremo se encuentran problemas como el clculo del mximo de un polinomio de segundo grado, en los que el criterio es muy sencillo -es un polinomio de segundo grado- y no concurre ninguna restriccin. Cuando el criterio es una funcin real de muchas variables y las restricciones tambin, los clculos son mucho ms complicados. Algunas veces se puede lograr una buena aproximacin, pero si el agente ha de tomar la decisin en muy poco tiempo, deber conformarse con la mejor aproximacin que pueda calcular en el escaso tiempo de que dispone. Por otra parte, no es tan fcil inducir el criterio que permite comparar las distintas estrategias: cmo se puede expresar con una ecuacin simple lo que ms le conviene a un lagarto que est cazando bajo el sol?

Enlaces externos
Advances on Practical Applications of Agents and Multiagent Systems [1], Springer, 2011. Grupo de investigacin - Sistemas Inteligentes [2]

Referencias
[1] http:/ / books. google. es/ books?id=PDCtUvMReVIC& lpg=PA113& ots=4K9piEO5wA& lr& pg=PR2#v=onepage& q& f=false [2] http:/ / www. esp. uem. es/ gsi/

Agente racional

13

Agente racional
En economa, teora de juegos, teora de la decisin e inteligencia artificial,[1] un agente racional es un agente que tiene preferencias claras, en los modelos con incertidumbre su objetivo es maximixar los valores esperados, y siempre elige para llevar a cabo la accin con el resultado esperado ptimo por s mismo, de entre todas las acciones posibles. Los agentes racionales tambin se estudian en el campo de la ciencia cognitiva, la tica y la filosofa, as como la filosofa de la razn prctica . Un agente racional puede ser considerado cualquier cosa que tome las decisiones, por lo general una persona, empresa, equipo o software. La accin de un agente racional toma depende de: las preferencias del agente la informacin del agente de su entorno, que pueden provenir de experiencias pasadas las acciones, los derechos y obligaciones a disposicin del agente los beneficios estimados o reales y las posibilidades de xito de las acciones.

En teora de juegos y la economa clsica , a menudo se asume que los actores , personas y empresas son racionales.[2] Sin embargo, la medida en que las personas y las empresas se comportan de manera racional es objeto de debate.[3] Los economistas suelen suponer modelos basado en la teora de la eleccin racional y de la racionalidad limitada para formalizar y predecir el comportamiento de los individuos y las empresas. Los agentes racionales a veces se comportan de maneras que son contra-intuitivas para mucha gente, como en el dilema del viajero . La inteligencia artificial ha tomado prestado el trmino "agentes racionales" de la economa para describir programas autnomos que son capaces de tener una conducta dirigida a objetivos. Hoy en da existe un considerable solapamiento entre la investigacin en IA, la teora de juegos y la teora de la decisin. Los agentes racionales de AI estn estrechamente relacionados con los "agentes inteligentes" y con los programas de software autnomos que muestran inteligencia.

Referencias
[1] http:/ / www. wisegeek. com/ what-is-a-rational-agent. htm What Is a Rational Agent? [3] Ethical Theory and Moral Practice, Volume 2, Number 3, 1999 , pp. 217-242(26)

Agente situado

14

Agente situado
En inteligencia artificial y en la ciencia cognitiva, el termino situado se refiere a un agente inteligente que esta embebido a un entorno. El trmino situado es comnmente usado para referirse a robots, pero algunos investigadores discuten que los agentes software tambin pueden ser situados si: Estos existen en un entorno dinmico (con cambios rpidos), Estos pueden manipular o cambiar su entorno con sus acciones, Estos pueden sentir o percibir. Los ejemplos pueden incluir agentes basados en la web, los cuales pueden alterar los datos o activar procesos en internet (como compras), o bots que habitan y cambian mundos virtuales, tales como Second Life. Ser situado es generalmente considerado ser parte de un ambiente, pero es mejor considerar cada perspectiva individualmente. La perspectiva de "situado" enfatiza que el comportamiento inteligente es el resultado de las interacciones del agente con el ambiente. La naturaleza de estas interacciones estn definidas por la personificacin de un agente.

Referencias
Hendriks-Jansen, Horst (1996) Catching Ourselves in the Act: Situated Activity, Interactive Emergence, Evolution, and Human Thought. Cambridge, Mass.: MIT Press

AIML
El AIML, o Artificial Intelligence Mark-up Language es un lenguaje de programacin basado en XML. Fue diseado especficamente para ayudar en la creacin de la primera entidad chatbot informtica de lenguaje artificial online o A.L.I.C.E., en sus siglas en ingls de Artificial Linguistic Internet Computer Entity Chatterbot ((en ingls) Alice). Aunque descrito muy ampliamente, el lenguaje AIML est especializado en la creacin de agentes software con lenguaje natural, conocidos como Alicebots.

Historia
El lenguaje de programacin AIML fue desarrollado por el Dr. Richard Wallace y la comunidad de cdigo abierto Alicebot entre los aos 1995 y 2000. Con l se crearon las bases del primer Alicebot, A.L.I.C.E, que ha ganado ahora el concurso Loebner Prize Contest y tambin The most human o El ms humano tres veces, al igual de ser ganador en el Campeonato de Chatbot en 2004. Desde sus comienzos en internet, gracias a que el lenguaje AIML y los programas Alicebot son cdigo-abierto, se han creado numerosos clones de Alicebot basados en la implementacin original del programa y de la base de conocimiento AIML. El desarrollo de este lenguaje continua, y en el otoo de 2004 se ha creado una nueva versin del conjunto ALICE AIML. La implementacin ms activa hoy en da es pandorabots.com [1], un hosting de bots online y compaa de desarrollo que permite el alojamiento gratuito de Alicebots programa Z.

AIML

15

Componentes de AIML
AIML contiene muchos elementos. Los ms importantes estn descritos a continuacin:

Categoras o Categories
Las categoras en AIML son las unidades fundamentales de conocimiento. Una categora consiste en al menos dos elementos ms, que son los componentes patrn o pattern y plantilla o template, que normalmente se codifican en ese orden.

Patrones o Patterns
Los Alicebots se describen como chatbot de comparacin de patrones o pattern-matching. Esto significa que el programa buscar patrones que el usuario haya introducido y responder de acuerdo a lo que se le haya preguntado.

Plantillas o Templates
Si un patrn coincide con una categora, y si es se el patrn que ms concuerda, entonces a la respuesta del chatbot se aade una plantilla especfica de la categora. Esta plantilla puede contener otros componentes de AIML, que permiten personalizar dicha respuesta. Por ejemplo: La entrada del usuario se puede convertir en parte de la respuesta del chatbot. Por ejemplo: Humano: Eres ms listo que Hal 9000? ALICE: Claro que soy ms inteligente que Hal 9000. Para hacer que las respuestas parezcan ms humanas, stas se seleccionan aleatoriamente de una lista de posibles respuestas. Por ejemplo: Humano: Qu es Wikipedia? ALICE: Buena pregunta! Humano: Qu es Wikipedia? Humano: Qu es Wikipedia? ALICE: Voy a procesar esa pregunta durante unos minutos.

Recursos oficiales
1. La Fundacin de Inteligencia Artificial A.L.I.C.E [2] 2. Cdigo de ejemplos de AIML [3]

Ejemplos de Alicebots populares en Internet

1. 2. 3. 4. 5. 6. 7. 8. El A.L.I.C.E original [4] Quickbot [5] Dawnstar [6] Ailysse [7] Lilith [8] Foxy Botachelli: Webchat Girl [9] Habla con William Shakespeare [10] Habla con Ailis en Ingls (Italiano) [11]

AIML

16

Comunidades AIML & Directorios Alicebots

1. A.I.Nexus: Un escaparate de Alicebots en la red [12] 2. The AIML Scripting Resource [13]

Referencias
[1] http:/ / www. pandorabots. com/ [2] http:/ / www. alicebot. org [3] http:/ / www. alicebot. org/ aiml. html [4] http:/ / www. pandorabots. com/ pandora/ talk?botid=f5d922d97e345aa1 [5] http:/ / dnreg. org/ bot/ ai/ sp/ [6] http:/ / www. pandorabots. com/ pandora/ talk?botid=c1776ae8ce354d1f [7] http:/ / www. pandorabots. com/ pandora/ talk?botid=829713883e34f760 [8] http:/ / www. pandorabots. com/ pandora/ talk?botid=b9b96b247e34f4f2 [9] http:/ / atecit. dyndns. org/ ?template=foxysmall [10] http:/ / www. shakespearebot. com [11] http:/ / ai-tech. com/ showcase/ [12] http:/ / knytetrypper. proboards. com/ index. cgi [13] http:/ / www. AIML. info

Algoritmo de eliminacin de variables

El algoritmo de eliminacin de variables es un algoritmo de adquisicin de conocimiento probabilstico a partir de una red bayesiana. Dada una red bayesiana y una serie de valores observados para ciertas variables, denominadas de evidencia, se obtiene las probabilidades esperadas de una variable de consulta. El algoritmo trata de hacer uso de diversas tcnicas para reducir los calculos en la medida de lo posible. El nombre de eliminacin de variables proviene de desechar del calculo de la probabilidad de la variable de consulta a aquellas variables que no tienen ninguna relacin de dependencia.

Algoritmo
funcin inferencia_eliminacion_variables(X,e,RED)
1. Sea RED_E el resultado de eliminar de RED las variables irrelevantes 2. Sea FACTORES igual a vaco 3. Sea VARIABLES el conjunto de variables de RED_E 4. Sea VAR_ORD el conjunto de VARIABLES ordenado segn un orden de eliminacin 5. PARA cada VAR en VAR_ORD HACER 5.1 Sea FACTOR el factor correspondiente a VAR 5.2 Aadir FACTOR a FACTORES 5.3 Si VAR es una variable oculta hacer FACTORES igual a AGRUPA(VAR,FACTORES) 6. Devolver NORMALIZA(MULTIPLICA(FACTORES))

Algoritmo de eliminacin de variables

17

Variables irrelevantes
Las variables irrelevantes en general son aquellas que no sea antecesor en la red de alguna de las variables de consulta o evidencia. Con ello dichas variables se eliminan.

Orden de variables
La ordenacin de las variables tiene un factor esencial para la eficiencia del algoritmo. El orden de este est dominado por el tamao del mayor factor contenido durante el proceso. Este viene fuertemente influenciado por el orden en que se consideran las variables. Una heurstica (informtica) habitual es moverse desde las hojas hacia arriba dentro de la topologa de la red bayesiana. Si la red est simplemente conectada (polirbol) se puede demostrar que la complejidad del algoritmo (en tiempo y espacio) es lineal en el tamao de la red (el nmero de entradas de sus tablas). Adems hay a lo sumo un camino no dirigido entre cada dos nodos.

Agrupacin de tablas
Dado un conjunto de factores, la operacin de agrupar (respecto de los valores de una variable aleatoria X) consiste en obtener otro conjunto de factores. Se dejan igual aquellos factores que no tienen a la variable X entre sus argumentos. El resto de factores se multiplican y se sustituyen por el resultado de multiplicarlos y sumar en la tabla por cada posible valor de X. En cierta forma esta operacin es similar a la agregacin de una columna en bases de datos.

Multiplicacin de tablas
Si f1(X,Y) y f2(Y,Z) son dos tablas cuyas variables en comn son las de Y, se define su producto f(X,Y,Z) como la tabla cuyas entradas son f(x,y,z)=f1(x,y)f2(y,z). Es similar al concepto de un join en base de datos, multiplicando los valores correspondientes. La operacin multiplicar tablas es previa a cada agrupamiento y en el paso final.

Normalizar
El proceso de normalizacin convierte los valores finales del proceso del algoritmo de forma que la suma de dichos valores pase a ser 1. Para ello basta multiplicar a todos los valores por una constante de normalizacion.

Bibliografa
Rusell, S. y Norvig, P. Inteligencia artificial (Un enfoque moderno).

Enlaces externos
Applets explicativos de redes bayesianas y eliminacin de variables [1]

Referencias
[1] http:/ / aispace. org/ bayes/

American Association for Artificial Intelligence

18

American Association for Artificial Intelligence

AAAI son las siglas de "Association for the Advancement of Artificial Intelligence", entidad que inicialmente se llam "American Association for Artificial Intelligence". Es una organizacin norteamericana dedicada al estudio de la inteligencia artificial. La organizacin, fundada en 1979, cuenta en la actualidad con cerca de 6000 socios repartidos por todo el mundo. A lo largo de su historia, la organizacin ha estado presidida por importantes personalidades de la informtica, como Allen Newell, Edward Feigenbaum, Marvin Minsky, John McCarthy y Alan Mackworth, siendo este ltimo el presidente actual. La AAAI patrocina y participa en mucha de las conferencias y simposios ms importantes sobre IA, que se celebran a lo largo del ao en distintos puntos de EE. UU. y de Europa. Tambin es responsable de la prestigiosa publicacin "AI Magazine", y de varios libros relacionados con la IA.

Enlaces externos
AAAI, web oficial [1]

Referencias
[1] http:/ / www. aaai. org/

Aprendizaje automtico
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 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 Cientfico mediante 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.

Aprendizaje automtico

19

Interaccin Hombre-Mquina
Algunos sistemas de Aprendizaje Automtico intentan eliminar toda necesidad de intuicin o conocimiento experto de los procesos de anlisis de datos, mientras otros tratan de establecer un marco de colaboracin entre el experto y la computadora. De todas formas, la intuicin humana no puede ser reemplazada en su totalidad, ya que el diseador del sistema ha de especificar la forma de representacin de los datos y los mtodos de manipulacin y caracterizacin de los mismos.

Aprendizaje Automtico

Tipos de algoritmos
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 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 semisupervisado 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.

Aprendizaje automtico El aprendizaje automtico nosotros lo llevamos a cabo de manera automtica ya que es un proceso tan sencillo para nosotros que ni cuenta nos damos de cmo se realiza y todo lo que esto implica. Desde que nacemos hasta que morimos los seres humanos tenemos 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, pero a las mquinas hay que indicarles cmo aprender, ya que si no se logra que una mquina sea capaz de desarrollar sus habilidades entonces 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 tener considerar todos los factores que a este le rodean como, la sociedad, la economa, la ciudad, el ambiente, el lugar, etc. Por lo cual es necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una automatizacin adecuada del aprendizaje, por lo cual lo primero que se debe tener en cuenta es el concepto de conocimiento, el cual es el entendimiento de un determinado tema o materia en el cual tu puedas dar tu opinin o punto de vista as como tambin responder a ciertas interrogantes que puedan surgir de dicho tema o materia. En el aprendizaje automtico podemos obtener 3 tipos de conocimiento los cules son: 1. Crecimiento Es el que se adquiere de lo que nos rodea, el cual guarda la informacin en la memoria como si dejara huellas. 2. Reestructuracin Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le llama de reestructuracin. 3. Ajuste Es el que se obtiene al generalizar varios conceptos o generando los propios. Los tres tipos se efectan durante un proceso de aprendizaje automtico pero la importancia de cada tipo de conocimiento depende de las caractersticas de lo que se est tratando de aprender. El aprendizaje es ms que una necesidad, es un factor primordial para satisfacer las necesidades de la inteligencia artificial.

20

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 Reconocimiento del habla Robtica

Aprendizaje automtico

21

Temas del aprendizaje automtico

A continuacin se muestran una serie de temas que podran formar parte del temario de un curso sobre aprendizaje automtico. Modelado de funciones de densidad de probabilidad condicionadas: clasificacin y regresin Redes neuronales artificiales rboles de decisin Modelos de regresin mltiple no postulados Regresin en procesos Gaussianos Anlisis de discriminantes lineales k-vecinos ms prximos Perceptrn Funciones de base radial Mquinas de soporte vectorial Modelado de funciones de densidad de probabilidad mediante modelos generativos Algoritmo EM Modelos grficos, como las redes bayesianas y los campos aleatorios de Markov Mapeado topogrfico generativo Tcnicas de inferencia aproximada Cadenas de Markov y Mtodo de Montecarlo Mtodos variacionales Optimizacin: La mayora de los mtodos descritos arriba usan algoritmos de optimizacin o son por s mismos instancias de problemas de optimizacin.

Enlaces externos
Machine Learning Development with Perl [1] (en ingls) Weka [2] Software open-source Grupo de investigacin - Sistemas Inteligentes [3]

Bibliografa
Mitchell, T. (1997). Machine Learning, McGraw Hill. ISBN 0-07-042807-7

Referencias
[1] http:/ / www. perlmonks. org/ index. pl?node_id=638391 [2] http:/ / www. cs. waikato. ac. nz/ ml/ weka [3] http:/ / web. archive. org/ web/ http:/ / www. esp. uem. es/ gsi/

Autoorganizacin

22

Autoorganizacin
La autoorganizacin es un proceso en el que alguna forma global de orden o coordinacin surge de las interacciones locales entre los componentes de un sistema inicialmente desordenado. Este proceso es espontneo: no est dirigido ni controlado por ningn agente o subsistema dentro o fuera del sistema; sin embargo, las leyes seguidas por el proceso y sus condiciones iniciales pueden escogerse o ser causadas por un agente. El proceso es generalmente desencadenado por Autmata celular generado mediante la "regla 30", de Stephen Wolfram. fluctuaciones aleatorias que son amplificadas por realimentacin positiva. La organizacin resultante est completamente descentralizada o distribuida sobre todos los componentes del sistema; esta organizacin resulta tpicamente muy robusta, capaz de sobrevivir y auto-reparar daos o perturbaciones sustanciales. La autoorganizacin se da en una gran variedad de fenmenos fsicos, qumicos, biolgicos, sociales y sistemas cognitivos. Ejemplos comunes son: la cristalizacin, la emergencia de patrones de conveccin en un fluido, osciladores qumicos, la mano invisible de la economa, enjambres de grupos de animales y el modo en que la red neuronal aprende a reconocer patrones complejos.

Historia de la idea
Los antiguos atomistas creyeron ya que, dadas unas condiciones espaciales y temporales suficientes, la autoorganizacin de la materia haba aparecido como un producto natural necesario. Aristteles aadi las causalidades formal y final; para explicar las formas en las que recurrentemente se organiza la materia en el mundo natural. La introduccin de una inteligencia divina a partir de la escolstica para dar cuenta de las formas naturales hizo prcticamente desaparecer a las teoras de corte inmanentista hasta el siglo XIX. La Naturphilosophie, partiendo de ciertos pasajes de la Crtica del Juicio o Crtica de la facultad de juzgar de Immanuel Kant volvi a hablar de las "leyes universales de la forma". Sus ideas cayeron en desuso hasta los albores del siglo XX, con la obra de D'Arcy Wentworth Thompson. El trmino "autoorganizacin" fue introducido por vez primera por Immanuel Kant en la Crtica del juicio y recuperada en 1947 por parte del psiquiatra e ingeniero W. Ross Ashby. El concepto fue pronto utilizado por los cibernetistas Heinz von Foerster, Gordon Pask, Stafford Beer y el propio Norbert Wiener, en la segunda edicin de su "Cybernetics: or Control and Communication in the Animal and the Machine" (MIT Press 1961). El concepto de "autoorganizacin" fue adoptado por todos aquellos asociados a la Teora de Sistemas en la dcada de 1960, pero no se convirti en un concepto cientfico comn hasta su adopcin por parte de los fsicos y, en general, de los investigadores de los sistemas complejos en las dcadas de los setenta y ochenta.

Autoorganizacin

23

Ejemplos de autoorganizacin
Autoorganizacin biolgica
Desde el trabajo de Turing, la filotaxis se ha convertido en un ejemplo clsico de patrn resultante de un proceso autoorganizativo. Humberto Maturana y Francisco Varela proponen la Autopoiesis como el proceso que determina la autoorganizacin interna de los seres vivos (caracterizando, as, lo que entendisemos por vida).

Autoorganizacin poltica
La autoorganizacin en poltica parte de una una base de libertad individual y asociacin voluntaria, permitiendo la interaccin directa y sin regulaciones de las relaciones humanas. Un ejemplo es el anarquismo (vase: anarqua, laissez faire, libertad negativa), el cual busca que las personas obtengan poder directo sobre su vida y la ausencia de gobierno obligatorio o planificacin central. Sostiene que los seres individuales y colectivos de forma autnoma, es decir desarrollando por su propia cuenta (directamente) su potencial de determinacin, asociacin, etc., carecen de la necesidad de factores de direccin externa (ej. orden espontneo).

Filotaxis de hojas opuestas.

Desde el enfoque sistmico de Niklas Luhmann, en donde la poltica es un sistema parcial de la sociedad, la autoorganizacin de cualquier sistema tiene que ver con que el sistema sea capaz de autoorganizar sus elementos y las relaciones entre estos, correspondientemente a la diferencia sistema/entorno, lo que significa que el sistema es capaz de autoorganizarse, o reducir complejidad, o mantener cierto gradiente de complejidad, dependiendo la vivencia, entre otras posibles situaciones en las que se pudiera encontrar. Lo que definitivamente no tendra nada que ver con la definicin expuesta en la parte de arriba.

Autoorganizacin o autoregulacin en el aprendizaje

La autorregulacin se entiende como la capacidad para dirigir la conducta propia. Algunos investigadores consideraban que la autorregulacin abarcaba los diversos elementos que intervienen o afectan el comportamiento humano de manera general, pero posteriormente, la autorregulacin se reconoci como una construccin multidimensional. La evolucin social y personal del hombre lo ha obligado a organizarse para manifestar sus conocimientos, de manera terica o prctica. Como la iniciativa de la competencia y cooperacin son parte del ser humano, este hace un anlisis interno y organizado de sus ideas, su forma de actuar y comportamiento, dejando, con el paso de los aos, la huella de la experiencia para corregir de manera individual y colectiva los errores del pasado provocando la necesidad de innovar en los mtodos de solucin de problemas, para hacer las cosa fciles an ms fciles, el aprendizaje es parte fundamental de la vida por lo que ha sido involuntariamente mecanizado y regulado por procesos internos que ya no notamos. En los estudios de autorregulacin del aprendizaje hay creciente inters sobre la manera en que los estudiantes acaban convirtindose en los directores de su proceso de aprendizaje. La autorregulacin no es una capacidad mental como la inteligencia, es un proceso psicolgico autodirigido a travs del cual los aprendices transforman sus capacidades mentales en habilidades acadmicas. El estudiante selecciona su propio camino para cumplir con el objetivo acadmico. Hay que ser estudiante estratgico, utilizando las estrategias de aprendizaje. ste debe identificar perfectamente su motivacin, planificar el uso de su tiempo, automonitorearse, autoinstruirse, autoevaluarse, tener voluntad, autoestimularse, organizar su ambiente fsico y escolar (modelar los ruidos que

Autoorganizacin interfieran con el estudio, poseer los materiales que utilizar en su escritorio, tener ubicacin del espacio, identificar los factores que puedan interrumpir su actividad de estudio) ya que para esta actividad se necesita suma concentracin. El estudiante debe relacionarse con personas e informacin (profesores, guas) que puedan ayudarle en su proceso. Cuando el proceso de autorregulacin se realiza conscientemente, favorece a que se alcance exitosamente la meta. Actualmente, algunos de los factores de los cuales se ocupa, son: 1. 2. 3. 4. 5. 6. La motivacin El mtodo El tiempo La conducta El medio fsico El medio social

24

La autorregulacin es una forma de controlar tu accin y en ello intervienen: la cognicin, la metacognicin, la motivacin, la conducta y el contexto. La cognicin tiene que ver, por ejemplo, con saber tener claro qu es relevante dentro de toda la informacin que se te ofrece para tu aprendizaje. Todo es importante, pero hay partes clave dentro de la misma, que servirn de gua para la elaboracin de tus actividades. La metacognicin se refiere a que es necesario que sea consciente de cmo se genera en ti el proceso de aprender, por ejemplo, tienes que saber se se te dificulta ms aprender una cosa que otra; si te es necesario tomar nota o hacer un dibujo para tener ms claro algn tema, si te atrae ms una materia que otra y el porqu. La conducta tiene que ver con lo qu haces al alcanzar o no determinada meta y la idea es que tambin ests consciente de ello por qu actas de tal o cual manera si algo te sale mal o bien?, qu aspectos desearas mejorar en relacin con tu conducta?. El contexto es el medio que te rodea, en qu circunstancias estudias?, si cuentas con computadora?, si eres hijo o padre de familia?, es decir, todo aquello que tiene que ver con tu vida cotidiana y que debers considerar al momento de organizar tus actividades, incluidas las escolares.(La Autorregulacin. "Curso Propedutico". Universidad Abierta y a Distancia de Mxico. 20 de abril de 2013.) Las dimensiones del aprendizaje autorregulado. Uno de los mbitos en los que ms se ha estudiado la autorregulacin, es el del aprendizaje, ya que por medio de su aplicacin, las personas asumen el control de su preparacin acadmica. En este mbito, se dice que el (la) estudiante lleva a cabo un adecuado proceso de autorregulacin cuando: 1. 2. 3. 4. Formula o asume metas concretas, prximas y realistas. Observa su desempeo, ayudndose si es necesario con algn registro. Realiza un proceso de evaluacin con criterios cuidadosos. Ajusta su actuacin ponderando las demandas de la meta y su actuacin real.

As, en el aprendizaje en lnea, la autorregulacin le permite al estudiante tomar decisiones sobre el tipo de estrategias que demanda una tarea especfica, valorar cuando est en camino de lograr una meta y cuando requiere hacer ajustes en el enfoque o tipo de procedimiento que emplea. Autorregulacin del aprendizaje

Autoorganizacin

25

Se refiere al grado en que un alumno tiene un papel activo en el proceso de su propio aprendizaje, tanto a un nivel metacognitivo, motivacional y conductual (Zimmerman, 1989). Lo que distingue a un estudiante con xito acadmico de uno que no lo tiene es el grado de autorregulacin que posea(Wayne,Reinhard,Bruce, 1996; Bandura, 1982; Schunk, 1984, citados por Zimmerman y Martnez Pons, 1986). Un estudiante que puede autorregular su aprendizaje est intrnsecamente motivado, se auto-dirige, se auto-monitorea y Autorregulacin del aprendizaje tambin se auto-evala; es una persona flexible que se adapta a los cambios que surgen en su entorno (Corno y Randi, 1999; Gall, Jacobsen y Bullock, citados por Wayne, Reinhard, Bruce, 1996). Todo aquello que hacemos de manera consciente para dirigirnos al logro de un propsito implica un proceso interno llamado autorregulacin. El hombre por naturaleza desarrollo mecanismos de autodireccin, respondiendo a sus propias acciones de forma autoevaluativa. Una accin determinada puede ser considerada positiva o negativamente, de acuerdo con los criterios personales con los que se evale. Es as, como las personas contamos con criterios internos par guiar y juzgar nuestra propia conducta; dichos criterios se adquieren en su mayora a travs de la experiencia directa, o bien, de los modelos (Trianes, 1996). Algunos autores se han dado a la tarea de estudiar la autorregulacin y para ello la han definido como "el proceso que se refiere a los pensamientos, sentimientos y actos generados por un mismo y que estn orientados sistemticamente a la consecucin de una meta De este modo, la autorregulacin exige que la gente se imponga metas propsitos, realice acciones dirigidas a las metas, supervise sus conductas y las modifique, si es necesario, para garantizar el xito. AUTOORGANIZACION A TRAVS DE LA GENETICA La tendencia a la autoorganizacin es una propiedad general de la materia que, en nuestro planeta, ha dado origen a una jerarqua de sistemas con distinto grado de complejidad, que se extiende desde el nivel subatmico hasta los ecosistemas y las sociedades humanas. Son muy importantes las implicaciones que el estudio de la autoorganizacin tiene para la Biologa. En la actualidad el estudio de la autoorganizacin se lleva a cabo, principalmente, desde un enfoque holstico, que trata de descubrir las caractersticas y leyes ms generales que rigen el proceso. Mas, en el caso de los seres vivos, los conocimientos que tenemos sobre la autoorganizacin no se limitan a los as obtenidos. En particular, la Biologa molecular, en una demostracin de la gran eficacia de la utilizacin del mtodo analtico, obtiene conocimientos complementarios de los conseguidos en el enfoque holstico, que permiten precisar algunos aspectos fundamentales. La Biologa molecular est poniendo de manifiesto las caractersticas diferenciales de los seres vivos, respecto a los sistemas inorgnicos, de las que depende que la autoorganizacin llegue en ellos a niveles de complejidad muy superiores a los del mundo inorgnico. los organismos, directa o indirectamente, dependen de su accin. Su modo de actuar es una de las manifestaciones ms fascinantes de la autoorganizacin. Las interacciones entre los aminocidos que forman las cadenas proteicas, entre s y con el medio donde se encuentran, especifican la forma de sus molculas. Adems, si cambian las condiciones externas o interaccionan con otras molculas, proteicas o no, pueden presentar variaciones estructurales, importantes en la regulacin del momento y lugar en que realizan sus funciones. Las protenas regulan el funcionamiento interno del organismo y las relaciones que este establece con el ambiente externo, funcionando como enzimas, transmisores de seales, etc.. Forman estructuras dinmicas complejas, verdaderas maquinas moleculares de gran precisin, que incluso regulan la replicacin, la reparacin y la expresin de los genes. COMPLEMENTO

Autoorganizacin En un libro reciente Depew y Weber (1995) encuentran 7 nichos en el espacio de posibilidades que determina como pueden estar relacionadas la autoorganizacin y la seleccin natural. 1. La seleccin natural y la autoorganizacin no presentan relacin alguna. 2. La autoorganizacin es una auxiliar de la seleccin natural. 3. La autoorganizacin constrie la seleccin natural, que conduce la evolucin. 4. La seleccin natural constrie la autoorganizacin, que conduce la evolucin. 5. La seleccin natural es un ejemplo de autoorganizacin. 6. La seleccin natural genera autoorganizacin. 7. La seleccin natural y la autoorganizacin son aspectos de un mismo proceso.

26

Autoregulacin emocional
Los principales modelos de Inteligencia Emocional dan mucha importancia a la regulacin de las propias emociones. De hecho, se trata de la piedra angular del concepto, ya que de nada sirve reconocer nuestras propias emociones si no podemos manejarlas de forma adaptativa. La autorregulacin emocional se englobara dentro de lo que sera el proceso general de autorregulacin psicolgica, el cual es un mecanismo del ser humano que le permite mantener constante el balance psicolgico. Para ello necesita de un sistema de feedback de control que le permita mantener el estatus en relacin a una seal de control. Bonano (2001) expone un modelo de autorregulacin emocional que se centra en el control, anticipacin y exploracin de la homeostasis emocional. La homeostasis emocional se conceptualizara en trminos de metas de referencia pertenecientes a frecuencias, intensidades o duraciones ideales de canales experienciales, expresivos o fisiolgicos de respuestas emocionales. En este sentido, Valls y Valls (2003) sealan que puesto que las emociones tienen tres niveles de expresin (conductual, cognitivo y psicofisiolgico) la regulacin del comportamiento emocional afectar a estos tres sistemas de respuesta. Por tanto, la autorregulacin emocional no sera sino un sistema de control que supervisara que nuestra experiencia emocional se ajustase a nuestras metas de referencia.

Modelo Secuencial de Autorregulacin Emocional

Este modelo propuesto por Bonano (2001) seala tres categoras generales de actividad autorregulatoria: 1. Regulacin de Control: Se refiere a comportamientos automticos e instrumentales dirigidos a la inmediata regulacin de respuestas emocionales que ya haban sido instigadas. Dentro de esta categora se incluyen los siguientes mecanismos: disociacin emocional, supresin emocional, expresin emocional y la risa. 2. Regulacin Anticipatoria: Si la homeostasis est satisfecha en el momento, el siguiente paso es anticipar los futuros desafos, las necesidades de control que se puedan presentar. Dentro de esta categora se utilizaran los siguientes mecanismos: expresin emocional, la risa, evitar o buscar personas, sitios o situaciones, adquirir nuevas habilidades, revaloracin, escribir o hablar acerca de sucesos angustiosos. 3. Regulacin Exploratoria: En el caso que no tengamos necesidades inmediatas o pendientes podemos involucrarnos en actividades exploratorias que nos permitan adquirir nuevas habilidades o recursos para mantener nuestra homeostasis emocional. Algunas de estas actividades pueden ser: entretenimiento, actividades, escribir sobre emociones

Autoorganizacin

27

Modelo Autorregulatorio de las Experiencias Emocionales

La idea principal de la que parten Higgins , Grant y Shah (1999) es que las personas prefieren algunos estados ms que otros y que la autorregulacin permite la ocurrencia de los estados preferidos ms que de los no preferidos. Igualmente sealan que el tipo de placer y el tipo de malestar que la gente experimenta depende de qu tipo de autorregulacin este funcionando. Estos autores sealan tres principios fundamentales implicados en la autorregulacin emocional: 1. Anticipacin regulatoria: Basndose en la experiencia previa, la gente puede anticipar el placer o malestar futuro. De esta forma, imaginar un suceso placentero futuro producir una motivacin de acercamiento, mientras que imaginar un malestar futuro producir una motivacin de evitacin. 2. Referencia regulatoria: Ante una misma situacin, se puede adoptar un punto de referencia positivo o negativo. Por ejemplo, si dos personas desean casarse, una de ella puede anticipar el placer que significara estar casados, mientras que la otra persona podra imaginar el malestar que les producira no casarse. Por tanto la motivacin sera la misma, pero una de ellas estara movida por un punto de referencia positivo y la otra por un punto de vista negativo. 3. Enfoque regulatorio: Los autores hacen una distincin entre un enfoque de promocin y un enfoque de prevencin. Por tanto se distingue entre dos diferentes tipo de estados finales deseados: aspiraciones y autorrealizaciones (promocin) vs. responsabilidades y seguridades (prevencin).

Hacia un aprendizaje autnomo y permanente

En el campo de la Psicologa de la Educacin, este objetivo tiene sus fundamentos en la concepcin del estudiante como parte activa y fundamental del proceso de aprendizaje, centrada en la persona que aprende, y no solo en lo que aprende, sino y sobre todo en relacin a cmo aprende (Cochram-Smith, 2003). As, desde un punto de vista psicoeducativo, la autonoma remite a la capacidad de aprender a aprender (Martn, 2003; Pozo, 1990), o la capacidad de regular el propio proceso de construccin del aprendizaje (Schunk y Zimmerman, 2003; Zimmerman, 2002). Como sealan Pozo y Monereo (2002, p. 11) "si tuviramos que elegir un lema, un mantra que guiara las metas y propsitos de la escuela del siglo XXI, sin duda el ms aceptado [] entre educadores e investigadores [] sera el que la educacin tiene que estar dirigida a ayudar a los alumnos a aprender a aprender". De forma ms particular, esta cualidad del aprendizaje queda recogida en una de las lneas de investigacin principales en la Psicologa de la Educacin actual: la autorregulacin del aprendizaje. Se basa en tres aspectos: La autorregulacin de la conducta; control activo de los recursos que se tienen a disposicin (tiempo, ambiente, lugar) La autorregulacin de la motivacin: controlar las emociones y afectos de manera que mejoren su aprendizaje La autorregulacin de la cognicin; control de diversas estrategias cognitivas que permitan un mejor aprendizaje y rendimiento. La autorregulacin puede ser enseada, aprendida y controlada. Fases: 1. Planificacin: establecimiento de objetivos. 2. Realizacin: medios para conseguir la meta (habilidades, destrezas e informacin). 3. Autorreflexin: autoevaluacin y reacciones de satisfaccin, adaptativas y defensivas. Algunas de las consideraciones generales que debemos tener presentes con respecto a la autorregulacin son: Es una actividad mental que permite crear un sistema personal de aprendizaje. Cada sujeto se enfrenta con la realidad y asimila la informacin proporcionada de manera propia y original. La autorregulacin se realiza siempre que ejecutamos una actividad, aunque generalmente no estamos conscientes de ello.

Autoorganizacin El alumno construye su propio conocimiento, pero ste proceso no lo hace en soledad, sino en un ambiente de eficaces relaciones interpersonales. Es un proceso a travs del cual los alumnos (as) mantiene conductas emociones y afectos orientados al logro de metas. Es importante saber cules son las estrategias que utilizamos y que nos resultan eficientes para poder implementarlas continuamente y que nuestro porcentaje de logros aumente da con da. Para realizar una tarea y llevarla a cabo con xito, es importante conocer cules son nuestros talentos o fortalezas, qu es lo que ms se nos facilita y qu es lo que ms se nos dificulta o no nos interesa. Un modelo de organizacin curricular flexible (del tipo de la modular), con posibilidades de certificacin en curso, estimula a alumnos. Si la evaluacin es regular y comprende a sus diversos componentes (programas, alumnos y profesores), los resultados son probablemente ms firmes. Un aspecto bsico del proceso de autorregulacin consiste en que el sujeto est comprometido con el logro de las metas. La autorregulacin es el proceso a partir del cual se genera la posibilidad de crear nuevas situaciones, es decir, un proceso creativo consustancial e inseparable al ser humano (Briggs y Peat, 1999).

28

Enlaces externos
Fundamentos matemticos de la sinergtica. Caos, estructuras y simulacin por ordenador [1] http://www.papelesdelpsicologo.es/vernumero.asp?id=1371 http://www.infocop.es/view_article.asp?id=1039 http://www.nietoeditores.com.mx/download/Retos%20de%20la%20educacion/2012/Mayo-Agosto/ Retos%202.7%20AUTORREGULACION.pdf http://ipes.anep.edu.uy/documentos/libre_asis/materiales/ap_adultos.pdf http://www.scielo.cl/pdf/polis/v9n25/art18.pdf http://www.slideshare.net/bgune20/herramientas-para-la-autore l

Referencias
[1] http:/ / cliodynamics. ru/ index. php?option=com_content& task=view& id=140& Itemid=70

Autmata celular

29

Autmata celular
Un autmata celular (A.C.) es un modelo matemtico para un sistema dinmico que evoluciona en pasos discretos. Es adecuado para modelar sistemas naturales que puedan ser descritos como una coleccin masiva de objetos simples que interacten localmente unos con otros. Son sistemas descubiertos dentro del campo de la fsica computacional por John von Neumann en la dcada de 1950. La teora de los autmatas celulares se inicia con su precursor John von Neumann a finales de la dcada de 1940 con su libro Theory of Self-reproducing Automata (editado y completado por A. W. Burks).

Aunque John von Neumann puso en prctica los AA.CC., estos fueron concebidos en los aos 40 por Konrad Zuse y Stanislaw Ulam. Zuse pens en los espacios de cmputo (computing spaces), como modelos discretos de sistemas fsicos. Las contribuciones de Ulam vinieron al final de los 40, poco despus de haber inventado con Nicholas Metropolis el Mtodo de Montecarlo.

Animacin del juego de la vida de Conway, un autmata celular.

Descripcin
No existe una definicin formal y matemtica aceptada de Autmata Celular; sin embargo, se puede describir a un A.C. como una tupla, es decir, un conjunto ordenado de objetos caracterizado por los siguientes componentes: Una rejilla o cuadriculado (lattice) de enteros (conjunto ) infinitamente extendida, y con dimensin

. Cada celda de la cuadrcula se conoce como clula. Cada clula puede tomar un valor en a partir de un conjunto finito de estados . Cada clula, adems, se caracteriza por su vecindad, un conjunto finito de clulas en las cercanas de la misma. De acuerdo con esto, se aplica a todas las clulas de la cuadrcula una funcin de transicin ( ) que toma como argumentos los valores de la clula en cuestin y los valores de sus vecinos, y regresa el nuevo valor que la clula tendr en la siguiente etapa de tiempo. Esta funcin se aplica, como ya se dijo, de forma homognea a todas las clulas, por cada paso discreto de tiempo.

Condiciones de frontera
Por definicin, un A.C. consiste de una retcula infinita de enteros. Sin embargo, para cuestiones prcticas (como en modelos de sistemas fsicos llevados a cabo en ordenadores de memoria finita), se requiere tomar ciertas consideraciones a la hora de implementar un A.C. Por ello, la definicin original se modifica para dar cabida a retculas finitas en las que las clulas del A.C. interacten. Esto conlleva la consideracin extra de lo que debe de suceder con aquellas clulas que se encuentren en los bordes de la retcula. A la implementacin de una o varias consideraciones especficas se le conoce como condicin de frontera.

Topologa del autmata celular de 2D plegado en 3D para el caso de frontera peridica.

Dentro del mbito de los A.C., se pueden implementar numerosas condiciones de frontera, en funcin de lo que el problema real requiera para su modelado. Por ejemplo: Frontera abierta. Se considera que fuera de la lattice residen clulas, todas con un valor fijo. En el caso particular del juego de la vida y de otros A.C. con dos estados en su conjunto , una frontera se dice fra si las clulas fuera de la frontera se consideran muertas, y caliente si se consideran vivas.

Autmata celular Frontera peridica. Se considera a la lattice como si sus extremos se tocaran. En una lattice de dimensin 1, esto puede visualizarse en dos dimensiones como una circunferencia. En dimensin 2, la lattice podra visualizarse en tres dimensiones como un toroide. Frontera reflectora. Se considera que las clulas fuera de la lattice "reflejan" los valores de aquellas dentro de la lattice. As, una clula que estuviera junto al borde de la lattice (fuera de ella) tomara como valor el de la clula que est junto al borde de la lattice, dentro de ella. Sin frontera. Haciendo uso de implementaciones que hagan crecer dinmicamente el uso de memoria de la lattice implementada, se puede asumir que cada vez que las clulas deben interactuar con clulas fuera de la lattice, esta se hace ms grande para dar cabida a estas interacciones. Obviamente, existe un lmite (impuesto por la memoria disponible) para esta condicin. Es muy importante no confundir esta condicin de frontera con la definicin original de A.C. cuya lattice es inicialmente infinita. En el caso de un A.C. sin frontera, la lattice comienza con un tamao definido y finito, y conforme se requiera va creciendo en el tiempo, lo cual no lo hace necesariamente un modelo ms cercano a la realidad, pues si se inicializara la lattice aleatoriamente, con esta condicin slo se pueden inicializar las clulas dentro de la lattice inicial finita, mientras que en el caso de la definicin original, en teora todas las clulas de la lattice infinita deberan ser inicializadas.

30

Variaciones
Los A.C. pueden variar en alguna de las caractersticas antes mencionadas, derivando en autmatas celulares no estndar. Por ejemplo, un A.C. estndar tiene una cuadrcula donde se asume que las clulas son cuadros; es decir, que la retcula tiene una geometra cuadrada. Esto no es necesariamente un requisito, y se puede variar el A.C. para presentar una geometra triangular o hexagonal (en A.C. de 2 dimensiones, el cuadrado, el tringulo y el hexgono son las nicas figuras geomtricas que llenan el plano). Tambin puede variarse el conjunto de estados que cada clula puede tomar, la funcin de transicin de forma

que ya no sea homognea, utilizar elementos estocsticos (aleatoriedad) en probabilstico), variar las vecindades de cada clula, etc.

(lo que se conoce como A.C.

Historia
La historia de los autmatas celulares puede ser clasificada en tres etapas asociadas a los nombres de los cientficos que en cada momento marcaron un punto de inflexin en el desarrollo de la teora: la era de Von Neumann, la era de Martin Gardner y la era de Stephen Wolfram.

Era de Von Neumann

La primera etapa la inicia von Neumann,[1] quien una vez terminada su participacin en el desarrollo y terminacin de la primera computadora ENIAC tena en mente desarrollar una mquina con la capacidad de construir a partir de s misma otras mquinas (auto-reproduccin) y soportar comportamiento complejo. Con la ayuda de su amigo Stanislaw Ulam, von Neumann implementa la teora de los autmatas celulares en un vector de dos dimensiones (donde representa el conjunto de los enteros). El vector es llamado el espacio de evoluciones y cada una de las posiciones (llamadas clulas) en el vector toma un valor del conjunto de estados . La funcin de transicin que determina el comportamiento del autmata celular utiliza la vecindad de von Neumann, que consiste en un elemento central (llamada clula central) y sus vecinos que son las clulas , , y (es decir, la clula en cuestin y sus clulas vecinas ms prximas, arriba, abajo, izquierda y derecha, respectivamente).

Autmata celular

31

Era de John Horton Conway

En 1970, John Horton Conway dio a conocer el autmata celular que probablemente sea el ms conocido: el Juego de la vida (Life), publicado por Martin Gardner en su columna Mathematical Games en la revista Scientific American.[2] Life ocupa una cuadrcula (lattice bidimensional) donde se coloca al inicio un patrn de clulas "vivas" o "muertas". La vecindad para cada clula son los ocho: los vecinos formados por la vecindad de Von Neumann y las cuatro clulas de las dos diagonales (esta vecindad se conoce como vecindad de Moore). De manera repetida, se aplican simultneamente sobre todas las clulas de la cuadrcula las siguientes 3 reglas: 1. Nacimiento: se reemplaza una clula muerta por una viva si dicha clula tiene exactamente 3 vecinos vivos. 2. Muerte: se reemplaza una clula viva por una muerta si dicha clula no tiene ms de 1 vecino vivo (muerte por aislamiento) o si tiene ms de 3 vecinos vivos (muerte por sobrepoblacin). 3. Supervivencia: una clula viva permanecer en ese estado si tiene 2 o 3 vecinos vivos. Una de las caractersticas ms importantes de Life es su capacidad de realizar cmputo universal, es decir, que con una distribucin inicial apropiada de clulas vivas y muertas, Life se puede convertir en una computadora de propsito general (mquina de Turing).

Era de Stephen Wolfram

Stephen Wolfram[3]ha realizado numerosas investigaciones sobre el comportamiento cualitativo de los A.C. Con base en su trabajo sobre AC unidimensionales, con dos o tres estados, sobre configuraciones peridicas que se presentan en el A.C., observ sus evoluciones para configuraciones iniciales aleatorias. As, dada una regla, el A.C. exhibe diferentes comportamientos para diferentes condiciones iniciales. De esta manera, Wolfram clasific el comportamiento cualitativo de los A.C. unidimensionales. De acuerdo con esto, un AC pertenece a una de las siguientes clases: Clase I. La evolucin lleva a una configuracin estable y homognea, es decir, todas las clulas terminan por llegar al mismo valor. Clase II. La evolucin lleva a un conjunto de estructuras simples que son estables o peridicas. Clase III. La evolucin lleva a un patrn catico. Clase IV. La evolucin lleva a estructuras aisladas que muestran un comportamiento complejo (es decir, ni completamente catico, ni completamente ordenado, sino en la lnea entre uno y otro, este suele ser el tipo de comportamiento ms interesante que un sistema dinmico puede presentar).

Aplicaciones
Los autmatas celulares pueden ser usados para modelar numerosos sistemas fsicos que se caractericen por un gran nmero de componentes homogneos y que interacten localmente entre s. De hecho, cualquier sistema real al que se le puedan analogar los conceptos de "vecindad", "estados de los componentes" y "funcin de transicin" es candidato para ser modelado por un A.C. Las caractersticas de los autmatas celulares harn que dichos modelos sean discretos en tiempo, espacio o ambos (dependiendo de la variante de la definicin de A.C. que se use). Algunos ejemplos de reas en donde se utilizan los autmatas celulares son: Modelado del flujo de trfico y de peatones. Modelado de fluidos (gases o lquidos). Modelado de la evolucin de clulas o virus como el VIH. Modelado de procesos de percolacin.

El caparazn de Conus textile muestra un patrn caracterizable en trminos de autmatas celulares.

Autmata celular

32

Ejemplos de Autmatas Celulares

AC de una dimensin
El AC no trivial ms simple consiste en una retcula unidimensional de clulas que slo pueden tener dos estados ( 0 o 1 ), con un vecindario constituido, para cada clula, de ella misma y de las dos clulas adyacentes (23=8 configuraciones posibles). Existen 28=256 modos de definir cul ha de ser el estado de una clula en la generacin siguiente para cada una de estas configuraciones, luego existen 256 AC diferentes de este tipo.

Autmata celular generado con la regla 30.

Consideremos el AC definido por la tabla siguiente, que nos da la regla de evolucin:

Motivo inicial Valor siguiente de la clula central 111 110 101 100 011 010 001 000 0 0 0 1 1 1 1 0

Referencias
[1] von Neumann, J. (1966)The Theory of Self-reproducing Automata, ed. Univ. of Illinois Press, Urbana, IL [2] Gardner, M. (1970) Mathematical Games: The fantastic combinations of John Conway's new solitaire game "Life", Scientific American [3] Wolfram (1986), Theory and Application of Cellular Automata, World Scientific, Singapur

Bibliografa
S. Wolfram, A New Kind of Science, 2002 B. Cipra, What's happening in the Mathematical Sciences, vols. 3 y 5, American Mathematical Society, EU, 1996, 2002

Enlaces externos
Cellular Automata Repository (http://uncomp.uwe.ac.uk/genaro/CA_repository.html) (CA researchers, historic links, free software, books and beyond (ingls)) Cellular Automata And the Edge of Chaos (ingls) (http://math.hws.edu/xJava/CA/) Una introduccin a los Autmatas Celulares (http://yupana.autonoma.edu.co/publicaciones/yupana/005/ autocelular/Automatas.html) Autmata Celular (http://delta.cs.cinvestav.mx/~mcintosh/oldweb/s1996/ponse/reporte.html) Autmatas Celulares (http://axxon.com.ar/zap/278/c-Zapping0278.htm) Modelacin de flujo de trnsito de autos utilizando autmatas celulares (http://cellular.ci.ulsa.mx/comun/ tesismaestria/rene/tesisReneHtml/Tesis.html) Autmata de Modelo Electromagntico (http://docs.google.com/View?docid=d7htvkt_42gkzgp4)

Autmata celular

33

Software
Discrete Dynamics Lab (http://www.ddlab.com/) Mirek's Cellebration (http://www.mirwoj.opus.chelm.pl/ca/) Modern Cellular Automata (http://www.collidoscope.com/modernca/) Loops autoreplicantes en el espacio celular (http://necsi.org/postdocs/sayama/sdsr/java/) AC triangulares, pentagonales y hexagonales (http://www.cse.sc.edu/~bays/CAhomePage) Generador virtual de AC (http://kidojo.com/cellauto) EvoCell (http://kybernet.org/wiki/index.php/EvoCell) - Licencia GPL Watch 16, 256 and 512 cellular automata grow in your browser (http://www.psigenics.co.uk/ cellularAutomata/automaton.htm) Prenzl!! Artistic Cellular Automata (http://prenzl.sourceforge.net) - Software libre para desarrollar AC artsticos y otros sistemas dinmicos. Coleccin de 10 AC (http://vlab.infotech.monash.edu.au/simulations/cellular-automata/)

Red bayesiana
Una red bayesiana, red de Bayes, red de creencia, modelo bayesiano (de Bayes) o modelo probabilstico en un grfico acclico dirigido es un modelo grfico probabilstico (un tipo de modelo esttico) que representa un conjunto de variables aleatorias y sus dependencias condicionales a travs de un grfico acclico dirigido (DAG por sus siglas en ingls). Por ejemplo, una red bayesiana puede representar las Una red Bayesiana simple. Influencia de la lluvia si el rociador est activado e influencia relaciones probabilsticas entre de la lluvia y el rociador si la hierba se encuentra hmeda. enfermedades y sntomas. Dados los sntomas, la red puede ser usada para computar las probabilidad de la presencia de varias enfermedades. Formalmente, las redes bayesianas son grafos dirigidos acclicos cuyos nodos representan variables aleatorias en el sentido de Bayes: las mismas pueden ser cantidades observables, variables latentes, parmetros desconocidos o hiptesis. Las aristas representan dependencias condicionales; los nodos que no se encuentran conectados representan variables las cuales son condicionalmente independientes de las otras. Cada nodo tiene asociado una funcin de probabilidad que toma como entrada un conjunto particular de valores de las variables padres del nodo y devuelve la probabilidad de la variable representada por el nodo. Por ejemplo, si por padres son variables booleanas entonces la funcin de probabilidad puede ser representada por una tabla de entradas, una entrada para cada una de las posibles combinaciones de los padres siendo verdadero o falso. Ideas similares pueden ser aplicadas a grafos no dirigidos, y posiblemente cclicos; como son las llamadas redes de Markov. Existen algoritmos eficientes que llevan a cabo la inferencia y el aprendizaje en redes bayesianas. Las redes bayesianas que modelan secuencias de variables (ej seales del habla o secuencias de protenas) son llamadas redes bayesianas dinmicas. Las generalizaciones de las redes bayesianas que pueden representar y resolver problemas de decisin bajo incertidumbre son llamados diagramas de influencia.

Red bayesiana

34

Ejemplo
Supongamos que hay dos eventos los cuales pueden causar que la hierba est hmeda: que el rociador est activado o que est lloviendo. Tambin supongamos que la lluvia tiene un efecto directo sobre el uso del rociador (usualmente cuando llueve el rociador se encuentra apagado). Entonces la situacin puede ser modelada con una red Bayesiana (como hemos visto). Las tres variables tienen dos posibles valores, T (para verdadero) y F (para falso). La funcin de probabilidad conjunta es:

Una red bayesiana simple.

donde los nombres de las variables han sido abreviados a G = Hierba hmeda, S = Rociador activado, y R = Lloviendo. El modelo puede responder preguntas como "Cul es la probabilidad de que est lloviendo dado que la hierba est hmeda?" usando la frmula de probalididad condicional y sumando sobre todas las variables incordias: ::

Como est sealado explcitamente en el numerador del ejemplo, la funcin de probabilidad conjunta es usada para calcular cada iteracin de la funcin de sumatoria, marginalizando sobre en el numerador y sobre y en el denominador. Si, por otra parte, deseamos responder una pregunta intermedia: "Cul es la probabilidad de que llueva dado que la hierba est hmeda?" la respuesta puede ser dada por la post-intervencin de la funcin de distribucin conjunta obtenida removiendo el factor de la distribucin de pre-intervencin. Como era de esperarse, la probabilidad de que llueva no es afectada por la accin: . Si por otra aorte queremos predecir el impacto que tendr encender el rociador, tenemos entoncs con el trmino eliminado, mostrando que la accin tiene efecto sobre la hierba pero no sobre la lluvia. Estas predicciones no son factibles cuando alguna de las variables no son observadas, como en la mayora de los problemas de evaluacin. El efecto de la accin puede mantenerce predictivo, sin embargo, cada vez un criterio llamado "puerta trasera" es satisfecho.[] Los estados que, si un conjunto Z de nodos puede ser onservado que d-separa (o bloquea) todos los caminos de "puestra trasera" desde X hasta Y entonces . Un camino de puestra trasera es uno que termina con una flecha hacia X. Los conjuntos que satisfacen el criterio de puerta trasera son llamados "suficientes" o "admisibles". Por ejemplo, el conjunto Z=R es admisible para predecir el efecto de S=T sobre G, porque R d-separa el (nico) camino de puerta trasera S?R?G. Sin embargo, si S no es observado, no hay otro conjunto que d-separe este camino y el efecto de encender los rociadores (S=T) sobre la hierba (G) no puede ser predecido desde observaciones pasivas. Nosotros entonces decimos que no est identificado. Esto refleja el

Red bayesiana hecho de que, careciendo de datos intervencionales, no podemos determinar si la dependencia observada entre S y G es debido a una conexin casual o debido a una artificial creada por una causa comn, R. (ver paradoja de Simpson) Para determinar si una relacin casual es identificada desde una red Bayesiana arbitraria con variables no obervadas, uno puede usar las tres reglas de "do-calculus"[][] y probar si todos los trminos do pueden ser eliminados de la expresin de la relacin, as conforme que la cantidad deseada es estimable desde la frecuencia de datos.[1] Usar una red de bayesian puede salvar las cantidades considerables de la memoria, si las dependencias en el reparto conjunto estn escasas. Por ejemplo, una manera ingenua de guardar las probabilidades condicionales de 10 variables con dos valores como una tabla requiere el espacio de almacenamiento para valores. Si las distribuciones locales de ninguna variable depende de ms de 3 variables padre, la representacin de la red de bayesiana solamente tiene que almacenar a lo sumo valores. Una ventaja de las redes bayesianas es que es intuitivamente ms fcil para un ser humano comprender (un conjunto escaso de) dependencias directas y distribuciones locales que la distribucin conjunta completa.

35

Inferencia de y aprendizaje
Hay tres tareas principales de inferencia para las redes bayesianas.

Deduccin de variables no observadas

Debido a que una red bayesiana es un modelo completo de las variables y sus relaciones, se puede utilizar para responder a las consultas de probabilidad acerca de ellos. Por ejemplo, la red se puede utilizar para averiguar el conocimiento actualizado del estado de un subconjunto de variables cuando otras variables (las variables de evidencia) se observan. Este proceso de clculo de la distribucin posterior de las variables dada la evidencia que se llama inferencia probabilstica. La posterior da un suficiente estadstico universal para aplicaciones de deteccin, cuando se quiere elegir los valores para la variable de un subconjunto que minimizan alguna funcin de prdida esperada, por ejemplo, la probabilidad de error de decisin. Una red bayesiana de esta manera, puede considerarse como un mecanismo para aplicar automticamente el teorema de Bayes a problemas complejos. Los mtodos ms comunes de inferencia exactas son: eliminacin de variables, el cual elimina (mediante integracin o suma) las variables no observadas y no consultadas una por una mediante la distribucin de la suma sobre el producto; propagacin en un rbol clique, que almacena en cach el clculo de modo que muchas variables se pueden consultar en una vez y nueva evidencia se puede propagar rpidamente; y condicionamiento recursivo y bsqueda AND/OR, que permiten un equilibrio espacio-tiempo y realiza eficientemente la eliminacin de variables cuando se usa suficiente espacio. Todos estos mtodos tienen una complejidad que es exponencial con respecto al ancho del rbol. Los algoritmos de inferencia aproximada ms comunes son muestreo de importancia, simulacin estocstica MCMC (Markov Chain Monte Carlo), eliminacin mini-cubo, LBP (Loopy Belief Propagation), GBP (Generalized Belief Propagation), y los mtodos variacionales.

Aprendizaje de Parmetros
Para especificar completamente la red bayesiana y por lo tanto representar plenamente a la distribucin de probabilidad conjunta , es necesario especificar para cada nodo X la distribucin de probabilidad de X condicionada dado sus padres. La distribucin de X condicionada dado sus padres puede tener cualquier forma. Es comn trabajar con distribuciones discretas o gaussianas ya que simplifica los clculos. A veces slo restricciones sobre una distribucin son conocidas; uno puede entonces utilizar el principio de mxima entropa para determinar una distribucin nica. (Anlogamente, en el contexto especfico de una red bayesiana dinmica, una que comnmente especifica la distribucin condicional para la evolucin temporal del estado ocultos para maximizar la tasa de entropa del proceso estocstico implcito) A menudo, estas distribuciones condicionales incluyen parmetros que son desconocidos y deben estimarse a partir de los datos, a veces utilizando el enfoque de mxima probabilidad. La

Red bayesiana maximizacin directa de la probabilidad (o de la probabilidad posterior) es a menudo compleja cuando hay variables no observadas. Un mtodo clsico de este problema es el algoritmo de expectacin-maximizacin el cual alterna los valores esperados computados de las variables condicionales no observadas a datos observados, con la maximizacin de la probabilidad total (o posterior) suponiendo que previamente calculados los valores esperados son correctas. Bajo condiciones de regularidad leves este proceso converge en valores de probabilidad mxima (o mximo posterior) para los parmetros. Un enfoque ms Bayesiano es tratar a los parmetros como variables no observadas adicionales y para calcular la distribucin posterior completa sobre todos los nodos condicionales de los datos observados, despus, integrar los parmetros. Este enfoque puede ser costoso y llevar a modelos de grandes dimensiones, por lo que en la prctica enfoques de ajuste de parmetros clsicos son ms comunes.

36

Aprendizaje de Estructuras
En el caso ms simple, una red bayesiana se especifica por un experto y se utiliza entonces para realizar inferencia. En otras aplicaciones, la tarea de definir la red es demasiado compleja para los seres humanos. En este caso la estructura de la red y los parmetros de las distribuciones locales debe ser aprendido de datos. El aprendizaje automtico de la estructura grfica de una red bayesiana es un reto dentro del aprendizaje de mquina. La idea bsica se remonta a un algoritmo de recuperacin desarrollado por Rebane y Pearl (1987)[2] y se basa en la distincin entre los tres tipos posibles de triplos adyacentes permitidos en un grfico acclico dirigido (DAG): 1. 2. 3. Tipo 1 y tipo 2 representan las mismas dependencias ( y son independientes dada y ) y son, por tanto, son marginalmente indistinguibles. Tipo 3, sin embargo, puede ser identificado de forma nica, ya que

independientes y todos los otros pares son dependientes. As, mientras que los esqueletos (los grafos despojados de flechas) de estos tres triplos son idnticos, la direccionalidad de las flechas es parcialmente identificable. La misma distincin se aplica cuando y tienen padres comunes, excepto que uno debe condicionar primero en esos padres. Se han desarrollado algoritmos para determinar sistemticamente el esqueleto del grafo subyacente y, a continuacin, orientar todas las flechas cuya direccionalidad est dictada por las independencias condicionales observados.[][3][4][5] Un mtodo alternativo de aprendizaje estructural utiliza la optimizacin basada en bsquedas. Se requiere una funcin de puntuacin y una estrategia de bsqueda. Una funcin de puntuacin comn es la probabilidad posterior de la estructura dado los datos de entrenamiento. El requisito de tiempo de una bsqueda exhaustiva retornando una estructura que maximice la puntuacin es superexponencial en el nmero de variables. Una estrategia de bsqueda local hace cambios incrementales destinados a mejorar la puntuacin de la estructura. Un algoritmo de bsqueda global como la cadena de Markov Monte Carlo puede evitar quedar atrapado en mnimos locales. Friedman et al.[6][7] habla acerca del uso de la informacin mutua entre las variables y encontrar una estructura que maximiza esto. Lo hacen mediante la restriccin del conjunto de padres candidatos a k nodos y exhaustivamente buscan en el mismo.

Introduccin estadstica
Dados los datos antes en y el parmetro , Un simple anlisis Bayesiano comienza con una probabilidad a priori (antes) . A menudo, el en los parmetros introducidos que no se mencionan en la probabilidad. Por lo tanto, la previa , y un previo y probabilidad para calcular una probabilidad posterior

, depende a su vez de otros parmetros

debe ser sustituido por una probabilidad recientemente

se requiere, lo que resulta en una probabilidad posterior

Red bayesiana Este es el ejemplo ms simple de un modelo jerrquico Bayesiano. El proceso se puede repetir, por ejemplo, los parmetros pueden depender a su vez de parmetros adicionales , lo que requerir su propio previo. Finalmente, el proceso debe terminar, con previos que no dependen de otros parmetros no se han mencionado.

37

Ejemplos Introductorios
Supongamos que hemos medido las cantidades conocidos y desviacin estndar , cada una con una distribucin normal de los errores

Supongamos que estamos interesados en estimar la

. Un enfoque sera estimar la

utilizando un enfoque de

mxima verosimilitud; ya que las observaciones son independientes, la probabilidad factoriza y la estimacin de mxima probabilidad es simplemente Sin embargo, si las cantidades estn relacionados, de modo que por ejemplo se puede pensar que los individuales

han sido extrados de una distribucin subyacente, a continuacin, esta relacin destruye la independencia y sugiere un modelo ms complejo, por ejemplo,

con previos inapropiados

plana,

plano

. Cundo

, este es un modelo identificado individual

(es decir, existe una nica solucin para los parmetros del modelo), y la distribucin posterior de la

tender a moverse o reducir la distancia de mxima verosimilitud estimada hacia su media comn. Esta contraccin es un comportamiento tpico de los modelos jerrquicos bayesianos.

Restricciones a los previos

Hay que tener algn cuidado al elegir los previos en un modelo jerrquico, en particular sobre las variables de escala en los niveles superiores de la jerarqua, como la variable en el ejemplo. Los previos habituales, tales como los previos de Jeffrey a menudo no funcionan, debido a que la distribucin posterior ser incorrecta (no normalizable), y estimaciones realizadas por reducir al mnimo la prdida esperada ser inadmisible .

Definiciones y conceptos
Hay varias definiciones equivalentes de una red bayesiana. Por todo lo siguiente, sea G = (V, E) un grfico acclico dirigido (o DAG), y sea X = (Xv)v ? V un conjunto de variables aleatorias indexadas por V.

Definicin de factorizacin
X es una red bayesiana con respecto a G si su funcin de densidad de probabilidad conjunta (con respecto a una medida de producto) se puede escribir como un producto de las funciones de densidad individuales, condicionadas a las variables de sus padres:[8] donde pa(v) es el conjunto de padres de v (es decir, los vrtices apuntando directamente a v a travs de una sola arista). Para cualquier conjunto de variables aleatorias, la probabilidad de cualquier miembro de una distribucin conjunta se puede calcular a partir de las probabilidades condicionales utilizando la regla de la cadena (dado un ordenamiento topolgico de X) como sigue:[8]

Red bayesiana Comprese esto con la definicin anterior, que por cada puede ser escrita como:

38

el cual es padre de

La diferencia entre las dos expresiones es la independencia condicional de las variables de cualquiera de sus no-descendientes, dados los valores de las variables de sus padres.

Propiedad local de Markov

X es una red bayesiana con respecto a V si satisface la propiedad local de Markov: cada variable es condicionalmente independiente de sus no-descendientes dado sus variables padres:[9]

donde de(v) es el conjunto de descendientes de v. Esto tambin se puede expresar en trminos similares a la primera definicin, como para cada la cual no es descendiente de

para cada que es padre de Tenga en cuenta que el conjunto de los padres es un subconjunto del conjunto de los no descendientes porque el grafo es acclico.

Desarrollo de redes bayesianas

Desarrollar una red bayesiana, que a menudo se desarrolla primero un DAG G tal que creemos que X satisface la propiedad local de Markov con respecto a G. A veces esto se hace creando un DAG casual. A continuacin, determinar las distribuciones de probabilidad condicional de cada variable dados sus padres en G. En muchos casos, en particular en el caso donde las variables son discretas, si se define la distribucin conjunta de X como el producto de las distribuciones condicionales, entonces X es una red bayesiana con respecto a G.[10]

Manta de Markov
La manta de Markov de un nodo es el conjunto de nodos vecinos: sus padres, sus hijos y otros padres de sus hijos. X es una red bayesiana con respecto a G si cada nodo es condicionalmente independiente de todos los dems nodos de la red, dada su manta Markov.[9]

d-separacin
Esta definicin puede ser ms general mediante la definicin de la "d" de separacin de dos nodos, donde d es direccional.[11][12] Sea P un camino (es decir, una coleccin de aristas, que es como un camino, pero cada una de cuyas aristas pueden tener cualquier direccin) de un nodo de u a v. Entonces P se dice que es d-separado por un conjunto de nodos Z si y slo si (al menos) uno de cumple lo siguiente: 1. 2. 3. 4. P contiene una cadena, x -> m -> y, de manera tal que el nodo medio de m est en Z, P contiene una cadena, x <- m <- y, de manera tal que el nodo medio de m est en Z, P contiene un tenedor, x <- m -> y, de manera tal que el nodo medio de m est en Z, o P contiene un tenedor invertido (o acelerador), x -> m <- y, de manera tal que el nodo medio de m no est en Z y el no descendiente de m est en Z.

As, u y v se dice que estn d-separados por Z si todas las rutas entre ellos son d-separados. Si U y V no son d-separados, se les llama d-conectado. X es una red bayesiana con respecto a G si, para cualquier par de nodos u, v:

Red bayesiana donde Z es un conjunto que d-separa u y v. (La manta de Markov es el conjunto mnimo de nodos que d-separa al nodo v de todos los dems nodos)

39

Modelos Jerrquicos
El trmino modelo jerrquico a veces se considera un tipo particular de red Bayesiana, pero no tiene una definicin formal. A veces el trmino se reserva para los modelos con tres o ms niveles de las variables aleatorias, en otras ocasiones, se reserva para los modelos con variables latentes. En general, sin embargo, cualquier red Bayesiana moderadamente compleja suele llamarse "jerrquica".

Redes Causales
Aunque las redes Bayesianas se utilizan a menudo para representar relaciones causales, esto no tiene por qu ser el caso: una arista dirigida de u a v no requiere que Xv sea causalmente dependiente de Xu. Esto se demuestra por el hecho de que las redes Bayesianas en los grafos:

son equivalentes, es decir imponen exactamente los mismos requisitos de independencia condicional. Una red causal es una red Bayesiana con un requisito explcito de que la relacin sea causal. Las semnticas adicionales de las redes causales especifican que si un nodo X est activamente causado a estar en un estado dado x (una accin escrita como lo hacen (X=x)), entonces la probabilidad de cambios de la funcin de densidad a la de la red obtenida por cortar los vnculos de los padres de X a X, y el seteando X al valor causada x.[] El uso de estas semnticas, se puede predecir el impacto de las intervenciones externas de los datos obtenidos antes de la intervencin.

Aplicaciones
Las redes Bayesianas se utilizan para el modelado del conocimiento en biologa computacional y bioinformtica (redes reguladoras de genes, la estructura de la protena, la expresin de genes de anlisis,[] el aprendizaje de epistasis a partir de los conjuntos de datos de GWAS[13]), la medicina,[] biomonitoreo,[14] la clasificacin de documentos, recuperacin de informacin,[] la bsqueda semntica,[15] el procesamiento de imgenes, fusin de datos, sistemas de soporte de decisiones,[] la ingeniera, los juegos y la ley.[][][16]

Software
WinBUGS OpenBUGS (website [17]), (cdigo abierto) desarrollo adicional de WinBUGS. Just another Gibbs sampler (JAGS) (website [18]). GeNIe&Smile (website [19]) SMILE es una librera de C++ para BN e ID, y GeNIe es una GUI para ella. SamIam (website [20]), otra GUI usando la librera SMILE. Redes de creencia y de decisin en AIspace [21]. Hugin [22]. Netica [23] por Norsys. dVelox [24] por Apara Software.

Red bayesiana

40

Historia
El trmino "redes bayesianas" fue acuado por Judea Pearl en 1985 para hacer hincapi en tres aspectos:[25] 1. El carcter a menudo subjetivo de la informacin de entrada. 2. La dependencia de acondicionamiento de Bayes como base para la actualizacin de la informacin. 3. La distincin entre los modos causales y probatorio de razonamiento, lo que subraya Thomas Bayes en un documento publicado pstumamente en 1763.[26] A finales de 1980 los textos seminales Razonamiento Probabilstico en Sistemas Inteligentes[27] y Razonamiento Probabilstico en Sistemas Expertos[28] resume las propiedades de las redes Bayesianas y ayud a establecer las mismas como un campo de estudio. Variantes informales de este tipo de redes se utilizaron por primera vez por el jurista John Henry Wigmore, en forma de grafos de Wigmore, para analizar la evidencia en un juicio en 1913.[]:6676 Otra variante, llamada diagrama de rutas, fue desarrollada por el genetista Sewall Wright[29] y utilizado en ciencias de la conducta y sociales (en su mayora con modelos paramtricos lineales).

Referencias
[1] I. Shpitser, J. Pearl, "Identification of Conditional Interventional Distributions" In R. Dechter and T.S. Richardson (Eds.), Proceedings of the Twenty-Second Conference on Uncertainty in Artificial Intelligence, 437-444, Corvallis, OR: AUAI Press, 2006. [2] Rebane, G. and Pearl, J., "The Recovery of Causal Poly-trees from Statistical Data," Proceedings, 3rd Workshop on Uncertainty in AI, (Seattle, WA) pages 222228, 1987 [8] Russell y Norvig, 2003, p.496. [9] Russell y Norvig, 2003, p.499. [15] Christos L. Koumenides and Nigel R. Shadbolt. 2012. Combining link and content-based information in a Bayesian inference model for entity search. (http:/ / eprints. soton. ac. uk/ 342220) In Proceedings of the 1st Joint International Workshop on Entity-Oriented and Semantic Search (JIWES '12). ACM, Nueva York, NY, EE.UU., , Article 3 , 6 pages. DOI=10.1145/2379307.2379310 (http:/ / doi. acm. org/ 10. 1145/ 2379307. 2379310) [17] http:/ / www. openbugs. info/ w/ FrontPage [18] http:/ / www-fis. iarc. fr/ ~martyn/ software/ jags/ [19] http:/ / genie. sis. pitt. edu/ [20] http:/ / reasoning. cs. ucla. edu/ samiam/ [21] http:/ / www. aispace. org/ bayes/ index. shtml [22] http:/ / www. hugin. com/ [23] http:/ / www. norsys. com/ netica. html [24] http:/ / www. aparasw. com/ index. php/ en

Para saber ms
Ben-Gal, Irad (2007), Encyclopedia of Statistics in Quality and Reliability (http://www.eng.tau.ac.il/ ~bengal/BN.pdf), en Ruggeri, Fabrizio; Kennett, Ron S.; Faltin, Frederick W (PDF), Encyclopedia of Statistics in Quality and Reliability, John Wiley & Sons, doi: 10.1002/9780470061572.eqr089 (http://dx.doi.org/10.1002/ 9780470061572.eqr089), ISBN 978-0-470-01861-3 Bertsch McGrayne, Sharon. The Theory That Would not Die. Yale. Borgelt, Christian; Kruse, Rudolf (March de 2002). Graphical Models: Methods for Data Analysis and Mining (http://fuzzy.cs.uni-magdeburg.de/books/gm/). Chichester, UK: Wiley. ISBN 0-470-84337-3. Borsuk, Mark Edward (2008), Ecological informatics: Bayesian networks, en Jrgensen , Sven Erik, Fath, Brian, Encyclopedia of Ecology, Elsevier, ISBN 978-0-444-52033-3 Castillo, Enrique; Gutirrez, Jos Manuel; Hadi, Ali S. (1997). Learning Bayesian Networks. Expert Systems and Probabilistic Network Models. Monographs in computer science. Nueva York: Springer-Verlag. pp.481528. ISBN 0-387-94858-9. Comley, Joshua W.; Dowe, David L. (http://www.csse.monash.edu.au/~dld) (October 2003). Minimum Message Length and Generalized Bayesian Nets with Asymmetric Languages (http://www.csse.monash.edu.

Red bayesiana au/~dld/David.Dowe.publications.html#ComleyDowe2005). escrito en Victoria, Australia. En Grnwald, Peter D.; Myung, In Jae; Pitt, Mark A.. Advances in Minimum Description Length: Theory and Applications. Neural information processing series. Cambridge, Massachusetts: Bradford Books (MIT Press). pp.265294. ISBN 0-262-07262-9. (This paper puts decision trees in internal nodes of Bayes networks using Minimum Message Length (http://www.csse.monash.edu.au/~dld/MML.html) (MML). An earlier version is Comley and Dowe (2003) (http://www.csse.monash.edu.au/~dld/David.Dowe.publications.html#ComleyDowe2003), (http:// www.csse.monash.edu.au/~dld/Publications/2003/Comley+ Dowe03_HICS2003_GeneralBayesianNetworksAsymmetricLanguages.pdf)) Dowe, David L. (2010). MML, hybrid Bayesian network graphical models, statistical consistency, invariance and uniqueness (http://www.csse.monash.edu.au/~dld/Publications/2010/ Dowe2010_MML_HandbookPhilSci_Vol7_HandbookPhilStat_MML+ hybridBayesianNetworkGraphicalModels+StatisticalConsistency+InvarianceAndUniqueness_pp901-982.pdf), in Handbook of Philosophy of Science (Volume 7: Handbook of Philosophy of Statistics), Elsevier, ISBN 978-0-444-51862-0 (http://japan.elsevier.com/products/books/HPS.pdf), pp 901-982 (http://www.csse. monash.edu.au/~dld/Publications/2010/ Dowe2010_MML_HandbookPhilSci_Vol7_HandbookPhilStat_MML+ hybridBayesianNetworkGraphicalModels+StatisticalConsistency+InvarianceAndUniqueness_pp901-982.pdf). Fenton, Norman; Neil, Martin E. (November 2007). Managing Risk in the Modern World: Applications of Bayesian Networks (http://www.agenarisk.com/resources/apps_bayesian_networks.pdf) A Knowledge Transfer Report from the London Mathematical Society and the Knowledge Transfer Network for Industrial Mathematics. Londres (Reino Unido): London Mathematical Society. Fenton, Norman. Combining evidence in risk analysis using Bayesian Networks (https://www.dcs.qmul.ac. uk/~norman/papers/Combining evidence in risk analysis using BNs.pdf)(PDF), Safety Critical Systems Club Newsletter, 23 de julio de 2004, pp.813. Part II: Fundamentals fo Bayesian Data Analysis: Ch.5 Hierachical models (http://books.google.com/ books?id=TNYhnkXQSjAC&pg=PA120). Bayesian Data Analysis (http://books.google.com.au/ books?id=TNYhnkXQSjAC). CRC Press. 2003. pp.120. ISBN 978-1-58488-388-3. Heckerman, David (March 1, 1995). Tutorial on Learning with Bayesian Networks (http://research.microsoft. com/research/pubs/view.aspx?msr_tr_id=MSR-TR-95-06). En Jordan, Michael Irwin. Learning in Graphical Models. Adaptive Computation and Machine Learning. Cambridge, Massachusetts: MIT Press. pp.301354. ISBN 0-262-60032-3.. :Tambin aparece como Bayesian Networks for Data Mining. Data Mining and Knowledge Discovery (Netherlands: Springer Netherlands) 1 (1): pp.79119. March 1997. doi: 10.1023/A:1009730122752 (http:// dx.doi.org/10.1023/A:1009730122752). ISSN 1384-5810 (http://worldcat.org/issn/1384-5810).:Una versin reciente aparece como Technical Report MSR-TR-95-06 (http://research.microsoft.com/research/pubs/view. aspx?msr_tr_id=MSR-TR-95-06), Microsoft Research, March 1, 1995. The paper is about both parameter and structure learning in Bayesian networks. Jensen, Finn V; Nielsen, Thomas D. (6 de junio de 2007). Bayesian Networks and Decision Graphs. Information Science and Statistics series (2nd edicin). Nueva York: Springer-Verlag. ISBN 978-0-387-68281-5. Korb, Kevin B.; Nicholson, Ann E. (December 2010). Bayesian Artificial Intelligence. CRC Computer Science & Data Analysis (2nd edicin). Chapman & Hall (CRC Press). doi: 10.1007/s10044-004-0214-5 (http://dx.doi.org/10. 1007/s10044-004-0214-5). ISBN 1-58488-387-1. Lunn, D. (2009). The BUGS project: Evolution, critique and future directions. Statistics in Medicine 28 (25): pp.30493067. doi: 10.1002/sim.3680 (http://dx.doi.org/10.1002/sim.3680). PMID 19630097 (http://www.ncbi. nlm.nih.gov/pubmed/19630097). Neil, Martin (August 2005). Greenberg, Michael R.. ed. Using Bayesian Networks to Model Expected and Unexpected Operational Losses (http://www.dcs.qmul.ac.uk/~norman/papers/oprisk.pdf) (pdf). Risk Analysis: an International Journal (John Wiley & Sons) 25 (4): pp.963972. doi: 10.1111/j.1539-6924.2005.00641.x

41

Red bayesiana (http://dx.doi.org/10.1111/j.1539-6924.2005.00641.x). PMID 16268944 (http://www.ncbi.nlm.nih.gov/ pubmed/16268944). Pearl, Judea (September 1986). Fusion, propagation, and structuring in belief networks. Artificial Intelligence (Elsevier) 29 (3): pp.241288. doi: 10.1016/0004-3702(86)90072-X (http://dx.doi.org/10.1016/ 0004-3702(86)90072-X). ISSN 0004-3702 (http://worldcat.org/issn/0004-3702). Pearl, Judea (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Representation and Reasoning Series (2nd printing edicin). San Francisco, California: Morgan Kaufmann. ISBN 0-934613-73-7. Pearl, Judea; Russell, Stuart (November de 2002). Bayesian Networks. En Arbib, Michael A.. Handbook of Brain Theory and Neural Networks. Cambridge, Massachusetts: Bradford Books (MIT Press). pp.157160. ISBN 0-262-01197-2. Plantilla:Russell Norvig 2003. Zhang, Nevin Lianwen (http://www.cs.ust.hk/faculty/lzhang/bio.html) (May 1994). A simple approach to Bayesian network computations. Proceedings of the Tenth Biennial Canadian Artificial Intelligence Conference (AI-94). (Banff, Alberta): pp.171178. This paper presents variable elimination for belief networks.

42

Enlaces externos
Un tutorial sobre el aprendizaje con redes Bayesianas (http://research.microsoft.com/research/pubs/view. aspx?msr_tr_id=MSR-TR-95-06) Una Introduccin a las Redes Bayesianas y sus aplicaciones contemporneas (http://www.niedermayer.ca/ papers/bayesian/bayes.html) Tutorial on-line sobre redes bayesianas y probabilidad (http://www.dcs.qmw.ac.uk/~norman/BBNs/BBNs. htm) Redes Bayesianas en Tiempo Continuo (http://robotics.stanford.edu/~nodelman/papers/ctbn.pdf) Redes Bayesianas: Explicacin y Analoga (http://wiki.syncleus.com/index.php/DANN:Bayesian_Network) Un tutorial en vivo en el aprendizaje de redes bayesianas (http://videolectures.net/kdd07_neapolitan_lbn/) Un modelo jerrquico de Bayes para la manipulacin de heterogeneidad de la muestra en problemas de clasificacin (http://www.biomedcentral.com/1471-2105/7/514/abstract), proporciona un modelo de clasificacin teniendo en cuenta la incertidumbre asociada a la medicin de muestras replicadas. Hierarchical Modelo Jerrquico Injenuo de Bayes para el manejo de las muestras de incertidumbre (http://www. labmedinfo.org/download/lmi339.pdf), muestra cmo realizar la clasificacin y el aprendizaje con las variables continuas y discretas con mediciones replicadas.

Bot

43

Bot
Un bot (afresis de robot) es un programa informtico que realiza funciones muy diversas, imitando el comportamiento de un humano. En sitios wiki, como Wikipedia (vase "Wikipedia:Bot"), un bot puede realizar funciones rutinarias de edicin. En otros sitios, como Encarta, el bot puede responder a cuestiones sobre el propio contenido del sitio (bots conversacionales). En sitios de chat en lnea (IRC o MSN), algunos bots fueron utilizados para simular una persona, intentando hacer creer al "ciberinterlocutor" que chateaban con una persona real. Es por ello que, aquellos sitios que hacen un uso positivo de los bots, como Wikipedia o Encarta, tienen reglas muy estrictas para su uso. En el pasado, la propia Wikipedia fue vctima de bots maliciosos creados para vandalizar de forma masiva los artculos (vanse vandalismo en wikis y vandalbots). En el ambiente de los videojuegos, se conoce como bot a programas que son capaces de jugar por s mismos el juego en cuestin (tambin conocidos como borgs). La calidad del bot en este caso viene determinada por su capacidad de vencer (y en qu trminos) el videojuego. Los bots para juegos CRPG (computer role-playing games) son particularmente conocidos ya que este tipo de aplicaciones requieren una gran capacidad de estrategia para ganarlos. Es muy habitual tambin usar este trmino en los juegos denominados 'shooters', en los que sustituyen a un jugador humano cuando no hay contrincantes disponibles o en juego offline. Asimismo, otros bots pueden abrir cuentas en sitios de correo electrnico gratuito, por lo que ahora la mayora de esos sitios cuenta con un paso adicional en el que el usuario debe escribir una palabra presentada en formato grfico algo muy difcil de interpretar para un bot. La palabra bot es parte de la jerga informtica y no es seguro si ser sustituida por una equivalente en espaol, se incorporar al idioma, o se usar la palabra original de la cual procede, robot. Es importante distinguir que bot es una definicin funcional, y no hace diferencias en cuanto a su implementacin. Un bot puede estar diseado en cualquier lenguaje de programacin, funcionar en un servidor o en un cliente, o ser un agente mvil, etc. A veces son llamados Sistemas Expertos pues muchos se especializan en una funcin especfica.

Enlaces externos
Meta contiene informacin sobre BotMeta.

Bsquedas no informadas

44

Bsquedas no informadas
Introduccin a las bsquedas no informadas
Un problema tpico de la Inteligencia Artificial consiste en buscar un estado concreto entre un conjunto determinado, al que se le llama espacio de estados. Imaginemos, por ejemplo, una habitacin con baldosines en la que hay un libro. Un robot se desea desplazar por la habitacin con el fin de llegar a dicho libro. De qu manera lo har? En este punto es donde entran en juego las estrategias y los algoritmos de bsqueda. Cuando el sistema agente (en este caso, el robot) posee algn tipo de informacin del medio, se utilizan tcnicas de bsquedas informadas; sin embargo, si carece de conocimiento alguno, se debern emplear algoritmos de bsqueda no informadas. En nuestro ejemplo, y para este ltimo caso, podemos imaginar un robot que no posea ningn tipo de visin artificial, que nicamente sea capaz de moverse en horizontal o vertical de un baldosn a otro y detectar si en el baldosn se halla el libro.

Representacin del espacio de estados

El conjunto de estados que el agente (en nuestro ejemplo, el robot) debe recorrer, generalmente se representa mediante un grafo, aunque en algunos casos concretos utilizaremos rboles. Siguiendo con nuestro ejemplo, cada nodo del grafo representar a uno de los baldosines de la habitacin, y dos nodos sern adyacentes si tambin lo son sus baldosines correspondientes. El grafo del dibujo en la parte inferior representa el tablero de manera parcial, y cada nodo es identificado por un nmero. Suponemos que la posicin inicial del robot es el baldosn marcado con el nmero 1. En este grafo se aplica una correspondencia entre los nodos del mismo y los baldosines numerados de igual forma. Como se puede observar en el tablero, por ejemplo, el baldosn 1 es adyacente al 2 y al 5, y este hecho queda plasmado en el dibujo mostrado.

Bsquedas no informadas

45

La bsqueda en profundidad
Supongamos que nuestro robot no tiene ninguna capacidad especial para poder moverse por la habitacin de una manera eficiente (desconoce cualquier informacin til para poder llegar al libro de la forma ms corta): entonces deber seguir un algoritmo de bsqueda no informada (un mtodo ciego) para llegar hasta l. En general, este tipo de algoritmos recorre el espacio de estados de una forma concreta hasta dar con el objetivo (en este caso, el libro). Nuestro primer mtodo se denomina bsqueda en profundidad. Supongamos el rbol del dibujo representando un espacio de estados cualquiera. Vemos que, teniendo este rbol delante con sus nodos numerados, tenemos distintas formas de recorrerlo. Cmo lo hacemos en profundidad? Siendo el 1 el nodo inicial y 7 el nodo objetivo que se debe alcanzar, hacemos lo siguiente: buscaremos en todas las ramas que cuelgan, de izquierda a derecha, y exploramos cada rama hasta llegar a una hoja. Para cada hijo buscamos a su vez en profundidad, parando cuando se encuentre el objetivo. En este ejemplo, la secuencia a seguir est indicada por el nmero de los nodos: 1-> 2-> 3-> 4-> 5-> 6-> 7. Si el camino tiene longitud k y factor de ramificacin r, la complejidad espacial del algoritmo est en O (kr). Su complejidad temporal depende tanto del factor de ramificacin como de la profundidad de la solucin. Siendo n el nmero medio de hijos expandidos, y si la solucin se alcanza en el nivel p, la complejidad temporal est en O (n^p); es, por tanto, un coste exponencial. Este algoritmo de bsqueda, adems, no es completo, ya que si existe solucin y se mete por una rama infinita puede que no termine nunca. Tampoco es ptimo, ya que puede encontrar la solucin pero haciendo un recorrido mayor del necesario en general. Se ha usado una estructura pila LIFO para implementarlo. halla_objetivo_profundidad (A: espacio_de_busquedas) { /* dev objetivo*/ Pila lista_nodos; Boolean acabar = false; lista_nodos.apilar (A.nodo_raiz); while ((!lista_nodos.esVacia()) AND (!acabar)) do { nodo_actual = lista_nodos.cima(); lista_nodos.desapila(); if (esObjetivo (nodo_actual) ) then { acabar = true; } else { nodo_actual.expandir(); //se aaden los hijos del nodo actual lista_nodos.apilarMuchos (nodos_expandidos_de_nodo_actual); } } return nodo_actual; }

Bsquedas no informadas

46

La bsqueda en anchura
Otra opcin para recorrer el espacio de estados sin conocer ninguna informacin acerca del mismo es recorrerlo en anchura. Como su nombre indica, el recorrido realizado se lleva a cabo visitando todos los nodos de un nivel, de izquierda a derecha, pasando posteriormente al nivel siguiente, hasta que se encuentre el nodo objetivo, momento en el que se detiene el algoritmo. Lo vemos en el dibujo con el mismo ejemplo de antes, numerando los nodos con el orden que les corresponde segn el recorrido en anchura. En efecto, los nodos que con este algoritmo se visitan hasta encontrar el objetivo (8) son: 1-> 2-> 3-> 4-> 5-> 6-> 7-> 8 Su complejidad tanto espacial como temporal es exponencial, y est en O (n^p), siendo n el nmero medio de sucesores, y p el nivel donde se alcanza la solucin; por ello, esta estrategia es slo aplicable a problemas no demasiado amplios. Este procedimiento es completo, ya que encontrar siempre una solucin si es que la hay, pero en general no es ptimo. Para implementarlo se ha hecho uso de una cola FIFO. halla_objetivo_anchura (A: espacio_de_busquedas) { /* dev objetivo*/ Cola lista_nodos; Boolean acabar = false; lista_nodos.encolar (A.nodo_raiz); while ((!lista_nodos.esVacia()) AND (!acabar)) do { nodo_actual = lista_nodos.primero(); lista_nodos.quitaPrimero(); if (esObjetivo (nodo_actual) ) then { acabar = true; } else { nodo_actual.expandir(); //se aaden los hijos del nodo actual lista_nodos.encolarMuchos (nodos_expandidos_de_nodo_actual); } } return nodo_actual; }

Bsquedas no informadas

47

Enlaces externos
Noticias sobre IA (en ingls) [1]

Referencias
[1] http:/ / ai-news. elzemozgurce. net/

CADUCEUS (sistema experto)

CADUCEUS fue un sistema experto mdico programado para realizar diagnsticos en medicina interna.[1] Su nombre deriva de Caduceo, un vocablo de origen griego () relacionado con la mitologa. Fue terminado a mediados de la dcada de 1980, si bien el inicio de su desarrollo se remonta a la dcada de 1970, siendo programado por Harry Pople, de la Universidad de Pittsburgh, partiendo para el sistema de las entrevistas de Pople al Dr. Jack Meyers. Pretenda mejorar el MYCIN, sistema focalizado sobre las bacterias infecciosas de la sangre. CADUCEUS, eventualmente, poda diagnosticar hasta 1.000 enfermedades diferentes, usando un motor de inferencia semejante al del MYCIN, usando un grafo acclico direccionado que representaba las relaciones de causalidad entre variables.[2] El CADUCEUS ha sido descrito como el sistema experto "de mayor conocimento intensivo existente".[3]

Referencias
[3] The Fifth Generation. Edward A. Feigenbaum y Pamela McCorduck. Addison-Wesley, Reading, Ma 01867, 275 Pp. Feb 1, 1984

Bibliografa
"Expert systems: perils and promise" (http://portal.acm.org/citation.cfm?id=6597), D. G. Bobrow, S. Mittal, M. J. Stefik. Communications of the ACM, pp 880 - 894, nmero 9, volumen 29, (septiembre de 1986) Artificial intelligence in medical diagnosis: the INTERNIST/CADUCEUS approach. Critical reviews in medical informatics 1 (1): pp.2354. 1986. PMID 3331578 (http://www.ncbi.nlm.nih.gov/pubmed/3331578). An appraisal of INTERNIST-I. Artificial Intelligence in Medicine 7: pp.93. 1995. doi: 10.1016/0933-3657(94)00028-Q (http:/ / dx. doi. org/ 10. 1016/ 0933-3657(94)00028-Q). QUICK (QUick Index to Caduceus Knowledge): using the INTERNIST-1/CADUCEUS knowledge base as an electronic textbook of medicine. Computers and biomedical research, an international journal 18 (2): pp.13765. 1985. PMID 3886276 (http://www.ncbi.nlm.nih.gov/pubmed/3886276). The AI Business: The commercial uses of artificial intelligence, ed. Patrick Winston y Karen A. Prendergast. 1984. ISBN 0-262-23117-4

Cmara inteligente

48

Cmara inteligente
Una cmara inteligente (smart camera en ingls) es un sistema integrado orientado a la visin artificial. Las cmaras inteligentes poseen, aparte de una electrnica de captura de la imagen, un procesador con el cual tratar la imagen capturada sin necesidad de una CPU externa. Suelen poseer tambin conexiones de tipo ethernet o puerto serie, entradas y salidas digitales (E/S), lneas de control y potencia de iluminacin, etc. Si bien la potencia de una cmara inteligente no consigue los resultados en rendimiento de un sistema de visin artificial basado en PC, s se acerca mucho en cuanto a las posibilidades del software de tratamiento de la imagen. El xito de las cmaras inteligentes se debe principalmente a sus reducidos tamao y coste.

Enlaces externos
Cmara industrial [1]

Referencias
[1] http:/ / www. mikrotron. de/ index. php?en_hsv_produkte

Campo aleatorio condicional

Un campo aleatorio condicional (Conditional Random Field o CRF en ingls) es un modelo estocstico utilizado habitualmente para etiquetar y segmentar secuencias de datos o extraer informacin de documentos. En algunos contextos tambin se les denomina campos aleatorios de Mrkov (ingls: Markov random Fields,MRF).

Concepto
Dada una secuencia de datos este modelo asigna una etiqueta para cada elemento . Aunque presenta similitudes con los modelos ocultos de Mrkov, estos son modelos generativos que modelan connjuntamente la distribucin de probabilidad de las etiquetas (o estados) y las observaciones, , mientras que los campos aleatorios condicionales modelan la probabilidad de la secuencia correcta de etiquetas condicionada por las observaciones, , es decir, son modelos discriminativos. Se puede representar con un grafo no dirigido en el que cada vrtice represente una variable aleatoria cuya distribucin de probabilidad debe ser deducida, y cada arista indique una dependencia entre las variables de los vrtices que conecta. El grafo obedece la propiedad de Mrkov extenda a grafos: donde significa que los vrtices y estn conectados por una arista. En cuanto a los datos , tambin sea

llamados observaciones, lo ms frecuente es que sean tambin una secuencia. Adems, es frecuente que cada

un vector, no un valor escalar, en cuyo caso tendramos observaciones multimensionales. El grafo puede tener una estructura arbitrariamente compleja, aunque lo ms comn es que sea una cadena o un "rejilla". En una cadena, cada vrtice est nicamente conectado con el vrtice predecesor y con sus sucesor (se asume que los vrtices estn ordenados). En una rejilla, cada vrtice est conectado con otros 4, excepto en los extremos; un vrtice estar conectado con y . En el caso de la cadena la propiedad de Mrkov puede reescribirse de la siguiente forma:

Campo aleatorio condicional

49

Entrenamiento y uso
Estos modelos necesitan ser entrenados con N muestras ; cada una contiene un conjunto de observaciones as como las etiquetas asociadas a esas observaciones. El modelo extrae un conjunto de caractersticas y que representan las dependencias existentes entre diferentes estados y entre estos y la secuencia de observaciones. Al contrario que en los modelos ocultos de Mrkov en donde cada estado nicamente de la observacin depende , aqu cada estado puede depender de varias observaciones al mismo tiempo,

incluso de la secuencia completa si fuese necesario. En el entrenamiento del modelo ste asigna unos pesos a cada una de esas caractersticas, indicando su relativa importancia segn el caso. Puesto que el entrenamiento puede ser muy costoso en tiempo y en espacio, lo habitual es usar algoritmos de optimizacin numrica, como el denominado L-BFGS. En cuanto al uso, el algoritmo de Viterbi de los modelos ocultos de Mrkov puede ser adaptado con facilidad. Tambin se puede usar el algoritmo de propagacin de creencias (belief propagation en ingls).

Herramientas
Algunas implementaciones de este modelo son las siguientes: * * * * MALLET [1], en Java CRF++ [2], en C++ Implementacin de K.Murphy [3], en Matlab Implementacin de S.Sarawagi [4], en Java

Referencias
Lafferty, J., McCallum, A., Pereira, F.: Conditional random fields: Probabilistic models for segmenting and labeling sequence data. In: Proc. 18th International Conf. on Machine Learning, Morgan Kaufmann, San Francisco, CA (2001) 282289 McCallum, A.: Efficiently inducing features of conditional random fields. In: Proc. 19th Conference on Uncertainty in Artificial Intelligence. (2003) Sha, F., Pereira, F.: Shallow parsing with conditional random fields. Technical Report MS-CIS-02-35, University of Pennsylvania (2003) Wallach, H.M.: Conditional random fields: An introduction. Technical Report MS-CIS-04-21, University of Pennsylvania (2004) Sutton, C., McCallum, A.: An Introduction to Conditional Random Fields for Relational Learning. In "Introduction to Statistical Relational Learning". Edited by Lise Getoor and Ben Taskar. MIT Press. (2006) Wang, Y., Loe, K.F., Wu, J.K.: A dynamic conditional random field model for foreground and shadow segmentation. IEEE Trans Pattern Anal Mach Intell. 28(2):279-89 (2006)

Referencias
[1] [2] [3] [4] http:/ / mallet. cs. umass. edu/ http:/ / crfpp. sourceforge. net/ http:/ / cs. ubc. ca/ ~murphyk/ Software/ CRF/ crf. html http:/ / crf. sourceforge. net/

Campus Multidisciplinar en Percepcin e Inteligencia 2006

50

Campus Multidisciplinar en Percepcin e Inteligencia 2006

50 aos de Inteligencia Artificial - Campus Multidisciplinar en Percepcin e Inteligencia, CMPI 2006 CM-, fue la nica celebracin internacional en espaol del 50 aniversario de la Inteligencia Artificial, de la Conferencia de Dartmouth. El evento reuni por primera vez en espaol a cientos de expertos mundiales de todas las disciplinas relacionadas con la Inteligencia Artificial. Tuvo lugar en el Campus Universitario de Albacete (Espaa) del 10 al 14 de julio de 2006 y fue el evento internacional ms importante en lengua castellana que conmemor los 50 aos del nacimiento de la investigacin sobre inteligencia artificial, los 50 aos de la Conferencia de Dartmouth.[1]

Ambiente heterogneo
La peculiaridad del campus fue la multidisciplinariedad. Al igual que en la Conferencia de Dartmouth, en la organizacin del evento estaba el objetivo de crear un ambiente heterogneo formado por especialistas de diversas reas, cmo la Inteligencia Artificial, la Neurobiologa, la Psicologa, la Filosofa, la Lingstica, la Lgica, la Computacin, con el fin de intercambiar los conocimientos bsicos de las diferentes reas y de poner en contacto investigadores de los diferentes campos. El facilitar la creacin de colaboraciones e investigaciones multidisciplinares es un objetivo prioritario de la propuesta.

Reunin y conferencias
El campus reuni a algo ms de un centenar de importantes especialistas internacionales, entre ellos Rodolfo Llins, Jos Mira Mira, Hctor Geffner, Gustavo Deco, Ramn Lpez de Mntaras o Mara Gracia Manzano Arjona.[2] Durante las cuatro jornadas se sucedieron cientos de conferencias de todos los temas relacionados con la Inteligencia Artificial. Y miles de asistentes, de toda hispanoamrica, EE. UU. y Europa presenciaron las conferencias y participaron en el congreso, la escuela de verano, la jornada empresarial y el resto de actividades que comprenda.

Presentacin de la Primera Teora Matemtica de la Inteligencia

Tambin durante el campus se llev a cabo la Presentacin del libro: Principios Matemticos del Pensamiento Natural: Teora Cognitiva de Condiciones de Verdad, de Sergio Miguel Tom, convirtindose en la primera Teora Matemtica para la Inteligencia.[3]

Otras actividades
Adems, del congreso propiamente dicho, el programa incluy una Escuela de Verano interdisciplinar, que mostr a los participantes el estado de la inteligencia artificial, una jornada empresarial con IBM, Telefnica y Pyro Studios, un ciclo de cine, una gala conmemorativa y una exposicin para el pblico en general.

Publicaciones internacionales
Algunas publicaciones internacionales decidieron publicar nmeros especiales dedicados al evento:

Campus Multidisciplinar en Percepcin e Inteligencia 2006

51

PUBLICACIN Neurocomputing

ISSN

Ttulo del nmero especial

0925-2312 50 Years of Artificial Intelligence: Campus in Multidisciplinary Perception and Intelligence 0167-8655 Pattern Recognition in Interdisciplinary Perception and Intelligence 0165-0114 Contribution of Fuzziness and Uncertainty to Modern Artificial Intelligence 1568-4946 The Impact of Soft Computing for the Progress of Artificial Intelligence 0925-8531 Logic, Language and Information in the 50th Anniversary of Artificial Intelligence

Pattern Recognition Letters Fuzzy Sets and Systems Applied Soft Computing Journal of Logic, Language and Information Robotics and Autonomous Systems

0921-8890 Robotics and Autonomous Systems in the 50th Anniversary of Artificial Intelligence

Otras celebraciones
En Dartmouth del 13 al 15 de julio de 2006 se celebr el 50 aniversario con AI@50 "Dartmouth Artificial Intelligence Conference: The Next Fifty Years". Donde estuvieron presentes cinco de los diez asistentes originales a la Conferencia de Dartmouth: Marvin Minsky, Ray Solomonoff, Oliver Selfridge, Trenchard More, y John McCarthy.

Referencias Enlaces externos

Pgina Oficial del Campus (http://www.info-ab.uclm.es/cmpi/). Artculo del diario La Verdad de Albacete: El Campus Referencia Mundial (http://www.laverdad.es/albacete/ pg060705/prensa/noticias/Albacete/200607/05/ALB-REG-278.html). http://www.pcyta.com/editor/data/resources/File/noticias/la%20tribuna%2011-7.pdf Imagen del artculo completo en prensa. Artculo del diario La Verdad de Albacete: Inauguracin del CMPI (http://www.laverdad.es/albacete/ pg060710/actualidad/provincia/200607/10/RL-curso-inteligencia-artificial.html). Artculo del diario La Verdad de Albacete: Presentacin de la primera teora matemtica para la inteligencia (http://www.laverdad.es/albacete/pg060715/prensa/noticias/Albacete/200607/15/ALB-REG-312.html). Pgina Oficial de: Dartmouth Artificial Intelligence Conference: The Next Fifty Years (http://www.dartmouth. edu/~ai50/homepage.html).

Cerebro artificial

52

Cerebro artificial
Cerebro artificial es un trmino utilizado habitualmente en los medios de comunicacin[1] para describir la investigacin que pretende desarrollar software y hardware con habilidades cognitivas similares al cerebro humano o animal.

Detalles
La investigacin de cerebros artificiales desempea tres papeles importantes para la ciencia: 1. Un intento constante de los neurocientficos para entender cmo funciona el cerebro humano. 2. Un experimento mental en la filosofa de la inteligencia artificial(en), demostrando que es posible, en teora, crear una mquina que tenga todas las capacidades de un ser humano. 3. Un proyecto serio a largo plazo para crear mquinas capaces de una accin general inteligente o Inteligencia General Artificial. Esta idea ha sido popularizada por Ray Kurzweil[2] como IA fuerte (en el sentido de una mquina tan inteligente como un ser humano). Un ejemplo del primer objetivo es el proyecto informado por la Universidad de Aston en Birmingham (Reino Unido)[3] donde los investigadores estn utilizando clulas biolgicas para crear neuroesferas (pequeos grupos de neuronas) con el fin de desarrollar nuevos tratamientos para enfermedades como el mal de Alzheimer, la enfermedad de Parkinson y la enfermedad de neurona motora. El segundo objetivo es ejemplificado por la mquina de Turing y ms recientemente en el funcionalismo de estados de la mquina de Hilary Putnam. El tercer objetivo es el que suele llamarse inteligencia general artificial por los investigadores.[4] Sin embargo Kurzweil prefiere el trmino ms memorable IA Fuerte. En su libro La Singularidad est Cerca se centra en la emulacin de todo el cerebro usando mquinas de computacin convencionales como forma de implementacin de cerebros artificiales, y afirma (por razn del poder de las computadoras que sigue una tendencia de crecimiento exponencial) que esto podra pasar en 2025. Henry Markram, director del proyecto Blue Brain (que pretende la emulacin del cerebro), hizo una afirmacin similar (2020) en la conferencia TED de Oxford en 2009.[1] A pesar de que la emulacin directa del cerebro usando redes neuronales artificiales sobre una mquina de computacin de alto rendimiento es un enfoque comn,[5] existen otros enfoques. Una implementacin alternativa del cerebro artificial podra basarse en los principios de coherencia/decoherencia de fase no lineal de la Tecnologa Hologrfica Neural (HNeT) [6]. La analoga se ha hecho a los procesos cunticos a travs del algoritmo sinptico nuclear que tiene grandes similitudes con la ecuacin de onda QM. Algunos crticos de la simulacin cerebral[7] creen que es ms sencillo crear directamente una accin inteligente general sin necesidad de imitar a la naturaleza. Algunos comentaristas[8] han usado la analoga de que en los primeros intentos de construir mquinas voladoras estas fueron modeladas como las aves, y que sin embargo las aeronaves modernas no lucen como aves. Un argumento computacional es usado en AI - What is this [9], donde se muestra que, si tenemos una definicin formal de la IA general, el programa correspondiente se pueden encontrar mediante la enumeracin de todos los programas posibles y luego probar cada uno de ellos para ver si coincide con la definicin. No existe una definicin adecuada en la actualidad. El EvBrain[10]v es una forma de software evolutivo que puede hacer evolucionar redes neuronales similares al cerebro, tales como la red inmediatamente detrs de la retina. Hay buenas razones para creer que, indistintamente de la estrategia de aplicacin, las predicciones sobre la realizacin de cerebros artificiales en un futuro prximo son optimistas. En particular el cerebro (incluyendo el cerebro humano) y la cognicin no son actualmente bien entendidos, y la escala de computacin requerida es desconocida. Adems parece haber limitaciones en la potencia. El cerebro consume unos 20 W de potencia, mientras que las supercomputadoras pueden usar tanto como de 1 MW o sobre un orden de 100 mil ms (nota: el lmite de

Cerebro artificial Landauer(en) es de 3.5x1020 op/seg/watt a temperatura ambiente). Adems, hay cuestiones ticas que deben ser resueltas. La construccin y el mantenimiento de un cerebro artificial plantea cuestiones morales, es decir, en relacin con la personalidad, la libertad y la muerte. Un cerebro en una caja constituye una persona? Qu derechos tendra esa entidad, legales o de otro tipo? Una vez activado, tendran los seres humanos la obligacin de continuar con su operacin? Constituira la desactivacin de un cerebro artificial muerte, sueo, inconsciencia, o algn otro estado para el que no existe ninguna descripcin humana? Despus de todo, un cerebro artificial no est sujeto a la descomposicin celular post mrtem (y la consiguiente prdida de su funcin) como lo estn los cerebros humanos, por lo que un cerebro artificial podra, tericamente, reanudar su funcionalidad exactamente como estaba antes de que fuese desactivado.

53

Recursos
Desde noviembre de 2008, IBM recibi una subvencin de 4.9 millones de dlares del Pentgono para la investigacin sobre la creacin de computadoras inteligentes. El proyecto Blue Brain se est llevando a cabo con la ayuda de IBM en Lausana.[11] El proyecto se basa en la premisa de que es posible enlazar artificialmente las neuronas en la computadora mediante la colocacin de treinta millones de sinapsis en sus adecuadas posiciones tridimensionales. En marzo de 2008, el proyecto Blue Brain estaba avanzando ms rpido de lo esperado: La conciencia es slo una enorme cantidad de informacin intercambiada por billones de clulas cerebrales.[12] Algunos defensores de la IA fuerte especulan que las computadoras en el marco de Blue Brain y Soul Catcher pueden exceder la capacidad intelectual humana en torno al 2015, y que es probable que seamos capaces de descargar el cerebro humano en algn momento alrededor del 2050.[13]

Referencias
[1] Artificial brain '10 years away' 2009 BBC news (http:/ / news. bbc. co. uk/ 1/ hi/ technology/ 8164060. stm) [3] Aston University's news report about the project (http:/ / www1. aston. ac. uk/ about/ news/ releases/ 2009/ march/ scientists-create-living-model-of-basic-units-of-human-brain/ ) [5] Ver Artificial Intelligence System, CAM brain machine (http:/ / portal. acm. org/ citation. cfm?id=591856) y Cat brain para ejemplos [6] http:/ / www. andcorporation. com/ [8] Fox and Hayes quoted in Nilsson, Nils (1998), Artificial Intelligence: A New Synthesis, p581 Morgan Kaufmann Publishers, ISBN 978-1-55860-467-4 [9] http:/ / dobrev. com/ AI/ definition. html [10] Jung, Sung Young, "A Topographical Development Method of Neural Networks for Artifical Brain Evolution", Artificial Life, The MIT Press, vol. 11, issue 3 - summer, 2005, pp. 293-316 (http:/ / mitpress. mit. edu/ catalog/ item/ default. asp?ttype=6& tid=18358) [11] Blue Brain in BBC News (http:/ / newsvote. bbc. co. uk/ mpapps/ pagetools/ print/ news. bbc. co. uk/ 2/ hi/ science/ nature/ 7740484. stm?ad=1) [12] (en ingls) Out of the blue (http:/ / seedmagazine. com/ content/ article/ out_of_the_blue/ ) [13] (en ingls) Jaap Bloem, Menno van Doorn, Sander Duivestein, Me the media: rise of the conversation society, VINT reseach Institute of Sogeti, 2009, p.273.

Enlaces externos
BBC Mundo: Cerebro artificial, "dentro de 10 aos" (http://www.bbc.co.uk/mundo/ciencia_tecnologia/2009/ 07/090723_cerebro_artificial_rg.shtml) Sistema nervioso artificial (http://www.dat.etsit.upm.es/?q=node/5955)

Cheap design

54

Cheap design
Cheap design es el nombre en ingls de un principio de diseo de agentes autnomos. El principio de cheap design establece que si un agente es diseado para explotar las propiedades del nicho ecolgico donde se desarrollar su tarea y las caractersticas de la interaccin con el medio ambiente, entonces la construccin y la operacin del agente ser ms simple y "barata" (cheap). El concepto est relacionado con la investigacin en materia de Inteligencia artificial no convencional.

Bibliografa
Rolf Pfeifer and Josch C. Bongard (2007). How the body shapes the way we think: a new view of intelligence. Cambtridge, Massachusetts: The MIT Press. ISBN 0-262-16239-3.

Enlaces externos
The MIT Press: How the body shapes the way we think [1]

Referencias
[1] http:/ / mitpress. mit. edu/ catalog/ item/ default. asp?ttype=2& tid=11003

Cimek
El Cimek es un tipo de cyborg aparecido en las novelas de Brian Herbert sobre el Yihad Butleriano de Dune. Cimek es el trmino por el que definen a los robots con mente humana. El cimek tiene distintas formas de combate con una zona habilitada especialmente para acoplar un contenedor cerebral. El contenedor cerebral lleva en su interior el cerebro vivo de un ser humano, que mediante electrolquidos y unos conectores neurales llamados "mentrodos" puede manejar el cuerpo robtico como si fuera el suyo propio. En princpio, la palabra Cimek se refiere a un tipo especfico de cyborgs creados al princpio de la Era de los Titanes. Veinte grandes dirigentes y generales de distintos planetas (Agamenn, Juno, Hcate, Dante, Ajax, Barbarroja, Jerjes y otros) se deshicieron de su mortalidad a cambio de cambiar su cuerpo biolgico por uno robtico. Estos 20 cimek se denominaron a s mismos Titanes. Aunque mil aos despus de la creacin de los 20 Titanes se seguan creando Cimek, los cuerpos robticos y los procesos para crearlos eran ms modernos por lo que se les sola llamar Neocimek. Aunque un Cimek y un Neocimek son prcticamente iguales, se utiliza la palabra Cimek para referirse a los veinte Titanes y Neocimek para cualquier humano convertido a cyborg despus de los Titanes.

Clasificacin de documentos

55

Clasificacin de documentos
Se define como la tarea de asignar variables Booleanas a cada par es el dominio de los documentos y pertenecientes a , donde es una coleccin de categoras predefinidas. T indica archivar un documento bajo , mientras F indica no archivar bajo . Entre las aplicaciones que encuentra la clasificacin de documentos se tienen los filtros de e-mail (spam / no spam)

Enlaces externos
Publicaciones: Fabrizio Sebastiani. Machine learning in automated text categorization. ACM Computing Surveys, 34(1):147, 2002 [1]

Referencias
[1] http:/ / dienst. isti. cnr. it/ Dienst/ UI/ 2. 0/ Describe/ ercim. cnr. iei/ 1999-B4-31-12?tiposearch=cnr

Cleverbot
Cleverbot

Informacin general URL Eslogan Tipo de sitio Registro http:/ / www. cleverbot. com We are cleverbot. bot conversacional ningn

Idiomas disponibles todos Creador Ingresos Ranking Alexa Estado actual En espaol Rollo Carpent ento = 1997 Desconocido 26,567 (Octubre 2012) activo ?

Cleverbot es un programa AI y aprende por una conversacin formada a travs de una base de datos con respuestas de personas de diferentes pases. Cuando escribes, el algoritmo elige frases entradas en su base de datos de conversaciones previas. Hay opiniones que dicen que hablar con Cleverbot es un poco como hablar con la comunidad colectiva de la red. Tambin con cleverbot puedes tener charlas en diferentes idiomas, el robot se adapta a cualquier pas en el que resida la persona y supone un gran avance en la informtica del siglo XXI, ya que con este desarrollo tecnolgico se permite un desenvolvimiento de la sociedad y de la ciencia.[1] Cleverbot fue demostrado en The Gadget Show[2] el 7 marzo 2011 y en Radiolab el 31 mayo 2011.

Cleverbot

56

Referencias
[1] Saenz, Aaron (2010-01-13). " Cleverbot Chat Engine Is Learning From The Internet To Talk Like A Human (http:/ / singularityhub. com/ 2010/ 01/ 13/ cleverbot-chat-engine-is-learning-from-the-internet-to-talk-like-a-human/ )". Singularity Hub. del 6 julio 2011. [2] ^ "Series 15, Episode 4". The Gadget Show. Channel 5. el 7 marzo 2011. episodio 4, temporada 15. desde el minuto 31.

Conectiva lgica
En lgica, una conectiva lgica, o simplemente conectiva, es un smbolo que se utiliza para conectar dos frmulas, de modo que el valor de verdad de la frmula compuesta dependa del valor de verdad de las frmulas componentes. En programacin se utilizan para combinar valores de verdad y obtener nuevos valores que determinen el flujo de control de un algoritmo o programa. Las conectivas lgicas son, junto con los cuantificadores, las principales constantes lgicas de muchos sistemas lgicos, principalmente la lgica proposicional y la lgica de predicados.

Conectivas
Las conectivas son funciones de verdad. Quiere decir que son funciones que toman uno o dos valores de verdad, y devuelven un nico valor de verdad. En consecuencia, cada conectiva lgica puede ser definida mediante una tabla de valores de verdad que indique qu valor devuelve la conectiva para cada combinacin de valores de verdad. A continuacin hay una tabla con las conectivas ms usuales y su definicin mediante tablas de verdad:
Conectiva Notacin Ejemplo de uso Anlogo natural no Ejemplo de uso en el lenguaje natural No est lloviendo. Tabla de verdad

Negacin

Conjuncin

Est lloviendo y es de noche.

Disyuncin

Est lloviendo o es de noche.

Condicional material

si... entonces

Si est lloviendo, entonces es de noche.

Bicondicional

si y slo si

Est lloviendo si y slo si es de noche.

Negacin conjunta

ni... ni

Ni est lloviendo ni es de noche.

Conectiva lgica

57
o bien... o bien O bien est lloviendo, o bien es de noche.

Disyuncin excluyente

Las conectivas por la tabla de verdad

Dado que las conectivas son funciones de verdad, existirn tantas conectivas como funciones de verdad. Sin embargo, no todas las funciones de verdad tienen anlogos en el lenguaje natural, y en consecuencia, no todas son estudiadas con el mismo inters. A continuacin se incluye una tabla que lista las 16 conectivas binarias posibles.

Donde:
1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. Tautologa Disyuncin lgica Condicional material inverso Proposicin Condicional material Proposicin Bicondicional Conjuncin lgica Negacin alternativa Disyuncin exclusiva Negacin lgica Negacin del condicional material Negacin lgica Negacin del condicional inverso Negacin conjunta Contradiccin

Conectiva lgica

58

Conectivas por el nmero de argumentos

Si vemos las distintas conectivas por su nmero de argumentos podemos distinguir:

Sin argumentos
Las conectivas lgicas sin argumentos son:
Positiva Tautologa Negativa Contradiccin

Con un argumento
Las conectivas con solo un argumento son:
Positiva Proposicin Negativa Negacin lgica

Con dos argumentos

Las conectivas que necesitan dos argumentos son:
Positiva Disyuncin lgica Conjuncin lgica Condicional material Condicional material inverso Bicondicional Negativa Negacin conjunta Negacin alternativa Negacin del condicional material Negacin del condicional inverso Disyuncin exclusiva

Conferencia de Dartmouth

59

Conferencia de Dartmouth
La Conferencia de Dartmouth (en ingls: the Dartmouth Summer Research Project on Artificial Intelligence) es el nombre del encuentro que tuvo lugar en el verano de 1956 en la universidad Dartmouth College, ubicada en Hanover, Nuevo Hampshire (Estados Unidos), considerado como el evento germen de la Inteligencia Artificial como esfera o campo de actividad.

Personas
Fue organizada por John McCarthy (Dartmouth College, New Hampshire) y propuesta por McCarthy, Marvin L. Minsky (Harvard University), Nathaniel Rochester (I.B.M. Corporation) y Claude E. Shannon (Bell Telephone Laboratories). Propusieron reunirse ese verano a un grupo de investigadores que quisieran trabajar sobre la conjetura de que cada aspecto del aprendizaje y cada caracterstica de la inteligencia podan ser tan precisamente descritos que se podan crear mquinas que las simularan. Al encuentro asistieron tambin hasta completar los 10 participantes: Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel, Herbert Simon y Allen Newell.

Declaracin fundacional
En la introduccin al encuentro se estableci: Proponemos que durante el verano de 1956 tenga lugar en el Dartmouth College en Hanover, Nuevo Hampshire un estudio que dure 2 meses, para 10 personas. El estudio es para proceder sobre la base de la conjetura de que cada aspecto del aprendizaje o cualquier otra caracterstica de la inteligencia puede, en principio, ser descrito con tanta precisin que puede fabricarse una mquina para simularlo. Se intentar averiguar cmo fabricar mquinas que utilicenn el lenguaje, formen abstracciones y conceptos, resuelvan las clases de problemas ahora reservados para los seres humanos, y mejoren por s mismas. Creemos que puede llevarse a cabo un avance significativo en uno o ms de estos problemas si un grupo de cientficos cuidadosamente seleccionados trabajan en ello conjuntamente durante un verano. (McCarthy et al. 1955)[1] La propuesta contina argumentando sobre computadoras, procesamiento del lenguaje natural, redes neuronales, teora de la computacin, abstraccin y creatividad (estas reas an se consideran relevantes dentro del campo de la inteligencia artificial). Segn Stottler Henke Associates, adems de los autores de la propuesta, asistieron al encuentro Ray Solomonoff, Oliver Selfridge, Trenchard More, Arthur Samuel, Herbert A. Simon, y Allen Newell.
[2][3][4]

50 Aniversario
En 2005 se celebr el 50 aniversario en varias ciudades y universidades del mundo: Entre el 13-15 de julio de 2005 se celebr en Dartmouth: AI@50 the Dartmouth Artificial Intelligence Conference: The Next Fifty Years. En Albacete, (Espaa) se celebr el Campus Multidisciplinar en Percepcin e Inteligencia de Albacete 2006 del 10 al 14 de julio de 2006, el evento internacional ms importante en lengua castellana que conmemor los 50 aos del nacimiento de la investigacin sobre inteligencia artificial, los 50 aos de las Conferencias de Dartmouth. Reuniendo a cientos de expertos de Espaa, EE. UU. e hispanoamrica.

Conferencia de Dartmouth

60

Referencias
[2] Stottler-Henke (http:/ / www. stottlerhenke. com/ ai_general/ history. htm) [3] Artificial Intelligence: Past, Present, and Future (Vox of Dartmouth) (http:/ / www. dartmouth. edu/ ~vox/ 0607/ 0724/ ai50. html) [4] The Dartmouth Artificial Intelligence Conference: The Next Fifty Years (http:/ / www. dartmouth. edu/ ~ai50/ homepage. html)

Enlaces externos
1. 50 Aos De La Inteligencia Artificial - Campus Multidisciplinar en Percepcin e Inteligencia (http://www. info-ab.uclm.es/cmpi/) - Albacete 2006 (Espaa).

Consulta de imgenes mediante ejemplo

La Consulta de imgenes mediante ejemplo (Content-based Image Retrieval) es un sistema de bsqueda para recuperar imgenes basndose en su contenido, refirindose en su contexto a colores,figuras , texturas o cualquier otra informacin que pueda derivarse de la propia imagen. CBIR est basado en los sistemas de consulta mediante ejemplo (Query by Example) y tambin son conocidos como QBIC, ya que es la tecnologa ms utilizada hoy en da para la bsqueda de imgenes en grandes bases de datos.

Historia
Los sistemas CBIR surgieron a comienzos de la dcada de los 90 para solucionar los problemas de la indexacin manual, que consistente en la asociacin de trminos a las imgenes. Estos problemas eran, y siguen siendo, una gran inversin en tiempo debido a la inconsistencia entre indicadores humanos, as como la dificultad de expresar mediante palabras las cualidades grficas y las sensaciones estticas que proporciona la percepcin de una representacin visual. El uso de bsquedas automticas a travs de un conjunto de imgenes sobre su base de forma, tono, color, textura o ubicacin espacial ha sido durante largo tiempo y sigue siendo un rea de investigacin floreciente, donde cada ao, aparecen documentos en foros cientficos y tcnicos.

Progreso tcnico
Hay un creciente inters en CBIR debido a las limitaciones inherentes a los sistemas basados en metadatos, as como la amplia gama de posibles usos para la recuperacin de la imagen de forma eficiente. La informacin textual acerca de las imgenes puede ser buscado fcilmente utilizando la tecnologa existente, pero requiere de personal para describir cada imagen en la base de datos. Esto es poco prctico para bases de datos muy grandes, o para imgenes que se generan de forma automtica, por ejemplo, de las cmaras de vigilancia. Tambin es posible perder imgenes que utilizan sinnimos diferentes en sus descripciones. Los sistemas basados en la clasificacin de las imgenes de forma semntica, como "gato" como una subclase de "animales" evitan este problema, pero todava se enfrentan a los problemas a gran escala. Las caractersticas visuales ms extensamente manejadas por estos sistemas se refieren al Color, Textura, y Formas genricas, aunque en ocasiones tambin se trabaja con la posicin espacial de un determinado objeto en una imagen o las diferencias tonales. Dichos atributos se extraen y se representan automticamente a travs de estructuras de datos numricas, de modo que no necesitamos expresar nuestra bsqueda mediante trminos sino empleando, por ejemplo, paletas de colores, dibujando o seleccionando imgenes a partir de las cuales el sistema devolver otras visualmente similares. No obstante, los sistemas CBIR de carcter mixto suelen combinar estas opciones de consulta tambin con la tradicional expresin lingstica de lo que buscamos.

Consulta de imgenes mediante ejemplo

61

Sistemas de software CBIR y tcnicas

Muchos son los sistemas CBIR desarrollados, pero el problema de la recuperacin de las imgenes en base al contenido de sus pxeles sigue, en gran medida, sin resolver.

Tcnicas de consulta
Distintas implementaciones de CBIR hacen uso de diferentes tipos de consultas de los usuarios. Consulta por ejemplo La consulta por ejemplo (Query by example) es una tcnica de consulta que implica dotar al sistema CBIR con una imagen de ejemplo, donde sta servir para realizar la bsqueda. Los algoritmos de bsqueda subyacente pueden variar dependiendo de la aplicacin, pero las imgenes resultado comparten elementos comunes con el ejemplo proporcionado. Las opciones para proporcionar imgenes de ejemplo al sistema incluyen: Una imagen preexistente puede ser suministrada por el usuario, o bien escoger un conjunto aleatorio. El usuario dibuja una aproximacin de la imagen que est buscando, por ejemplo, con manchas de color o formas generales. Esta tcnica de consulta elimina las dificultades que pueden surgir cuando se trata de describir las imgenes con las palabras. (Vase tambin Sistemas de consulta por ejemplo) Recuperacin semntica El sistema CBIR ideal, desde la perspectiva del usuario, implicara lo que se conoce como recuperacin semntica, donde el usuario hace una peticin como "encontrar fotos de perros" o incluso "encontrar fotos de Abraham Lincoln". Este tipo de composicin abierta, es una tarea tediosa para ser llevado a cabo por los ordenadores. Los sistemas CBIR actuales, generalmente, hacen uso de funciones de menor nivel como la textura, color y forma, aunque algunos sistemas se aprovechen de caractersticas comunes de alto nivel como pueden ser las caras (vase el sistema de reconocimiento facial). Por otro lado, no todos los sistemas CBIR son genricos. Algunos sistemas estn diseados para un dominio especfico, por ejemplo, la bsqueda por forma se puede utilizar para encontrar las piezas dentro de una base de datos de CAD-CAM. Otros mtodos de consulta Otros mtodos de consulta incluyen la navegacin por imgenes de ejemplo, navegacin personalizada o categoras jerrquicas, consulta por regiones de la imagen (en lugar de toda la imagen), por mltiples imgenes de ejemplo, por esbozo, consulta directa por especificacin de las caractersticas de la imagen y las consultas multimodal (por ejemplo, la combinacin de tacto, voz, etc.). Los sistemas CBIR tambin pueden hacer uso de la retroalimentacin pertinente, donde el usuario refina progresivamente los resultados de bsqueda mediante el marcado de las imgenes en los resultados como "relevante", "no relevante" o "neutral" a la consulta de bsqueda, luego repetir la bsqueda con la nueva informacin.

Consulta de imgenes mediante ejemplo

62

Tcnicas de comparacin de contenido

Color La recuperacin de imgenes basada en la similitud de color se consigue mediante el clculo de un histograma de color para cada imagen que identifica la proporcin de pxeles de una imagen que contienen valores especficos en este caso, colores. Las investigaciones actuales estn tratando de dividir segmentos de color por regin y por la relacin espacial entre dos regiones de colores diferentes. Examinar imgenes basndose en los colores que contienen es una de las tcnicas ms ampliamente usadas porque no depende del tamao de la imagen o de su orientacin. La bsqueda basada en el color se ejecuta comnmente comparando los histogramas de color de las imgenes. Textura La medida de las texturas busca patrones visuales en las imgenes y trata de encontrar la manera en que se define el espacio. La textura se representa mediante texels que luego se colocan en una serie de conjuntos dependiendo en cuantas texturas se han detectado en la imagen. Estos conjuntos no slo definen las texturas, sino tambin cundo en esa imagen (en qu punto) se encuentra esa textura. Formas La forma no se refiere a la forma de una imagen sino a la forma de una regin en particular. Las formas a menudo se determinan aplicando primero segmentacin o deteccin de bordes a la imagen. En algunos casos, una deteccin precisa de las formas requiere intervencin humana porque los mtodos tales como la segmentacin son muy difciles como para automatizarlos completamente.

Determinacin de la relevancia de las imgenes

Para la determinacin de la relevancia de las imgenes los sistemas CBIR constan de: Funciones de similitud entre imgenes: La Distancia Eucldea sobre caractersticas normalizadas La distancia de interseccin, diferencia entre histogramas La Distancia de Mahalanobis, Haussdorff, Minkowski, etc. Ponderacin de la influencia de los distintos tipos de caractersticas. Los sistemas CBIR constan de una base de datos de caractersticas que pueda tener una imagen. Interpretacin semntica de las imgenes, este punto requiere la interaccin del usuario, y con ello que ste conozca el funcionamiento del sistema.

Aplicaciones
Bancos de imgenes en museos (cuadros, esculturas, etc), ya que mediante la bsqueda de las formas, podemos encontrar la imagen de una obra de arte. Este tipo de consulta ya est disponible en algunos web sites como por ejemplo, el del State Hermitage Museum en St. Petersburgo [1]. Sin embargo, hay que decir que el reto de la utilizacin de estas tcnicas en el contexto de la historia del arte y la investigacin arqueolgica presenta lo que las personas que trabajan en el campo han llamado la "brecha semntica". Se trata de la bsqueda de caractersticas definibles y actualmente la imposible tarea de la automatizacin de la bsqueda de lo esencial en el arte, es decir, la emocin, la personalidad, la irona y un nmero de otros estados o modos de interpretacin ampliamente representados en todo el mbito del arte. Registro de imgenes mdicas (radiografas, ecografas, mamografas, etc.). Disponiendo de una imagen de un paciente con una determinada patologa, se puede acceder a un registro de imgenes de otros casos dados en otros

Consulta de imgenes mediante ejemplo pacientes, para encontrar, mediante el contenido visual, la imagen de la misma patologa en un paciente distinto y consultar qu tipo de tratamiento puede resultar ms eficaz. Hay que tener en cuenta en estos casos la precisin y la calidad que han de tener estas imgenes, ya que cuentan con un gran contenido visual, de color y por lo tanto requieren un gran espacio en la base de datos. Este tipo de sistemas, necesitan una gran precisin y un muy bajo porcentaje de error. Ejemplos de bases de datos de imgenes mdicas en IRMA [2] (Image Retrieval in Medical Applications) Registro de imgenes policiales. Es algo que hemos visto muchas veces en el cine o en la televisin. Mediante los sistemas de consulta de imgenes por contenidos se puede encontrar la fotografa de un sospechoso dentro de los archivos policiales y as consultar sus datos personales. En estos casos se utiliza la deteccin de rasgos faciales, ojos nariz y boca, para realizar la bsqueda ms eficientemente. Tambin se utiliza para encontrar huellas dactilares entre un registro de stas, pertenecientes a sospechosos fichados por la polica. Otras aplicaciones CBIR: Militar Propiedad intelectual Diseos arquitectnicos y de ingeniera Informacin geogrfica y sistemas de teledeteccin

63

Referencias
Interfaz Grfica de Usuario para la Bsqueda de Imgenes basada en Imgenes, Silvia Corts Yuste, Universitat Politcnica de Catalunya [3] Base de Dades Fotogrfica del Museu de Badalona, Roger Cervantes Guillamat, Universitat Politcnica de Catalunya. [4] Base de Dades Fotogrfica del Museu de Badalona, Roger Trias Comas, Universitat Politcnica de Catalunya. [5] Feature Integration, Multi-image Queries and Relevance Feedback in Image Retrieval, Qasim Iqbal y J. K. Aggarwal. [6] Searching for images by similarity online, Jacs, P. [7] Cmo atopa-la imaxe desexada?, Dra. Eva Cernadas, Universidade de Vigo Escola Superior de Enxeera Informtica. [8] Recuperacin de Imgenes Mdicas por contenido: arquitectura, tcnicas y aproximaciones, Juan Carlos Caicedo Rueda. [9] CBIR: Interaction & Evaluation, Georgy Gimel , University of Auckand. [10] Bases de datos para Multimedia: Recuperacin por Contenido, Manuel Agust i Melchor, Jose Miguel Valiente Gonzlez, Universidad Politcnica de Valencia. [11]

Consulta de imgenes mediante ejemplo

64

Referencias
[1] http:/ / www. hermitagemuseum. org [2] http:/ / www. irma-project. org/ index_en. php [3] http:/ / gps-tsc. upc. es/ imatge/ _Xgiro/ teaching/ thesis/ 2008-2009/ SilviaCortes/ memoria. pdf [4] https:/ / upcommons. upc. edu/ pfc/ bitstream/ 2099. 1/ 4412/ 1/ Roger%20Cervantes. pdf [5] https:/ / upcommons. upc. edu/ pfc/ bitstream/ 2099. 1/ 4414/ 1/ RogerTrias. pdf [6] http:/ / amazon. ece. utexas. edu/ ~qasim/ papers/ iqbal_visual03_HDR. pdf [7] http:/ / portal. acm. org/ citation. cfm?id=305578& coll=GUIDE& dl=GUIDE& CFID=46585180& CFTOKEN=29745324 [8] http:/ / trevinca. ei. uvigo. es/ ~cernadas/ ca/ cbir. pdf [9] http:/ / jccaicedo. googlepages. com/ borrador5. pdf [10] http:/ / www. cs. auckland. ac. nz/ compsci708s1c/ lectures/ Glect-pdf/ 2006-CS708GG-03. pdf [11] http:/ / www. disca. upv. es/ articulos/ docs/ congresos/ A010_01. PDF

Copalred
Copalred Desarrollador Rafael Bailn-Moreno. Departamento de Ingeniera Qumica. Universidad de Granada Informacin general ltima versin estable 2.0 Julio de 2011 Sistema de conocimiento Windows No libre

Gnero Sistema operativo Licencia En espaol

Copalred es un sistema de conocimiento (herramienta de ingeniera del conocimiento) creado en el ao 2003 por Rafael Bailn-Moreno,[1] basado en el anlisis de palabras asociadas y que tiene su antecedente en Leximappe, software desarrollado por Whittaker, Law, Courtial y Bauin.[2][3] Leximappe se ha mostrado til en el anlisis estratgico de las redes de conocimiento cientfico y tcnico.[4][5] Leximappe y Copalred han sido empleados en el estudio de grandes conjuntos documentales de diferentes disciplinas acadmicas: Arqueologa,[6] Ingeniera Qumica,[7] Fisioterapia,[8] Conjuntos Difusos[9] o Espacios Naturales Protegidos.[10][11]

Principales mdulos
Copalred, como sistema de conocimiento, consta de cuatro mdulos principales: 1. 2. 3. 4. Mdulo de captura de informacin Mdulo de depuracin de la informacin Mdulo de generacin de la base de conocimiento Mdulo de gestin del conocimiento

Copalred

65

Mdulo de captura de informacin

Copalred consiste principalmente en un mdulo de captura de informacin textual estructurada, procedente de una base de datos bibliogrfica, y de captura de informacin textual no estructurada, procedente de cualquier tipo de documento textual. Es posible importar informacin de bases de datos como Web of Science, Scopus, Medline, etctera, y emplearla directamente para el mdulo de generacin de la base de conocimiento, o bien pasar antes por el mdulo de depuracin de la informacin. Cuando se emplea informacin textual no estructurada es necesario utilizar el indizador automtico de estructuras semnticas y alternativamente el gestor de control de autoridades.

Mdulo de depuracin de la informacin

Bsicamente consta de tres gestores: Indizador mediante estructuras semnticas El indizador permite leer texto plano y mediante un algoritmo especial encontrar estructuras semnticas representativas del contenido informativo de los documentos. Estas estructuras semnticas pasan a ser descriptores de los documentos y pueden emplearse para el anlisis de palabras asociadas posterior. Este gestor por tanto permite indizar de forma automtica documentos medianamente estructurados, tales como patentes y pginas webs y documentos de texto nada estructurados como el contenido de una monografa. El idioma de los textos puede ser prcticamente cualquiera, viniendo precargados el ingls, el francs y el espaol. Los descriptores resultantes pueden pasar directamente al anlisis de palabras asociadas para la formacin de redes o bien depurarse con el control de autoridades. Indizador automtico a partir campos del documento Este indizador es ms elemental que el que obtiene estructuras semnticas, pero permite emplear como descriptores palabras procedentes de cualquier campo de los documentos. Ello permite generar no slo redes de palabras, sino redes de autores, redes de empresas, etctera. Igualmente permite mezclar palabras procedentes de los distintos campos para realizar redes combinadas por ejemplo de descriptores, de autores, de revistas o de centros de investigacin, o cualquier otra combinacin que se desee. Gestor de control de autoridades Independientemente del origen de los descriptores es posible utilizar este potente depurador que de forma sencilla encuentra y modifica las variantes de gnero, de nmero y otras variantes terminolgicas de los descriptores. Actualmente puede procesar preferentememnte palabras en ingls y en espaol, aunque es posible depurar palabras de cualquier otro idioma. Tambin es posible hacer un control de las firmas de los autores o de la denominacin de las revistas.

Mdulo de generacin de la base de conocimiento

Est basado en el anlisis de palabras asociadas, pudindo procesar solo palabras (o descriptores), autores, o mezclas de descriptores, autores, revistas y/o empresas. Para la realizacin de las redes es necesario indicar nmero de periodos en que se va a dividir el estudio, fechas de estos periodos, ocurrencia y co-ocurrencia mnima de los descriptores (o autores, sus mezclas, etc.) y tamao mnimo y mximo de las subredes resultantes. El anlisis es tanto estructural (una imagen de la estructura de la red atemporal) como dinmico (evolucin de la red a lo largo del tiempo). A cada subred o tema se le determinan sus parmetros de centralidad y densidad y se situan aquellas sobre un diagrama estratgico. A cada subred se le asocian los documentos ms similares, autores que trabajan preferentemente en ella, revistas, empresas, centros de investigacin, pases, etctera. Tambin se generan informes normalizados en Microsoft Word y en Microsoft Excel.

Copalred

66

Mdulo de gestin del conocimiento

Este mdulo permite acceder a los informes normalizados, pero sus capacidades principales estn relacionadas con la posibilidad de generar infinitos informes personalizados. Entre otras capacidades se encuentra el dibujo de redes y su exportacin a cualquier editor de imgenes, girarlas, cambio de umbrales, distribuciones de Bradford, distribuciones de Lotka, afiliaciones, bibliografas, ranking de documentos por relevancia, etctera en cualquier combinacin de temas o subredes. Si se realizan redes de palabras o descriptores, tambin es posible identificar la evolucin de las lneas de investigacin y cuantificar los ciclos de vida de estas lneas de investigacin. Si se generan redes de autores se ponen de manifiesto las evolciones en las redes de colaboracin y los colegios invisibles.

Referencias
[1] Bailn-Moreno, R. (2003): Ingeniera del conocimiento y vigilancia tecnolgica aplicada a la investigacin en el campo de los tensioactivos. Desarrollo de un modelo ciencimtrico unificado. Granada: Tesis doctoral. Universidad de Granada. [2] Law, J.; Bauin, S.; Courtial, J. P., y Whittaker, J. (1988): Policy and the mapping of scientific change: a co-word analysis of research into enviromental acidifi cation. Scientometrics, 14 (3-4), 251-264. [3] Law, J., y Whittaker, J. (1992): Mapping acidification research: a test of the co-word method. Scientometrics, 23 (3), 417-461. [4] Callon, M.; Courtial. J., y Turner, W. (1991): La mthode Leximappe: un outil pour lanalyse stratgique du dveloppement scientifique et technique. En B. Vinck, Gestion de la recherche: nouveaux problmes, nouveaux outils, (207-277), Editions Bruxelles. [5] Ruiz-Baos, R. (1996): Leximappe una eficaz herramienta informtica para descibir la estructura de las redes del conocimiento cientfico. Sistemas de Informacin. Balance de 12 aos de jornadas y perspectivas de futuro, 791-796, Cceres: Fesabid. [6] Ruiz-Baos, R. (1997): Ciencimetra de redes. Anlisis de la Investigacin Internacional sobre Arqueologa mediante el mtodo de las palabras asociadas (1980-1993). Tesis Doctoral. Granada: Universidad de Granada. [7] Bailn-Moreno, R.; Jurado-Alameda, E., y Ruiz-Baos, R. (2006): The scientific network of surfactants: structutal analysis. Journal of the American Society for Information Science and Technology, 57 (7). 847-850. [8] Garca-Ros, M. C. (2009): El paradigma de la fisioterapia a travs de un estudio ciencimtrico, Granada: Tesis doctoral, Universidad de Granada. [9] Lpez-Herrera, A.G., Cobo, M.J., Herrera-Viedma, E., Herrera, F., Bailn-Moreno, R. and Jimnez-Contreras, E. (2009). "Visualization and evolution of the scientific structure of fuzzy sets research in Spain" Information Research, 14(4) paper 421. [10] Pino-Daz, J. (2011). Anlisis estratgico de la investigacin sobre reas protegidas en Espaa: ingeniera y cartografa del conocimiento. Tesis Doctoral. Granada: Universidad de Granada [11] Pino-Daz, J., Jimnez-Contreras, E., Ruiz-Baos, R. y Bailn-Moreno, R., (2011). Evaluacin de redes tecnocientficas : la red espaola sobre reas protegidas, segn la Web of Science. Revista Espaola de Documentacin Cientfica. CSIC. 34 (3), 301-333.

Enlaces externos
Copalred (http://ec3.ugr.es/copalred/)

Cougaar

67

Cougaar
Cougaar (acrnimo ingls de Cognitive Agent Architecture) es una arquitectura basada en Java para la construccin de aplicaciones distribuidas a gran escala basadas en agentes. Es un producto de dos programas consecutivos, de varios aos de investigacin DARPA (UltraLOG [1]) en sistemas de agentes a gran escala que abarca ocho aos de esfuerzo. El primer programa demostr de manera concluyente la viabilidad de la utilizacin de la tecnologa basada en agentes avanzada para llevar a cabo rpida y a gran escala la planificacin logstica distribuida y la replanificacin. El segundo programa desarroll tecnologas de la informacin para mejorar la supervivencia de estos sistemas basados en agentes distribuidos que operan en ambientes extremadamente caticos. La arquitectura resultante, Cougaar, proporciona a los desarrolladores un marco para implementar aplicaciones de agentes distribuidos a gran escala, con una consideracin mnima para la arquitectura y la infraestructura subyacente. La arquitectura Cougaar utiliza lo ltimo en diseo orientado a agente basado en componentes y tiene una larga lista de caractersticas de gran alcance.

Historia de Cougaar
Cougaar Software Inc. [2] fue formado en 2001 para realizar la transicin de un potente conjunto de tecnologas avanzadas de la investigacin militar para el mercado comercial. La inversin en este proyecto se remonta a 1996 cuando DARPA decidi que la arquitectura de agente cognitivo era la mejor solucin a los difciles problemas que enfrenta la logstica militar. Puesto que ningn agente de la arquitectura existente puede satisfacer esas necesidades, DARPA comenz a financiar proyectos para desarrollar lo que se convirti en Cougaar Open Source con algunos de los pensadores ms avanzados y desarrolladores en el pas. Ellos se superaron con creces mediante el desarrollo de un enfoque tecnolgico que se adapta a los dominios ms all de la logstica. El trabajo se ha basado en perfeccionar y madurar esa base, para ampliar y probar esta tecnologa en diversos entornos de funcionamiento seguros, donde el tiempo es crtico. Las soluciones resultantes representan algunos de los razonamientos ms avanzados y capacidades de automatizacin inteligente existentes y se ha demostrado por ejemplo en aplicaciones del Departamento de Defensa. Se ha pasado los ltimos dos aos refinando dichas soluciones como plataforma comercial para la creacin rpida y el despliegue de aplicaciones inteligentes tan robustas como las aplicaciones militares, pero para las necesidades comerciales y con la economa en mente.

Lnea Temporal
1996 DARPA funda el Programa de Logstica Avanzada (ALP). se invierten $ 80 millones para desarrollar la tecnologa de arquitectura de ncleo. 2000 DARPA decide lanzar la tecnologa ALP como cdigo abierto y cambia el nombre a Cougaar. 2000 DARPA funda el programa UltraLOG para extender la seguridad de Cougaar, escalabilidad y capacidad de supervivencia de las condiciones mundiales del campo de batalla. El programa invierte $ 70 millones para lograr la supervivencia final. 2001 Cougaar Software, Inc. comienza a comercializar la tecnologa Cougaar. 2004 CSI lanza primera solucin comercial basada Cougaar - ActiveEdge RFID Middleware. 2005 CSI el lanza primer entorno de desarrollo Cougaar de aplicaciones comerciales. Lanzamiento de ActiveEdge Intelligent Platform Agent v1.0 Tres sistemas de integracin socios / clientes eligen la plataforma ActiveEdge para las grandes iniciativas operacionales 2006 Primera Instancia operativa de la solucin basada en la solucin de ActiveEdge proporcionada a travs de socios para importante cadena minorista. 2007 los principales socios y clientes adicionales validan ActiveEdge.

Cougaar ActiveEdge v1.5 liberado La compaa Boeing licencia ActiveEdge. Contratos de defensa Adicionales licencian ActiveEdge. CSI soporta SAIC&Honeywell en la aplicacin ALCT proporcionando planificacin de escenarios distribuidos. El ejrcito de EE.UU. licencia ActiveEdge. 2008 ActiveEdge v1.6 es liberado

68

Caractersticas de Cougaar
Cougaar es una arquitectura de agente de cdigo abierto, que incluye los servicios de infraestructura y ncleo. Los agentes son entidades autnomas de software que se comunican con otros agentes o servicios externos para lograr un dominio especfico funcionalidad. Los agentes de computacin estn basados en una metodologa de programacin que facilita la descomposicin directa de tareas complejas. Los agentes manejan comportamiento de las aplicaciones y el entorno se encarga de la adaptacin sistmica. Los agentes y el entorno se pueden desarrollar, probar y configurar de forma independiente, pero corren juntos La abstraccin de agente Cougaar incluye varios servicios avanzados integrados, como son: Pizarra de publicacin/suscripcin para la comunicacin dentro del propio agente y entre agentes. Motor de servlets para http basados en interfaces de usuario. Sistema de representacin de conocimiento: activos logsticos, FrameSets Coordinacin entre agentes a travs de pizarra para los mecanismos de coordinacin, asignacin de tareas, etc. Un agente Cougaar se ejecuta sobre un nodo Cougaar (Java Virtual Machine), que a su vez se ejecuta en un host. Dicho agente se compromete con uno o ms plugins, que definen el comportamiento del agente. Un agente con cero plugins no hace nada. A diferencia de otras arquitecturas totalmente basadas en mensajes, Cougaar est basada en los plugins de la pizarra como gestores de datos principales. Los plugins reaccionan a los datos en la pizarra aadiendo/cambiando/eliminando notificaciones. La infraestructura de la plataforma Cougaar transforma los datos que hay en la blackboard en operaciones inter-agente, pero esto queda oculto al API del desarrollador. Toda la coordinacin inter-plugins es ejecutada a travs de suscripciones de datos asncronas. La infraestructura de la blackboard aade/cambia/elimina las notificaciones por lotes, lo que proporciona mayor robustez y escalabilidad al sistema. Todo el estado es guardado en la blackboard, lo que proporciona soporte para recuperacin en caso de fallo. Los servicios Cougaar de ncleo tienen una implementacin basada en componentes, y cubren muchos campos como son la movilidad de agentes entre nodos, la persistencia del estado del agente y su posterior recuperacin tras un bloqueo, un transporte de mensajes que soporte mltiples protocolos, etc.

Aplicaciones de Cougaar
Integracin de infraestructuras crticas de modelado y simulacin. Herramienta de modelado logstico para organizaciones militares altamente adaptables. Planificacin de combate Logstica-Asistida. Soporte de equipos de robots a travs de redes Ad-hoc inalmbricas. Superficies de control por Cougaar. Herramienta administrativa para monitorizar una sociedad de agentes distribuida.

Cougaar

69

Enlaces externos
Pgina oficial de Cougaar [3] Cougaar Software Inc. [4]

Fuentes
Referencias
Guia de inicio rpido de Cougaar [5] Guia de desarroladores Cougaar [6] Arquitectura Cougaar [7] Descripcin general de Cougaar por Todd Wright [8] Conferencia Open Cougaar 2004 [9]

Referencias
[1] http:/ / web. archive. org/ web/ 20070821131713/ http:/ dtsn. darpa. mil/ ixo/ programs. asp?id=61 [2] http:/ / www. cougaarsoftware. com/ [3] http:/ / cougaar. org/ [4] [5] [6] [7] [8] [9] http:/ / www. cougaarsoftware. com http:/ / cougaar. org/ wp/ documentation/ cougaar-quick-start-guide/ http:/ / cougaar. org/ doc/ 11_4/ online/ CDG_11_4. pdf http:/ / cougaar. org/ doc/ 11_4/ online/ CAD_11_4. pdf http:/ / cougaar. org/ doc/ 12_4/ online/ CougaarOverview. ppt http:/ / cougaar. org/ doc/ papers/ 2004/ OCC04_-_Proceedings. pdf

Cyc
Cyc (del ingls encyclopedia) es un proyecto de inteligencia artificial que intenta ensamblar una ontologa comprensiva y una Base de datos de conocimiento general con el fin de permitir a las aplicaciones de inteligencia artificial realizar razonamientos del tipo humano. El proyecto fue iniciado en 1984 por Doug Lenat. El nombre Cyc es una marca registrada de Cycorp Inc. en Austin, Texas, una compaa de Lenat dedicada al desarrollo de Cyc. El proyecto original es software propietario, pero una pequea versin del proyecto ha sido liberada bajo una licencia de cdigo abierto y se conoce como OpenCyc. Cyc contiene una multitud de reglas simples (como "el agua causa humedad" y "la humedad pudre la comida"). Un ordenador puede concluir a partir del motor de inferencia de Cyc que el agua pudre la comida (al menos en exceso). La base de datos contiene aproximadamente 100.000 conceptos y 1.000.000 de declaraciones que abarcan aserciones definidas por humanos, reglas o ideas del sentido comn. Estas estn escritas en lenguage CycL que est basado en clculo de predicados y tiene una sintaxis similar a Lisp. La construccin de Cyc continua siendo Ingeniera del conocimiento, representando hechos sobre el mundo manualmente e implementado mecanismos de inferencia efectivos sobre dicho conocimiento. Sin embargo, el objetivo del trabajo en Cycorp es dar al sistema Cyc la capacidad de comunicarse con los usuarios finales en lenguaje natural para que el sistema pueda continuar por s solo con el proceso de construccin del conocimiento.

Cyc

70

Descripcin de la base de datos y terminologa

El ingreso de datos en Cyc se lleva a cabo mediante un proceso que Lenat llama enseanza por ciruga cerebral,[1] el cual es llevado a cabo en el leguaje CycL. Dicho proceso consiste en descomponer una unidad de informacin en una serie de caractersticas llamadas slots que forman una especie de plantilla para ese tipo de informacin, para cada slots debe de construirse a su vez otra unidad de informacin con sus caractersticas, de forma que todo el conocimiento quede jerarquizado y categorizado para que Cyc "comprenda" las relaciones que existen entre los conceptos y objetos ingresados. Los nombres de conceptos son conocidos en Cyc como constantes. Las constantes empiezan con #$ y son sensibles a las maysculas. Hay constantes para: Items individuales, conocidos como individuos, tales como #$LinusTorvalds o #$Colombia. Colecciones tales como #$Tree-ThePlant (conteniendo todos los rboles) o #$EquivalenceRelation (conteniendo todas las Relaciones de equivalencia). Un miembro de una coleccin es llamado una instancia de la coleccin. Funciones de verdad que pueden ser aplicadas a uno o ms conceptos y retornan verdadero o falso. Por ejemplo #$siblings (hermanos) es la relacin de hermandad y es verdadera si los dos argumenos son hermanos. Las funciones de verdad pueden ser divididas en conectoras lgicas (#$and, #$or, #$not, #$implies), cuantificadores (#$forAll, #$thereExists, etc.) y predicados (como en el ejemplo de la hermandad). Funciones, que producen nuevos trminos a partir de los trminos dados. Por ejemplo #$FruitFn a la cual, cuando se le provee un argumento que describe un tipo o coleccin de plantas, retorna los frutos de estas plantas. Por convencin, las funciones constantes empiezan con maysculas y terminan en "Fn". Vase: CycL, inteligencia artificial, lgica, WordNet, Web semntica

Bibliografa
R.V. Guha; Douglas B. Lenat. CYC: A Mid-Term Report (en ingls). AI Magazine, otoo 1990 11 (3): pp.32-59. Freedman, David H. (1996). Captulo 2: Los padres fundadores [2]. Hacedores de cerebros [3]. (url con vista previa restringida). Editorial Andres Bello. pp.64-80. ISBN 956-13-1324-3.

Referencias
[2] http:/ / books. google. com/ books?id=AlfEW2ZBE7gC& lpg=PP1& dq=isbn%3A9561313243& as_brr=3& hl=es& pg=PA64#v=onepage& q=& f=false [3] http:/ / books. google. com/ books?id=AlfEW2ZBE7gC& printsec=frontcover& dq=isbn:9561313243& as_brr=3& hl=es& cd=1#v=onepage& q=& f=false

Enlaces externos
http://www.cyc.com/ http://www.opencyc.org/

CycL

71

CycL
CycL En ciencias de la computacin e inteligencia artificial, CycL es un lenguaje ontolgico usado por el proyecto de inteligencia artificial de Doug Lenat conocido como Cyc. La participacin de Ramanathan V. Guha fue decisiva en el diseo de este lenguaje. Hay una variante cerrada de CycL conocida como MELD. Es un lenguaje est basado en clculo de predicados que tiene una sintaxis similar a Lisp. CycL se utiliza para representar el conocimiento almacenado en la Base de datos de conocimiento general conocida como Cyc, disponible en Cycorp Inc.Existe una versin de CycL con licencia de cdigo abierto conocida como OpenCyc, cuyo fin es servir de apoyo a la web semntica.

Ideas bsicas
CycL se basa en las siguientes ideas bsicas: Los conceptos se representan utilizando nombres de constantes Las constantes se agrupan formando generalizaciones que se ordenan de forma jerrquica (categorizacin) Se expresan reglas generales que definan las inferencias sobre los conceptos. La verdad o falsedad de una sentencia CycL es relativa al contexto, estos contextos son representados en CycL como microteoras.

Constantes
Los conceptos en Cyc se conocen como constantes. Las constantes empiezan con "#$" distinguindose entre maysculas y minsculas. Hay constantes para: Items individuales conocidos como individuos, tales como #$LinusTorvalds o #$Colombia. Colecciones tales como #$Tree-ThePlant (conteniendo todos los rboles) o #$EquivalenceRelation (conteniendo todas las Relaciones de equivalencia). Un miembro de una coleccin es llamado una instancia de dicha coleccin. Las funciones de verificacin pueden ser aplicadas a uno o ms conceptos y retornan verdadero o falso. Por ejemplo #$siblings (hermanos) es la relacin de hermandad y es verdadera si los dos argumentos son hermanos. Las funciones de verificacin pueden ser divididas en conectoras lgicas (#$and, #$or, #$not, #$implies), cuantificadores (#$forAll, #$thereExists, etc.) y predicados (como en el ejemplo de la hermandad). Hay funciones que producen nuevos trminos a partir de otros trminos introducidos. Por ejemplo #$FruitFn a la cual, cuando se le provee un argumento que describe un tipo o coleccin de plantas, retorna los frutos de estas plantas. Por convencin, las funciones constantes empiezan con maysculas y terminan en "Fn".

Especializacin y generalizacin
Los predicados ms importantes son #$isa y #$genls. El primero (#$isa) describe que un objeto es una instancia de alguna coleccin (es decir una especializacin), el segundo (#$genls) que una coleccin es una ocurrencia de otra (una generalizacin). Los hechos y datos acerca de los conceptos se afirman usando determinadas sentencias de Cycl. Los predicados se escriben antes de que sus argumentos, entre parntesis: Ejemplos: (#$isa #$BillClinton #$UnitedStatesPresident) \; "Bill Clinton pertenece a la coleccin de los presidentes de EE.UU." (#$genls #$Tree-ThePlant #$Plant) \; "Todos los rboles son plantas".

CycL (#$capitalCity #$Spain #$Madrid) \; "Madrid es la capital de Espaa."

72

Reglas
Las sentencias tambin pueden contener variables, estas son las cadenas de texto que comienzan con "?". Esto influye de forma importante sobre lo que el predicado #$isa interpreta: (#$implies (#$and (#$isa ?OBJ ?SUBSET) (#$genls ?SUBSET ?SUPERSET)) (#$isa ?OBJ ?SUPERSET)) Esto se interpreta como "si OBJ es una instancia de la coleccin SUBSET y SUBSET es una subcoleccin de SUPERSET, entonces OBJ es una instancia de la coleccin SUPERSET". Otro ejemplo ms complicado sera el que expresa una regla sobre un grupo o categora en lugar de un individuo en particular, es: (#$relationAllExists #$biologicalMother #$ChordataPhylum #$FemaleAnimal) Lo que significa que por cada ocurrencia de la coleccin #$ChordataPhylum (es decir, para todos los cordados), existe una hembra (es decir #$FemaleAnimal) que es la madre de dicha ocurrencia (descrita por el predicado #$biologicalMother).

Microteoras
La base de conocimiento est dividida en microteoras (Mt), colecciones de conceptos y hechos generalmente pertenecientes a un mbito particular de conocimiento. A diferencia de la base de conocimientos como un todo, es necesario que cada microteora est libre de contradicciones. Cada microteora tiene un nombre que es una constante regular; Las constantes de microteora contienen la cadena "MT" por convencin. Un ejemplo es #$MathMt, es decir la microteora de conocimientos matemticos. Las microteoras se organizan de manera jerrquica, heredando sus propiedades de un nivel al inferior: Una ocurrencia de $#MathMt es #$GeometryGMt, es decir la microteora acerca de la geometra. Vase: Inteligencia artificial, Lgica, WordNet, Web semntica, Cyc, Representacin del conocimiento

Bibliografa
R.V. Guha; Douglas B. Lenat. CYC: A Mid-Term Report (en ingls). AI Magazine, otoo 1990 11 (3): pp.32-59. Freedman, David H. (1996). Captulo 2: Los padres fundadores [2]. Hacedores de cerebros [3]. (url con vista previa restringida). Editorial Andres Bello. pp.64-80. ISBN 956-13-1324-3.

Enlaces externos
The Syntax of CycL [1] http://www.cyc.com/ http://www.opencyc.org/

CycL

73

Referencias
[1] http:/ / www. cyc. com/ cycdoc/ ref/ cycl-syntax. html

Diagnsticos asistidos por ordenador

Los diagnsticos asistidos por ordenador (DAO), en ingls Computer aided diagnosis (CAD), son procedimientos mdicos que ayudan a los doctores en la interpretacin de contenidos multimedia obtenidos en pruebas a las que se ha sometido el paciente, como por ejemplo las imgenes mdicas. La idea de los diagnsticos asistidos por ordenador no es la de dar un diagnstico completo a partir de la fuente, sino la de ayudar a quien se Interfaz de un conocido software utilitzado por los dispositivos DAO encarga de redactarlo para conseguir un diagnstico ptimo. Gracias a esta tecnologa el doctor es capaz de interpretar toda la informacin visible, dado que las mquinas procesan al completo y no se les escapa informacin menor que, de otra forma, se le escaparan al ojo humano. De esta forma, resaltando la informacin relevante ayudan al especialista a no pasar por alto ningn detalle.

Resumen
Los sistemas DAO son una tecnologa interdisciplinaria, hoy en da an muy joven, que combina la inteligencia artificial, el procesado digital de la imagen y la radiologa. El procesado de la imagen basado en complejos sistemas de reconocimiento de patrones hace posible que el doctor, generalmente un radilogo, pueda interpretar con mucha menos dificultad la informacin contenida en la imagen mdica.

Como funciona
Los sistemas DAO utilizan algoritmos para reconocer patrones en datos de pacientes que indican posibles anomalas. De la misma forma que un clnico se le ensea a identificar anomalas estudiando casos, los algoritmos DAO se les entrena a reconocer patrones de una primera base de datos finita con y sin anomalas. sta base de datos se conoce con el nombre de conjunto de entrenamiento (del ingls, training set). Una vez el sistema DAO se ha adaptado (entrenado) ya est listo para utilizarse en pacientes nuevos para detectar patrones de anomalas parecidos o descartarlos. Las clasificaciones de patrones en dispositivos DAO pretenden ser lo suficientemente fiables y eficientes para ayudar al especialista en la identificacin y valoracin de las mismas. En general, la fiabilidad de los dispositivos se estima mediante una base de datos diferente conocida como conjunto de pruebas (del ingls, test set).

Diagnsticos asistidos por ordenador

74

Metodologa
La metodologa de los sistemas DAO es, inevitablemente, muy parecida a la de un sistema de reconocimiento de patrones estndar: Preprocesado En este paso se corrigen todas las imperfecciones de la imagen como el ruido y se armoniza la imagen en caso de sufrir diferencias en niveles de exposicin en distintos puntos. Segmentacin Con la ayuda de una base de datos se buscan coincidencias para detectar estructuras importantes en la imagen y dejarlas definidas como regiones que posteriormente se analizaran individualmente. Estructuracin Se analiza cada una de las regiones previamente definidas para sonsacar informacin importante de cada una de ellas respecto a, por ejemplo: Forma Tamao Situacin Compacidad Relacin con estructuras prximas De esta forma nos quedan definidas regiones que podran resultar interesantes para nuestro diagnstico. Clasificacin y Evaluacin Mediante varios procedimientos se analizan las diferentes regiones que hemos identificado previamente como relevantes. Cada uno de estos procedimientos cuenta con un lmite que la regin en cuestin debe superar para se considere relevante, de ser as, el mismo procedimiento la resalta para que no pase desapercibida para el, generalmente, radilogo. Mencionar que es ste ltimo quien se encargar, finalmente, de decidir qu resulta relevante para el diagnstico y qu no, eliminando los ltimos para futuras consultas.

Aplicaciones
Algunas de las aplicaciones de los sistemas DAO, especialmente cuando nos referimos a ellos en el campo del procesado de la imagen: Cncer de pulmn Cncer de mama Cncer colorrectal Cardiopata congnita Medicina nuclear

Diagnsticos asistidos por ordenador

75

Limitaciones
Como en toda tecnologa, los sistemas DAO tambin tienen limitaciones: No hay garanta de solucin: Contrariamente al pensamiento general, si el procedimiento funciona a la perfeccin, no debe garantizar un diagnstico. Lo nico que garantiza es una imagen con zonas para el algoritmo relevantes que el especialista deber entonces considerar. Mantenimiento de la base de datos: El mayor problema de esta tecnologa es el mantenimiento de la base de datos. Los algoritmos que deben detectar las regiones de inters necesitan consultar stas bases donde se introducen las relaciones entre diferentes casos, hecho que provoca que el coste computacional del proceso crezca de forma exponencial hasta lmites prohibitivos. Coste elevado: Como en la mayora de jvenes tecnologas, el coste econmico de los sistemas DAO es hoy en da an muy elevado.

Fiabilidad
Los sistemas DAO no pueden detectar, hoy en da, el 100% de cambios patolgicos. La fiabilidad (tasa de aciertos) de estos puede llegar hasta el 90% dependiendo del sistema y la aplicacin. Un acierto incorrecto, entendiendo como acierto incorrecto todos esos puntos que el sistema ha marcado como importantes sin necesariamente serlo, se denominan falsos positivos (FP), de forma que como menos FPs tengamos, ms especfico ser nuestro procedimiento.

Ver tambin
Reconocimiento de patrones

Enlaces externos
What is Computer Aided Diagnosis? by: Duane Steward, D.V.M., M.S.I.E., Fellow A.A.V.I. [1] Electronic Fetal Monitoring & Computer-Assisted Diagnosis An FDA Overview [2]

Referencias
[1] http:/ / groups. csail. mit. edu/ medg/ ftp/ duane/ cadx. ps [2] http:/ / www. blsmeetings. net/ h1368-2/ CADwhitepaperoverview. pdf

Elbot

76

Elbot
Elbot es un robot conversacional creado por Fred Roberts. Durante la edicin nmero 18 del Premio Loebner para la inteligencia artificial, que tuvo lugar durante los das del 11 al 12 de octubre de 2008, el programa Elbot logr convencer a tres de los 12 jueces humanos que le interrogaron de que era indistinguible de un ser humano, siendo seleccionado como el ganador este ao de la Medalla de Bronce de la competicin.[1] En el caso de que Elbot hubiera logrado convencer a otro de los jueces, podra haber pasado el lmite del 30% que estableci Alan Turing cuando defini el Test de Turing en 1950, que es la base de este premio .[2]

Vase tambin tambin

ALICE

Enlaces externos
Pgina oficial del Premio Loebner (ingls) [3] Elbot. El ganador del ao 2008 (ingls) [4] Associated Press story, 13 de octubre de 2008 (ingls) [5] BBC News, 13 de Octobre de 2008 (ingls) [6] BBC News, 16 de octubre de 2008 (ingls) [7] Elbot Rules [8]

Referencias
[1] [2] [3] [4] [5] [6] [7] [8] Noticia de la Universidad de Reading (http:/ / www. reading. ac. uk/ about/ newsandevents/ releases/ PR17655. asp) Pueden Pensar las mquinas? Alan Turing (http:/ / www. dsi. uclm. es/ asignaturas/ 42528/ Pensar. html) http:/ / www. loebner. net/ Prizef/ loebner-prize. html http:/ / www. elbot. com/ http:/ / ap. google. com/ article/ ALeqM5g9jhLygsbJ5Am-GtNIP7jVt7EdwgD93PMBP80 http:/ / news. bbc. co. uk/ 1/ hi/ england/ berkshire/ 7666246. stm http:/ / news. bbc. co. uk/ 1/ hi/ magazine/ 7670050. stm http:/ / www. flickr. com/ photos/ elbot/ 4614690153/ ?reg=1& src=comment

Espacio de bsqueda

77

Espacio de bsqueda
En optimizacin, espacio de bsqueda se refiere al dominio de la funcin a ser optimizada. En el caso de los algoritmos de bsqueda, que manejan espacios discretos, se refiere al conjunto de todas las posibles soluciones candidatas a un problema.

Solucin candidata y solucin de problema

El trmino solucin candidata no siempre se refiere a una solucin efectiva al problema. Por ejemplo, en problema de satisfaccin de restricciones encontrar una combinacin de variables tal que todas las Ejemplo de espacio de bsqueda. Grfica de una funcin con mltiples ptimos restricciones sean satisfechas es el objetivo locales en 2 dimensiones. del problema. Por esta razn, el espacio de bsqueda esta constituido por soluciones que violan algunas restricciones. Algunos mtodos, tales como la relajacin lagrangiana, expresan restricciones como parte de la funcin objetivo, lo que permite una cierta flexibilidad en la resolucin. En otras tcnicas, tales como Ramificacin y poda slo se aceptan soluciones que no violen las restricciones. Sin embargo, estos mtodos no son aplicables sino en problemas de tamao reducido.

Explosin combinatoria
En dominios discretos, cuando existen muchas variables o bien muchos valores posibles a asignarles, se produce explosin combinatoria, es decir, el crecimiento exponencial del tamao del espacio de bsqueda en relacin a las variables y sus dominios. Cuando los espacios de bsqueda son muy extensos, los mtodos completos son incapaces de encontrar una solucin en un tiempo aceptable, por lo que se opta por utilizar heuristicas

ptimos locales
En problemas de optimizacin una dificultad comn es la existencia de ptimos locales, los cuales dan la impresin de haber encontrado el ptimo global. Diversos mtodos han sido planteados para superar este problema.

Topologa
Los espacios de bsqueda, dependiendo de los mtodos que se utilicen para resolver el problema, pueden ser conectados o no. La desconexin entre diversas zonas del espacio de bsqueda presenta un problema para los mtodos basados en vecindades, por lo que muchas veces se permite aceptar el tratamiento de soluciones infactibles a fin de conectar estas zonas dispersas.

Finereader

78

Finereader
ABBYY FineReader es una aplicacin de reconocimiento ptico de caracteres (OCR) que permite convertir documentos escaneados, imgenes, PDF y fotografas digitales en archivos electrnicos compatibles con la bsqueda y edicin posterior como Microsoft Word, Microsoft Excel, Microsoft PowerPoint, Rich Text Format, HTML, PDF/A, archivo PDF buscable, CSV, TXT, diferentes formatos para libros electrnicos, etc.

Caractersticas
Interface en 23 idiomas, incluso en espaol Reconocimiento de documentos en 189 lenguas inclusive rabe, Chino, Japons y documentos multilnges (con autodeteccin automtica del idioma) Technologia ADRT para analizar documentos multipginas en su totalidad, dejando la misma estructura del documento inicial tablas, dibujos, encabezados, estilos, enlaces, etc. O sea recibe exactamente lo que ve en el documento inicial Camera OCR - deja reconocer imgenes hechas con cameras digitales y hasta mviles! Conversin, archivado y proteccin de PDF Reconocimiento de Cdigos de Barras

Versiones
ABBYY FineReader 11 Professional Edition Versin para usuarios individuales y profesionales en negocio. Soporte de 23 idiomas de interface y reconocimiento de textos en 189 idiomas ABBYY FineReader 11 Edicin en Espaol Versin para usuarios individuales y profesionales en negocio. Versin especial para el mercado de habla hispana: tiene interface de usurio solo en espaol y reconocimiento de idiomas europeos ms populares (espaol, ingls, alemn, francs, etc.). ABBYY FineReader 11 Corporate Edition Versin para empresas pequeas y medianas, para departamentos individuales que necesitan un programa OCR rentable y adems con funcionalidad de trabajo agrupado.

Referencias
Pgina Principal de ABBYY [1] ABBYY FineReader [2] Siganos en Twitter [3]

Referencias
[1] http:/ / latam. abbyy. com/ [2] http:/ / latam. abbyy. com/ finereader/ [3] http:/ / twitter. com/ #!/ latam_abbyy

General Problem Solver

79

General Problem Solver

El General Problem Solver (GPS), en espaol Solucionador General de Problemas, es un programa de ordenador creado en 1957 por Herbert Simon, J.C. Shaw, y Allen Newell con el objetivo de construir una mquina capaz de resolver problemas de carcter general. Cualquier problema simblico formal puede ser resuelto, en principio, por el GPS. Por ejemplo: probar teoremas, resolver problemas geomtricos, trabajar con lgica proposicional y jugar al ajedrez. Se basaba en el trabajo terico previo de Simon y Newell sobre mquinas lgicas. El GPS fue el primer programa de computadora en el que se separ el conocimiento de los problemas de su estrategia sobre cmo resolverlos. Se implement en el lenguaje de programacin IPL (Information Processing Language). El GPS consigui resolver problemas sencillos, como el de las Torres de Hani, que poda ser expresado de una manera lo suficientemente formalizada, pero no poda resolver los problemas del mundo real. El usuario defina los objetos y las operaciones que se podra hacer con y sobre los objetos y el GPS generaba la heurstica mediante un anlisis de los medios y los objetivos, a fin de resolver los problemas. Para ello, se centraba en las operaciones disponibles, encontrando qu entradas eran aceptables, y qu resultados se generaban. Se creaban entonces sub-objetivos para conseguir aproximarse ms y ms a la meta anteriormente definida. El paradigma GPS evolucion hasta convertirse en la arquitectura simblico-cognitiva SOAR (State Operator And Result).

Proceso
Simon y Newell proponen el ejemplo sobre cmo transformar la proposicin lgica L1= R*(-P => Q) en L2=(Q \/ P)*R (Newell y Simon, 1972, pgina 420). Esta transformacin sera procesada por el GPS de la siguiente manera: Objetivo 1: Transforma L1 en L0 Objetivo 2: Reduce la diferencia entre L1 y L0 Objetivo 3: Aplica R1 a L1 Objetivo 4: Transforma L1 en una condicin (R1) Producto L2: (-P => Q) *R Objetivo 5: Transforma L2 en L0 Objetivo 6: Reduce la diferencia entre (L2) y (L0) Objetivo 7: Aplica R5 a (L2) Objetivo 8: Transforma (L2) en una condicin (R5) Objetivo 9: Reduce la diferencia entre (L2) y (R5) Rechazado: No es ms simple que el Objetivo 6 Objetivo 10: Aplica R6 a (L2) Objetivo 11: Transforma (L2) en una condicin (R5) Producto L3: (P \/ Q) *R Objetivo 12: Transforma L3 en L0 Objetivo 13: Reduce la diferencia entre (L3) y (L0) Objetivo 14: Aplica R1 a (L3) Objetivo 15: Transforma (L3) en una condicin (R1) Producto L4: (Q \/ P)*R Objetivo 16: Transforma L4 en L0 Identifica, QED

General Problem Solver

80

Referencias
Newell, A.; Shaw, J.C.; Simon, H.A. (1959). Report on a general problem-solving program. Proceedings of the International Conference on Information Processing. pp. 256-264. A. Newell y H. A. Simon (1961). GPS, a program that simulates human thought, en E. Feigenbaum y J. Feldmann, Hrsg. (1995) Computers and Thought, ISBN 0262560925. Newell, A. (1963). A guide to the general problem-solver program GPS-2-2. RAND Corporation, Santa Monica, California. Technical Report No. RM-3337-PR. Ernst, G.W. y Newell, A. (1969). GPS: a case study in generality and problem solving. Academic Press. (versin revisada de una disertacin de Ernst de 1966, Carnegie Institute of Technology.) Newell, A., y Simon, H. A. (1972) Human problem solving. Englewood Cliffs, NJ: Prentice-Hall. Norvig, Peter. (1992). Paradigms of artificial intelligence programming: case studies in Common Lisp. pp 109-110.

Heurstica admisible
En ciencias de la computacin, especficamente en algoritmos relacionados con bsqueda de caminos, se dice que una heurstica es admisible si nunca sobreestima el costo de alcanzar el objetivo, o sea, que en el punto actual la estimacin del costo de alcanzar el objetivo nunca es mayor que el menor costo posible.

Algoritmos de busca
Una heurstica admisible es usada para estimar el costo de alcanzar el estado objetivo en un algoritmo de bsqueda informada. Una heurstica ser admisible para cierto problema de bsqueda cuando el costo estimado sea siempre menor o igual que el costo mnimo de alcanzar el estado objetivo. El algoritmo de bsqueda usa la heurstica para encontrar una estimacin del camino ptimo hasta el objetivo desde el nodo actual. Por ejemplo, uno de los algoritmos de bsqueda ms populares es el A* (en ingls A-Star Search). En este la funcin de evaluacin para , donde es el nodo actual, es as:

donde: es la funcin de evaluacin, una estimacin del camino de costo mnimo que va desde el inicio hasta el objetivo y pasa por . es el costo del camino desde el inicio hasta . es el costo estimado desde el nodo actual hasta el objetivo. es calculado usando una funcin heurstica. Con una heurstica no admisible, el algoritmo A* podra pasar por alto la solucin ptima durante la bsqueda debido a una sobreestimacin de . Las heursticas admisibles son por su naturaleza optimistas, porque ellas piensan que el costo de solucionar el problema es menor que el que realmente es. Como es el costo exacto de alcanzar , tenemos como consecuencia inmediata que nunca sobreestima el costo verdadero de la solucin a travs de . De estar definida por una heurstica admisible, el algoritmo de bsqueda A* devolver una solucin ptima.

Heurstica admisible

81

Formulacin
Tomando que: es un nodo. es una heurstica. es el la estimacin del costo mnimo para alcanzar el objetivo desde es el costo mnimo real para alcanzar el objetivo desde . es admisible si para todo , . , aplicando .

Decimos que

Ejemplos
Por ejemplo, si se quiere resolver el 15-puzle (o juego del 15) en la menor cantidad de pasos posible usando A*, es necesario emplear una heurstica admisible. Hay una larga historia de tales heursticas para el 15-puzle, aqu tenemos dos de las ms comnmente usadas: Distancia de Hamming: el nmero de fichas que no estn en su lugar. Distancia Manhattan: la suma de las distancias desde la posicin actual de cada ficha hasta su posicin original. Queda claro que la Distancia de Hamming es admisible, dado que el nmero total de movimientos para ordenar las fichas correctamente es al menos el nmero de fichas que nos estn en su lugar (si cada ficha no est en su posicin original deber ser movida al menos una vez). La Distancia Manhattan tambin ser una heurstica admisible porque cada ficha ser movida el menos la cantidad de pasos entre ella misma y su posicin original. Considere el siguiente rompecabezas:
4 7 6 3 8 14 5

12 9

15 13 1 2 10 11

la distribucin de las distancias Manhattan para cada ficha quedara as:

3 1 0 1 2 3 3 4 3 2 4 4 4 1 1

La distancia total de Manhattan para el puzle quedara:

Construccin
Una heurstica admisible puede derivar de una versin simplificada del problema, o por informacin desde un patrn de base de datos que almacene la solucin exacta de un su problema, o usando aprendizaje inductivo. Por ejemplo, del 15-puzle visto anteriormente, podemos definir tres problemas ms simples: La regla del juego original es "Una ficha se puede mover desde la casilla A hasta la casilla B si A es adyacente a B y B esta vaca" Se pueden generar tres problemas quitando una o ambas condiciones: 1. Una ficha se puede mover desde la casilla A hasta la casilla B si A es adyacente a B. 2. Una ficha se puede mover desde la casilla A hasta la casilla B si B esta en blanco. 3. Una ficha se puede mover desde la casilla A hasta la casilla B.

Heurstica admisible De 1) podemos derivar la Distancia Manhattan, de 2) podemos derivar otra heurstica conocida como La heurstica de Gaschnig y de 3) podemos derivar la Distancia de Hamming. La idea detrs del patrn de base de datos es almacenar los costos de las soluciones exactas de cada posible instancia de un sub-problema, en nuestro ejemplo las instancias de sub-problemas podran ser 8 casillas y el espacio en blanco o 7 casilla y el espacio en blanco. Por ejemplo (1-2-3-4-5-6-7-8) y (9-10-11-12-13-14-15). Si las casillas seleccionadas no se repiten en dos sub-problemas (o dicho generalmente, no hay solapamiento en dos sub-problemas) podemos crear una heurstica admisible que sea la suma de ambos costos almacenados en la base de datos. Usando esta heurstica se resolvera el 15-puzzle en unos pocos milisegundos, el nmero de nodos generados se reduce en 10000 comparado con como cuando se usa la distancia Manhattan.

82

Notas
Si se tiene de una heurstica admisible, la que mejor funcione va a ser la de mayor valor, o sea, la que mejor aproxime la solucin optima real sin sobre pasar su valor. De ah si tenemos varias heursticas admisibles y no sabemos cul elegir, podemos crear una nueva que sea el mximo de todas las otras. Mientras que todas la heursticas consistentes son admisible, no todas las heursticas admisibles son consistentes. Una heurstica es consistente si, para todo nodo y todo sucesor de generado por cualquier accin A, el costo estimado de alcanzar el objetivo desde obtener el objetivo desde : no es mayor que el costo de obtener ms el costo estimado de

Para problemas de busca en rbol, si una heurstica admisible es usada, el algoritmo A* nunca devolver un nodo objetivo subptimo.

Referencias
Russell, S.J.; Norvig, P. (2002). Artificial Intelligence: A Modern Approach. Prentice Hall. ISBN 0-13-790395-2.

Temas relacionados
Inteligencia Artificial Algoritmo A* Heurstica

Historia de la inteligencia artificial

83

Historia de la inteligencia artificial

La Inteligencia Artificial surge definitivamente a partir de algunos trabajos publicados en la dcada de 1940 que no tuvieron gran repercusin, pero a partir del influyente trabajo en 1950 de Alan Turing, matemtico britnico, se abre una nueva disciplina de las ciencias de la informacin. Si bien las ideas fundamentales se remontan a la lgica y algoritmos de los griegos, y a las matemticas de los rabes, varios siglos antes de Cristo, el concepto de obtener razonamiento artificial aparece en el siglo XIV. A finales del siglo XIX se obtienen lgicas formales suficientemente poderosas y a mediados del siglo XX, se obtienen mquinas capaces de hacer uso de tales lgicas y algoritmos de solucin.

Punto de inflexin de la disciplina

En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar una mquina? era demasiado filosfica para tener valor y, para hacerlo ms concreto, propuso un juego de imitacin. En la prueba de Turing intervienen dos personas y un computadora. Una persona, el interrogador, se sienta en una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si acta de manera inteligente, segn Turing es inteligente. Turing, seal que una mquina podra fracasar y an ser inteligente. Aun as crea que las mquinas podran superar la prueba a finales del siglo XX. De todas maneras esta prueba no tuvo el valor prctico que se esperaba, aunque sus repercusiones tericas son fundamentales. El enfoque de Turing de ver a la inteligencia artificial como una imitacin del comportamiento humano no fuen tan prctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento racional, de manera similar, en el campo de la aeronutica se dej de lado el enfoque de tratar de imitar a los pjaros y se tom el enfoque de comprender las reglas de aerodinmica. Aunque desde luego, el enfoque del comportamiento humano y el del pensamiento humano siguen siendo estudiados por las ciencias cognitivas y continan aportando interesantes resultados a la Inteligencia Artificial, y viceversa.

Disciplinas sobre las que se apoya

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

Orgenes y Evolucin Cronolgica

Antecedentes Los juegos matemticos antiguos, como el de las Torres de Hani (hacia el 3000a.C.), muestran el inters por la bsqueda de un modo resolutor, capaz de ganar con los mnimos movimientos posibles. Cerca de 300a.C., Aristteles fue el primero en describir de manera estructurada un conjunto de reglas, silogismos, que describen una parte del funcionamiento de la mente humana y que, al seguirlas paso a paso, producen conclusiones racionales a partir de premisas dadas. En 250a.C. Ctesibio de Alejandra construy la primera mquina autocontrolada, un regulardor del flujo de agua que actuaba modificando su comportamiento "racionalmente" (correctamente) pero claramente sin razonamiento. En 1315, Ramon Llull tuvo la idea de que el razonamiento poda ser efectuado de maneral artificial.

Historia de la inteligencia artificial En 1847 George Boole estableci la lgica proposicional (booleana), mucho ms completa que los silogismos de Aristteles, pero an algo poco potente. En 1879 Gottlob Frege extiende la lgica booleana y obtiene la Lgica de Primer Orden la cual cuenta con un mayor poder de expresin y es utilizada universalmente en la actualidad. En 1903 Lee De Forest inventa el triodo, tambin llamado bulbo o vlvula de vaco. En 1937 Alan Turing public un artculo de bastante repercusin sobre los "Nmeros Calculables", un artculo que estableci las bases tericas para todas las ciencias de computacin, y que puede considerarse el origen oficial de la informtica terica. En este artculo introdujo el concepto de Mquina de Turing, una entidad matemtica abstracta que formaliz el concepto de algoritmo y result ser la precursora de las computadoras digitales. Poda conceptualmente leer instrucciones de una cinta de papel perforada y ejecutar todas las operaciones crticas de un computador. El artculo fij los lmites de las ciencias de la computacin porque demostr que no es posible resolver problemas con ningn tipo de computador. Con ayuda de su mquina, Turing pudo demostrar que existen problemas irresolubles, de los que ningn ordenador ser capaz de obtener su solucin, por lo que se le considera el padre de la teora de la computabilidad. En 1940 Alan Turing y su equipo construyeron el primer computador electromecnico y en 1941 Konrad Zuse cre la primera computadora programable y el primer lenguaje de programacin de alto nivel Plankalkl. Las siguiente mquinas ms potentes, aunque con igual concepto, fueron la ABC y ENIAC. En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera el primer trabajo del campo de inteligencia artificial, aun cuando todava no exista el trmino. 1950s En 1950 Turing consolid el campo de la inteligencia artificial con su artculo Computing Machinery and Intelligence, en el que propuso una prueba concreta para determinar si una mquina era inteligente o no, su famosa Prueba de Turing por lo que se le considera el padre de la Inteligencia Artificial. Aos despus Turing se convirti en el adalid que quienes defendan la posibilidad de emular el pensamiento humano a travs de la computacin y fue coautor del primer programa para jugar ajedrez. En 1951 William Shockley inventa el transistor de unin. El invento hizo posible una nueva generacin de computadoras mucho ms rpidas y pequeas. En 1956 se dio el trmino "inteligencia artificial" en Dartmouth durante una conferencia convocada por McCarthy, a la cual asistieron, entre otros, Minsky, Newell y Simon. En esta conferencia se hicieron previsiones triunfalistas a diez aos que jams se cumplieron, lo que provoc el abandono casi total de las investigaciones durante quince aos. 1980s En 1980 la historia se repiti con el desafo japons de la quinta generacin, que dio lugar al auge de los sistemas expertos pero que no alcanz muchos de sus objetivos, por lo que este campo sufri una nueva interrupcin en los aos noventa. En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar describir con un mayor mbito (no slo la comunicacin) los atributos de un agente inteligente, la IA se ha expandido a muchas reas que han creado ramas de investigacin enormes y diferenciadas. Dichos atributos del agente inteligente son: 1. Tiene actitudes mentales tales como creencias e intenciones. 2. Tiene la capacidad de obtener conocimiento, es decir, aprender. 3. Puede resolver problemas, incluso particionando problemas complejos en otros ms simples. 4. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias. 5. Planifica, predice consecuencias, evala alternativas (como en los juegos de ajedrez)

84

Historia de la inteligencia artificial 6. Conoce los lmites de su propias habilidades y conocimientos. 7. Puede distinguir a pesar de las similitud de las situaciones. 8. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando analogas. 9. Puede generalizar. 10. Puede percibir y modelar el mundo exterior. 11. Puede entender y utilizar el lenguaje y sus smbolos. Podemos entonces decir que la IA posee caractersticas humanas tales como el aprendizaje, la adaptacin, el razonamiento, la autocorreccin, el mejoramiento implcito, y la percepcin modular del mundo. As, podemos hablar ya no slo de un objetivo, sino de muchos, dependiendo del punto de vista o utilidad que pueda encontrarse a la IA. 1990s En los 90s surgen los agentes inteligentes 2000s El programa Artificial Linguistic Internet Computer Entity (A.L.I.C.E.) gan el premio Loebner al Chatbot mas humano en 2000, 2001 y 2004, y en 2007 el programa Ultra Hal Assistant gan el premio. 2010s En la actualidad se est tan lejos de cumplir la famosa prueba de Turing como cuando se formul: Existir Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de computadora en una conversacin a ciegas. Como ancdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un programa capaz de ser ejecutado independientemente de la mquina que lo ejecute, computador o cerebro: En 2010 el programa Suzette gan el premio Loebner. Algunos programas de inteligencia artificial gratuitos son Dr. Abuse, Alice, Paula SG, Virtual woman millenium

85

Enlaces externos
On Computable Numbers [1] MIA Motor de Inteligencia Artificial [2]

Referencias
[1] http:/ / www. thocp. net/ biographies/ papers/ turing_oncomputablenumbers_1936. pdf [2] http:/ / www. solutecia. com

IA Fuerte

86

IA Fuerte
La Inteligencia Artificial Fuerte es aquella inteligencia artificial que iguala o excede la inteligencia humana promedio la inteligencia de una mquina que exitosamente puede realizar cualquier tarea intelectual de cualquier ser humano -. Es un objetivo importante para la investigacin sobre IA y un tpico interesante para la ciencia ficcin. La IA Fuerte (IAF) igualmente es referida como Inteligencia General Artificial o como la habilidad de ejecutar acciones generales inteligentes. La ciencia ficcin asocia a la IAF con cualidades humanas como la conciencia, la sensibilidad, la sapiencia y el autoconocimiento.

Inteligencia artificial (videojuegos)

Inteligencia artificial, abreviado IA,en un videojuego, se refiere a las tcnicas utilizadas en computadoras y videojuegos para producir la ilusin de inteligencia en el comportamiento de los personajes no jugadores (PNJ). Es un agente electrnico que puede pensar, evaluar y actuar en ciertos principios de la optimizacin y la coherencia para cumplir con una meta o propsito. Como la IA se centra en el aspecto de la inteligencia y una buena jugabilidad, su enfoque es muy diferente a la de la IA tradicional, soluciones alternativas y trucos son aceptables y, en muchos casos, las habilidades bajan el tono para dar a los jugadores humanos un sentido de justicia. Esto, por ejemplo, es cierto en los videojuegos de accin en primera persona, donde la puntera perfecta estara ms all de la habilidad humana.

En los juegos de estrategia como Freeciv, la IA del juego tiene que lidiar con grandes cantidades de informacin.

Uso
La IA se utilizan en una amplia variedad de campos dentro de un juego. La ms evidente es en el control de los PNJ en el juego, aunque las secuencias de comandos es actualmente el medio ms comn de control. La bsqueda de ruta es otro de uso comn para la IA, ampliamente visto en los juegos de estrategia en tiempo real. Buscando camino es el mtodo para determinar cmo obtener un PNJ de un punto en un mapa a otro, teniendo en cuenta el terreno, los obstculos y, posiblemente, "niebla de guerra". Ms all de bsqueda de caminos, la navegacin es un subcampo de la IA del juego que se centra en dar a los PNJ la capacidad de navegar en su entorno, la bsqueda de un camino hacia un objetivo, evitando colisiones con otras entidades o colaborar con ellos. La IA tambin est involucrada con el equilibrio de la dificultad del juego, que consiste en el ajuste de la dificultad de un juego de videojuego en tiempo real basado en la habilidad del jugador. El concepto de IA emergente ha sido recientemente explorado en juegos como Creatures, Black & White y Nintendogs y en juguetes como Tamagotchi. Las "mascotas" en estos juegos son capaces de "aprender" de las medidas adoptadas por el jugador y su comportamiento se modifica en consecuencia.

Inteligencia artificial (videojuegos)

87

IA en videojuegos de combate
Los muchos juegos contemporneos de vdeo entran en la categora de accin, tirador en primera persona, o aventura. En la mayora de estos tipos de juegos hay un cierto nivel de combate que se lleva a cabo. La capacidad de la IA para ser eficiente en el combate es importante en estos gneros. Un objetivo comn hoy en da es hacer que la IA sea ms humana, o al menos parecerlo. Una de las caractersticas ms positivas y eficaces se encuentran en el moderno juego de da de IA en videojuegos es la habilidad para cazar. La IA originalmente reaccionaba de una manera muy simple. Si el jugador se encontraba en un rea especfica, a continuacin, la IA reaccionaba, ya sea en una manera totalmente ofensiva completa o totalmente defensiva. En los ltimos aos, la idea de "caza" se ha introducido. En esta la IA buscar marcadores realistas, tales como los sonidos hechos por el carcter o huellas que pudieron haber dejado atrs.[1] Estos desarrollos permiten en ltima instancia, para una forma ms compleja de juego. Con esta caracterstica, el jugador puede realmente considerar la manera de acercarse o evitar a un enemigo. Esta es una funcin que es particularmente frecuente en el gnero del sigilo. Otra novedad en la IA de los juegos recientes ha sido el desarrollo de "instinto de supervivencia". El ordenador puede reconocer diferentes objetos en un ambiente y determinar si es beneficioso o perjudicial para su supervivencia. Al igual que un usuario, la IA puede "mirar" para cubrirse en un tiroteo antes de tomar acciones que podran dejar que otras personas vulnerables, tales como la recarga de un arma o lanzar una granada. Se puede establecer marcadores que le indican cundo reaccionar de una manera determinada. Por ejemplo, si la IA se da un comando para comprobar su salud a travs de un juego a continuacin, otros comandos se puede configurar de manera que reaccione de manera especfica a un cierto porcentaje de la salud. Si la salud est por debajo de cierto umbral entonces la IA puede ser configurada para ir lejos del jugador y evitarlo hasta que otra funcin se active. Otro ejemplo podra ser si la IA se da cuenta que est fuera de las balas, encuentra un objeto de la cubierta y se esconde detrs de ella hasta que se recargue. Acciones como estas hacen que la IA paresca ms humana. Sin embargo, todava hay una necesidad de mejora en este mbito. A diferencia de un jugador humano, la IA debe ser programada para todos los escenarios posibles. Esto limita seriamente su capacidad para sorprender al jugador.[1] and DOTA

Referencias
[1] Schreiner, Tim. "Artificial Intelligence in Game Design." Artificial Intelligence Depot. Web. 19 November 2009. AI-depot.com (http:/ / ai-depot. com/ GameAI/ Design. html)

Inteligencia computacional

88

Inteligencia computacional
Inteligencia Computacional (IC) es una rama de la inteligencia artificial centrada en el estudio de mecanismos adaptativos para permitir el comportamiento inteligente de sistemas complejos y cambiantes. Se presenta como una alternativa a la GOFAI ("Good Old-Fashioned Artificial Intelligence"), tratando de no confiar en algoritmos heursticos tan habituales en la Inteligencia Artificial ms tradicional. Dentro de la Inteligencia Computacional podemos encontrar tcnicas como las Redes Neuronales, Computacin Evolutiva, Swarm Intelligence, Sistemas Inmunes Artificiales o Sistemas difusos. Tambin se relaciona con tcnicas como los Fractales, Teora del Caos, Wavelets, Autmata celular, etc. La Inteligencia Computacional combina elementos de aprendizaje, adaptacin, evolucin y Lgica difusa para crear programas que son, en cierta manera, inteligentes. La investigacin en Inteligencia Computacional no rechaza los mtodos estadsticos, pero muy a menudo aporta una vista complementaria. Las Redes Neuronales son una rama de la inteligencia computacional muy relacionada con el aprendizaje automtico.

Referencias
Computational Intelligence: An Introduction [1] by Andries Engelbrecht. Wiley & Sons. ISBN 0-470-84870-7 Computational Intelligence: A Logical Approach [2] by David Poole, Alan Mackworth, Randy Goebel. Oxford University Press. ISBN 0-19-510270-3

Enlaces externos
Blog de Sistemas Inteligentes en Madri+D [3] Conscious Robots, blog sobre robtica cognitiva [4] Grupo de investigacion - Sistemas Inteligentes [2]

Revistas cientficas
Computational Intelligence Journal [5] International Journal of Computational Intelligence [6] International Journal of Computational Intelligence Research [7]

Software
Computational Intelligence Library (CILib) [8] OAT (Optimization Algorithm Toolkit) [9]: A set of standard computational intelligence optimization algorithms and problems in Java.

Inteligencia computacional

89

Organizaciones
IEEE Computational Intelligence Society [10] The Computational Intelligence and Machine Learning Virtual Community [11]

Referencias
[1] http:/ / ci. cs. up. ac. za [2] http:/ / www. cs. ubc. ca/ ~poole/ ci. html [3] http:/ / weblogs. madrimasd. org/ sistemas_inteligentes/ [4] http:/ / www. conscious-robots. com/ [5] http:/ / www. blackwellpublishing. com/ journal. asp?ref=0824-7935 [6] http:/ / www. waset. org/ ijci/ [7] http:/ / www. ijcir. info/ [8] http:/ / cilib. sourceforge. net [9] http:/ / optalgtoolkit. sourceforge. net/ [10] http:/ / www. ieee-cis. org/ [11] http:/ / www. cimlcommunity. org/

Interfaz de usuario de lenguaje natural

Interfaces de Usuario de Lenguaje Natural son un tipo de interfaz de usuario que permite la comunicacin entre humanos y mquinas, donde los fenmenos lingsticos, como los verbos, frases y clusulas actan como controles de la interfaz de usuario para crear, seleccionar y modificar datos en las aplicaciones de software. En el diseo de la interfaz de lenguaje natural los interfaces son buscados por su velocidad y facilidad de uso, pero adems hay factores como la comprensin, que aaden una dificultad significativa, ya que podemos encontrar entradas ambiguas en el sistema.[1] Las interfaces de lenguaje natural componen un rea activa de estudio en el campo del procesamiento del lenguaje natural y la lingstica computacional. Una intuitiva interfaz de lenguaje natural en general es uno de los grandes objetivos activos de la Web Semntica. Es importante tener en cuenta que las interfaces de texto son "naturales" en diversos grados, y que muchos lenguajes de programacin formal (no natural) incorporan idiomas de lenguaje natural humano. Del mismo modo, un motor tradicional de bsqueda de palabras clave podra ser descrito como una interfaz de usuario de la lengua natural superficial.

Descripcin
Un motor de bsqueda de lenguaje natural, en teora, deberia encontrar respuestas a preguntas especficas del usuario (en lugar de buscar por las palabras claves contenidas en la pregunta). Por ejemplo, cuando se realiza una pregunta como por ejemplo "Que Estado de EE.UU., tiene el impuesto de renta ms alto?", Los motores de bsqueda convencionales ignoran el problema y realizan una bsqueda con las palabras clave ' Estado, renta e impuesto ". La bsqueda en lenguaje natural, por otro lado, intenta utilizar el procesamiento del lenguaje natural para comprender la naturaleza de la pregunta y luego busca y devuelve un subconjunto web que contiene la respuesta a la pregunta. Si funciona, los resultados tendran una relevancia mayor que los resultados de un motor de bsqueda por palabra clave. Desde un punto de vista comercial, la publicidad en la pgina de resultados tambin podra ser ms relevante y podra tener un potencial de ingresos ms alto que el de los motores de bsqueda por palabra clave.

Interfaz de usuario de lenguaje natural

90

Historia
A lo largo de la historia los lenguajes naturales han ido evolucionando, de forma paralela al desarrollo y evolucin de la especie humana. En los ltimos aos, las aplicaciones diseadas han intentado promover la comunicacin entre humanos y mquinas por lo que se han incluido tcnicas de reconocimiento de voz. Hoy en da el campo del reconocimiento de lenguaje natural est trabajando para mejorar los resultados, superando las diferentes dificultades que se comentan ms adelante. Los primeros contactos con la interfaz de usuario de lenguaje natural datan de los aos sesenta y setenta de la mano del prototipo NI.[2] Lunar, una interfaz de lenguaje natural en conexin a una base de datos con anlisis qumicos de las rocas lunares de Apolo-11 por William A. Woods [3]. Chat-80, transforma preguntas en Ingls en expresiones Prolog, las cuales fueron evaluados en relacin con la base de datos Prolog. El cdigo de la charla-80 fue ampliamente difundido, y form la base de muchas otras interfaces experimentales Nl. Janus, es tambin uno de los pocos sistemas de apoyo a las cuestiones temporales. Intellect de Trinzic (formado por la fusin de AICorp y Aion). Bbns Parlance construido sobre la experiencia del desarrollo de los sistemas Rus e Irus . IBM Languageaccess Q&A de Symantec. Datatalker de Natural Language Inc. Loqui de Bim. English Wizard de Linguistic Technology Corporation.

Procesado y reconocimiento del Lenguaje Natural

Dificultades del reconocimiento
Los sistemas de reconocimiento se puede dividir en dos tipos principales. Sistemas de reconocimiento de patrones entrenados, ste compara los patrones con otros patrones ya conocidos y clasificados para determinar la similitud y por tanto el reconocimiento. Y por otro lado tenemos los Sistemas fonticos que utilizan el conocimiento del cuerpo humano (la produccin del habla y audicin) para comparar las caractersticas del lenguaje (fontica, tales como sonidos de las vocales). Los sistemas ms modernos se centran en el enfoque de reconocimiento de patrones, ya que combina muy bien con las tcnicas de computacin actual y tiende a tener una mayor precisin. Aun as existen una serie de factores[4] que dificultan estos procesos, ya que influyen en el tratado de la seal y por tanto en el reconocimiento. Algunos de ellos son los siguientes: Lavariacin fontica inter-locutor e intra-locutor: La variacin inter-locutor, da lugar a que cuando se est emitiendo una secuencia concreta de palabras, con el mismo estilo de habla, y sin diferencias geogrficas o sociales, aun as existan variaciones en el lenguaje. Por otro lado la variacin intra-locutor, estudia qu cambia en cada persona cuando habla espontneamente o cuando lee.

La variacin inter-locutor en el nivel segmental: oscilograma de la palabra "Hola" pronunciada por un hablante femenino.

Losestilos de habla: Entre todos los hablantes existe un amplio repertorio de estilos que puden modificar la inteligibilidad de la

Interfaz de usuario de lenguaje natural

91

palabra. El estilo depende del grado de atencin del hablante hacia las caractersticas de su propia produccin lingstica(William Labov). Las"disfluencias" en el habla espontnea: En este apartado podemos encontrar un amplio conjunto de variaciones que cambian la fluideza de la lingstica. Entre ellas encontramos las pausas, repeticiones, palabras truncadas, alargamientos voclicos, interrupciones, frases inacabadas e incluso variaciones en la velocidad.

La variacin inter-locutor en el nivel segmental: oscilograma de la palabra "Hola" pronunciada por un hablante masculino.

Las caractersticas del entorno: Por ltimo tenemos el factor externo al locutor, y no por ello menos importante, debido a que las variaciones ambientales del entorno pueden entorpecer significativamente el procesado de la seal. En este caso nos encontramos con ruidos que pueden distorsionar o enmascarar, y cambios de sonido ambiente que pueden modificar la seal de forma transitoria.

Tratamiento de la seal
La implementacin de un sistema de reconocimiento de lenguaje natural,[5] conlleva el tratamiento de la seal acstica, pasando por diferentes bloques que nos ayudarn a extraer las caractersticas necesarias para implementar el sistema. ste tratamiendo lo podriamos resumir con los siguientes apartados: 1. El primer paso es la captura de la seal de voz. Se utiliza un micrfono que a travs de un convertidor CAD(Conversor Analgico/Digital) convierte la seal acstica en una seal elctrica, a la cual se le realiza la extraccin de parmetros. En este paso existe una dificultad aadida, provocada por la no linealidad y perdida de frecuencias introducido por el sistema micrfono/convertidor. 2. La siguiente etapa es la segmentacin y el etiquetado, aqu el sistema intenta encontrar las regiones estables donde las caractersticas son constantes. Uno de las tcnicas ms utilizadas es la utilizacin de solapamiento entre el enventanado, para evitar dejar parte de seal sin analizar. En este nivel adems se suelen aplicar filtros de normalizacin y pre-nfasis, con los cuales se prepara la seal para ser procesada.

Diagrama de bloques de un sistema de reconocimiento de lenguaje natural

3. En tercer lugar se realiza el clculo de parmetros, lo que proporciona una representacin espectral de las caractersticas de la seal de voz que podemos utilizar para entrenar el sistema de reconocimiento (HMM, Redes neuronales, entre otros). Los mtodos ms comunes en esta etapa son el anlisis de banco de filtros y LPC. Para el clculo de coeficientes que caracterizan la seal se sigue un patrn de bloques estandarizado por la ETSI.

Tipos de reconocimiento de voz

Los sistemas de reconocimiento de voz se pueden separar en varias clases, categorizados por la descripcin de los diferentes tipos de expresiones que tienen la capacidad de reconocer. Estas clases se basan en el hecho de que una de las dificultades del ASR es la capacidad de determinar cuando un locutor comienza y termina de hablar. A continuacin se nombran los tipos ms distinguidos: Reconocedores de palabras aisladas por lo general requieren un enunciado delimitado (la falta de una seal de audio) a ambos lados de la ventana de muestra. Esto no quiere decir que acepta una sola palabra, pero s que requiere una expresin nica a la vez. A menudo, estos sistemas tienen estados de "Escuchar / No-Escuchar", donde se requiere que el locutor guarde un tiempo de espera entre palabras (por lo general hace el procesamiento durante las pausas).

Interfaz de usuario de lenguaje natural Sistemas de palabra conectada( "expresiones conectadas ') son similares a las palabras aisladas, pero a diferencia ste tambin permite expresiones por separado con una pausa mnima entre ellas. Reconocimiento continuo son los ms difciles de crear porque deben utilizar mtodos especiales para determinar los lmites de emisin. Los reconocedores de voz continua permiten a los usuarios hablar casi de manera natural, mientras que la computadora determina el contenido. Habla espontnea, existe una variedad de definiciones de lo que habla espontnea es en realidad. En un nivel bsico, se puede considerar como el discurso que suena natural y no ensayado. Un sistema de ASR con la capacidad de reconocer el habla espontnea debe ser capaz de manejar una variedad de caractersticas de lenguaje natural. Voz de verificacin/identificacin, algunos sistemas de reconocimiento automtico del habla tienen la capacidad de identificar a los usuarios especficos. Este tipo de reconocimiento se basa principalmente en caractersticas concretas extradas del sujeto a verificar o identificar. Caracterstiques como la amplitud de la seal, la frecuencia y los coeficientes cepstrales de la escala Mel.

92

Objetivos
La interfaz de lenguaje natural en el pasado dio lugar a los usuarios que queran antropomorfizar sus equipos, o al menos atribuir ms inteligencia que la que garantizan. Esto conduce a expectativas poco realistas de las capacidades del sistema por parte del usuario. Tales expectativas hacen difcil aprender las restricciones del sistema, y si ellos les atribuyen un exceso de capacidad, esto dar lugar a la decepcin cuando el sistema no funcione como se espera. Existe un documento de 1995 [6] titulado "Natural Language Interfaces to Databases An Introduction'", en el cual se describen algunos de los retos ms significativos: Modificador de unin La pregunta de "Lista de todos los empleados de la empresa con un permiso de conducir" es ambiguo a menos que sepa que las compaas no pueden tener licencias de conducir. Conjuncin y disyuncin "Lista de todos los solicitantes que viven en California y Arizona." Es ambiguo a menos que se sepa que una persona no puede vivir en dos lugares a la vez. Resolucin de la anfora Resuelve lo que un usuario quiere decir por el 'l', 'ella' o 'esto', en una consulta auto-referencial Otros objetivos a tener en cuenta de forma ms general son la velocidad y eficiencia del sistema interfaz, como en cualquier otro algoritmo estos dos puntos son los que determinarn que unas tcnicas sean mejores que otras y por tanto que tengan mayor xito en el mercado. Por ltimo, respecto a las tcnicas utilizadas, el principal problema a resolver es el de crear un algoritmo general que pueda reconocer todos los tipos de voces, sin diferenciar entre nacionalidad, sexo o edad. Ya que pueden existir diferencias significativas entre las caractersticas extradas a varios locutores que pronuncian la misma palabra o frase.

Interfaz de usuario de lenguaje natural

93

Utilidades y Aplicaciones
La interfaz de lenguaje natural y su reconocimiento con resultados satisfactorios, dan lugar a que esta tecnologa pueda ser utilizada para diferentes usos y aplicaciones. Algunos de los principales usos son: Dictado , ste es el uso ms comn para los sistemas de ASR en la actualidad. Esto incluye transcripciones mdicas, dictados legales y comerciales, as como procesamiento de textos en general. Aplicaciones de mando y control, stos sistemas estn diseados para realizar funciones y acciones, un ejemplo sera la telefona. Medicina y discapacidad, muchas personas tienen dificultades para escribir, debido a limitaciones fsicas, la distrofia muscular, y muchos otros. Por ejemplo, las personas con problemas auditivos pueden usar un sistema conectado a su telfono para convertir el discurso de la persona que llama en texto. Aplicaciones integradas, algunos telfonos mviles ms modernos incluyen reconocimiento de voz que permiten expresiones como "Call Home". Esto podra significar un factor importante en el futuro de las interfaces del reconocimiento de lenguaje natural. A continuacin se nombran y definen algunas de las aplicaciones que utilizan el reconocimiento de lenguaje natural, y por tanto tienen integradas las utilidades nombradas anteriormente.

Ubiquity
Ubiquity, es una extensin para Mozilla Firefox, compuesto por una coleccin de lenguaje natural derivado de fcil y rpidos comandos que actan como mashups de servicios web, permitiendo a los usuarios obtener informacin y relacionarla con la actual u otras pginas web.

Wolfram Alpha
Wolfram Alpha, es un servicio online que responde a las consultas directamente mediante un clculo de la respuesta a partir de datos estructurados, en lugar de proporcionar una lista de documentos o pginas web que podran contener la respuesta como un motor de bsqueda.[7] Fue anunciado en marzo de 2009 por Stephen Wolfram, y fue lanzado al pblico el 15 de mayo de 2009.[]

Siri
Siri, es una aplicacin de asistente personal para iPhone OS.[8] La aplicacin utiliza el procesamiento del lenguaje natural para responder a las preguntas y hacer recomendaciones. La aplicacin para el iPhone es el primer producto publicado por sus creadores, que se centra en aplicaciones de inteligencia artificial. El grupo de marketing de la compaa asegura que Siri se adapta a las preferencias individuales del usuario a travs del tiempo y personaliza los resultados, para completar tareas como hacer una reserva para una cena.[9]

Otras
Anboto Group [10]- Anboto ofrece servicio Web al cliente y tecnologa de comercio electrnico basado en la semntica y el Procesamiento del Lenguaje Natural. La oferta principal de Anboto es el agente de ventas virtual y chat inteligente. Q-go-La tecnologa de Q-go ofrece respuestas relevantes a los usuarios, en respuesta a las consultas en el sitio web de Internet de la empresa o la intranet corporativa, formulada en frases naturales o la entrada de palabras clave por igual. Q-go fue adquirida por RightNow Technologies en 2011. Ask.com- La idea original detrs de Ask Jeeves (Ask.com) es permitir a los usuarios obtener respuestas a las preguntas formuladas en el lenguaje cotidiano, natural, as como la bsqueda de palabras clave tradicionales. El Ask.com actual sigue apoyando esto, con soporte aadido para las matemticas, diccionario, y las preguntas de la

Interfaz de usuario de lenguaje natural conversin. C-phrase [11]- C-frase es un lenguaje natural que se basa en la relacin de bases de datos. C-Frase corre bajo Linux, se conecta con bases de datos PostgreSQL a travs de ODBC y es compatible con las consultas de seleccin, as como actualizaciones. Actualmente slo hay apoyo para Ingls. C-Frase encuentra alojada en el sitio Google Code. '''GNOME Do''' - Permite la rpida bsqueda de artefactos diversos del ambiente GNOME (aplicaciones, contactos Evolution y Pidgin, marcadores de Firefox, los artistas y los lbumes de Rhythmbox, y as sucesivamente) y ejecuta las acciones bsicas sobre ellos (ejecucin, apertura, correo electrnico, chatear, jugar, etc).[12] Brainboost - Ya no est disponible Braina Project - Braina es un software con interfaz de usuario de Captura de pantalla del interfaz clsico de GNOME DO. lenguaje natural que est actualmente en fase de desarrollo. Est siendo desarrollado por un solo programador llamado Akash Shastri. El objetivo principal de este proyecto es hacer que un equipo pueda entender el lenguaje humano para que el usuario pueda controlar una computadora sin el uso de comandos. Hakia - Hakia es un motor de bsqueda de Internet. La empresa ha inventado una infraestructura nueva, alternativa a la indexacin que utiliza el algoritmo SemanticRank, una solucin que mezcla las disciplinas de la semntica ontolgica, la lgica difusa, la lingstica computacional, y las matemticas. Lexxe - Lexxe es un buscador de Internet que utiliza el procesamiento del lenguaje natural para consultas (bsquedas semnticas). Las bsquedas pueden hacerse con preguntas tales como "Qu edad tiene la Wikipedia?", As como palabras clave y frases. Cuando se trata de hechos, Lexxe es muy eficaz, aunque necesita mejorar mucho en el anlisis del lenguaje natural cuando se trata de hechos. Pikimal - Pikimal usa lenguaje natural vinculado a las preferencias del usuario para hacer recomendaciones de bsqueda por plantilla. Powerset - El 11 de mayo de 2008, la compaa present una herramienta para la bsqueda de un subconjunto fijo de Wikipedia usando frases de conversacin en lugar de palabras clave.[13] El 1 de julio de 2008, fue comprado por Microsoft.[14] '''START''' (Proyecto del MIT) - START, web basada en un sistema de respuestas. A diferencia de los sistemas de recuperacin de informacin, tales como los motores de bsqueda, START tiene como objetivo facilitar a los usuarios "la informacin correcta", en lugar de limitarse a proporcionar una lista de hits. En la actualidad, el sistema puede responder millones de preguntas Inglesas acerca de lugares, pelculas, personas y definiciones del diccionario. Swingly [15] - Swingly es un motor de respuesta diseado para encontrar respuestas exactas a preguntas sobre los hechos. Slo es necesario hacer una pregunta en Ingls - y Swingly podr encontrar la respuesta (o respuestas) que est buscando (de acuerdo al sitio en el que se encuentra). Yebol - Yebol es una decisin vertical de motor de bsqueda, que haban desarrollado con una base de conocimiento, para crear una plataforma de bsqueda semntica. La inteligencia artificial humana de Yebol automticamente utiliza la asociacin, clasificacin y agrupamiento de algoritmos para analizar las palabras claves relacionadas o pginas web. Yebol integra el procesamiento del lenguaje natural, sistemas de ingeniera abiertos y complejos de metasynthetic, y los algoritmos de la mquina con el conocimiento humano de cada consulta para establecer un directorio web que en realidad "aprende" el uso de algoritmos de correlacin, el agrupamiento y la clasificacin para generar automticamente la consulta, que se mantiene y se regenera.[16] Inbenta [17] El motor de bsqueda Inbenta es multilinge, escalable, lingstico y de semntica basada en el campo empresarial. Se basa en los ltimos desarrollos de la Teora Significado-Texto y proporciona experiencias

94

Interfaz de usuario de lenguaje natural intuitivas de bsqueda en lenguaje natural. Mnemoo - Mnemoo es un motor de respuesta que tuvo como objetivo responder directamente las preguntas planteadas en el texto (lenguaje natural), el cual se logra utilizando una base de datos de los hechos y un motor de inferencia(conclusin).

95

Referencias
[1] Hill, I. (1983). "Natural language versus computer language." In M. Sime and M. Coombs (Eds.) Designing for Human-Computer Communication. Academic Press., p. 1. [2] Hill,Natural Language Interfaces to Databases An Introduction, I. Androutsopoulos, G.D. Ritchie, P. Thanisch, Department of Artificial Intelligence, University of Edinburgh. [3] http:/ / parsecraft. com/ [4] http:/ / liceu. uab. es/ ~joaquim/ speech_technology/ tecnol_parla/ recognition/ speech_recognition/ reconocimiento. html#reconocimiento_tratamiento_senal [5] http:/ / www. tldp. org/ HOWTO/ Speech-Recognition-HOWTO/ [6] http:/ / arxiv. org/ abs/ cmp-lg/ 9503016 [8] SIRI Article (http:/ / www. feedspew. com/ article/ siri-voice-recognition-arrives-on-the-iphone-4s-436930) [9] Siri webpage (http:/ / www. apple. com/ iphone/ features/ siri. html) [10] http:/ / www. anbotogroup. com/ en/ index. php [11] http:/ / code. google. com/ p/ c-phrase/ [12] Ubuntu 10.04 Add/Remove Applications description for GNOME Do [15] http:/ / swingly. com/ [16] Humphries, Matthew. "Yebol.com steps into the search market" (http:/ / www. geek. com/ articles/ news/ yebolcom-steps-into-the-search-market-20090731/ ) Geek.com. 31 July 2009. [17] http:/ / www. inbenta. com/

Enlaces externos
History of Search Engines (http://www.searchenginehistory.com/) Human Language Interface (http://jabroo.blogspot.com/2011/09/human-language-interface-hli.html)

Usuario:Isanzn/Java Agent Development Framework

96

Usuario:Isanzn/Java Agent Development Framework

JADE ? Informacin general Lanzamiento inicial 2000

ltima versin estable 4.3.0 29 de marzo de 2013 Gnero Programado en Sistema operativo Plataforma Licencia Idiomas En espaol Sistema multi-agente Marco de software Java Multiplataforma Java GNU Lesser General Public License ingls ?

Java Agent DEvelopment Framework, o JADE, es una plataforma software para el desarrollo de agentes, implementada en Java. La plataforma JADE soporta la coordinacin de mltiples agentes FIPA y proporciona una implementacin estndar del lenguaje de comunicacin FIPA-ACL, que facilita la comunicacin entre agentes y permite la deteccin de servicios que se proporcionan en el sistema. JADE fue desarrollado originalmente por Telecom Italia y se distribuye como software libre.

Resumen
JADE es un middleware que facilita el desarrollo de sistemas multi-agente bajo el estndar FIPA para lo cual crea mltiples contenedores destinados a los agentes, cada uno de los cuales puede ejecutarse en uno o en varios sistemas. Queda establecido que un conjunto de contenedores constituye una plataforma. Adicionalmente JADE proporciona: Un entorno de ejecucin en el que los agentes de JADE se ejecutan. Bibliotecas de clases para la creacin de agentes mediante la herencia y la redefinicin de comportamientos. Un conjunto de herramientas grficas para la monitorizacin y administracin de la plataforma de agentes .

Historia
JADE fue desarrollado inicialmente por Telecom Italia Lab. Este sector es la rama de I + D del Grupo Telecom Italia que se encarga de promover la innovacin tecnolgica. Telecom Italia concibi y promovi JADE, fundndolo en el ao 2000. La ltima versin disponible data del mes de Marzo de 2013 (versin 4.3) La primera versin de JADE distribuida como software libre est disponible desde el mes de Febrero del 2000 (versin 1.3).[1] En Marzo de 2003 Motorola y Telecom Italia crearon la JADE Governing Board con el objetivo de promover la evolucin y la adopcin de JADE en la industria de las telecomunicaciones mviles como middleware de base. Dicha organizacin (JADE Governing Board) acepta a toda empresa y/o organizacin interesada en el uso comercial y explotacin de JADE que se comprometan a su desarrollo y promocin.

Usuario:Isanzn/Java Agent Development Framework

97

Plataforma
Se trata de una plataforma de agentes distribuida, que tiene un contenedor por cada host en el que se estn ejecutando los agentes. De manera adicional la plataforma posee diferentes herramientas de depuracin, movilidad de los agentes de cdigo y contenido, la posibilidad de la ejecucin paralela del comportamiento de los agentes, as como el soporte para la definicin de lenguajes y ontologas. Cada plataforma debe tener un contenedor principal que tiene dos agentes especiales denominados AMS y DF.[2] El DF (Directory Facilitator) proporciona un directorio que anuncia qu agentes hay disponibles en la plataforma. El AMS (Agent Management System) controla la plataforma. Es el nico que puede crear y destruir a otros agentes, destruir contenedores y parar la plataforma.

Agente DF
Para acceder al agente DF se usa la clase "jade.domain.DFService" y sus mtodos estticos: register, deregistrer, modify y Search.

Agente AMS
Para acceder a la informacin del AMS Service se crea un agente el cul se ejecuta automticamente el mtodo register del AMS por defecto antes de ejecutar el mtodo setup del nuevo agente. Cuando se destruye un agente se ejecuta su mtodo takedown() y automticamente se llama a deregister del AMS por defecto.

Clase Agent
La clase Agent es una super clase comn que permite a los usuarios crear software de agentes JADE. Para crear un agente slo hay que heredar de la clase Agent(). Habitualmente cada agente registrar varios servicios los cuales a su vez deberan de ser implementados por uno o ms comportamientos. Esta clase suministra mtodos que permiten ejecutar las tareas bsicas de los agentes como: Pasar mensajes utilizando objetos ACLMessage, con correspondencia de patrones. Dar soporte al ciclo de vida de un agente. Planificar y ejecutar mltiples actividades al mismo tiempo.

Agente JADE
El ciclo de vida de un agente JADE sigue el ciclo propuesto por FIPA. Estos agentes pasaran por diferentes estados definidos como: 1. Initiated/ Iniciado: El agente se ha creado pero no se ha registrado todavia el AMS. 2. Active/ Activo: El agente ya ha sido registrado y posee nombre. En este estado puede comunicar con otros agentes. 3. Suspended/ Suspendido: El agente se encuentra parado porque su hilo de ejecucin se encuentra suspendida. 4. Waiting/ Esperando: Se encuentra bloqueado a la espera de un suceso. 5. Deleted/ Eliminado: El agente ha terminado por tanto el hilo termin su ejecucin y ya no estar ms en el AMS. 6. Transit/ Transito: El agente se est migrando a una nueva ubicacin.

Usuario:Isanzn/Java Agent Development Framework

98

Comportamiento de Agentes
El comportamiento define las acciones bajo un determinado evento. Dicho comportamiento del agente se define en el mtodo setup mediante el mtodo addBehaviour. Los diferentes comportamientos que el agente adoptar se definen a partir de la clase abstracta Behaviour. La clase Behaviour contiene los mtodos abstractos: action(): Se ejecuta cuando la accin tiene lugar. done(): Se ejecuta al finalizar el comportamiento. Por otra parte el usuario puede redefinir los mtodos onStart() y onEnd() que el agente poseer. Adicionalmente existen otros mtodos como block() y restart() usados para la modificacin del comportamiento del agente. Cuando un agente est bloqueado se puede desbloquear de diferentes maneras.

Formas de Desbloqueo para un Agente

1. Recepcin de un mensaje. 2. Cuando se produzca el timeout asociado a block(). 3. Llamar a restart.

Mensajes ACL
El paso de mensajes ACL (Agent Communication Language) es la base de la comunicacin entre agentes. El envo de mensajes se realiza mediante el mtodo send de la clase Agent. A dicho mtodo hay que pasarle un objeto de tipo ACLMessage que contiene la informacin de los destinatarios, lenguaje, codificacin y el contenido del mensaje. Estos mensajes se envan de modo asncrono, mientras que los mensajes que se van recibiendo se irn almacenando en una cola de mensajes. Existen dos tipos de recepcin de los mensajes ACL, bloqueante o no bloqueante. Para ello se porporcionan los mtodos blockingReceive() y receive() respectivamente. En ambos mtodos se puede hacer filtrado de los mensajes que se quieren recuperar de la cola estableciendo diferentes plantillas.

Extensiones
JADE tiene una extensin denominada WADE (Workflows and Agents Development Environment) que es un sistema de workflow que permite crear procesos mediante un editor grfico llamado WOLF.

Referencias Enlaces externos

(en ingls) Pgina oficial de JADE (http://jade.tilab.com/) (en ingls) Pgina oficial de WADE (http://jade.tilab.com/wade/index.html) (en ingls) Developing Multi-Agent Systems with JADE (http://eu.wiley.com/WileyCDA/WileyTitle/ productCd-0470057475.html)

Java Agent Development Framework

99

Java Agent Development Framework

JADE ? Informacin general Lanzamiento inicial 2000

ltima versin estable 4.3.0 29 de marzo de 2013 Gnero Programado en Sistema operativo Plataforma Licencia Idiomas En espaol Sistema multi-agente Marco de software Java Multiplataforma Java GNU Lesser General Public License ingls ?

Java Agent DEvelopment Framework, o JADE, es una plataforma software para el desarrollo de agentes, implementada en Java. La plataforma JADE soporta la coordinacin de mltiples agentes FIPA y proporciona una implementacin estndar del lenguaje de comunicacin FIPA-ACL, que facilita la comunicacin entre agentes y permite la deteccin de servicios que se proporcionan en el sistema. JADE fue desarrollado originalmente por Telecom Italia y se distribuye como software libre.

Resumen
JADE es un middleware que facilita el desarrollo de sistemas multi-agente bajo el estndar FIPA para lo cual crea mltiples contenedores destinados a los agentes, cada uno de los cuales puede ejecutarse en uno o en varios sistemas. Queda establecido que un conjunto de contenedores constituye una plataforma. Adicionalmente JADE proporciona: Un entorno de ejecucin en el que los agentes de JADE se ejecutan. Bibliotecas de clases para la creacin de agentes mediante la herencia y la redefinicin de comportamientos. Un conjunto de herramientas grficas para la monitorizacin y administracin de la plataforma de agentes.

Historia
JADE fue desarrollado inicialmente por Telecom Italia Lab. Este sector es la rama de I + D del Grupo Telecom Italia que se encarga de promover la innovacin tecnolgica. Telecom Italia concibi y promovi JADE, fundndolo en el ao 2000. La ltima versin disponible data del mes de Marzo de 2013 (versin 4.3) La primera versin de JADE distribuida como software libre est disponible desde el mes de Febrero del 2000 (versin 1.3).[1] En Marzo de 2003 Motorola y Telecom Italia crearon la JADE Governing Board con el objetivo de promover la evolucin y la adopcin de JADE en la industria de las telecomunicaciones mviles como middleware de base. Dicha organizacin (JADE Governing Board) acepta a toda empresa y/o organizacin interesada en el uso comercial y explotacin de JADE que se comprometan a su desarrollo y promocin.

Java Agent Development Framework

100

Plataforma
Se trata de una plataforma de agentes distribuida, que tiene un contenedor por cada host en el que se estn ejecutando los agentes. De manera adicional la plataforma posee diferentes herramientas de depuracin, movilidad de los agentes de cdigo y contenido, la posibilidad de la ejecucin paralela del comportamiento de los agentes, as como el soporte para la definicin de lenguajes y ontologas. Cada plataforma debe tener un contenedor principal que tiene dos agentes especiales denominados AMS y DF.[2] El DF (Directory Facilitator) proporciona un directorio que anuncia qu agentes hay disponibles en la plataforma. El AMS (Agent Management System) controla la plataforma. Es el nico que puede crear y destruir a otros agentes, destruir contenedores y parar la plataforma.

Agente DF
Para acceder al agente DF se usa la clase "jade.domain.DFService" y sus mtodos estticos: register, deregistrer, modify y Search.

Agente AMS
Para acceder a la informacin del AMS Service se crea un agente el cul se ejecuta automticamente el mtodo register del AMS por defecto antes de ejecutar el mtodo setup del nuevo agente. Cuando se destruye un agente se ejecuta su mtodo takedown() y automticamente se llama a deregister del AMS por defecto.

Clase Agent
La clase Agent es una super clase comn que permite a los usuarios crear software de agentes JADE. Para crear un agente slo hay que heredar de la clase Agent(). Habitualmente cada agente registrar varios servicios los cuales a su vez deberan de ser implementados por uno o ms comportamientos. Esta clase suministra mtodos que permiten ejecutar las tareas bsicas de los agentes como: Pasar mensajes utilizando objetos ACLMessage, con correspondencia de patrones. Dar soporte al ciclo de vida de un agente. Planificar y ejecutar mltiples actividades al mismo tiempo.

Agente JADE
El ciclo de vida de un agente JADE sigue el ciclo propuesto por FIPA. Estos agentes pasaran por diferentes estados definidos como: 1. Initiated/ Iniciado: El agente se ha creado pero no se ha registrado todavia el AMS. 2. Active/ Activo: El agente ya ha sido registrado y posee nombre. En este estado puede comunicar con otros agentes. 3. Suspended/ Suspendido: El agente se encuentra parado porque su hilo de ejecucin se encuentra suspendida. 4. Waiting/ Esperando: Se encuentra bloqueado a la espera de un suceso. 5. Deleted/ Eliminado: El agente ha terminado por tanto el hilo termin su ejecucin y ya no estar ms en el AMS. 6. Transit/ Transito: El agente se est migrando a una nueva ubicacin.

Java Agent Development Framework

101

Comportamiento de Agentes
El comportamiento define las acciones bajo un determinado evento. Dicho comportamiento del agente se define en el mtodo setup mediante el mtodo addBehaviour. Los diferentes comportamientos que el agente adoptar se definen a partir de la clase abstracta Behaviour. La clase Behaviour contiene los mtodos abstractos: action(): Se ejecuta cuando la accin tiene lugar. done(): Se ejecuta al finalizar el comportamiento. Por otra parte el usuario puede redefinir los mtodos onStart() y onEnd() que el agente poseer. Adicionalmente existen otros mtodos como block() y restart() usados para la modificacin del comportamiento del agente. Cuando un agente est bloqueado se puede desbloquear de diferentes maneras.

Formas de Desbloqueo para un Agente

1. Recepcin de un mensaje. 2. Cuando se produzca el timeout asociado a block(). 3. Llamar a restart.

Mensajes ACL
El paso de mensajes ACL (Agent Communication Language) es la base de la comunicacin entre agentes. El envo de mensajes se realiza mediante el mtodo send de la clase Agent. A dicho mtodo hay que pasarle un objeto de tipo ACLMessage que contiene la informacin de los destinatarios, lenguaje, codificacin y el contenido del mensaje. Estos mensajes se envan de modo asncrono, mientras que los mensajes que se van recibiendo se irn almacenando en una cola de mensajes. Existen dos tipos de recepcin de los mensajes ACL, bloqueante o no bloqueante. Para ello se porporcionan los mtodos blockingReceive() y receive() respectivamente. En ambos mtodos se puede hacer filtrado de los mensajes que se quieren recuperar de la cola estableciendo diferentes plantillas.

Extensiones
JADE tiene una extensin denominada WADE (Workflows and Agents Development Environment) que es un sistema de workflow que permite crear procesos mediante un editor grfico llamado WOLF.

Referencias Enlaces externos

(en ingls) Pgina oficial de JADE (http://jade.tilab.com/) (en ingls) Pgina oficial de WADE (http://jade.tilab.com/wade/index.html) (en ingls) Developing Multi-Agent Systems with JADE (http://eu.wiley.com/WileyCDA/WileyTitle/ productCd-0470057475.html)

Juego de cero jugadores

102

Juego de cero jugadores

El trmino juego para cero jugadores se refiere generalmente a juegos que no tienen jugadores humanos, pero tambin a los juegos que no tienen ningn jugador, sea o no humano. La mayora de los videojuegos se pueden ajustar de forma que el ordenador juegue contra s mismo mediante el uso de inteligencia artificial (IA): un ejemplo clsico es el ajedrez. Como estos juegos ya disponen de inteligencia artificial, la posibilidad de dejar que el ordenador juegue contra s mismo se suele aadir como un extra que no lleva mucho tiempo adicional de programacin. En muchos casos, esto puede dar a conocer problemas con la IA, cuando todos los jugadores emplean estrategias similares. En algunos videojuegos como el clsico shareware Scorched Earth, los jugadores controlados por la IA siguen jugando incluso despus de que todos los jugadores humanos hayan perdido. Tambin se utilizan videojuegos enteramente controlados por el ordenador para exponer los grficos o la jugabilidad, especialmente en los juegos de arcade. La programacin gentica se puede utilizar para desarrollar estrategias ms o menos exitosas contra otros jugadores mediante la seleccin natural. La mayora de los videojuegos utilizados en la teora de juegos son juegos de cero jugadores en su definicin comn, donde se utilizan muchas iteraciones de las acciones de los jugadores simulados para determinar la estrategia ptima para un problema particular como el dilema del prisionero. Esta simulacin no tiene por qu tener lugar en un ordenador, pero es un caso comn en problemas complejos con muchas iteraciones y estrategias. La pelcula Juegos de guerra populariz la idea de usar ordenadores para examinar estrategias. En dicha pelcula, un ordenador que controlaba el arsenal de defensa de Estados Unidos jug muchas iteraciones de un juego de "guerra termonuclear mundial" contra s mismo empleando todas las estrategias posibles, y lleg a la conclusin de que "la nica jugada ganadora es no jugar". La clasificacin de programas como juegos que no tienen jugadores es ms problemtica. El juego de la vida de John Conway es probablemente el juego ms conocido que cumple la definicin, junto con otros autmatas celulares, pero incluso aqu se puede debatir sobre si es un juego y si tiene jugadores (clulas). Se suelen incluir en esta categora los mundos complejos simulados, como los videojuegos Creatures y Sim Earth cuando no hay intervencin humana. Quiz la clasificacin de juegos evolucionarios sea ms apropiada. Los salvapantallas no suelen ser interactivos, pero en cada caso es dudoso que puedan ser clasificados como juegos.

KEEL (software)

103

KEEL (software)
KEEL Desarrollador Universidad de Granada, proyecto nacional del gobierno espaol [1] Informacin general ltima versin estable 1.0. (Manual de referencia), 2.0. (Versin estable) 6 de mayo de 2010 Gnero Programado en Sistema operativo Plataforma Licencia Estado actual Idiomas En espaol aprendizaje maquinal Java multiplataforma Java Copyright entre 2004-2010, en su comienzo; GNU GPL v3 desde 2010-07-1 En desarrollo ingls, espaol [2]

KEEL (siglas de Knowledge Extraction based on Evolutionary Learning; en espaol, Extraccin de Conocimiento basado en Aprendizaje Evolutivo) es un conjunto de herramientas de software de aprendizaje automtico, desarrollados bajo el proyecto espaol nacional TIC2002-04036-C05, TIN2005-08386-C05 y TIN2008-06681-C06.

Descripcin
KEEL (quilla, en ingls) es una herramienta de software no comercial, diseado para resolver una amplia gama de problemas de minera de datos (regresin, clasificacin, asociacin, agrupamiento...) mediante la generacin de experimentos estndar y educativos, y para evaluar algoritmos evolutivos. Dispone de una amplia librera de algoritmos de Sistemas Difusos Evolutivos basados en diferentes esquemas: Michigan, Pittsburgh, IRL y GCCL. Tambin dispone de mdulos de tratamiento de datos y anlisis estadsticos.[3] Tiene una coleccin de bibliotecas para tcnicas de procesamiento previo y posterior para manipulacin de datos, mtodos de computacin suave en conocimiento de extraccin y aprendizaje y para proporcionar mtodos de investigacin cientfica.[4]

Caractersticas
KEEL permite al usuario emplear AEs en diferentes tipos de problemas de minera de datos: regresin, clasificacin, agrupamiento, asociacin, etc., Los programas implementados se aplican en amplia investigacin y metas educativas como: aprendizaje de regla de difusin evolutiva, ajuste de regla de Mamdani, redes neurales artificiales genticas, y aprendizaje de sistemas de clasificacin (Learning Classifier Systems).[5]

KEEL (software)

104

Referencias
[1] [2] [3] [4] [5] http:/ / sci2s. ugr. es/ keel/ index. php'' http:/ / sci2s. ugr. es/ keel/ download. php#sub1 [sci2s.ugr.es/publications/ficheros/2010-Derrac-estylf.pdf KEEL, una herramienta de software para el anlisis de sistemas] http:/ / www. keel. es Documento de descripcin de KEEL (http:/ / sci2s. ugr. es/ keel/ pdf/ keel/ articulo/ Alcalaetal-SoftComputing-Keel1. 0. pdf): J. Alcal-Fdez, L. Snchez, S. Garca, M.J. del Jesus, S. Ventura, J.M. Garrell, J. Otero, C. Romero, J. Bacardit, V.M. Rivas, J.C. Fernndez, F. Herrera. KEEL: A Software Tool to Assess Evolutionary Algorithms to Data Mining Problems. Soft Computing 13:3 (2009) 307-318

Enlaces externos
Web de KEEL en espaol (http://www.keel.es/) Web de KEEL en ingls (http://sci2s.ugr.es/keel/index.php) Aprendizaje de Redes Neuronales Artificiales (http://www.uco.es/ayrna/index.php?option=com_content& view=article&id=14&Itemid=39&lang=es)

La era de las mquinas espirituales

La era de las mquinas espirituales (The Age of Spiritual Machines) es un libro de Ray Kurzweil (1998), de contenido filosfico, tecnolgico, informtico y cientfico que habla de la historia de la evolucin y su relacin con la vida natural y la tecnologa, as como el papel del hombre en la historia de esta tima y de la informtica y el futuro de sta en su evolucin hacia la relacin hombre-mquina. El libro est dividido en tres partes y un eplogo y se describe el protagonismo de la evolucin tecnolgica. 1 parte: Se da a conocer el concepto de la teora de la evolucin y su aplicacin en la inteligencia tanto humana como artificial. para ello se comprende la naturaleza exponencial del tiempo de acuerdo con la Ley de Moore, a travs de la historia de la humanidad, para as, dar lugar a la formacin de una nueva inteligencia en la Tierra. 2 parte: Se da a entender cmo es la limitacin humana presente en los siglos XX y XXI y el papel de los clculos y datos procesados en el hombre y la computadora, as como los avances tecnolgicos que abren nuevos caminos para la integracin hombre-mquina, aunque tambin se da a la luz las implicaciones y limitaciones de las computadoras en el contacto social con la humanidad en 1999. 3 parte: Avances futuros en la informtica y en su aplicacin con el hombre, aplicables para los cien aos posteriores a 1999; con ello se demostrar con hechos (a modo de prediccin, explicados por el autor) que la computadora ser parte inalienable de la humanidad aunque no exenta de debates de diversa ndole en todos los aspectos. El eplogo contiene una reflexin acerca del papel que juegan las leyes de la evolucin en el campo de la inteligencia artificial y de un posible destino de la inteligencia en el control del universo. Aunque el autor ha escrito todo el libro y en parte es explicado de manera personal por Kurzweil, no deja de sorprender una conversacin a lo largo del contenido del libro en forma de entrevista con un personaje ficticio que probablemente sea el propio autor, del que revela su nombre al final (Molly).

La era de las mquinas espirituales

105

Predicciones sobre los avances sucesivos de la tecnologa

2009 - 2018
Las personas usarn principalmente computadoras porttiles, que se habrn vuelto espectacularmente ms ligeras y finas que las de diez aos antes. Las computadoras personales estarn disponibles con muchos tamaos y formas, y frecuentemente estarn alojadas en la ropa y joyas como relojes de pulsera, anillos, pendientes, y otros ornamentos. Las computadoras con una interfaz visual de alta resolucin variarn desde anillos, alfileres y tarjetas de crdito hasta el tamao de un libro delgado. Las personas tpicamente tendrn al menos una docena de computadoras sobre y alrededor de sus cuerpos, que estarn conectadas por red local. Estas computadoras proporcionarn facilidades similares a telfonos mviles, mensfonos y navegadores, proporcionarn identidad automtica (para conducir transacciones comerciales y permitir la entrada en zonas seguras), direcciones de navegacin, y otros diversos servicios. Para la mayora, estas verdaderas computadoras personales no tendrn partes mviles. La memoria ser completamente electrnica, y la mayora de las computadoras personales no tendrn teclados. Las memorias rotatorias (discos duros, CD-ROM, DVD) estarn en camino de desaparecer, aunque estas memorias magnticas se usarn an en computadoras de servidores con grandes cantidades de informacin almacenada. La mayora de los usuarios tendrn servidores en sus hogares y oficinas en las que almacenarn grandes cantidades de objetos digitales, incluyendo su software, bases de datos, documentos musicales, pelculas, y entornos de realidad virtual (aunque stos an estarn en una etapa temprana de desarrollo). Sern servicios para mantener los objetos digitales propios en repositorios centrales, aunque la mayora de la gente preferir mantener su informacin privada bajo su propio control fsico. Los cables empezarn a desaparecer. Las comunicaciones entre componentes, tales como dispositivos de puntero, micrfonos, pantallas, impresoras, y el teclado ocasional, usarn tecnologa inalmbrica de corta distancia. Las computadoras incluirn rutinariamente tecnologa inalmbrica para conectarse a una omnipresente red mundial, proporcionando comunicacin de gran banda ancha disponible instantneamente y fiable. Los objetos digitales tales com libros, lbumes musicales, pelculas y software se distribuirn rpidamente como archivos de datos a travs de la red inalmbrica, y tpicamente carecern de un objeto fsico asociado a ellos. La mayor parte del texto se crear mediante software de reconocimiento continuo de la voz (CSR), aunque los teclados se seguirn usando. El CSR ser muy preciso, bastante ms que los transcriptores usados slo unos pocos aos antes. Tambin estarn por todas partes las interfaces lingsticas del usuario (LUI), que combinarn CSR y comprensin natural del lenguaje. Para tareas rutinarias, tales como transacciones comerciales simples y solicitudes de informacin, los LUI sern bastante sensibles y precisos. Tendern a estar, no obstante, estrechamente enfocados en ciertas tareas especficas. Estarn frecuentemente combinados con personalidades animadas. Interactuar con una personalidad animada para realizar una compra o hacer una reserva ser como hablar con una persona mediante videoconferencia, excepto por el hecho de que la persona estar simulada. Las pantallas de las computadoras tendrn todas las cualidades visuales del papel alta resolucin, alto contraste, gran ngulo de visin, y ausencia de parpadeo. Los libros, revistas y peridicos se leern ahora de forma rutinaria en pantallas que sern del tamao de, por ejemplo, libros pequeos. Tambin se usarn pantallas dentro de gafas. Estas gafas especiales permitirn a los usuarios ver el entorno visual normal mientras que crean una imagen virtual que parecer sostenerse en frente de ellos. Estas imgenes virtuales estarn creadas por un pequeo lser montado dentro de las gafas que proyectar las imgenes directamente sobre la retina del usuario.[1] Los altavoces estarn sustituidos por dispositivos muy pequeos basados en microprocesadores que podrn crear sonido tridimensional de alta calidad. Esta tecnologa estar basada en la creacin de sonidos de frecuencia

La era de las mquinas espirituales audible creados por la interaccin de tonos de frecuencias muy altas. Como resultado, altavoces muy pequeos podrn crear un sonido tridimensional muy robusto. Una computadora personal de 1.000 dlares (de 1999) podr realizar alrededor de mil billones de clculos por segundo. Las supercomputadoras tendrn un hardware que igualar al menos la capacidad del cerebro humano (20 billones de clculos por segundo). Se recolectarn computadoras sin uso en Internet, creando supercomputadoras virtuales en paralelo con un hardware con la capacidad del cerebro humano. Habr un creciente inters por las redes neuronales masivas en paralelo, algoritmos genticos y otras teoras caticas o de complejidad computacional; sin embargo la mayor parte de los clculos de las computadoras se realizarn an mediante el proceso secuencial convencional, aunque con algn procesamiento en paralelo limitado. Se habr iniciado la investigacin sobre la ingeniera inversa del cerebro humano por medio de escneres destructivos de los cerebros de personas recientemente fallecidas y de escneres no invasivos mediante imgenes de resonancia magntica de personas vivas. La creacin de mquinas autnomas creadas por nanoingeniera (es decir, mquinas construidas tomo por tomo y molcula por molcula) habr sido demostrada e incluirn sus propios controles computacionales. No obstante, la nanoingeniera no estar an considerada una tecnologa prctica. Aunque las escuelas an no sern de ltima generacin, la gran importancia de la computadora como herramienta de conocimiento estar ampliamente reconocida. Las computadoras jugarn un papel central en todas las facetas de la educacin, al igual que en otras esferas de la vida. La mayor parte de la lectura se realizar en pantallas, aunque la base instalada de documentos en papel ser an formidable. La generacin de los documentos en papel estar menguando, no obstante, a medida que los libros y otros documentos del siglo XX sean rpidamente escaneados y almacenados. Los documentos de alrededor de 2009 llevarn frecuentemente incrustados imgenes en movimiento y sonidos. Los estudiantes de todas las edades llevarn tpicamente una computadora propia, que ser como una tableta grfica de un peso aproximado de una libra con una resolucin visual muy alta, apta para la lectura. Los estudiantes interactuarn con sus computadoras principalmente con la voz y un dispositivo parecido a un lpiz. Los teclados an existirn, pero la mayor parte del lenguaje textual se crear con la voz. Se acceder al material educativo a travs de comunicacin inalmbrica. Cursos informticos inteligentes habrn emergido como un modo comn de aprender. Recientes estudios polmicos habrn demostrado que los estudiantes pueden aprender habilidades bsicas como la lectura y las matemticas con software interactivo tan fcilmente como con profesores humanos, particularmente cuando la proporcin de estudiantes respecto a profesores humanos sea mayor de uno a uno. Aunque los estudios habrn sido atacados, la mayora de los estudiantes y sus padres habrn aceptado este concepto durante aos. El modo tradicional de un profesor humano instruyendo a un grupo de nios ser an algo predominante, pero las escuelas estarn crecientemente basadas en enfoques de software, quedando los profesores humanos para atender principalmente asuntos como la motivacin, el bienestar psicolgico y la socializacin. Muchos nios aprendern a leer por su cuenta usando sus computadoras personales antes de entrar en la escuela primaria. Los alumnos de educacin preescolar y primaria leern de forma rutinaria a su nivel intelectual usando sotware de conversin de texto a voz antes de aprender a leer. Estos sistemas de lectura una imagen completa de los documentos, y podrn leer el texto en voz alta mientras se resalta lo que se va leyendo. Las voces sintticas sonarn totalmente humanas. Aunque algunos educadores a principios del siglo XXI expresaron preocupacin acerca de que los estudiantes pudiesen basarse excesivamente en el software de lectura, tales sistemas habrn sido fcilmente aceptados por los nios y sus padres. Los estudios habrn demostrado que los estudiantes mejoran sus habilidades de lectura al ser expuestos a presentaciones de texto de forma visual y auditiva sincronizada.

106

La era de las mquinas espirituales El aprendizaje a distancia (por ejemplo, clases y seminarios en los que los participantes estn dispersos geogrficamente) ser algo comn. El aprendizaje empezar a convertirse en una parte significativa de la mayor parte de los empleos. El entrenamiento y el desarrollo de nuevas habilidades empezar a emerger como una responsabilidad en curso en la mayora de las carreras, y no slo un suplemento ocasional, a medida que el nivel de habilidad necesario para empleos significativos aumente cada vez ms. Las personas con discapacidad empezarn a superar rpidamente sus inconvenientes mediante la tecnologa inteligente de 2009. Los estudiantes con problemas de lectura de forma rutinaria aminorarn su discapacidad mediante sistemas de lectura conversores de texto a voz. Las mquinas de lectura conversoras de texto a voz para ciegos sern ahora muy pequeas, baratas, del tamao de la palma de la mano, y podrn leer libros (los que an existan en formato de papel) y otros documentos impresos, as como otros textos del mundo real tales como signos y visualizadores. Estos sistemas de lectura sern igualmente expertos en leer los miles de billones de documentos electrnicos que habr disponibles de forma instantnea a travs de la ubicua red mundial inalmbrica. Tras dcadas de tentativas inefectivas, se introducirn tiles dispositivos de navegacin que podrn asistir a los ciegos para evitar obstculos fsicos en su camino, as como guiarse, usando la tecnologa del sistema de posicionamiento global (GPS). Una persona ciega podr interactuar con sus sistemas personales de lectura y navegacin a travs de una comunicacin por voz bidireccional, a modo de perro lazarillo que lee y habla. Las personas sordas o con problemas de audicin llevarn frecuentemente mquinas que traducirn la voz texto, mostrando una transcripcin en tiempo real o una persona animada gesticulando en el lenguaje de signos. Habrn eliminado el principal problema de comunicacin asociado con la sordera, y tambin podrn traducir lo que se est hablando a otro idioma en tiempo real, as que las usarn frecuentemente las personas con audicin tambin. Se habrn introducido dispositivos de rtesis controlados por computadora. Estas mquinas andantes permitirn a los parapljicos caminar y subir escaleras. Los dispositivos protsicos an no sern tiles para todas las personas parapljicas, ya que muchas personas discapacitadas fsicamente presentarn articulaciones con aos de falta de uso. Sin embargo, el advenimiento de esta tecnologa motivar en mayor medida la sustitucin de estas articulaciones. Habr una creciente percepcin de que la ceguera, la sordera y el impedimento fsico no producen desventajas. Los discapacitados describirn sus discapacidades como meros inconvenientes. La tecnologa inteligente se habr convertido en la gran niveladora de posibilidades. La tecnologa de traduccin telefnica (donde hablas en ingls y tus amigos japoneses te oyen en japons, y viceversa) se usar comnmente para muchos pares de idiomas. Ser una capacidad rutinaria de una computadora personal, que tambin servir como telfono. La comunicacin telefnica ser principalmente inalmbrica, e incluir normalmente imgenes de alta resolucin en movimiento. Se producirn encuentros de todos los tipos y tamaos entre participantes separados geogrficamente. Habr una efectiva convergencia, al menos en cuanto a hardware y software correspondiente, de todos los medios, que existirn como objetos digitales (es decir, archivos) distribuidos por la omnipresent red mundial de comunicacin inalmbrica de banda ancha. Los usuarios podrn descargar instantneamente libros, revistas, peridicos, televisin, radio, pelculas, y otras formas de software a sus dispositivos de comunicacin personal altamente porttiles. Virtualmente toda la comunicacin es digital y cifrada, con claves pblicas disponibles para las autoridades gubernamentales. Muchos individuos y grupos, incluyendo aunque sin limitarse a organizaciones criminales, usarn una capa adicional de cdigo cifrado virtualmente indescifrable sin claves para terceras personas.

107

La era de las mquinas espirituales La tecnologa del tacto estar apareciendo y permitir a las personas tocar y sentir objetos y otras personas a distancia. Estos dispositivos de fuerza y retroalimentacin se usarn en juegos y en sistemas simuladores de entrenamiento. Los juegos interactivos incluirn normalmente entornos visuales y sonoros envolventes, aunque an no estar disponible un entorno envolvente tctil satisfactorio. Los canales de chat de finales de los aos 1990 habrn sido sustituidos por entornos virtuales donde poder tener citas con personas con realismo visual completo. Las personas tendrn experiencias sexuales a distancia con otras personas as como con compaeros virtuales. Sin embargo, la falta de un entorno tctil envolvente habr mantenido el sexo virtual apartado de la corriente dominante. Los compaeros sexuales sern populares como formas de entretenimiento sexual, pero sern ms parecidos a juegos que a algo real. Y el sexo telefnico ser mucho ms popular ahora que los telfonos incluyen normalmente alta resolucin e imgenes en movimiento y en tiempo real de la persona al otro lado. Obviando correcciones ocasionales, los diez aos que llevaron al 2009 habrn visto una expansin econmica y prosperidad continuas debido al dominio del contenido cultural de los productos y servicios. Las mayores ganancias continuarn estando en los valores de mercado. La deflacin preocupar a los economistas de principios del siglo XXI, pero pronto comprobarn que fue algo positivo. La comunidad de alta tecnologa sealar que una deflacin significativa haba existido ya anteriormente en las industrias de software y hardware durante muchos aos sin detrimento. Estados Unidos continuar siendo el lder econmico debido a su primaca en la cultura popular y su entorno empresarial. Ya que los mercados de la informacin sern grandes mercados mundiales, Estados Unidos se habr beneficiado en gran medida de la historia de sus inmigrantes. Ser comprendido por todos los pueblos del mundo (especialmente los descendientes de pueblos del mundo que se haban enfrentado a un riesgo elevado para conseguir una vida mejor) ser la herencia ideal para la nueva economa basada en el conocimiento. China habr aparecido tambin como una fuerte potencia econmica. Europa estar a aos de distancia de Japn y Corea respecto a adoptar el nfasis de los estadounidenses sobre el capital de riesgo, opciones de reserva de empleados, y polticas de impuestos que animen a las empresas, aunque estas prcticas se habrn hecho populares por todo el mundo. Al menos la mitad de todas las transacciones se realizarn en lnea. Los asistentes inteligentes que combinan reconocimiento continuo de voz, comprensin natural del lenguaje, resolucin de problemas, y personalidades animadas ayudarn normalmente a encontrar informacin, responder a preguntas, y conducir transacciones. Estos asistentes se habrn convertido en una interfaz predominante para interactuar con servicios basados en la informacin, con un amplio rango de opciones disponibles. La mayora de las compras de libros, lbumes musicales, vdeos, juegos, y otras formas de software no implicarn un objeto fsico, de modo que habrn surgido nuevos modelos econmicos para distribuir estas formas de informacin. Uno comprar estos objetos de informacin pasendose por centros comerciales virtuales, probando y seleccionando objetos de inters, realizando una transaccin en lnea rpida y segura, y descargando luego rpidamente la informacin mediante comunicacin inalmbrica de alta velocidad. Habr muchos tipos y gradaciones para tener acceso a estos productos. Podr comprarse un libro, un lbum musical, vdeo, etc., lo cual dar al usuario acceso permanente. Alternativamente, podr alquilarse el acceso para leer, ver o escuchar una vez, o varias veces. O podr alquilarse el acceso durante cada minuto que pasa. El acceso podr estar limitado a una persona o a un grupo de personas (por ejemplo, una familia o una compaa). O bien el acceso estar limitado a una computadora en particular, o a cualquier computadora usada por una persona en particular o por un conjunto de personas. Habr una acusada tendencia hacia la separacin geogrfica de los grupos de trabajo. La gente trabajarn juntos a pesar de vivir y encontrarse en diferentes lugares.

108

La era de las mquinas espirituales El hogar medio tendr ms de cien computadoras, la mayora de la cuales estarn alojadas en electrodomsticos y sistemas de comunicacin incorporados. Los robots domsticos habrn aparecido, pero no estarn an totalmente aceptados. Existirn carreteras inteligentes, principalmente para viajes de larga distancia. Una vez que el sistem de gua de la computadora del automvil se fije en los sensores de control de estas autopistas, uno podr recostarse y relajarse. Las carreteras locales, no obstante, sern an convencionales de forma predominante. Una compaa del este de Mississippi y norte de la lnea Mason-Dixon habr sobrepasado los mil billones de dlares en el mercado de capitales. La privacidad se habr convertido en un tema poltico importante. El uso prcticamente constante de tecnologas de la comunicacin empezar a dejar un rastro muy detallado de cada movimiento realizado por cada persona. El litigio, del cual habr un gran trato, habr colocado algunas restricciones en la amplia distribucin de datos personales. Las agencias gubernamentales, sin embargo, continuarn teniendo el derecho de acceder a los archivos de las personas, lo cual habr dado como resultado la aparicin entre la poblacin de tecnologas de cifrado invulnerables. Habr un creciente movimiento neo-ludita, a medida que la escalera de habilidades contina creciendo de forma acelerada. Como con movimientos luditas ms antiguos, su influencia estar limitada por el nivel de prosperidad hecho posible por la tecnologa. El movimiento conseguir establecer la educacin continuada como un derecho fundamental asociado con el empleo. Habr una preocupacin continua por una clase sumergida en la que la escalera de habilidades se ha dejado atrs. El tamao de dicha clase parecer estable, no obstante. Aunque no ser polticamente popular, esta clase estar polticamente neutralizada por la asistencia pblica y el generalmente alto nivel de prosperidad. La alta calidad de las pantallas de computadora, y las facilidades del software de renderizacin visual asistida por computadora, habr hecho que la pantalla de la computadora sea una oportunidad para el arte visual. La mayor parte del arte visual ser el resultado de la colaboracin entre los artistas humanos y su software inteligente de arte. Las pinturas virtuales (pantallas de alta resolucin colgadas en la pared) se habrn hecho populares. Ms que mostrar siempre la misma obra de arte, o con una pintura convencional o un pster inteligente, estas pinturas virtuales podrn cambiar el trabajo visualizado con una orden verbal del usuario, o podrn cambiar cclicamente a travs de colecciones de arte. Podr tratarse de obras creadas por artistas humanos o arte original creado en tiempo real por software artstico ciberntico. Los msicos humanos se mezclarn con los cibernticos. La creacin de msica se habr hecho disponible para personas que no sean msicos. Crear msica no requerir necesariamente la fina coordinacin motora del uso de controladores tradicionales. Los sistemas cibernticos de creacin musical permitirn que las personas que aprecian la msica pero no poseen conocimientos musicales ni prctica creen msica en colaboracin con su software de composicin automtica. La msica interactiva generada por el cerebro, que crear una resonancia entre las ondas cerebrales del usuario y la msica que oye, ser otro gnero popular. Los msicos usarn de forma comn controladores electrnicos que emularn el estilo de ejecucin de los viejos instrumentos acsticos (por ejemplo, piano, guitarra, violn, percusin), pero habr una oleada de inters en los nuevos controladores areos en los que podr crearse msica moviendo las manos, los pies, la boca, y otras partes del cuerpo. Otros controladores implicarn la interaccin con dispositivos especialmente diseados. Los escritores usarn procesamiento de texto activado por la voz; los correctores gramaticales sern ahora tiles; y la distribucin de documentos escritos desde artculos a libros normalmente no implicarn papel y tinta. Software de mejora del estilo y de edicin automtica se usar ampliamente para mejorar la calidad de la escritura. Tambin ser de amplio uso el software de traduccin idiomtica para traducir obras a muchos idiomas. No obstante, el proceso central de creacin de lenguaje escrito estar menos afectado por la tecnologas de software inteligente que las artes visuales y musicales. A pesar de ello, empezarn a aparecer autores

109

La era de las mquinas espirituales cibernticos. Ms all de las grabaciones musicales, imgenes, y vdeos de pelculas, el tipo de objeto de entretenimiento digital ms popular ser el software de experiencia virtual. Estos entornos virtuales interactivos permitirn el descenso de ros virtuales, viajar en ala delta por el Gran Can, o tener un encuentro ntimo con la estrella cinematogrfica preferida. Los usuarios tambin experimentarn en entornos de fantasa sin equivalente en el mundo fsico. La experiencia visual y auditiva de la realidad virtual ser convincente, pero la interaccin tctil an estar limitada. En la guerra, la seguridad de la computacin y la comunicacin ser el foco principal del departamento de defensa de los Estados Unidos. Se reconocer en general que el lado que pueda mantener la integridad de sus recursos computacionales dominar el campo de batalla. Los humanos estarn generalmente a mucha distancia de la escena de batalla. La guerra estar dominada por dispositivos aerotransportados inteligentes no tripulados. Muchos de estas armas volantes sern del tamao de pequeos pjaros, o ms pequeas. Los Estados Unidos continuarn siendo la potencia militar dominante en el mundo, lo cual estar ampliamente aceptado por el resto del mundo, ya que la mayora de los pases se concentrarn en la competicin econmica. Los conflictos militares entre naciones sern raros, y la mayora de los conflictos sern entre naciones y pequeas bandas de terroristas. La mayor amenaza para la seguridad nacional vendr de parte de las armas biolgicas. Los tratamientos por ingeniera biomdica habrn reducido las afecciones por cncer, cardiopatas y muchos otros problemas de salud. Se habr conseguido un progreso significativo en la comprensin de la base del proceso de la informacin de la enfermedad. La telemedicina se usar ampliamente. Los mdicos podrn examinar a pacientes mediante el examen visual, sonoro y tctil a distancia. Clnicas de salud con equipos relativamente baratos y un slo tcnico proporcionarn cuidados de salud en reas remotas donde los mdicos haban sido anteriormente escasos. El reconocimiento de patrones basado en computadora se usar de forma normal para interpretar datos visuales y otros procedimientos diagnsticos. El uso de tecnologas visuales no invasivas se habr incrementado sustancialmente. El diagnstico implicar casi siempre la colaboracin entre un mdico humano y un sistema experto de reconocimiento de patrones. Los mdicos consultarn de forma rutinaria sistemas basados en conocimiento (generalmente por medio de una comunicacin bidireccional por voz con imgenes), que proporcionarn una gua automtica, acceso a las investigaciones mdicas ms recientes, y guas de prctica. Las historias clnicas de toda una vida se mantendrn en bases de datos informticas. La preocupacin sobre el acceso a estas historias (como con muchas otras bases de datos de informacin personal) habr emergido como un tema de importancia. Los mdicos se entrenarn en entornos de realidad virtual, que incluirn una interfaz tctil. Estos sistemas simularn la experiencia visual, auditiva y tctil de los procedimientos mdicos, incluyendo la ciruga. Los pacientes simulados estarn disponibles para continuar la educacin mdica, para los estudiantes de Medicina, y para personas que simplemente quieren jugar a ser mdicos. Habr un renovado inters en el test de Turing, que fue propuesto por Alan Turing en 1950 como una forma de comprobar la inteligencia en una mquina. Aunque las computadoras an fracasarn en el test, crecer la confianza en que lo pasen en una o dos dcadas. Habr mucha especulacin sobre la potencial capacidad de sentir (esto es, la consciencia) de la inteligencia basada en computadoras. La inteligencia cada vez ms aparente de las computadoras habr estimulado el inters en la filosofa.

110

La era de las mquinas espirituales

111

2019 - 2028
Una computadora de 1.000 dlares tendr tanta potencia bruta como el cerebro humano. La suma del poder computacional de todas las computadoras ser comparable al poder cerebral total de la raza humana. Las computadoras estarn alojadas en el entorno (dentro del mobiliario, las joyas, las paredes, la ropa, etc.) Las personas experimentarn la realidad virtual en tres dimensiones por medio de gafas y lentes de contacto que proyectarn imgenes directamente hacia la retina (visualizador (display) retinal). Junto con una fuente auditiva (auriculares), los usuarios podrn telecomunicarse con otras personas y acceder a Internet. Estas gafas especiales y lentes de contacto podrn proporcionar realidad aumentada y realidad virtual de tres modos diferentes. En primer lugar, podrn proyectar visualizaciones directoras (HUD) a travs del campo visual del usuario, superponiendo imgenes que permanecen fijas en el entorno independientemente de la perspectiva u orientacin del usuario. En segundo lugar, objetos o personas virtuales podran renderizarse por las gafas en lugares fijos, de modo que cuando los ojos del usuario mirasen a otra parte, los objetos permaneceran en su lugar. En tercer lugar, los dispositivos podran bloquear completamente el mundo real y sumergir totalmente al usuario en un entorno de realidad virtual. Las personas se comunicarn con sus computadoras por medio de un dilogo bidireccional y gestos en lugar de con teclados. Adems, la mayor parte de esta interaccin ocurrir a travs de asistentes computarizados con diferentes personalidades que el usuario podr seleccionar o personalizar. Relacionarse con computadoras ser por lo tanto cada vez ms parecido a relacionarse con seres humanos. La mayora de las transacciones comerciales o solicitudes de informacin implicarn el trato con una persona simulada. La mayor parte de las personas poseern ms de una computadora personal, aunque el concepto de lo que es una computadora habr cambiado considerablemente: Las computadoras dejarn de estar limitadas en cuanto a diseo a computadoras porttiles o CPU contenidas en una caja grande conectada a un monitor. En su lugar, dispositivos con las posibilidades de una computadora llegarn con toda clase de inesperadas formas y tamaos. Los cables que conectan las computadoras con los perifricos habrn desaparecido casi completamente. Las memorias de computadora rotatorias (disco duro, disco compacto, DVD, etc.) dejarn de usarse. Entramados tridimensionales de nanotubos sern el sustrato informtico dominante. Las redes neuronales masivas en paralelo y los algoritmos genticos sern de amplio uso. Los escaneos destructivos del cerebro y los escaneos cerebrales no invasivos habrn permitido a los cientficos comprender el cerebro mucho mejor. Los algoritmos que permiten que el relativamente pequeo cdigo gentico del cerebro construya un rgano mucho ms complejo se empezarn a transferir a redes neuronales computarizadas. Cmaras del tamao de alfileres estarn por todas partes. La nanotecnologa tendr ms posibilidades y se usar para aplicaciones especiales, aunque an no conseguir preponderancia. Mquinas de nanoingeniera empezarn a usarse en la industria. Pantallas delgadas, ligeras y porttiles con muy altas resoluciones sern los medios preferidos para visualizar documentos. Las gafas y lentes de contacto anteriormente mencionadas tambin se usarn con este mismo propsito, y todos los dispositivos descargarn la informacin de forma inalmbrica. Las computadoras habrn hecho que los libros y documentos de papel queden casi completamente obsoletos. La mayor parte de la enseanza se llevar a cabo mediante cursos informticos inteligentes y adaptados presentados por profesores simulados por computadora. En el proceso de aprendizaje, humanos adultos tendrn los papeles de consejeros y mentores en lugar de ser instructores acadmicos. Estos asistentes generalmente no estarn presentes fsicamente, y ayudarn a los estudiantes a distancia. Los estudiantes an aprendern juntos y harn vida social, aunque lo harn generalmente a distancia a travs de computadoras. Todos los estudiantes tendrn acceso a las computadoras.

La era de las mquinas espirituales La mayora de los trabajadores humanos pasarn la mayor parte del tiempo adquiriendo nuevas habilidades y conocimiento. Los ciegos llevarn gafas especiales que interpretarn el mundo real para ellos a travs de voz. Los videntes tambin usarn estas gafas para amplificar sus propias capacidades. Implantes retinales y neurales tambin existirn, pero tendrn un uso limitado ya que sern menos tiles. Los sordos usarn gafas especiales que convertirn la voz en texto o signos, y la msica en imgenes o sensaciones tctiles. Los implantes cocleares, entre otros, sern de amplio uso. Las personas con daos en la mdula espinal podrn caminar y subir escalones mediante estimulacin nerviosa controlada por computadora y andadores robticos exoesquelticos. Las mquinas traductoras del lenguaje sern de mucho mayor calidad, y se usarn de forma rutinaria en las conversaciones. El acceso a Internet ser completamente inalmbrico y proporcionado por computadoras que podrn llevarse puestas o implantadas. Dispositivos que proporcionen sensaciones en la superficie de la piel de sus usuarios (p. ej., trajes ajustados al cuerpo y guantes) tambin se usarn a veces en la realidad virtual para completar la experiencia. El sexo virtual en el cual dos personas podrn tener relaciones sexuales a travs de realidad virtual, o en la que un humano podr practicar sexo con un compaero simulado que slo existe en una computadora llegar a ser una realidad. Cuando la realidad virtual visual y auditiva haya pasado de moda, la tecnologa del tacto habr madurado completamente y ser totalmente convincente, aunque requerir que el usuario entre en una cabina de realidad virtual. Ser la forma preferida de practicar el sexo ya que ser segura y mejorar la experiencia. Este sistema se usar frecuentemente para sexo por computadora y para exmenes mdicos a distancia. El crecimiento econmico mundial continuar. No se producir un colapso econmico global. La amplia mayora de las interacciones comerciales ocurrirn entre humanos y minoristas simulados, o entre asistentes personales virtuales y minoristas simulados. Los robots domsticos estarn por doquier y sern fiables. Las computadoras harn la mayor parte de la conduccin de vehculos los humanos tendrn de hecho prohibido conducir en las autopistas sin asistencia. Adems, cuando los humanos tomen el mando, el sistema informtico de a bordo monitorizar sus acciones y tomar el control cuando el humano conduzca imprudentemente. Como resultado, habr muy pocos accidentes de circulacin. Existirn prototipos de vehculos voladores personales con microalerones. Tambin estrn controlados principalmente por computadora. Los humanos empezarn a tener profundas relaciones con personalidades automticas, que tendrn algunas ventajas sobre los compaeros humanos. La profundidad de algunas personalidades por computadora convencer a algunas personas de que deberan drseles ms derechos. Los lugares pblicos y las zonas de trabajo estarn monitorizadas por doquier para prevenir la violencia y todas las acciones se grabarn de forma permanente. La privacidad ser un tema poltico importante, y algunas personas se protegern con cdigos informticos de seguridad. Se satisfarn las necesidades bsicas de las clases bajas. (Kurzweil no especifica si esto se refiere al mundo desarrollado o a todos los pases). Las computadoras tambin tambin estarn dentro de algunos humanos en forma de implantes cibernticos. Sern mayoritariamente usados por personas con discapacidad para recuperar algunas facultades fsicas (p. ej., implantes retinales que permitirn a los ciegos ver o implantes espinales acompaados de piernas mecnicas que permitirn a los paralticos caminar). La mayora de las carreteras tendrn sistemas de conduccin automatizados redes de dispositivos de monitorizacin y comunicacin que permitirn a los automviles controlados por computadora la conduccin de forma segura.

112

La era de las mquinas espirituales Las relaciones entre robots y humanos comenzarn a medida que las personalidades simuladas se vuelvan ms convincentes. Artistas virtuales computadoras creativas capaces de producir su propio arte y msica emergern en todos los campos de las artes. Mientras que un nmero creciente de seres humanos creern que sus computadoras y las personalidades simuladas con las que interactan son inteligentes hasta el punto de la consciencia a nivel humano, los expertos descartarn la posibilidad de que alguna pueda pasar el test de Turing. Habr conexiones de comunicacin a Internet de banda ancha y conectividad ubicua en todo momento; interaccin con personalidades virtuales como interfaz principal; tecnologa del lenguaje efectiva (proceso natural del lenguaje, reconocimiento de voz, sntesis de voz).

113

2029 - 2048
Una computadora personal ser 1.000 veces ms potente que el cerebro humano. La mayor parte de la computacin ser realizada por computadoras. Se habrn conseguido mayores avances en la comprensin de los secretos del cerebro humano. Cientos de sub-regiones diferentes con funciones especializadas habrn sido identificadas. Algunos de los algoritmos que codifican el desarrollo de estas regiones se habrn descifrado e incorporado en computadoras de redes neuronales. Las redes neuronales masivas en paralelo, que se construirn por medio de ingeniera inversa del cerebro humano, sern de uso comn. Las gafas y auriculares que se usaban para proporcionar realidad virtual estarn ahora obsoletas gracias a la existencia de implantes de computadora que irn dentro de los ojos y odos. Los implantes sern tanto permanentes como de quita y pon. Permitirn una interfaz directa con las computadoras, las comunicaciones y las aplicaciones basadas en Internet. Estos implantes sern tambin capaces de grabar lo que el usuario ve y oye. Tambin habr disponibles implantes diseados para una conexin directa con el cerebro. Sern capaces de aumentar los sentidos naturales y de mejorar funciones cerebrales elevadas como la memoria, la velocidad de aprendizaje y la inteligencia en general. Las computadoras ahora sern capaces de aprender y crear nuevo conocimiento de forma completamente independiente y sin ayuda humana. Escaneando el enorme contenido de Internet, algunas computadoras conocern literalmente cada pequea pieza de informacin pblica (cada descubrimiento cientfico, cada libro y pelcula, cada declaracin pblica, etc.) generada por seres humanos. Implantes cerebrales directos permitirn a los usuarios entrar en una realidad virtual de total inmersin con estimulacin sensorial completa sin ningn equipo externo. Las personas podrn tener sus mentes en un lugar totalmente diferente en cualquier momento. Esta tecnologa ser de uso ampliamente extendido. La mayor parte de la comunicacin ocurrir entre humanos y mquinas en lugar de entre humanos entre s. Los sectores industrial, agrcola y de transportes de la economa estarn casi completamente automatizados y emplearn a muy pocos humanos. En todo el mundo, la pobreza, la guerra y las enfermedades sern casi inexistentes gracias a que la tecnologa aliviar las carencias. El crecimiento de la inteligencia artificial provocar un verdadero movimiento de los derechos del robot, y habr un debate pblico abierto sobre qu clase de derechos civiles y protecciones legales deberan tener las mquinas. La existencia de humanos con altos niveles de aumento ciberntico y de un mayor nmero de otras personas con implantes cibernticos menos extremos llevar a cambiar la definicin de lo que constituye un ser humano. Aunque las computadoras pasarn rutinariamente el test de Turing, la controversia persistir sobre si las mquinas son tan inteligentes como los humanos en todas las reas. Las inteligencias artificiales reivindicarn ser conscientes y pedirn abiertamente el reconocimiento de ese hecho. La mayora de las personas admitirn y aceptarn esta nueva realidad. La ingeniera inversa del cerebro humano se habr completado.

La era de las mquinas espirituales La inteligencia no biolgica combinar la sutileza y fuerza de reconocimiento de patrones de la inteligencia humana con la velocidad, memoria y capacidad de comparticin de conocimiento de la inteligencia maquinal. La inteligencia no biolgica continuar creciendo exponencialmente mientras que la inteligencia biolgica permanecer fija.

114

2049 - 2071
Los alimentos sern con frecuencia compuestos por nanomquinas. stos sern externamente indistinguibles de los naturales, pero podrn hacerse ms saludables ya que la produccin podr controlarse a nivel molecular. Esta tecnologa desacoplar la produccin alimentaria de las condiciones climticas y la disponiblidad de recursos naturales. [Una implicacin de esto es que la produccin crnica dejar de requerir la matanza de animales.] La distincin entre realidad virtual y realidad real llegar a confundirse a medida que los nano-robots empiecen a usarse de forma comn, permitiendo la composicin o descomposicin inmediata de toda clase de objetos fsicos.

2072 - 2098
La picoingeniera (tecnologa a escala de billonsimas de metro) se har prctica.

2099
El cerebro humano se habr estudiado completamente por ingeniera inversa y se comprender todo su funcionamiento. El pensamiento humano natural no tendr ninguna ventaja sobre las mentes de las computadoras. Las mquinas habrn alcanzado el mismo estado legal que los humanos. Los humanos y las mquinas se mezclarn en el mundo fsico y mental. Los implantes cerebrales cibernticos permitirn a los humanos fundir sus mentes con inteligencias artificiales. En consecuencia, dejarn de existir distinciones claras entre humanos y mquinas. La mayora de los seres conscientes carecern de una forma fsica permanente. El mundo estar irrefrenablemente poblado por inteligencias artificiales que existirn completamente como programas de computadora pensantes capaces de pasar instantneamente de una computadora a otra a travs de Internet (o cualquier otra cosa equivalente en 2099). Estos seres basados en computadora sern capaces de manifestarse en el mundo fsico cuando deseen creando o asumiendo el control de cuerpos robticos, con inteligencias artificiales tambin capaces de controlar varios cuerpos a la vez. Los seres individuales se mezclarn y separarn constantemente, haciendo imposible determinar cuntas personas hay en la Tierra. Esta nueva plasticidad de la consciencia y la habilidad de los seres de unir sus mentes alterar severamente la naturaleza de la identidad propia. La mayor parte de las interacciones interpersonales ocurrirn en entornos virtuales. De hecho, que dos personas se encuentren fsicamente en el mundo real para tener una conversacin o una transaccin comercial sin ninguna interferencia tecnolgica ser muy raro. Los seres humanos orgnicos sern un pequea minora de las formas de vida inteligente en la Tierra. Incluso entre los Homo sapiens restantes, el uso de implantes computarizados que aumenten profundamente las habilidades ser algo que existir por todas partes y que se aceptar como algo normal. La pequea fraccin de humanos que opten por permanecer naturales y sin modificaciones efectivamente existirn, pero en un plano de la consciencia diferente al de los dems, por lo que vern imposible interactuar totalmente con las inteligencias artificiales o con los humanos altamente modificados. Los humanos naturales estarn protegidos del exterminio. A pesar de sus deficiencias y debilidades, los humanos sern respetados por las inteligencias artificiales por haber sido los creadores de las mquinas.

La era de las mquinas espirituales Ya que el conocimiento y las aptitudes podrn descargarse instantneamente y ser comprendidas por la mayora de los seres inteligentes, el proceso de aprendizaje se comprimir en algo instantneo en lugar de la experiencia de aos de lucha de los humanos normales. Libres de esta carga consumidora de tiempo, las inteligencias artificiales enfocarn ahora sus energas en realizar nuevos descubrimientos y contribuciones. Las inteligencias artificiales sern capaces de dividir su atencin y energas en incontables direcciones, haciendo posible que un ser controle una multitud de esfuerzos simultneamente. La femtoingeniera (ingeniera a la escala de una milsima de billonsima de metro) podra ser posible. Las inteligencias artificiales se comunicarn a travs de un lenguaje electrnico compartido. El material grfico y la msica creados por las mquinas abarcarn reas del espectro lumnico y frecuencias sonoras que los humanos normales no podrn percibir. El dinero experimentar una deflacin. Algunos humanos al menos tan viejos como los procedentes del baby boom estarn an vivos y en buenas condiciones. Los virus informticos sern una amenaza importante ya que la mayora de los seres inteligentes estarn basados en software. Las inteligencias artificiales realizarn copias de seguridad de s mismas, garantizando una especie de inmortalidad para casos en que por ejemplo la inteligencia sea asesinada. El concepto de esperanza de vida se habr convertido en irrelevante para los humanos y mquinas gracias a la inmortalidad mdica y las computadoras avanzadas. El ritmo del cambio tecnolgico continuar acelerndose a medida que se aproxima el siglo XXII.

115

Dentro de miles de aos

Los seres inteligentes considerarn el destino del universo. Presumiblemente, esto significa que las inteligencias artificiales creadas por los humanos tendrn la habilidad de controlar todo el universo, tal vez evitando que muera.

Referencias
[1] Microvision de Seattle tiene un producto llamado Virtual Retinal Display (VRD) que proyecta imgenes directamente en la retina del usuario para ver el entorno normal. En 1998 tena un precio muy alto y se venda principalmente a los pilotos con uso militar.

Lgica no monotnica

116

Lgica no monotnica
Una lgica no monotnica, o lgica no montona, es un sistema lgico cuya relacin de consecuencia lgica es no monotnica. La mayora de los sistemas lgicos tienen una relacin de consecuencia monotnica, lo que quiere decir que el agregar una frmula a una teora nunca se produce una reduccin de su conjunto de consecuencias. Intuitivamente, la monotonicidad indica que el agregar nuevos conocimientos no se reduce el conjunto de las cosas conocidas. Simblicamente: Si , entonces y son conjuntos de frmulas cualesquiera.

Donde A es una frmula cualquiera y

Una lgica monotnica no puede manejar varios tipos de razonamiento tales como el razonamiento por defecto (los hechos pueden ser conocidos nicamente por la incertidumbre o carencia de evidencia de lo contrario), el razonamiento abductivo (los hechos slo se deducen en calidad de explicaciones probables), el razonamiento acerca del conocimiento (la ignorancia de un hecho debe ser retractada cuando el hecho sea conocido), y la revisin de creencias (nuevo conocimiento puede contradecir creencias anteriores, obligando a revisarlas). Estas limitaciones son un inconveniente en gran cantidad de problemas que se presentan en inteligencia artificial, que tienen un carcter no montono.

Razonamiento por defecto

El razonamiento de sentido comn muchas veces establece conclusiones a partir de informacin parcial, que luego se revisan o se desechan cuando se obtiene nueva informacin relevante. Por ejemplo, si de un determinado animal se sabe que es un ave, y no se conoce nada ms, se puede asumir que es capaz de volar. No obstante, este hecho debe ser retractado si despus se sabe que ese determinado animal es un pingino. Este ejemplo muestra que una lgica que modele el razonamiento por defecto no debe ser monotnica. Las lgicas que formalizan razonamiento por defecto pueden ser divididas tajantemente en dos categoras: lgicas capaces de manejar suposiciones arbitrarias por defecto (lgica por defecto, lgica retractable, y answer set programming) y lgicas que formalizan la especfica suposicin por defecto de que los hechos que no se saben verdaderos pueden ser asumidos como falsos por defecto (closed world assumption y circunscripcin). Las lgicas por defecto permiten representar proposiciones como "si x es un ave, entonces x puede volar, a menos que haya algo que lo contradiga". Para ello se amplia la lgica de primer orden introduciendo un operador modal M (es modal ya que indica una modalidad de verdad), y se establece un mecanismo de mantenimiento de coherencia generalmente traducido como mantenimiento de verdad (truth maintenance)- que permite eliminar el supuesto en cuanto se presente un hecho que lo invalide.

Razonamiento abductivo
El razonamiento abductivo es el sistema que deriva las explicaciones ms probables de los hechos conocidos. Una lgica abductiva no puede ser monotnica porque las explicaciones ms probables no son necesariamente las correctas. Por ejemplo, la explicacin ms probable de ver el pasto mojado es que ha llovido; sin embargo, esta explicacin debe ser retractada cuando se sepa que la causa real de que el pasto estuviera mojado era un rociador. En tanto que la primera explicacin (llovi) es retractada debido a la adicin de informacin (se activ un rociador), cualquier lgica que modele explicaciones es no monotnica.

Lgica no monotnica

117

Razonamiento acerca del conocimiento

Si una lgica incluye frmulas que significan que algo no es conocido, esta lgica no puede ser monotnica. De hecho, aprender algo que antes no era conocido lleva a el reemplazo de la frmula que especificaba que esa parte de conocimiento no es conocida. Este segundo cambio (un reemplazo causada por una adicin) viola la condicin de monotonicidad. La lgica acerca del conocimiento es la lgica autoepistmica.

Revisin de creencias
La revisin de creencias es el sistema que permite cambiar las creencias para alojar una nueva que puede ser inconsistente con las anteriores. En el supuesto de que la nueva creencia es correcta, algunas de las anteriores deben ser retractadas para mantener la consistencia. Esta retractacin como respuesta a la adicin de una nueva creencia hace que cualquier lgica para la revisin de creencias sea no monotnica. El enfoque de la revisin de creencias es alternativo para las lgicas paraconsistentes, las cuales ms que intentar remover la inconsistencia la toleran.

Referencias
N. Bidoit and R. Hull (1989) "Minimalism, justification and non-monotonicity in deductive databases," Journal of Computer and System Sciences 38: 290-325. G. Brewka (1991). Nonmonotonic Reasoning: Logical Foundations of Commonsense. Cambridge University Press. G. Brewka, J. Dix, K. Konolige (1997). Nonmonotonic Reasoning - An Overview. CSLI publications, Stanford. M. Cadoli and M. Schaerf (1993) "A survey of complexity results for non-monotonic logics" Journal of Logic Programming 17: 127-60. F. M. Donini, M. Lenzerini, D. Nardi, F. Pirri, and M. Schaerf (1990) "Nonmonotonic reasoning," Artificial Intelligence Review 4: 163-210. M. L. Ginsberg, ed. (1987) Readings in Nonmonotonic Reasoning. Los Altos CA: Morgan Kaufmann. Horty, J. F., 2001, "Nonmonotonic Logic," in Goble, Lou, ed., The Blackwell Guide to Philosophical Logic. Blackwell. W. Lukaszewicz (1990) Non-Monotonic Reasoning. Ellis-Horwood, Chichester, West Sussex, England. W. Marek and M. Truszczynski (1993) Nonmonotonic Logics: Context-Dependent Reasoning. Springer Verlag.

Enlaces externos
Stanford Encyclopedia of Philosophy - "Non-monotonic logic" [1] -- por G. Aldo Antonelli. Anthony Aaby on "Non-monotonic logic. [2]" Problemas Filosficos de la Lgica No Monotnica, Raymundo Morado. [3]

Referencias
[1] http:/ / plato. stanford. edu/ entries/ logic-nonmonotonic/ [2] http:/ / cs. wwc. edu/ ~aabyan/ Logic/ Nonmonotonic. html [3] http:/ / www. filosoficas. unam. mx/ ~morado/ Cursos/ 3FdelaL/ Probs_0716. htm

Mallet

118

Mallet
Mallet Desarrollador Andrew McCallum, con la colaboracin de varios estudiantes y personas http:/ / mallet. cs. umass. edu'' Informacin general ltima versin estable 2.0.7 22 de septiembre de 2011 aprendizaje automtico Java multiplataforma Java Common Public License 1.0 ingls

Gnero Programado en Sistema operativo Plataforma Licencia Idiomas En espaol

Mallet (Mazo, en espaol, siglas de Java "MAchine Learning for Language Toolkit") es una coleccin integrada de cdigo Java til para procesamiento de lenguajes naturales estadstico, clasificacin de documentos, anlisis de conglomerados, extraccin de informacin, y otras aplicaciones de aprendizaje automtico aplicadas al texto.

Descripcin
Mallet incluye herramientas sofisticadas para la clasificacin de documentos: rutinas eficientes para la conversin de texto a "caractersticas", una amplia variedad de algoritmos (incluyendo Bayes ingenuo, entropa mxima, y rboles de decisin), y cdigo para evaluar el desempeo del clasificador utilizando varios indicadores de uso comn.[1]

Historia
MALLET fue desarrollado principalmente por Andrew McCallum, de la Universidad de Massachusetts Amherst, con la asistencia de estudiantes de posgrado y profesores tanto de la UMASS Amherst como de la Universidad de Pensilvania.

Referencias
[1] http:/ / mallet. cs. umass. edu/ Mallet homepage (en ingls)

Enlaces externos
(en ingls) Pgina web oficial del proyecto (http://mallet.cs.umass.edu) en la web de la Universidad de Massachussets

Usuario:Mar215/Cougaar

119

Usuario:Mar215/Cougaar
Cougaar (acrnimo ingls de Cognitive Agent Architecture) es una arquitectura basada en Java para la construccin de aplicaciones distribuidas a gran escala basadas en agentes. Es un producto de dos programas consecutivos, de varios aos de investigacin DARPA (UltraLOG [1]) en sistemas de agentes a gran escala que abarca ocho aos de esfuerzo. El primer programa demostr de manera concluyente la viabilidad de la utilizacin de la tecnologa basada en agentes avanzada para llevar a cabo rpida y a gran escala la planificacin logstica distribuida y la replanificacin. El segundo programa desarroll tecnologas de la informacin para mejorar la supervivencia de estos sistemas basados en agentes distribuidos que operan en ambientes extremadamente caticos. La arquitectura resultante, Cougaar, proporciona a los desarrolladores un marco para implementar aplicaciones de agentes distribuidos a gran escala, con una consideracin mnima para la arquitectura y la infraestructura subyacente. La arquitectura Cougaar utiliza lo ltimo en diseo orientado a agente basado en componentes y tiene una larga lista de caractersticas de gran alcance.

Historia de Cougaar
Cougaar Software Inc. [2] fue formado en 2001 para realizar la transicin de un potente conjunto de tecnologas avanzadas de la investigacin militar para el mercado comercial. La inversin en este proyecto se remonta a 1996 cuando DARPA decidi que la arquitectura de agente cognitivo era la mejor solucin a los difciles problemas que enfrenta la logstica militar. Puesto que ningn agente de la arquitectura existente puede satisfacer esas necesidades, DARPA comenz a financiar proyectos para desarrollar lo que se convirti en Cougaar Open Source con algunos de los pensadores ms avanzados y desarrolladores en el pas. Ellos se superaron con creces mediante el desarrollo de un enfoque tecnolgico que se adapta a los dominios ms all de la logstica. El trabajo se ha basado en perfeccionar y madurar esa base, para ampliar y probar esta tecnologa en diversos entornos de funcionamiento seguros, donde el tiempo es crtico. Las soluciones resultantes representan algunos de los razonamientos ms avanzados y capacidades de automatizacin inteligente existentes y se ha demostrado por ejemplo en aplicaciones del Departamento de Defensa. Se ha pasado los ltimos dos aos refinando dichas soluciones como plataforma comercial para la creacin rpida y el despliegue de aplicaciones inteligentes tan robustas como las aplicaciones militares, pero para las necesidades comerciales y con la economa en mente.

Lnea Temporal
1996 DARPA funda el Programa de Logstica Avanzada (ALP) se invierten $ 80 millones para desarrollar la tecnologa de arquitectura de ncleo 2000 DARPA decide lanzar la tecnologa ALP como cdigo abierto y cambia el nombre a Cougaar 2000 DARPA funda el programa UltraLOG para extender la seguridad de Cougaar, escalabilidad y capacidad de supervivencia de las condiciones mundiales del campo de batalla. El programa invierte $ 70 millones para lograr la supervivencia final 2001 Cougaar Software, Inc. comienza a comercializar la tecnologa Cougaar 2004 CSI lanza primera solucin comercial basada Cougaar - ActiveEdge RFID Middleware 2005 CSI el lanza primer entorno de desarrollo Cougaar de aplicaciones comerciales Lanzamiento de ActiveEdge Intelligent Platform Agent v1.0 Tres sistemas de integracin socios / clientes eligen la plataforma ActiveEdge para las grandes iniciativas operacionales 2006 Primera Instancia operativa de la solucin basada en la solucin de ActiveEdge proporcionada a travs de socios para importante cadena minorista 2007 los principales socios y clientes adicionales validan ActiveEdge

Usuario:Mar215/Cougaar ActiveEdge v1.5 liberado La compaa Boeing licencia ActiveEdge Contratos de defensa Adicionales licencian ActiveEdge CSI soporta SAIC&Honeywell en la aplicacin ALCT proporcionando planificacin de escenarios distribuidos El ejrcito de EE.UU. licencia ActiveEdge 2008 ActiveEdge v1.6 es liberado

120

Caractersticas de Cougaar
Cougaar es una arquitectura de agente de cdigo abierto, que incluye los servicios de infraestructura y ncleo. Los agentes son entidades autnomas de software que se comunican con otros agentes o servicios externos para lograr un dominio especfico funcionalidad. Los agentes de computacin estn basados en una metodologa de programacin que facilita la descomposicin directa de tareas complejas. Los agentes manejan comportamiento de las aplicaciones y el entorno se encarga de la adaptacin sistmica. Los agentes y el entorno se pueden desarrollar, probar y configurar de forma independiente, pero corren juntos La abstraccin de agente Cougaar incluye varios servicios avanzados integrados, como son: Pizarra de publicacin/suscripcin para la comunicacin dentro del propio agente y entre agentes Motor de servlets para http basados en interfaces de usuario Sistema de representacin de conocimiento: activos logsticos, FrameSets Coordinacin entre agentes a travs de pizarra para los mecanismos de coordinacin, asignacin de tareas, etc. Un agente Cougaar se ejecuta sobre un nodo Cougaar (Java Virtual Machine), que a su vez se ejecuta en un host. Dicho agente se compromete con uno o ms plugins, que definen el comportamiento del agente. Un agente con cero plugins no hace nada. A diferencia de otras arquitecturas totalmente basadas en mensajes, Cougaar est basada en los plugins de la pizarra como gestores de datos principales. Los plugins reaccionan a los datos en la pizarra aadiendo/cambiando/eliminando notificaciones. La infraestructura de la plataforma Cougaar transforma los datos que hay en la blackboard en operaciones inter-agente, pero esto queda oculto al API del desarrollador. Toda la coordinacin inter-plugins es ejecutada a travs de suscripciones de datos asncronas. La infraestructura de la blackboard aade/cambia/elimina las notificaciones por lotes, lo que proporciona mayor robustez y escalabilidad al sistema. Todo el estado es guardado en la blackboard, lo que proporciona soporte para recuperacin en caso de fallo. Los servicios Cougaar de ncleo tienen una implementacin basada en componentes, y cubren muchos campos como son la movilidad de agentes entre nodos, la persistencia del estado del agente y su posterior recuperacin tras un bloqueo, un transporte de mensajes que soporte mltiples protocolos, etc.

Aplicaciones de Cougaar
Integracin de infraestructuras crticas de modelado y simulacin Herramienta de modelado logstico para organizaciones militares altamente adaptables Planificacin de combate Logstica-Asistida Soporte de equipos de robots a travs de redes Ad-hoc inalmbricas Superficies de control por Cougaar Herramienta administrativa para monitorizar una sociedad de agentes distribuida

Usuario:Mar215/Cougaar

121

Enlaces externos
Pgina oficial de Cougaar [3] Cougaar Software Inc. [4]

Fuentes
Referencias
Guia de inicio rpido de Cougaar [5] Guia de desarroladores Cougaar [6] Arquitectura Cougaar [7] Descripcin general de Cougaar por Todd Wright [8] Conferencia Open Cougaar 2004 [9]

Usuario:Mar215/Cougaar English
Cougaar (acronym of Cognitive Agent Architecture) is a Java-based architecture for building large-scale distributed applications based on agents. It is a product of two consecutive programs of several years of research DARPA (UltraLOG [1]) in agents systems scale covering eight years of effort. The first program conclusively demonstrated the feasibility of using agent-based technology to perform advanced rapid, large-scale distributed logistics planning and replanning. The second program developed information technologies to improve the survival of these distributed agent-based systems operating in extremely chaotic environments. The resultant architecture, Cougaar, provides developers a framework for deploying large-scale distributed agents, with minimal consideration for architecture and the underlying infrastructure. Cougaar architecture uses the latest in design-oriented and component-based agent who has a long list of powerful features.

History of Cougaar
Cougaar Software Inc. [2] was formed in 2001 to make the transition of a powerful set of advanced military research for the commercial market. Investment in this project dates back to 1996 when DARPA decided that the cognitive agent architecture was the best solution to the difficult problems facing the military logistics. Since no existing agent architecture can meet those needs, DARPA began funding projects to develop what became Cougaar Open Source with some of the most advanced thinkers and developers in the country. They far exceeded by developing a technological approach that suits domains beyond logistics. The work is based on perfect and mature that basis, to expand and test this technology in various safe operating environments, where time is critical. The resulting solutions represent some of the more advanced reasoning and intelligent automation capabilities available and has been shown for example in DoD (Departament of Defense) applications. Has spent the last two years refining these solutions as a business platform for the rapid creation and deployment of intelligent applications as robust as the military applications, but for business needs and with the economy in mind.

Usuario:Mar215/Cougaar English

122

Temporal Line
1996 DARPA funds Advanced Logistics Program (ALP) Program invests $80 Million to develop core architecture technology 2000 DARPA decides to release ALP technology as open source and renames to Cougaar 2000 DARPA funds the Ultralog program to extend Cougaar security, scalability and survivability for global battlefield conditions. The program invest $70 Million to achieve ultimate survivability 2001 Cougaar Software, Inc. starts to commercialize Cougaar Technology 2004 CSI releases first commercial Cougaar based solution - ActiveEdge RFID Middleware 2005 CSI releases first commercial Cougaar applications development environment ActiveEdge Intelligent Agent Platform v1.0 Released Three system integrator partner / customers choose the ActiveEdge platform for major operational initiatives 2006 First Operational Instance of Solution based on ActiveEdge Solution provided through Partner for Major Retail Chain 2007 Additional major partners and customers validate ActiveEdge ActiveEdge v1.5 released The Boeing Company licenses ActiveEdge Additional Defense Contractor licenses ActiveEdge CSI supports SAIC & Honeywell on ALCT application providing theater distribution planning:**El ejrcito de EE.UU. licencia ActiveEdge 2008 ActiveEdge v1.6 released

Features
Cougaar agent architecture is an open source, which includes infrastructure and core services. Agents are autonomous software entities that communicate with other agents or external services for a specific domain functionality. Computing agents are based on a programming methodology that facilitates direct decomposition of complex tasks. The agents manage application behavior and environment handles systemic adaptation. The agents and the environment can develop, test and configure independently, but run together Cougaar agent abstraction includes several integrated advanced services, such as: Blackboard publish / subscribe for communication within the agent itself and between agents Http servlet engine for UIs based Knowledge representation system: logistics assets, FrameSets Coordination between agents through slate coordination mechanisms, assignments, etc.

Cougaar agent running on a node Cougaar (Java Virtual Machine), which itself runs on a host. That agent agrees with one or more plugins, which define the behavior of the agent. An agent with zero plugins does nothing. Unlike other architectures based entirely messages is based Cougaar blackboard plugins as main data managers. The plugins react to the data on the blackboard adding / changing / deleting notifications. The Cougaar platform infrastructure transforms the data to the blackboard in inter-dealer operations, but this is hidden from the developer API. All plugins interagency coordination is implemented through asynchronous data subscriptions. The infrastructure of the blackboard adds / changes / deletes batch notifications, providing greater robustness and scalability to the system. The entire state is stored in the blackboard, which provides support for failure recovery. The core services are Cougaar component-based implementation, covering many fields such as mobility of agents between nodes, the persistence of agent state and subsequent recovery after a crash, a transport of messages supporting multiple protocols, etc..

Usuario:Mar215/Cougaar English

123

Applications of Cougaar
Integrated Critical Infrastructure Modeling and Simulation Logistics Modeling Tool for Highly Adaptable Military Organizations Logistics-Aided Battle Command Planning Supporting Robot Teams over Wireless Ad-hoc Networks Control Surfaces Administrative Tool for Monitoring a Distributed Agent Society

See also
DARPA UltraLOG [1] JADE

External Links
Pgina oficial de Cougaar [3] Cougaar Software Inc. [4]

Sources
References
Quick Start Guide of Cougaar [5] Cougaar Developer Guide [6] Cougaar Architecture Document [7] General Description of Cougaar by Todd Wright [8] Open Cougaar 2004 Conference [9]

Metaheurstica

124

Metaheurstica
Una metaheurstica es un mtodo heurstico para resolver un tipo de problema computacional general, usando los parmetros dados por el usuario sobre unos procedimientos genricos y abstractos de una manera que se espera eficiente. Normalmente, estos procedimientos son heursticos. El nombre combina el prefijo griego "meta" ("ms all", aqu con el sentido de "nivel superior") y "heurstico" (de , heuriskein, "encontrar"). Las metaheursticas generalmente se aplican a problemas que no tienen un algoritmo o heurstica especfica que d una solucin satisfactoria; o bien cuando no es posible implementar ese mtodo ptimo. La mayora de las metaheursticas tienen como objetivo los problemas de optimizacin combinatoria, pero por supuesto, se pueden aplicar a cualquier problema que se pueda reformular en trminos heursticos, por ejemplo en resolucin de ecuaciones booleanas. Las metaheursticas no son la panacea y suelen ser menos eficientes que las heursticas especficas, en varios rdenes de magnitud, en problemas que aceptan este tipo de heursticas crudas.

Conceptos generales y nomenclatura

El objetivo de la optimizacin combinatoria es encontrar un objeto matemtico finito (por ejemplo, un vector de bits o permutacin) que maximice (o minimice, dependiendo del problema) una funcin especificada por el usuario de la metaheurstica. A estos objetos se les suele llamar estados, y al conjunto de todos los estados candidatos se le llama espacio de bsqueda. La naturaleza de los estados y del espacio de bsqueda son usualmente especficos del problema. La funcin a optimizar se le llama funcin objetivo, y se da al usuario como un procedimiento caja-negra que evala el estado actual o la funcin. Dependiendo de la metaheurstica, el usuario puede tener que dar otras funciones caja-negra que produzcan un nuevo estado, generan variantes del estado actual, elijan un estado entre varios, aporten valores mximos o mnimos para la funcin objetivo en un conjunto de estados, y en ese estilo. Algunas metaheursticas mantienen en cada instante de ejecucin un nico estado actual, y lo cambian en cada iteracin por uno nuevo. Este paso bsico se conoce como transicin de estado, movimiento o actualizacin del estado. El movimiento es colina arriba o colina abajo dependiendo de si los valores que da la funcin objetivo se incrementa o se decrementa. El nuevo estado puede estar construido desde la nada por un generador de estados dado por el usuario. Alternativamente, el nuevo estado puede derivar del estado actual por un mutador proporcionado por el usuario; en este caso, el nuevo estado se conoce como vecino del estado actual. Generadores y mutadores son habitualmente procedimientos probabilsticos. El conjunto de todos los nuevos estados dados por el mutador es el vecindario del estado actual. Metaheursticas ms sofisticadas mantienen, en vez de un nico estado actual, un conjunto de varios estados candidato. As, el paso bsico aade o elimina estados de este conjunto. En este caso, los procedimientos dados por el usuario seleccionan estados para ser descartados, y generan nuevos estados a aadir. El ltimo estado puede ser generado como combinacin o cruce de dos o ms estados del conjunto. Una metaheurstica puede guardar informacin del ptimo actual, escogiendo el estado ptimo entre todos los ptimos actuales obtenidos en varias etapas del algoritmo. Dado que el nmero de candidatos puede ser muy grande, normalmente, las metaheursticas estn diseadas de manera que puedan ser interrumpidas por un tiempo mximo especificado por el usuario. Si no se interrumpen, algunas metaheursticas exactas examinaran todos los candidatos, y usarn mtodos heursticos slo para escoger el orden de la enumeracin; de hecho, siempre devolvern un ptimo real, si el tiempo mximo es lo suficientemente grande. En cambio, otras metaheursticas dan slo una garanta probabilstica pobre de poder alcanzar el ptimo, de manera que cuando el tiempo mximo se aproxima a infinito, la probabilidad de examinar cada candidato tiende a 1.

Metaheurstica

125

Metaheursticas comunes
Algunas metaheursticas muy conocidas son Optimizacin aleatoria Bsqueda local Algoritmos voraces y Ascensin de colinas Ascensin de colinas con reinicializacin aleatoria Bsqueda primero el mejor Enfriamiento simulado Optimizacin basada en colonias de hormigas Algoritmos de Enjambre Bsqueda tab Algoritmos Genticos Algoritmos Memticos GRASP Meta-RaPS Algoritmos Multiarranque Inteligencia enjambre

Bsqueda por difusin estocstica Optimizacin extrema Scatter Search y Path Relinking Hay un nmero enorme de variables e hbridos propuestos, y muchas ms aplicaciones de las metaheursticas a problemas especficos se han probado. Esta es un campo en investigacin, con un gran nmero de publicaciones en revistas, un gran nmero de investigadores y usuarios, adems de un gran nmero de aplicaciones.

Bibliografa
C. Blum and A. Roli A. (2003). Metaheuristics in combinatorial optimization: Overview and conceptual comparison. ACM Computing Surveys 35(3) 268308.

Enlaces externos
DGPF [1] A distributed framework for randomized, heuristic searches like GA and Hill Climbing which comes with a specialization for Genetic Programming and allows to combine different search algorithms. MHTB [2] A toolbox of metaheuristic algorithms for MATLAB. It offers single-solution, population-based and hybrids metaheuristics. With this toolbox you can solve optimization problems defined in the MATLAB language using metaheuristic algorithms implemented in C++ and Java. jMetal [3] jMetal is an object-oriented Java-based framework aimed at facilitating the development of metaheuristics for solving multi-objective optimization problems (MOPs).

Referencias
[1] http:/ / dgpf. sourceforge. net/ [2] http:/ / neo. lcc. uma. es/ Software/ MHTB/ [3] http:/ / jmetal. sourceforge. net

Modelo basado en agente

126

Modelo basado en agente

Un modelo basado en agentes (MBA) es un tipo de modelo computacional que permite la simulacin de acciones e interacciones de individuos autnomos dentro de un entorno, y permite determinar qu efectos producen en el conjunto del sistema.[1] Combina elementos de teora de juegos, sistemas complejos, emergencia, sociologa computacional, sistemas multi-agente, y programacin evolutiva. Los modelos simulan las operaciones simultneas de entidades mltiples (agentes) en un intento de recrear y predecir las acciones de fenmenos complejos. Es un proceso de emergencia desde el nivel ms elemental (micro) al ms elevado (macro). Generalmente los agentes individuales actan segn lo que perciben como sus intereses propios, tales como reproduccin, beneficio econmico o status social, y su conocimiento es limitado. Los agentes MBA pueden experimentar aprendizaje, adaptacin y reproduccin.

Referencias

Modelo oculto de Mrkov

Un modelo oculto de Mrkov o HMM (por sus siglas del ingls, Hidden Markov Model) es un modelo estadstico en el que se asume que el sistema a modelar es un proceso de Mrkov de parmetros desconocidos. El objetivo es determinar los parmetros desconocidos (u ocultos, de ah el nombre) de dicha cadena a partir de los parmetros observables. Los parmetros extrados se pueden emplear para llevar a cabo sucesivos anlisis, por ejemplo en aplicaciones de reconocimiento de patrones. Un HMM se puede considerar como la red bayesiana dinmica ms simple. En un modelo de Mrkov normal, el estado x estados ocultos es visible directamente para el observador, y salidas observables a probabilidades de transicin por lo que las probabilidades de transicin b probabilidades de salida entre estados son los nicos parmetros. En un modelo oculto de Mrkov, el estado no es visible directamente, sino que slo lo son las variables influidas por el estado. Cada estado tiene una distribucin de probabilidad sobre los posibles smbolos de salida. Consecuentemente, la secuencia de smbolos generada por un HMM proporciona cierta informacin acerca de la secuencia de estados. Los modelos ocultos de Mrkov son especialmente aplicados a reconocimiento de formas temporales, como reconocimiento del habla, de escritura manual, de gestos, etiquetado gramatical o en bioinformtica. En el reconocimiento de voz se emplea para modelar una frase completa, una palabra, un fonema o trifonema en el modelo acstico. Por ejemplo la palabra "gato" puede estar formada por dos HMM para los dos trifonemas que la componen /gat/ y /ato/
Ejemplo de transicin de estados en un modelo oculto de Mrkov

Modelo oculto de Mrkov

127

Historia
Los modelos ocultos de Markov fueron descritos por primera vez en una serie de artculos estadsticos por Leonard E. Baum y otros autores en la segunda mitad de la dcada de 1960. Una de las primeras aplicaciones de HMM fue reconocimiento del habla, comenzando en la mitad de la dcada de 1970.[1] En la segunda mitad de la dcada de 1980, los HMMs comenzaron a ser aplicados al anlisis de secuencias biolgicas, en particular de DNA. Desde entonces, se han hecho ubicuos en el campo de la bioinformtica.[2]

Arquitectura de un modelo oculto de Mrkov

El diagrama que se encuentra ms abajo muestra la arquitectura general de un HMM. Cada valo representa una variable aleatoria que puede tomar determinados valores. La variable aleatoria es el valor de la variable oculta en el instante de tiempo . La variable aleatoria es el valor de la variable observada en el mismo instante de (en el instante ) solo depende del valor de la (ambas en el instante ). tiempo . Las flechas indican dependencias condicionales. Del diagrama queda claro que el valor de la variable oculta variable oculta (en el instante valor de la variable observada

). A esto se le llama propiedad de Mrkov. De forma similar, el

solo depende del valor de la variable oculta

Probabilidad de una secuencia observada

La probabilidad de observar la secuencia de longitud est dada por

donde la sumatoria se extiende sobre todas las secuencias de nodos ocultos clculo por fuerza bruta de

El

es imprctico para la mayora de los problemas reales, dado que el nmero de

secuencias de nodos ocultos ser extremadamente alto en tal caso. Sin embargo, el clculo puede acelerarse notoriamente usando un algoritmo conocido como el procedimiento de avance-retroceso.[3]

Definicin formal de un Modelo Oculto de Mrkov

Una notacin habitual de un MOM es la representacin como una tupla El conjunto de estados etiquetacin categorial, cada valor de El conjunto de posibles valores . El estado inicial se denota como : . En el caso de la

hace referencia a la posicin de la palabra en la oracin. observables en cada estado. es el nmero de

palabras posibles y cada hace referencia a una palabra diferente. Las probabilidades iniciales , donde es la probabilidad de que el primer estado sea el estado . El conjunto de probabilidades el instante anterior , es decir, de transiciones entre estados. es la probabilidad de estar en el estado . en el instante si en

se estaba en el estado

Modelo oculto de Mrkov El conjunto de probabilidades de las observaciones. , es decir, la probabilidad de observar cuando se est en el estado . en el

128

instante . La secuencia de observables se denota como un conjunto

Uso de modelos ocultos de Mrkov

Existen tres problemas cannicos asociados con HMM: Dados los parmetros del modelo, comptese la probabilidad de una secuencia de salida en particular. Este problema se resuelve con el algoritmo de avance-retroceso. Dados los parmetros del modelo, encuntrese la secuencia ms probable de estados ocultos que puedan haber generado una secuencia de salida dada. Este problema se resuelve con el algoritmo de Viterbi. Dada una secuencia de salida o un conjunto de tales secuencias, encuntrese el conjunto de estados de transicin y probabilidades de salida ms probables. En otras palabras, entrnense a los parmetros del HMM dada una secuencia de datos. Este problema se resuelve con el algoritmo de Baum-Welch.

Ejemplo de utilizacin
Imagnese que tiene un amigo que vive lejos y con quien habla a diario por telfono acerca de lo que hizo durante el da. A su amigo le interesan tres actividades: caminar por la plaza, salir de compras y limpiar su departamento. Lo que su amigo hace depende exclusivamente del estado del tiempo en ese da. Usted no tiene informacin clara acerca del estado del tiempo donde su amigo vive, pero conoce tendencias generales. Basndose en lo que su amigo le dice que hizo en el da, usted intenta adivinar el estado del tiempo. Supngase que el estado del tiempo se comporta como una cadena de Mrkov discreta. Existen dos estados, "Lluvioso" y "Soleado", pero usted no los puede observar directamente, es decir, estn ocultos. Existe tambin una cierta posibilidad de que su amigo haga una de sus actividades cada da, dependiendo del estado del tiempo: "caminar", "comprar" o "limpiar". Dado que su amigo le cuenta sus actividades del da, esas son las observaciones. El sistema completo es un modelo oculto de Mrkov. Usted conoce las tendencias generales del tiempo en el rea y lo que a su amigo le gusta hacer. En otras palabras, los parmetros del HMM son conocidos. Pueden escribirse usando el lenguaje de programacin Python: estados = ('Lluvioso', 'Soleado') observaciones = ('caminar', 'comprar', 'limpiar') probabilidad_inicial = {'Lluvioso': 0.6, 'Soleado': 0.4} probabilidad_transicion = { 'Lluvioso' : {'Lluvioso': 0.7, 'Soleado': 0.3}, 'Soleado' : {'Lluvioso': 0.4, 'Soleado': 0.6}, } probabilidad_emision = { 'Lluvioso' : {'caminar': 0.1, 'comprar': 0.4, 'limpiar': 0.5}, 'Soleado' : {'caminar': 0.6, 'comprar': 0.3, 'limpiar': 0.1}, } En esta porcin de cdigo se tiene:

Modelo oculto de Mrkov La probabilidad_inicial que representa el estado en el que usted cree que se encuentra el HMM la primera vez que su amigo lo llama (es decir, sabe que es un poco ms probable que est lluvioso). La distribucin de probabilidades que se us aqu no es la de equilibrio, que es (dadas las probabilidades de transicin) aproximadamente {'Lluvioso': 0.571, 'Soleado': 0.429}. La probabilidad_transicion representa el cambio del tiempo en la cadena de Mrkov por detrs del modelo. En este ejemplo, hay un 30% de probabilidad de que maana est soleado si hoy llovi. La probabilidad_emision representa con cuanta probabilidad su amigo realiza una actividad determinada cada da. Si llueve, hay un 50% de probabilidad de que est limpiando su departamento; si hay sol, hay un 60% de probabilidades de que haya salido a caminar.

129

Aplicaciones de modelos ocultos de Mrkov

Criptoanlisis Reconocimiento del habla, de gestos y de movimientos corporales, reconocimiento ptico de caracteres Traduccin automtica Seguimiento de partituras musicales[4] Bioinformtica y Genmica prediccin de regiones que codifican protenas dentro de genomas modelado de familias de secuencias de protena o ADN relacionado prediccin de elementos de estructura secundaria en secuencias primarias de protena

Notas
[1] [2] [3] [4] Rabiner, p. 258 Durbin et al. Rabiner, p. 262 Pardo et al.

Enlaces externos
Informacin general de los HMM (http://supervisadaextraccionrecuperacioninformacion.iespana.es) Hidden Markov Model (HMM) Toolbox para Matlab (http://www.ai.mit.edu/~murphyk/Software/HMM/ hmm.html) (por Kevin Murphy) Hidden Markov Model Toolkit (HTK) (http://htk.eng.cam.ac.uk/) (un toolkit portable para construccin y manipulacin de modelos ocultos de Mrkov) Hidden Markov Models (http://www.cs.brown.edu/research/ai/dynamics/tutorial/Documents/ HiddenMarkovModels.html) (presentacin con matemtica bsica) GHMM Library (http://www.ghmm.org) (pgina inicial del proyecto GHMM Library) Jahmm Java Library (http://www.run.montefiore.ulg.ac.be/~francois/software/jahmm/) (biblioteca Java y aplicaciones grficas asociadas) Tutorial paso a paso de HMMs (http://www.comp.leeds.ac.uk/roger/HiddenMarkovModels/html_dev/main. html) (University of Leeds) Software para modelos de Mrkov Models y procesos (http://www.treeage.com/products/overviewHealth. html) (TreeAge Software) Hidden Markov Models (http://jedlik.phy.bme.hu/~gerjanos/HMM/node2.html) (por Narada Warakagoda) HMM y otros programas estadsticos (http://www.kanungo.us/software/software.html) (Implementacin de algoritmos de HMMs en C)

Mquina Lisp

130

Mquina Lisp
Una mquina Lisp (en ingls Lisp Machine) es una computadora de uso general destinada, gracias a su particular hardware, a ejecutar eficientemente programas escritos en Lisp. Pese al escaso nmero de mquinas Lisp construidas (en torno a 7.000 unidades en 1988[1]), muchas de las tecnologas que actualmente nos son comunes (el concepto de la estacin de trabajo, las impresoras lser, las interfaces grficas mediante ventanas, el manejo de interface mediante ratn, etc) fueron originalmente desarrolladas en mquinas Lisp, como las usadas en el centro de investigacin Xerox PARC.

Referencias
[1] Newquist, Harvey. The Brain Makers, Sams Publishing, 1994. ISBN 0-672-30412-0

Enlaces externos

Una mquina Lisp exhibida en el museo del MIT.

Projet M3L (http://www.limsi.fr/~jps/actions/m3l/ doc/m3l.presentation.htm), proyecto de mquina Lisp de Jean-Paul Sansonnet. "The Lisp Machine manual" (http://doi.acm.org/10.1145/1056737.1056738) Ralf Mller's Symbolics Lisp Machine Museum (http://www.sts.tu-harburg.de/~r.f.moeller/symbolics-info/ symbolics.html) Pgina web de Rainer Joswig - Videos y fotografas de mquinas Lisp (http://lispm.dyndns.org/) The Symbolics Lisp Machine Museum (http://smbx.org/index.php/) Yahoo Group - Lisp machines (http://groups.yahoo.com/group/lispmachines/)

La nueva mente del emperador

131

La nueva mente del emperador

La nueva mente del emperador Autor Gnero Subgnero Tema(s) Roger Penrose Ciencia Ciencias de la computacin Inteligencia artificial Edicin original en ingls Ttulo original Publicado en Pas Fecha de publicacin Formato Pginas ISBN OCLC The Emperor's New Mind Oxford University Press Estados Unidos 9 de noviembre, 1989 Papel 480 ISBN 0-198-51973-7 (1ra. edicin) 19724273 [1]

Libros de Roger Penrose

La nueva mente del emperador Las sombras de la mente

La nueva mente del emperador es un libro de 1989 escrito por el destacado fsico matemtico Roger Penrose. Penrose defiende el argumento de que la conciencia humana no es algortmica, y por lo tanto no puede ser modelada mediante una mquina de Turing ni computadoras digitales. El autor seala como hiptesis que la mecnica cuntica juega un papel esencial en la comprensin de la consciencia. A su vez, el colapso de la funcin de onda cuntica jugara un importante papel en el funcionamiento del cerebro. El libro abarca varios conceptos relacionados con las ciencias de la computacin, las matemticas y la fsica cuntica. Penrose gan el Premio Aventis en 1990 por este libro.

Referencias
[1] http:/ / worldcat. org/ oclc/ 19724273

Bibliografa
McCarthy, John (octubre 1990). Review of The Emperor's New Mind by Roger Penrose (http://www-formal. stanford.edu/jmc/reviews/penrose1/penrose1.html) (en ingls). Bulletin of the American Mathematical Society 23 (2): pp.606-616. Consultado el 29 de octubre de 2012.

OpenCV

132

OpenCV
OpenCV

Desarrollador Intel Corporation [1] Informacin general ltima versin estable 2.4.3 3 de noviembre de 2012 Gnero Sistema operativo Licencia En espaol Librerias GNU/Linux,Mac OS X,Microsoft Windows BSD

OpenCV es una biblioteca libre de visin artificial originalmente desarrollada por Intel. Desde que apareci su primera versin alfa en el mes de enero de 1999, se ha utilizado en infinidad de aplicaciones. Desde sistemas de seguridad con deteccin de movimiento, hasta aplicativos de control de procesos donde se requiere reconocimiento de objetos. Esto se debe a que su publicacin se da bajo licencia BSD, que permite que sea usada libremente para propsitos comerciales y de investigacin con las condiciones en ella expresadas. Open CV es multiplataforma, existiendo versiones para GNU/Linux, Mac OS X y Windows. Contiene ms de 500 funciones que abarcan una gran gama de reas en el proceso de visin, como reconocimiento de objetos (reconocimiento facial), calibracin de cmaras, visin estrea y visin robtica. El proyecto pretende proporcionar un entorno de desarrollo fcil de utilizar y altamente eficiente. Esto se ha logrado, realizando su programacin en cdigo C y C++ optimizados, aprovechando adems las capacidades que proveen los procesadores multi ncleo. OpenCV puede adems utilizar el sistema de primitivas de rendimiento integradas de Intel, un conjunto de rutinas de bajo nivel especficas para procesadores Intel (IPP [2]).

OpenCV

133

Aplicaciones conocidas
OpenCV ha sido usada en el sistema de visin del vehculo no tripulado Stanley de la Universidad de Stanford, el ganador en el ao 2005 del Gran desafo DARPA. OpenCV se usa [3] en sistemas de vigilancia de vdeo. OpenCV es la clave en el programa Swistrack, una herramienta de seguimiento distribuida.

Enlaces externos
http://sourceforge.net/projects/opencv/Web oficial del proyecto http://opencvjaveriana.wikispaces.com/Web de la Universidad Javeriana Bogot de Documentacin de las libreras OpenCV Tutoriales de primeros pasos con OpenCV en Windows y Ubuntu [4]

Referencias
[1] [2] [3] [4] http:/ / opencv. willowgarage. com/ wiki/ '' http:/ / www. intel. com/ cd/ software/ products/ asmo-na/ eng/ 302910. htm http:/ / imagelab. ing. unimo. it/ vssn05/ http:/ / devel-open. blogspot. com. ar/ search/ label/ opencv

Operador Sobel
El operador Sobel es utilizado en procesamiento de imgenes, especialmente en algoritmos de deteccin de bordes. Tcnicamente es un operador diferencial discreto que calcula una aproximacin al gradiente de la funcin de intensidad de una imagen. Para cada punto de la imagen a procesar, el resultado del operador Sobel es tanto el vector gradiente correspondiente como la norma de ste vector.

Descripcin simple
El operador Sobel calcula el gradiente de la intensidad de una imagen en cada punto (pxel). As, para cada punto, este operador da la magnitud del mayor cambio posible, la direccin de ste y el sentido desde oscuro a claro. El resultado muestra qu tan abruptamente o suavemente cambia una imagen en cada punto analizado y, en consecuencia, que tan probable es que ste represente un borde en la imagen y, tambin, la orientacin a la que tiende ese borde. En la prctica, el clculo de la magnitud -probabilidad de un borde- es ms fiable y sencillo de interpretar que el clculo de la direccin y sentido. Matemticamente, el gradiente de una funcin de dos variables (en este caso, la funcin de intensidad de la imagen) para cada punto es un vector bidimensional cuyos componentes estn dados por las primeras derivadas de las direcciones verticales y horizontales. Para cada punto de la imagen, el vector gradiente apunta en direccin del incremento mximo posible de la intensidad, y la magnitud del vector gradiente corresponde a la cantidad de cambio de la intensidad en esa direccin. Lo dicho en los prrafos anteriores implica que el resultado de aplicar el operador Sobel sobre una regin con intensidad de imagen constante es un vector cero, y el resultado de aplicarlo en un punto sobre un borde es un vector que cruza el borde (perpendicular) cuyo sentido es de los puntos ms oscuros a los ms claros.

Operador Sobel

134

Formulacin
Matemticamente, el operador utiliza dos kernels de 33 elementos para aplicar convolucin a la imagen original para calcular aproximaciones a las derivadas, un kernel para los cambios horizontales y otro para las verticales. Si definimos como la imagen original, el resultado, que son las dos imgenes y que representan para cada punto las aproximaciones horizontal y vertical de las derivadas de intensidades, es calculado como[]:

En cada punto de la imagen, los resultados de las aproximaciones de los gradientes horizontal y vertical pueden ser combinados para obtener la magnitud del gradiente, mediante:

Con esta informacin, podemos calcular tambin la direccin del gradiente:

donde, por ejemplo,

es 0 para bordes verticales con puntos ms oscuros al lado izquierdo.

Formalmente
Debido a que la funcin de intensidad de una imagen digital slo se conoce mediante puntos discretos, las derivadas de estas funciones no pueden ser definidas a menos que asumamos que existe una funcin continua que ha sido muestreada en los puntos de la imagen. Con algunas suposiciones adicionales, la derivada de la funcin continua de intensidad puede ser calculada como una funcin de la funcin de intensidad muestreada, i.e, de la imagen digital. De lo anterior resulta que las derivadas en cualquier punto particular son funciones de los valores de intensidad, virtualmente, en todos los puntos de la imagen. Sin embargo, aproximaciones a estas funciones diferenciales pueden ser definidas con el nivel de precisin requerido teniendo en cuenta nicamente una pequea regin de puntos alrededor del estudiado. El operador sobel representa una primera aproximacin imprecisa del gradiente de la imagen, pero es de calidad suficiente para ser de uso prctico en muchas aplicaciones. Ms precisamente, ste operador utiliza slo valores de intensidad en una regin de 3x3 alrededor de cada punto analizado para calcular el gradiente correspondiente, adems de que utiliza slo nmeros enteros para los coeficientes que indican la aproximacin del gradiente.

Detalles tcnicos
Como una consecuencia de su definicin, el operador sobel puede ser implementado mediante simples definiciones tanto en hardware como en software: slo son utilizados ocho puntos de la imagen alrededor del punto a analizar para calcular el punto correspondiente de la imagen resultante, adems slo se requiere aritmtica con nmeros enteros para calcular una aproximacin del vector gradiente. Adems, los dos filtros discretos descritos arriba pueden ser separados:

y las dos derivadas

pueden ser calculadas con:

Operador Sobel En ciertas implementaciones, estos clculos separados dan buena ventaja ya que implican menor operaciones aritmticas para cada punto.

135

Ejemplo
Ya que el resultado del operador sobel es un mapeo de dos dimensiones del gradiente de cada punto, ste puede ser procesado y ser visto como una imagen, con las reas de gradiente elevado (equivalentes a bordes) en negro y con los dems como blanco (el fondo de la imagen generada). Las siguientes imgenes ilustran lo anterior, se muestra el clculo del operador sobel sobre una imagen. Observese las diferencias de gradiente (zonas negras) dadas al aplicar nicamente un gradiente.

Imagen original en escala de grises.

Imagen resultante del gradiente calculado por el operador Sobel sobre la imagen original.

Clculo del gradiente X con el operador Sobel.

Clculo del gradiente Y con el operador Sobel.

Operador Sobel

136

Enlaces externos
Prctica Deteccin de Bordes [1]

Referencias
[1] http:/ / www. ayc. unavarra. es/ miguel. pagola/ P_Bordes. html

Orange (aprendizaje automtico)

Orange Desarrollador Universidad de Ljubljana (Eslovenia) [1] http:/ / www. ailab. si/ orange Informacin general ltima versin estable 2.0 (versin de desarrollo) Gnero Sistema operativo Licencia En espaol Aprendizaje automtico Multiplataforma GPL

Orange es un programa informtico para realizar minera de datos y anlisis predictivo desarrollado en la facultad de informtica de la Universidad de Ljubljana. Consta de una serie de componentes desarrollados en C++ que implementan algoritmos de minera de datos, as como operaciones de preprocesamiento y representacin grfica de datos. Los componentes de Orange pueden ser manipulados desde programas desarrollados en Python o a travs de un entorno grfico. Se distribuye bajo licencia GPL.

Enlaces externos
Pgina oficial [2]

Referencias
[1] http:/ / www. ailab. si/ orange [2] http:/ / www. ailab. si/ orange/

Paradoja de Moravec

137

Paradoja de Moravec
La paradoja de Moravec es el descubrimiento en el campo de la inteligencia artificial y robtica de que, de forma antiintuitiva, el pensamiento razonado humano (el pensamiento inteligente y racional) requiere de poca computacin, mientras que las habilidades sensoriales y motoras, no conscientes y compartidas con otros muchos animales, requieren de grandes esfuerzos computacionales. Este principio fue postulado por Hans Moravec, Rodney Brooks, Marvin Minsky y otros en la dcada de los 80. Como Moravec dijo: es fcil comparativamente conseguir que las computadoras muestren capacidades similares a las de un humano adulto en tests de inteligencia, y difcil o imposible lograr que posean las habilidades perceptivas y motrices de un beb de un ao.[1] Marvin Minsky escribi En general, no somos conscientes de nuestras mejores habilidades, aadiendo que somos ms conscientes de los pequeos procesos que nos cuestan que en los complejos que se realizan de forma fluida[2] Una posible explicacin a la paradoja deriva de la teora de la evolucin. De acuerdo a la seleccin natural, las capacidades humanas han sido mantenidas y optimizadas; ms an, conforme ms antiguas eran esas habilidades, mayor tiempo ha habido para perfeccionarlas. De este modo, puesto que el pensamiento abstracto es un descubrimiento reciente en trminos evolutivos, podra ser que no se hubiera alcanzado una solucin eficiente por falta de tiempo.

Referencias

Planificacin automtica
La planificacin automtica (Automated planning) es una disciplina de la inteligencia artificial que tiene por objeto la produccin de planes (es decir, un planificacin), tpicamente para la ejecucin de un robot u otro agente. Los programas de planificacin que incorporan estos algoritmos se denominan planificadores. Un planificador tpico considera 3 entradas: una descripcin del estado inicial del mundo una descripcin del objetivo a alcanzar un conjunto de acciones posibles Generalmente, cada accin especifica precondiciones que se deben cumplir como requisito a tal accin, as como postcondiciones, que constituyen el efecto sobre el estado actual del mundo. Ejemplos de problemas de planificacin pueden ser determinar la trayectoria de un robot en un espacio con obstculos, o el problema de las torres de Hani.

Programacin lgica

138

Programacin lgica
La programacin lgica es un tipo de paradigmas de programacin dentro del paradigma de programacin declarativa. El resto de los subparadigmas de programacin dentro de la programacin declarativa son: programacin funcional, programacin con restricciones, programas DSL (de dominio especfico) e hbridos. La programacin funcional se basa en el concepto de funcin (que no es ms que una evolucin de los predicados), de corte ms matemtico. La programacin lgica gira en torno al concepto de predicado, o relacin entre elementos.

Motivacin
Histricamente, los ordenadores se han programado utilizando lenguajes muy cercanos a las peculiaridades de la propia mquina: operaciones aritmticas simples, instrucciones de acceso a memoria, etc. Un programa escrito de esta manera puede ocultar totalmente su propsito a la comprensin de un ser humano, incluso uno entrenado. Hoy da, estos lenguajes pertenecientes al paradigma de la Programacin imperativa han evolucionado de manera que ya no son tan crpticos. En cambio, la lgica matemtica es la manera ms sencilla, para el intelecto humano, de expresar formalmente problemas complejos y de resolverlos mediante la aplicacin de reglas, hiptesis y teoremas. De ah que el concepto de "programacin lgica" resulte atractivo en diversos campos donde la programacin tradicional es un fracaso.

Campos de aplicacin
La programacin lgica encuentra su hbitat natural en aplicaciones de inteligencia artificial o relacionadas: Sistemas expertos, donde un sistema de informacin imita las recomendaciones de un experto sobre algn dominio de conocimiento. Demostracin automtica de teoremas, donde un programa genera nuevos teoremas sobre una teora existente. Reconocimiento de lenguaje natural, donde un programa es capaz de comprender (con limitaciones) la informacin contenida en una expresin lingstica humana. Etc. La programacin lgica tambin se utiliza en aplicaciones ms "mundanas" pero de manera muy limitada, ya que la programacin tradicional es ms adecuada a tareas de propsito general.

Fundamentos
La mayora de los lenguajes de programacin lgica se basan en la teora lgica de primer orden, aunque tambin incorporan algunos comportamientos de orden superior como la lgica difusa. En este sentido, destacan los lenguajes funcionales, ya que se basan en el clculo lambda, que es la nica teora lgica de orden superior que es demostradamente computable (hasta el momento).

En qu consiste (ejemplo)
La programacin lgica permite formalizar hechos del mundo real, por ejemplo: las aves vuelan los pinginos no vuelan "pichurri" es un ave "sandokan" es un perro "alegra" es un ave y tambin reglas o restricciones:

Programacin lgica una mascota vuela si es un ave y no es un pingino Ante dicho "programa" es posible establecer hiptesis que no son ms que preguntas o incgnitas, por ejemplo: "pichurri" vuela ? qu mascotas vuelan ?.... Gracias a que la lgica de primer orden es computable, el ordenador ser capaz de verificar la hiptesis, es decir, responder a las incgnitas: Es cierto que "pichurri" vuela. "pichurri" y "alegra" vuelan. Obsrvese que el programa lgico no solamente es capaz de responder si una determinada hiptesis es verdadera o falsa. Tambin es capaz de determinar que valores de la incgnita hacen cierta la hiptesis. Este ejemplo es claramente acadmico. Sin embargo, consideremos el siguiente ejemplo: el sistema de control de semforos de una ciudad. El estado de cada uno de los semforos (verde, rojo o mbar) constituye los hechos del mundo real. El programa en s consiste en unas pocas reglas de sentido comn: determinados semforos no pueden permanecer simultneamente en verde, un semforo solamente puede transitar de verde a mbar y de mbar a rojo, etc. La hiptesis es el estado en el que deberan estar cada uno de los semforos en el siguiente instante de tiempo. ste es un ejemplo imposible de resolver mediante programacin tradicional, ya que la lgica subyacente al comportamiento de los semforos en su conjunto queda enmascarada por simples rdenes imperativas del tipo "cambiar color de tal o cual semforo".

139

Lenguajes
El lenguaje de programacin lgica por excelencia es Prolog, que cuenta con diversas variantes. La ms importante es la programacin lgica con restricciones (vase artculo sobre programacin con restricciones), que posibilita la resolucin de ecuaciones lineales adems de la demostracin de hiptesis.

Bibliografa
Las siguientes referencias bibliogrficas corresponden a literatura en ingls: Foundations of Logic Programming, J.W. Lloyd, Springer-Verlag, 1991. Essentials of Logic Programming, C. Hogger, Clarendon Press, Oxford, 1990. Logic for Computer Science: Foundations of Automatic Theorem Proving, J.H. Gallier, John Wiley and Sons, 1987. Existen pocas referencias a literatura en castellano: Lgica Informtica, J. Cuena, Editorial Alianza, 1985. Programacin Lgica. Teora y Prctica, P. Julin, M. Alpuente, Pearson Prentice Hall, 2007. Este ltimo sea posiblemente el mejor libro de programacin lgica en espaol, ya que tambin contiene las bases de lgica matemtica.

Programacin lgica

140

Enlaces externos
CLIP group [1], Universidad Politcnica de Madrid. Logic Programming Virtual Library entry [2] (en ingls). Association for Logic Programming (ALP) [3] (en ingls).

Referencias
[1] http:/ / www. clip. dia. fi. upm. es [2] http:/ / vl. fmnet. info/ logic-prog/ [3] http:/ / www. cs. kuleuven. ac. be/ ~dtai/ projects/ ALP/

Prolog
El Prolog (o PROLOG), proveniente del francs PROgrammation en LOGique,[1] es un lenguaje para programar artefactos electrnicos mediante el paradigma lgico con tcnicas de produccin final interpretada . Es bastante conocido en el rea de la Ingeniera Informtica para investigacin en Inteligencia Artificial.

Historia
Se trata de un lenguaje de programacin ideado a principios de los aos 70 en la Universidad de Aix-Marseille I (Marsella, Francia) por los profesores Alain Colmerauer y Philippe Roussel. Naci de un proyecto que no tena como objetivo la implementacin de un lenguaje de programacin, sino el procesamiento de lenguajes naturales. Alain Colmerauer y Robert Pasero trabajaban en la parte del procesado del lenguaje natural y Jean Trudel y Philippe Roussel en la parte de deduccin e inferencia del sistema. Interesado por el mtodo de resolucin SL, Trudel persuadi a Robert Kowalski para que se uniera al proyecto, dando lugar a una versin preliminar del lenguaje Prolog a finales de 1971[2] y apareciendo la versin definitiva en 1972.[3] Esta primera versin de Prolog fue programada en ALGOL W. Inicialmente se trataba de un lenguaje totalmente interpretado hasta que, en 1983, David H.D. Warren desarroll un compilador capaz de traducir Prolog en un conjunto de instrucciones de una mquina abstracta denominada Warren Abstract Machine, o abreviadamente, WAM. Desde entonces Prolog es un lenguaje semi-interpretado. Si bien en un principio se trataba de un lenguaje de uso reducido, la aparicin de intrpretes del mismo para microordenadores de 8 bits (ej: micro-PROLOG) y para ordenadores domsticos de 16 bits (ej: Turbo Prolog de Borland, entre otros muchos) a lo largo de la dcada de 1980 contribuy notablemente a su popularizacin.[4] Otro importante factor en su difusin fue la adopcin del mismo para el desarrollo del proyecto de la quinta generacin de computadoras a principios de la dcada de los 80,[5]en cuyo contexto se desarroll la implementacin paralelizada del lenguaje llamada KL1 y del que deriva parte del desarrollo moderno de Prolog. Las primeras versiones del lenguaje diferan, en sus diferentes implementaciones, en muchos aspectos de sus sintaxis, emplendose mayormente como forma normalizada el dialecto propuesto por la Universidad de Edimburgo[6], hasta que en 1995 se estableci un estndar ISO (ISO/IEC 13211-1), llamado ISO-Prolog. Prolog se enmarca en el paradigma de los lenguajes lgicos y declarativos, lo que lo diferencia enormemente de otros lenguajes ms populares tales como Fortran, Pascal, C o Java.

Prolog

141

Vuelta atrs (backtracking)

En los lenguajes de programacin antes mencionados, las instrucciones se ejecutan normalmente en orden secuencial, es decir, una a continuacin de otra, en el mismo orden en que estn escritas, que slo vara cuando se alcanza una instruccin de control (un bucle, una instruccin condicional o una transferencia). Los programas en Prolog se componen de clusulas de Horn que constituyen reglas del tipo "modus ponendo ponens", es decir, "Si es verdad el antecedente, entonces es verdad el consecuente". No obstante, la forma de escribir las clusulas de Horn es al contrario de lo habitual. Primero se escribe el consecuente y luego el antecedente. El antecedente puede ser una conjuncin de condiciones que se denomina secuencia de objetivos. Cada objetivo se separa con una coma y puede considerarse similar a una instruccin o llamada a procedimiento de los lenguajes imperativos. En Prolog no existen instrucciones de control. Su ejecucin se basa en dos conceptos: la unificacin y el backtracking. Gracias a la unificacin, cada objetivo determina un subconjunto de clusulas susceptibles de ser ejecutadas. Cada una de ellas se denomina punto de eleccin. Prolog selecciona el primer punto de eleccin y sigue ejecutando el programa hasta determinar si el objetivo es verdadero o falso. En caso de ser falso entra en juego el backtracking, que consiste en deshacer todo lo ejecutado situando el programa en el mismo estado en el que estaba justo antes de llegar al punto de eleccin. Entonces se toma el siguiente punto de eleccin que estaba pendiente y se repite de nuevo el proceso. Todos los objetivos terminan su ejecucin bien en xito ("verdadero"), bien en fracaso ("falso").

Programacin en Prolog
Existen dos tipos de clusulas: Hechos y Reglas. Una regla es del tipo: Cabeza :- Cuerpo. y se lee como "La cabeza es verdad si el cuerpo es verdad". El cuerpo de una regla consiste en llamadas a predicados, que son llamados los objetivos de las reglas. El Predicado ,/2 (es decir, un operador de aridad 2 (que recibe 2 argumentos) y de nombre , ) denota conjuncin de objetivos, y el operador ;/2 denota disyuncin. Conjunciones y disyunciones pueden slo aparecer en el cuerpo, no en la cabeza de la regla. En realidad la disyuncin no es un operador bsico o predefinido, sino que est meta-programado as: ';' (A,_) :- A. ';' (_,B) :- B. Las clusulas sin cuerpo (es decir, antecedente) son llamados hechos porque siempre son ciertos. Un ejemplo de un hecho es: gato(tom). que es equivalente a la regla: gato(tom) :- true. El predicado predefinido true/0 siempre es verdad. Dado el hecho anterior, se puede preguntar: es tom un gato ? ?- gato(tom). Yes

Prolog que cosas son gatos ? ?- gato(X). X = tom Debido a la naturaleza relacional de muchos predicados, pueden ser usados revertidos sus argumentos. Por ejemplo, length/2 puede ser usado para determinar el tamao (longitud) de una lista: length([a,b,c], L), as como para generar un esqueleto de lista para un largo dado (length(X, 5)). Similarmente, append/3 puede ser usado tambin para unir o anexar dos listas: append([a,b], [c,d], X) , as como para dividir una lista en dos partes: append(X, Y, [a,b,c,d]). Todo depende de qu argumentos sean variables libres y cules sean instanciados. En analoga con la programacin imperativa, las variables libres son argumentos de salida y el resto son argumentos de entrada. Pero en Prolog, a diferencia de los lenguajes imperativos, dicho rol es intercambiable en la mayora de los predicados. Esta caracterstica se denomina reversibilidad, y las combinaciones vlidas de argumentos de salida o entrada se denomina modos de uso. Por ejemplo, el predicado length/2 es reversible y tiene tres modos de uso: los dos argumentos instanciados, el primer argumento instanciado pero el otro no, y viceversa. El modo de uso con los dos argumentos sin instanciar no tiene mucho sentido, pero podra ser admitido segn algunas implementaciones, en tal caso, generara todas los esqueletos de lista de todas las longitudes posibles... Por esta razn, una biblioteca relativamente pequea de predicados basta para muchos programas en Prolog. Todos los predicados pueden tambin ser usados para realizar pruebas unitarias: las consultas pueden ser incrustados en programas y permitir pruebas automticas de regresin en tiempo de compilacin. Como un lenguaje de propsito general, Prolog tambin posee varios predicados predefinidos para interaccin con el sistema operativo, como entrada/salida, grficos y comunicaciones de datos. Estos predicados no tienen un significado relacional y son slo tiles por los efectos laterales que exhiben en el sistema. Por ejemplo, el predicado write/1 muestra un trmino en la pantalla, pero no tiene relevancia su valor de verdad o falsedad.

142

Expresiones
Prolog cuenta con operadores para la unificacin y comparacin, sea con evaluacin o sea simblica, como los siguientes: X is Y %unificacin con evaluacin. X = Y %unificacin simblica X=:=Y %comparacin con evaluacin X == Y %comparacin simblica.

?- X is 3+5. X = 8 ?- X = 3+5. X = 3+5 ?- 3+5 =:= 2+6. yes ?- 3+5 == 2+6. no ?- 3+5 == 3+5. yes

Prolog

143

Listas
La representacin de hechos simples no es lo comn en la clasificacin de elementos, sino que se agrupan los elementos de un mismo tipo en una lista. Las listas son colecciones de elementos en Prolog. Una lista se divide en dos partes: Cabeza. Es el primer elemento de la lista. Cola. Es una lista con el resto de los elementos de la lista. La cabeza y la cola de una lista se separan con el smbolo "|".

Ejemplos de cdigo Prolog

Ejemplo simple
%% %% declaraciones %% padrede('juan', 'maria'). % juan es padre de maria padrede('pablo', 'juan'). % pablo es padre de juan padrede('pablo', 'marcela'). padrede('carlos', 'debora'). % A es hijo de B si B es padre de A hijode(A,B) :- padrede(B,A). % A es abuelo de B si A es padre de C y C es padre B abuelode(A,B) :padrede(A,C), padrede(C,B). % A y B son hermanos si el padre de A es tambin el padre de B y si A y B no son lo mismo hermanode(A,B) :padrede(C,A) , padrede(C,B), A \== B. % A y B son familiares si A es padre de B o A es hijo de B o A es hermano de B familiarde(A,B) :padrede(A,B). familiarde(A,B) :hijode(A,B). familiarde(A,B) :hermanode(A,B). %% %% consultas %% % juan es hermano de marcela? ?- hermanode('juan', 'marcela'). yes

Prolog % carlos es hermano de juan? ?- hermanode('carlos', 'juan'). no % pablo es abuelo de maria? ?- abuelode('pablo', 'maria'). yes % maria es abuela de pablo? ?- abuelode('maria', 'pablo'). no

144

Factorial de un nmero
% La sintaxis es factorial(N, F) -> Factorial de N es F (el resultado se guarda en F) factorial(0, 1). factorial(N, F) :- N>0, N1 is N - 1, factorial(N1, F1), F is N * F1. %el factorial se llama recursivamente dejando el resultado en F

Usos de Listas en Prolog

Creacin y consulta de listas plantas([manzana, naranja, limon, espinaca, gardenia, alfalfa, pino]). lista([1,2,3]). ?-lista([H|T]). H=1 T=[2,3] ?-lista([H,J|T]). H=1 J=2 T=[3] Longitud de una lista % Si queremos hallar la longitud de una lista. % La longitud de una lista vacia es 0. % La longitud de cualquier lista es la longitud de la cola + 1. longitud([],0). longitud([_|T],N):-longitud(T,N0), N is N0 + 1. ?- longitud([a,b,c],L). L = 3 ?- longitud([a,b,c],4).

Prolog No Bsqueda de un elemento % Si queremos determinar si un elemento pertenece a una lista. % El elemento pertenece a la lista si coincide con la cabeza de la lista. % El elemento pertenece a la lista si se encuentra en la cola de la lista. pertenece(X,[X|_]) . pertenece(X,[_|R]):- pertenece(X,R). ?- pertenece(b,[a,b,c]). Yes ?- pertenece(b,[a,[b,c]]). No ?- pertenece([b,c],[a,[b,c]]). Yes ?- pertenece(X,[a,b]). X = a ; X = b Eliminar elemento de una lista % Si queremos eliminar un elemento de la lista. % Si X es la cabeza de la lista, la cola T es la lista sin X % Si X no es la cabeza de la lista, conservamos la cabeza de la lista % como parte de la respuesta y continuamos eliminando X de la cola T. elimina(X,[X|T],T). elimina(X,[H|T],[H|T1]):- elimina(X,T,T1). ?- elimina(1,[1,2,3,4],R). R = [2,3,4] ?- elimina(1,R,[2,3]). R = [1, 2, 3] ; R = [2, 1, 3] ; R = [2, 3, 1] ?- elimina(X,[1,2,3],Y). X = 1, Y = [2,3] ; X = 2, Y = [1,3] ; X = 3, Y = [1,2]

145

Prolog Concatenar listas % % % % % Si queremos concatenar dos listas lista. Concatenar una lista vacia con L es L. Concatenar X|L1 con L2 es poner el primer elemento de la primera lista (X) ms la concatenacin del resto de la lista (L1) con L2

146

concatenar([],L,L). concatenar([X|L1],L2,[X|L3]):-concatenar(L1,L2,L3). ?- concatenar([1,2],[3,4],R). R = [1, 2, 3, 4]. ?- concatenar(X,Y,[1,2]). X = [], Y = [1,2] ; X = [1], Y = [2] ; X = [1,2], Y = [] Comprobar si una lista es la inversa de otra % Si queremos calcular la inversa de una lista. % La inversa de una lista vacia es una lista vacia. % La inversa de H|T es la inversa de T concatenada con H. inversa([],[]). inversa([H|T],L):-

inversa(T,R),

concatenar(R,[H],L).

?- inversa([a,b,c,d],[d,c,b,a]). Yes/Si % Utilizando un parametro acumulador. inver(L1,L2):-inver(L1,L2,[]). inver([],L,L). inver([H|T],L,S):-inver(T,L,[H|S]). ?- inver([a,b,c,d],[d,c,b,a]). Yes

Prolog

147

Referencias
[1] Colmerauer, Alain y Roussel, Philippe. La naissance de Prolog (http:/ / prolog. developpez. com/ tutoriels/ alain-colmerauer/ histoire-prolog/ fichiers/ histoire-prolog. pdf), julio 1992 [2] BERGIN, Thomas J. y GIBSON, Richard G., History of Programming Languages II, New York, ACM Press, Addison-Wesley, 1996, ISBN 0-201-89502-1 [4] El lenguaje PROLOG (http:/ / hemeroteca. abc. es/ nav/ Navigate. exe/ hemeroteca/ madrid/ abc/ 1986/ 10/ 12/ 171. html), artculo en el peridico ABC del 12 de octubre de 1986 [5] Aplicaciones de la Inteligencia Artificial en la Actividad Empresarial, la Ciencia y la Industria (http:/ / books. google. es/ books?id=LjWfRnueXrYC& pg=PA644& lpg=PA644& dq=prolog+ quinta+ generacin& source=bl& ots=wENhTg-AoC& sig=rL9KDc11mL0NSXtWDSsnqGLFJ-g& hl=es& ei=KMFxS4GDLZOF_Abe2dHQCw& sa=X& oi=book_result& ct=result& resnum=10& ved=0CB0Q6AEwCTgU#v=onepage& q=prolog quinta generacin& f=false), de Wendy B. Rauch-Hindin, pgina 644 y siguientes, ISBN 84-87189-07-5, en Google Books. [6] A falta de una especificacin formal del Prolog de Edimburgo se ha utilizado sobre todo como referencia el DEC-10 PROLOG Manual de Bowen (1982) o el Programming in Prolog de Clocksin y Mellish.

Enlaces externos
Ciao-prolog compilador/Intrprete eficience distribuido bajo GPL/LGPL (http://www.ciaohome.org). Strawberry Prolog, compilador libre de Prolog (http://www.dobrev.com/) Laboratorio de programacin lgica de la Universidad Politcnica de Madrid (http://clip.dia.fi.upm.es). Tutorial gratuito de programacin en Prolog (http://www.programacion.com/cursos/prolog1) Curso intermedio (gratuito) de programacin en Prolog (http://www.programacion.com/tutorial/prolog2) Learn Prolog Now! (tutorial gratuito) (http://www.learnprolognow.org)

Proyecto ACROSS
Objetivos del Proyecto ACROSS
ACROSS es un proyecto Singular de Carcter Estratgico liderado por Treelogic [1] cofinanciado por el Ministerio de Industria, Turismo y Comercio de Espaa dentro del programa Avanza I+D. Se trata de un proyecto iniciado en 2009 y que finaliza en 2011. El proyecto ACROSS tiene por objetivo incorporar robots de servicios en escenarios sociales que se anticipen a las necesidades de los usuarios mejorando la comunicacin y empata entre personas y robots. Las caractersticas econmicas y temporales del proyecto ACROSS lo convierten en el uno de los proyectos ms ambicioso basados en Robtica Social y de Servicios que se desarrolla en Espaa. El principal reto que asume ACROSS es crear sistemas inteligentes, capaces de auto-reconfigurarse y modificar su comportamiento de forma autnoma mediante capacidad de comprensin, aprendizaje y acceso a software remoto. Con el objetivo de proporcionar un marco abierto de colaboracin entre empresas, universidades, centros de investigacin y la Administracin, el proyecto ACROSS se apoya en la filosofa de generacin de software Open Source. Este hecho garantiza la continua evolucin del sistema ACROSS a partir de la integracin de nuevos agentes tecnolgicos. Se consideran tres niveles de interaccin segn su grado de complejidad: robots monitorizados directamente por el usuario, robots utilizados como herramienta tecnolgica y robots dotados de una interaccin avanzada adaptada completamente al comportamiento del usuario. ACROSS tiene aplicacin directa en tres escenarios sociales correspondientes a: Vida Independiente: robots utilizados como ayuda tecnolgica en tareas cotidianas para colectivos con diversidad funcional.

Proyecto ACROSS Psicoafectividad: cuyo objetivo es mitigar el deterioro de habilidades cognitivas en personas con problemas psicoafectivos (principalmente trastornos del espectro autista). Marketing: interaccin amigable entre robots y personas con un fin ldico y/o publicitario.

148

Miembros colaboradores
Treelogic Alimerka Bizintek Universitat Politcnica de Catalunya Universidad de Deusto European Centre for Soft Computing Fatronik - Tecnalia Fundaci Hospital Comarcal Sant Antoni Abat Fundacin Pblica Andaluza para la Gestin de la Investigacin en Salud de Sevilla, Hospitales Universitarios "Virgen del Roco" de Sevilla m-BOT Omicron Electronic Universidad de Extremadura: RoboLab [2] Verbio Technologies

Enlaces externos
Web Proyecto ACROSS [3] SlideShare proyecto ACROSS [4]

Referencias
[1] [2] [3] [4] http:/ / www. treelogic. com http:/ / robolab. unex. es http:/ / www. acrosspse. com http:/ / www. slideshare. net/ acrosspse

Quinta generacin de computadoras

149

Quinta generacin de computadoras

La quinta generacin de computadoras, tambin conocida por sus siglas en ingls, FGCS (de Fifth Generation Computer Systems) fue un ambicioso proyecto propuesto por Japn a finales de la dcada de 1970. Su objetivo era el desarrollo de una nueva clase de computadoras que utilizaran tcnicas y tecnologas de inteligencia artificial tanto en el plano del hardware como del software,[1] usando el lenguaje PROLOG[2][3][4] al nivel del lenguaje de mquina y seran capaces de resolver problemas complejos, como la traduccin automtica de una lengua natural a otra (del japons al ingls, por ejemplo). Como unidad de medida del rendimiento y prestaciones de estas computadoras se empleaba la cantidad de LIPS (Logical Inferences Per Second) capaz de realizar durante la ejecucin de las distintas tareas programadas. Para su desarrollo se emplearon diferentes tipos de arquitecturas VLSI (Very Large Scale Integration). El proyecto dur once aos, pero no obtuvo los resultados esperados: las computadoras actuales siguieron as, ya que hay muchos casos en los que, o bien es imposible llevar a cabo una paralelizacin del mismo, o una vez llevado a cabo sta, no se aprecia mejora alguna, o en el peor de los casos, se produce una prdida de rendimiento. Hay que tener claro que para realizar un programa paralelo debemos, para empezar, identificar dentro del mismo partes que puedan ser ejecutadas por separado en distintos procesadores. Adems, es importante sealar que un programa que se ejecuta de manera secuencial, debe recibir numerosas modificaciones para que pueda ser ejecutado de manera paralela, es decir, primero sera interesante estudiar si realmente el trabajo que esto conlleva se ve compensado con la mejora del rendimiento de la tarea despus de paralelizarla.

Historia y desarrollo del proyecto

Antecedentes y diseo
A travs de las mltiples generaciones desde los aos 50, Japn haba sido el seguidor en trminos del adelanto y construccin de las computadoras basadas en los modelos desarrollados en los Estados Unidos y el Reino Unido. Japn, a travs de su Ministerio de Economa, Comercio e Industria (MITI) decidi romper con esta naturaleza de seguir a los lderes y a mediados de la dcada de los 70 comenz a abrirse camino hacia un futuro en la industria de la informtica. El Centro de Desarrollo y Proceso de la Informacin de Japn (JIPDEC) fue el encargado llevar a cabo un plan para desarrollar el proyecto. En 1979 ofrecieron un contrato de tres aos para realizar estudios ms profundos con la participacin conjunta de empresas de la industria dedicadas a la tecnologa e instituciones acadmicas, a instancias de Hazime Hiroshi. Fue durante este perodo cuando el trmino "computadora de quinta generacin" comenz a ser utilizado.

Inicio
En 1981 a iniciativa del MITI se celebr una Conferencia Internacional, durante la cual Kazuhiro Fuchi anunci el programa de investigacin y el 14 de abril de 1982 el gobierno decidi lanzar oficialmente el proyecto, creando el Institute for New Generation Computer Technology (Instituto para la Nueva Generacin de Tecnologas de Computacin o ICOT por sus siglas en ingls), bajo la direccin de Fuchi,[5] a quien sucedera en el puesto como director del instituto Tohru Moto-Oka, y con la participacin de investigadores de diversas empresas japonesas dedicadas al desarrollo de hardware y software, entre ellas Fujitsu, NEC, Matsushita, Oki, Hitachi, Toshiba y Sharp.[6] Los campos principales para la investigacin de este proyecto inicialmente eran: Tecnologas para el proceso del conocimiento. Tecnologas para procesar bases de datos y bases de conocimiento masivo. Sitios de trabajo del alto rendimiento.

Quinta generacin de computadoras Informticas funcionales distribuidas. Supercomputadoras para el clculo cientfico.

150

Impacto institucional internacional

Debido a la conmocin suscitada que caus que los japoneses fueran exitosos en el rea de los artculos electrnicos durante la dcada de los 70, y que prcticamente hicieran lo mismo en el rea de la automocin durante los 80, el proyecto de la quinta generacin tuvo mucha reputacin entre los otros pases.[7] Tal fue su impacto que se crearon proyectos paralelos. En Estados Unidos, la Microelectronics and Computer Technology Corporation[] y la Strategic Computing Initiative; por parte europea, en Reino Unido fue ALVEY,[] y en el resto de Europa su reaccin fue conocida como ESPRIT (European Strategic Programme for Research in Information Technology, en espaol Programa Estratgico Europeo en Investigacin de la Tecnologa de la Informacin).[8]

Popularidad internacional
Aparte de las reacciones a nivel institucional, en un plano ms popular comenz a ser conocido en Occidente gracias a la aparicin de libros en los que se hablaba del proyecto de manera ms o menos directa o era citado[9] pero principalmente por artculos aparecidos en revistas dedicadas a los aficionados a la informtica; as por ejemplo, en el nmero de agosto de 1984 de la estadounidense Creative Computing se public un artculo que trataba ampliamente el tema, "The fifth generation: Japan's computer challenge to the world"[10] (traducido, La Quinta Generacin: El desafo informtico japons al mundo). En el mbito de habla hispana se puede citar por ejemplo a la revista MicroHobby, que en julio de 1985 public[11] una entrevista a Juan Pazos Sierra, Doctorado en Informtica y vinculado en aquella poca a la Facultad de Informtica de la Universidad de Madrid, en la que describa someramente el proyecto como: ...un proyecto japons que tiene unas caractersticas curiosas y especiales; en primer lugar, la pretensin es construir un computador basado en tecnologa VLSI, con una arquitectura no Von Neumann y que llevara como ncleo de software la programacin lgica, el lenguaje PROLOG, para construir finalmente sobre todo esto Sistemas Expertos. Y sobre sus potenciales resultados, expresaba una opinin relativamente optimista, en la lnea de lo augurado por los propios promotores del proyecto. As, ante la pregunta de si se haba obtenido algn resultado en el mismo, responda: De momento, nada. Se va a desarrollar muchsimo lo que ya existe, aparecern nuevas tecnologas, nuevos Sistemas Expertos y la investigacin se ver enormemente potenciada por la tremenda inyeccin de dinero que el proyecto quinta generacin ha supuesto para la Inteligencia Artificial. Por su parte, Romn Gubern, en su ensayo El simio informatizado de 1987, consideraba que: ...el ordenador de quinta generacin es un verdadero intento de duplicacin tecnolgica del intelecto del Homo sapiens.[12]

Quinta generacin de computadoras

151

Principales eventos y finalizacin del proyecto

1981: se celebra la Conferencia Internacional en la que se perfilan y definen los objetivos y mtodos del proyecto. 1982: el proyecto se inicia y recibe subvenciones a partes iguales aportadas por sectores de la industria y por parte del gobierno. 1985: se concluye el primer hardware desarrollado por el proyecto, conocido como Personal Sequential Inference machine (PSI) y la primera versin del sistema operativo Sequentual Inference Machine Programming Operating System (SIMPOS). SIMPOS fue programado en Kernel Language 0 (KL0), una variante concurrente de Prolog[13] con extensiones para la programacin orientada a objetos, el metalenguaje ESP. Poco despus de las mquinas PSI, fueron desarrolladas las mquinas CHI (Co-operative High-performance Inference machine). 1986: se ultima la mquina Delta, basada en bases de datos relacionales. 1987: se construye un primer prototipo del hardware llamado Parallel Inference Machine (PIM) usando varias mquinas PSI conectadas en red. El proyecto recibe subvenciones para cinco aos ms. Se desarrolla una nueva versin del lenguaje propuesto, Kernel Language 1 (KL1) muy similar al "Flat GDC" (Flat Guarded Definite Clauses), influenciada por desarrollos posteriores del Prolog y orientada a la computacin paralela. El sistema operativo SIMPOS es re-escrito en KL1 y rebautizado como Parallel Inference Machine Operating System, o PIMOS. 1991: concluyen los trabajos en torno a las mquinas PIM. 1992: el proyecto es prorrogado un ao ms a partir del plan original, que conclua este ao. 1993: finaliza oficialmente el proyecto de la quinta generacin de computadoras, si bien para dar a conocer los resultados se inicia un nuevo proyecto de dos aos de duracin prevista, llamado FGCS Folow-on Project.[14] El cdigo fuente del sistema operativo PIMOS es lanzado bajo licencia de dominio pblico y el KL1 es portado a sistemas UNIX, dando como resultado el KLIC (KL1 to C compiler). 1995: finalizan todas las iniciativas institucionales vinculadas con el proyecto. Como uno de los productos finales del Proyecto se desarrollaron cinco Mquinas de Inferencia Paralela (PIM), llamadas PIM/m, PIM/p, PIM/i, PIM/k y PIM/c, teniendo como una de sus caractersticas principales 256 elementos de Procesamiento Acoplados en red. El proyecto tambin produjo herramientas que se podan utilizar con estos sistemas tales como el sistema de gestin de bases de datos en paralelo Kappa, el sistema de razonamiento legal HELIC-II, el lenguaje de programacin Quixote, un hbrido entre base de datos deductiva orientada a objetos y lenguaje de programacin lgico[15] y el demostrador automtico de teoremas MGTP. Once aos despus del inicio del proyecto, la gran suma de dinero, infraestructura y recursos invertida en el mismo no se corresponda con los resultados esperados y se dio por concluido sin haber cumplido sus objetivos. William Zachman critic el proyecto un ao antes de su trmino, argumentando: Perjudica el desarrollo de aplicaciones de IA; con la IA, no importa el sistema, mientras no haya mecanismos de inferencia potentes. Ya hay un montn de aplicaciones de tipo IA, y estoy esperando la llegada del motor de inferencia potente, por eso las computadora de quinta generacin son un error.[16] El hardware propuesto y sus desarrollos de software no tenan cabida en el mercado informtico, que haba evolucionado desde el momento en el que se lanzara el proyecto, y en el que sistemas de propsito general ahora podan hacerse cargo de la mayora de las tareas propuestas como objetivos iniciales de las mquinas de quinta generacin, de manera semejante a como haba pasado en el caso del mercado potencial de las mquinas Lisp, en el que sistemas para la creacin de Sistemas Expertos basados en reglas como CLIPS, implementados sobre computadoras comunes, haban convertido a estas costosas mquinas en innecesarias y obsoletas.[17] Por otra parte, dentro de las disputas entre las diferentes ramas de la Inteligencia Artificial, el proyecto japons parta del paradigma basado en la programacin lgica y la programacin declarativa, dominante tras la publicacin en 1969 por Marvin Minsky y Seymour Papert del libro Perceptrons, que pasara progresivamente a un segundo plano

Quinta generacin de computadoras en favor de la programacin de Redes Neuronales Artificiales (RNA) tras la publicacin en 1986 por parte de McClelland y Rumelhart del libro Parallel Distributed Processing, lo que junto a sus escasos resultados contribuy a que el proyecto de la quinta generacin cayera en el olvido a su trmino en 1993. El Institute for New Generation Computer Technology (ICOT) fue renombrado en el ao 1995 a Research Institute for Advanced Information Technology (AITEC), centro que fue clausurado en 2003, pasando todos sus recursos al Advanced IT Research Group (AITRG), dependiente del Departamento de Investigacin del JIPDEC.

152

Hardware
Primera etapa
Mquinas secuenciales PSI (Personal Sequential Inference machine) y CHI (Co-operative High-performance Inference machine): PSI-I: 30 KLIPS (Logical Inference Per Second) PSI-II: PSI-I + CPU VLSI CHI-I: 285 KLIPS Mquinas en paralelo PIM (Parallel Inference Machine): PIM-D PIM-R Mquina de base de datos relacional: DELTA

Segunda etapa
Mquinas secuenciales: PSI-III CHI-II: 490 KLIPS Mquinas en paralelo: Multi-PSI

Tercera etapa
Mquinas en paralelo: PIM/p: 512 microprocesadores RISC, 256 MB de memoria PIM/m: 256 microprocesadores CISC, 80 MB de memoria PIM/c: 256 microprocesadores CISC, 160 MB de memoria PIM/k: 16 microprocesadores RISC, 1 GB de memoria PIM/i: 16 microprocesadores RISC (tipo LIW), 320 MB de memoria

Quinta generacin de computadoras

153

Referencias
[1] Aplicaciones de la Inteligencia Artificial en la Actividad Empresarial, la Ciencia y la Industria (http:/ / books. google. es/ books?id=LjWfRnueXrYC& pg=PA644& lpg=PA644& dq=prolog+ quinta+ generacin& source=bl& ots=wENhTg-AoC& sig=rL9KDc11mL0NSXtWDSsnqGLFJ-g& hl=es& ei=KMFxS4GDLZOF_Abe2dHQCw& sa=X& oi=book_result& ct=result& resnum=10& ved=0CB0Q6AEwCTgU#v=onepage& q=prolog quinta generacin& f=false), de Wendy B. Rauch-Hindin, 1989, pgina 644 y siguientes, ISBN 84-87189-07-5, en Google Books. [2] "High performance integrated Prolog processor IPP", de S. Abe, T. Bandoh, S. Yamaguchi, K. Kurosawa y K. Kiriyama, junio de 1987, [3] "A Prolog processor based on a pattern matching memory device", de Ian Robinson, 1986, [4] "Performance and architectural evaluation of the PSI machine", de Kazuo Taki, Katzuto Nakajima, Hiroshi Nakashima y Morihiro Ikeda, noviembre de 1987, [5] "Pugna generacional", artculo en MI COMPUTER-Curso prctico del ordenador personal el micro y el miniordenador (http:/ / www. bytemaniacos. com/ ftpcm_public/ Revistas/ Mi Computer/ Fasciculo_024. pdf), volumen II, fascculo 24, pginas 468-469. Editorial Delta, 1984, ISBN 84-85822-83-8 (fascculo 24) ISBN 84-85822-90-0 (volumen II) ISBN 84-85822-82-X (obra completa) [6] "Los robots inteligentes, el gran desafo de la quinta generacin de ordenadores" (http:/ / hemeroteca. abc. es/ nav/ Navigate. exe/ hemeroteca/ madrid/ abc/ 1985/ 02/ 28/ 032. html), artculo de Juan Fernando Dorrego en el peridico ABC de Madrid del 28 de febrero de 1985, pgina 32. [7] D. H. D. Warren (1982) A View of the Fifth Generation and Its Impact, en AI Magazine, Vol. 3, Nmero 4, Fall 1982, pginas 34-39 [8] William M. Gevarter (1985) Intelligent Machines. An introductory perspective of Artificial Intelligence and robotics, ISBN 0-13-468810-4 01. Existe traduccin al espaol en William M. Gevarter Mquinas inteligentes. Una panormica de la inteligencia artificial y de la robtica, traduccin de Andrs Magaa, Ediciones Das de Santos, 1987, Madrid, ISBN 84-86251-63-X pginas 165-166 [9] Vase por ejemplo, Peter Bishop, Fifth Generation Computers, Nueva York, 1986, o Tohru Moto-Oka y Masaru Kitsuregawa, The Fith Generation Computer: The Japanese Challenge, Nueva York, 1985. En espaol pueden verse por ejemplo: Hugh de Saram, Programacin en micro-PROLOG. Un lenguaje de la 5 generacin, Madrid, 1987, ISBN 84-283-1531-0, traduccin de Jos Manuel Alonso y Francisco Armero del original en ingls; Tohru Moto-Oka y Masaru Kitsuregawa, El ordenador de Quinta Generacin, Barcelona, 1986, ISBN 84-344-1056-7, traduccin de Juan A. Gutirrez-Larraya del original en ingls, o Geoffrey Leslie Simons, Los ordenadores de la Quinta Generacin:: una computopa para una sociedad en crisis, Madrid, 1985, ISBN 978-84-86251-21-5. [10] "The fifth generation: Japan's computer challenge to the world" (http:/ / www. atarimagazines. com/ creative/ v10n8/ 103_The_fifth_generation_Jap. php), artculo de Edward Feigenbaum y Pamela McCorduck, pgina 103, en la revista Creative Computing, vol. 10, nm. 8, agosto de 1984. [11] "Pueden pensar las mquinas?", entrevista a Juan Pazos Sierra, artculo de Jos Mara Daz, en la revista MicroHobby, nmero 39, 30 de julio de 1985, pgina 22 (http:/ / www. microhobby. org/ images-mh/ 039/ mh039_22. jpg), pgina 23 (http:/ / www. microhobby. org/ images-mh/ 039/ mh039_23. jpg), pgina 24 (http:/ / www. microhobby. org/ images-mh/ 039/ mh039_24. jpg) y pgina 25 (http:/ / www. microhobby. org/ images-mh/ 039/ mh039_25. jpg). [12] Citado en "Romn Gubern investiga las relaciones entre etologa y tecnologa en 'El simio informatizado'" (http:/ / www. elpais. com/ articulo/ cultura/ GUBERN/ _ROMaN_/ ESCRITOR_Y_PROFESOR_DE_CINE/ Roman/ Gubern/ investiga/ relaciones/ etologia/ tecnologia/ simio/ informatizado/ elpepicul/ 19870422elpepicul_1/ Tes/ ), artculo de J. R. Prez Ornia en el peridico El Pas de Madrid del 22 de abril de 1987. [13] Carl Hewitt, "Middle History of Logic Programming: Resolution, Planner, Prolog and the Japanese Fifth Generation Project" (http:/ / arxiv. org/ abs/ 0904. 3036), ArXiv 2009, (http:/ / knol. google. com/ k/ carl-hewitt-see-http-carlhewitt-info/ middle-history-of-logic-programming/ pcxtp4rx7g1t/ 3#). [14] "General Report of the FGCS Folow-on Project" (http:/ / www. jipdec. or. jp/ icot/ ARCHIVE/ Museum/ FGCS94/ uchida-proc. html), artculo de Shunichi Uchida, diciembre de 1994. [15] "Knowledge Representation Language Quixote" (http:/ / www. jipdec. or. jp/ icot/ ARCHIVE/ Museum/ FGCS94/ quixote. html), artculo de Hiroshi Tsuda y Kazumasa Yokota, diciembre de 1994. [16] William Zachman, "The Japanese Give Up on New Wave of Computers?" (International Tribune, 2 de junio de 1992, edicin de Tokio) [17] James Hendler, IEEE Intelligent Systems (March/April 2008 (Vol. 23, No. 2) pp. 2-4 (http:/ / csdl2. computer. org/ comp/ mags/ ex/ 2008/ 02/ mex2008020002. pdf)

Quinta generacin de computadoras

154

Bibliografa

"El proyecto de la quinta generacin de computadoras" (ttulo original en japons), Kazuhiro Fuchi y Hirose Takeshi, 1984 "La quinta generacin de computadoras" (ttulo original en japons), Murakami Kunio y Shunichi Uchida , editado por Kyoritsu Shuppan, 1985, ISBN 4-320-02278-5 ( En Amazon (http://www.amazon.co.jp/ 1960~1985-- dp/4320022785/ref=sr_1_1/376-6768592-9171456?ie=UTF8&qid=1255992669&sr=1-1)) Proceedings of the FGCS Project Evaluation Workshop, Shunichi Uchida y Kazuhiro Fuchi, Institute for New Generation Computer Technology (ICOT), 1992. "Historia de la computadora" (ttulo original en japons), Shigeru Takahashi, (Ed.) Ohmsha, 1996, ISBN 4-274-02319-2 ( En WorldCat (http://www.worldcat.org/isbn/4274023192)) "Historia del Centro de Desarrollo y Proceso de la Informacin de Japn" (ttulo original en japons), varios autores, (Ed.) Ohmsha, 1998, ISBN 4-274-07864-7 ( En BookWeb (http://bookweb.kinokuniya.co.jp/htm/ 4274078647.html))

Enlaces externos
Pgina web oficial del ICOT (http://www.jipdec.or.jp/archives/icot/English-HomePage.html), posteriormente llamado Research Institute for Advanced Information Technology (AITEC) y actualmente Advanced IT Research Group (AITRG), en ingls. Qu son las tecnologas de Quinta Generacin? (http://www.jipdec.or.jp/icot/ARCHIVE/HomePage-E. html), de la pgina web oficial del ICOT, en ingls. Reportaje sobre la Conferencia de Computacin de la Quinta Generacin de 1988 (http://www.useit.com/ papers/tripreports/fifthgeneration.html), en ingls. Actas de las Conferencias de FGCS de 1984, 1988 y 1992 (http://www.informatik.uni-trier.de/~ley/db/conf/ fgcs/), en ingls. ICOT Free Software (http://www.jipdec.or.jp/archives/icot/ARCHIVE/Museum/IFS/HomePage-E.html), en ingls. ICOT-FGCS Digital Archive (http://www.jipdec.or.jp/archives/icot/ARCHIVE/), en japons. ICOT-FGCS Museum (http://www.jipdec.or.jp/archives/icot/ARCHIVE/HomePage-E.html), en ingls. ICOT-FGCS Photo Museum (http://www.jipdec.or.jp/archives/icot/ARCHIVE/Museum/photo-E.html), en ingls.

RapidMiner

155

RapidMiner
RapidMiner Desarrollador Rapid-I [1] http:/ / rapidminer. com Informacin general ltima versin estable 5.2 1 de febrero de 2012 Gnero Programado en Sistema operativo Plataforma Licencia Idiomas En espaol Aprendizaje automtico Java Multiplataforma Java AGPL ingls

RapidMiner (anteriormente, YALE, Yet Another Learning Environment) es un programa informtico para el anlisis y minera de datos. Permite el desarrollo de procesos de anlisis de datos mediante el encadenamiento de operadores a travs de un entorno grfico. Se usa en investigacin educacin, capacitacin, creacin rpida de prototipos y en aplicaciones empresariales. En una encuesta realizada por KDnuggets, un peridico de minera de datos, RapidMiner ocup el segundo lugar en herramientas de analtica y de minera de datos utilizadas para proyectos reales en 2009[2] y fue el primero en 2010.[3] La versin inicial fue desarrollada por el departamento de inteligencia artificial de la Universidad de Dortmund en 2001. Se distribuye bajo licencia AGPL y est hospedado en SourceForge desde el 2004. RapidMiner proporciona ms de 500 operadores orientados al anlisis de datos, incluyendo los necesarios para realizar operaciones de entrada y salida, preprocesamiento de datos y visualizacin. Tambin permite utilizar los algoritmos incluidos en Weka.

Fuentes e instalador
El programa lo pueden desarcar en la siguiente ruta: http://sourceforge.net/projects/rapidminer/

Caractersticas
Desarrollado en Java. Multiplataforma Representacin interna de los procesos de anlisis de datos en ficheros XML. Permite el desarrollo de programas a travs de un lenguaje de script. Puede usarse de diversas maneras: A travs de un GUI En lnea de comandos En batch (lotes)

RapidMiner Desde otros programas a travs de llamadas a sus bibliotecas. Extensible Incluye grficos y herramientas de visualizacin de datos. Dispone de un mdulo de integracin con R.

156

Referencias
Bibliografa
I. Mierswa, M. Wurst, R. Klinkenberg, M. Scholz, and T. Euler: YALE: Rapid Prototyping for Complex Data Mining Tasks, in Proceedings of the 12th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (KDD-06), 2006.

Notas
[1] http:/ / rapidminer. com

Razonamiento automatizado
El razonamiento automatizado (o razonamiento automtico) es un rea de las ciencias de la computacin dedicado a comprender diferentes aspectos del razonamiento de forma que permita la creacin de programas con el objeto de permitir a los ordenadores razonar de forma autnoma o casi autnoma. Como tal, est considerado como un subcampo de la inteligencia artificial, pero tiene, tambin, conexiones con la ciencia computacional terica e incluso filosofa. Sus siglas en ingls son AR, del trmino Automated reasoning. Las sub-reas ms destacadas del razonamiento automtico son, probablemente, la demostracin automtica de teoremas (y la menos automatizada, pero ms pragmtica demostracin interactiva de teoremas) y la comprobacin automatizada de pruebas (considerada como razonamiento correcto garantizado bajo condiciones fijas), pero se ha desarrollado tambin un trabajo extenso en el razonamiento por analoga, induccin y abduccin. Otros temas importantes son el razonamiento con incertidumbre y razonamiento no montono.

Razonamiento automtico

157

Razonamiento automtico
El razonamiento automtico es un rea de la ciencias de la computacin dedicada a comprender diferentes aspectos del razonamiento de manera que permita la creacin de programas informticos que posibiliten a los ordenadores razonar de forma completamente automtica, o casi automtica. Se le considera habitualmente como una subrea de la inteligencia artificial, pero adems posee fuertes conexiones con la Teora de la computacin e incluso con la filosofa.

Historia
La historia del razonamiento automtico se remonta a los primeros indicios de la mecanizacin del mismo, que pueden remontarse a la filosofa de la Antigua Grecia, que dio origen, finalmente de la mano de Aristteles, al tratado de lgica proposicional descrito en su compendio de libros, rganon. ste pretenda esquematizar los razonamientos usando smbolos que sustitutan a las distintas afirmaciones (proposiciones) que formaban parte de un razonamiento. Los debates y discusiones sobre lgica proposicional estuvieron desde entonces en boga de los filsofos griegos, hasta la llegada de la Edad Media. Por ejemplo, y con respecto a la interpretacin de la conectiva llamada implicador, Calmaco lleg a decir: Hasta los cuervos discuten en los tejados ste problema Con la llegada de los pueblos brbaros, y la cada de la cultura clsica, la Europa Medieval perdi y no reaviv el inters cientfico aproximadamente hasta el siglo XII con la introduccin de los textos aristotlicos, que desde entonces gobernaron la filosofa escolstica, alrededor del siglo XI, trados y recopilados celosamente desde haca siglos por la tradicin musulmana, en la Casa de la sabidura. Esto propici la aparicin de la llamada Revolucin Cientfica del siglo XII, que volvi a reavivar, entre otras cosas, las preocupaciones de la lgica, todava desde un punto de vista totalmente filosfico. Ya en el 1305, el pensador cataln Ramn Llull, fuertemente influenciado por Roger Bacon (uno de los primeros revolucionarios del siglo XII), escribi un tratado, el Ars Magna, que puede considerarse un claro precursor del razonamiento automtico, ya entendido como un procedimiento mecnico que razona por s mismo. A diferencia de la lgica aristotlica (sinnima de proposicional), que solo es una herramienta para hacer razonamientos desde un punto de vista ms analtico, pero realizados en ltima instancia por el individuo, el Ars Magna de Llull era un sistema de circunferencias con etiquetas de smbolos que representan conceptos, y que conectados como si de una maquinaria de reloj se tratara, permita seleccionar distintos atributos o conceptos en la mquina, y, accionndola, permitira llegar a las conclusiones de dicho razonamiento. Estos estaban muy fuertemente imbuidos de conceptos teolgicos y filosficos, para realizar razonamientos en estas reas, de modo que se llegara a verdades indiscutibles (de principal orientacin a la ideologa cristiana), a partir de conceptos que atribuiran como verdaderos tanto judos como musulmanes, a fin de convencer a ambos bandos. El siguiente eslabn de esta cadena recaa en posesin de Gottfried Leibniz. Debido a su fuerte conviccin racionalista, reflexion sobre la posibilidad de construir, ya no solamente una mquina, sino tambin un lenguaje universal (concepto preconizado por Ren Descartes, padre del racionalismo) que tuviera el suficiente poder de expresin para razonar con coherencia, rigidez y sin ambigedad sobre cualquier tipo de concepto. l se inspir en el Ars Magna de Llull para construir ste Ars combinatoria. Durante todo este perodo, el estudio sobre el razonamiento, tanto mecnico como analtico, caa dentro del campo de la filosofa y en las manos de los filsofos y matemticos con inclinaciones filosficas. Fue en el siglo XIX y XX, ya de la mano de la matemtica, donde se obtuvieron nuevos enfoques sobre el razonamiento. El principal inters fue axiomatizar la matemtica en una teora axiomtica basal que la constituyera entera, entre cuyos principales autores y responsables pueden citarse a Dedekind (que consigui reunir la matemtica numrica e infinitesimal, mediante las llamadas cortaduras de Dedekind), los debates y la disputa entre Georg

Razonamiento automtico Cantor, Gottlob Frege y Bertrand Russell (sobre los problemas y conceptos del infinito y el conjunto, y la construccin de la lgica de primer orden), David Hilbert, estableciendo su finitismo metodolgico, y por ltimo Ernst Zermelo y Adolf Fraenkel que construyeron su axiomtica ZF, que ha permanecido prcticamente invariable hasta nuestros das. Se consigui entonces culminar ste proceso de axiomatizacin que la matemtica llevaba experimentando durante ms de un siglo. Y es este proceso el que propici los nuevos enfoques sobre el razonamiento automtico moderno. Una vez conseguido un marco formal de razonamiento y construccin de la matemtica, la siguiente pregunta obvia era la capacidad mecnica de los sistemas que se acaban de constituir. Es decir, qu informacin me otorgan los smbolos, qu conexiones pueden existir entre las premisas y las conclusiones que se intentan demostrar, dentro de una teora axiomtica, y cules son sus limitaciones tericas. Dicho de otra forma, hasta qu punto un matemtico o un lgico poda trasladar a los smbolos la responsabilidad de realizar el horrible y tedioso trabajo de conseguir demostrar teoremas, con solo seguir los pasos marcados por un procedimiento mecnico. Las respuestas a estas preguntas tuvieron dos salidas principales: la primera fue la construccin de todo el corpus matemtico de la computacin (la formalizacin del concepto de algoritmo, es decir, la formalizacin del concepto de proceso mecnico y funcin computable), principalmente de la mano de Alan Turing, y la segunda los resultados sobre las limitaciones de expresin y aptitud de los lenguajes formales, que son los usados para razonar, resultados principalmente tomados de la mano de Kurt Gdel. A partir de todos estos resultados tericos conjuntos, empez a divergir su utilidad prctica (al menos en los problemas que caben dentro de las limitaciones tericas), con la construccin de softwares de razonamiento, tanto automtico como interactivo, para ayudar, por ejemplo, a guiar al usuario que desee demostrar algunos teoremas de sus propios sistemas, por ejemplo, en problemas de verificacin del software.

158

Subreas
Las subreas ms desarrolladas del razonamiento automtico son probablemente la demostracin automtica de teoremas (y la menos automtica, pero ms pragmtica demostracin interactiva de teoremas y la verificacin de demostraciones (que garantiza que un razonamiento es correcto). Adems, se ha realizado un trabajo enorme en el razonamiento por analoga, induccin y abduccin. Otros temas importantes son el razonamiento con incertidumbre y el razonamiento no montono. Una parte importante del razonamiento con incertidumbre es la argumentacin, donde se aplican restricciones de minimalidad y de consistencia sobre el razonamiento automtico clsico. El sistema Oscar de John Pollock es un ejemplo de argumentacin automtica que es ms especfico que un "simple" demostrador automtico de teoremas. La argumentacin formal es un subrea de la inteligencia artificial. Las herramientas y las tcnicas del razonamiento automtico incluyen las lgicas y los clculos clsicos de demostracin automtica de teoremas, as como la lgica difusa, la inferencia bayesiana el razonamiento por el principio de entropa maximal y un gran nmero de tcnicas ad hoc menos formales.

Referencias
Esta obra deriva de la traduccin de Automated reasoning, publicada bajo la Licencia de documentacin libre de GNU y la Licencia Creative Commons Atribucin-CompartirIgual 3.0 Unported por editores [1] de la Wikipedia en ingls. Esta obra deriva de la traduccin de Raisonnement automatis, publicada bajo la Licencia de documentacin libre de GNU y la Licencia Creative Commons Atribucin-CompartirIgual 3.0 Unported por editores [2] de la Wikipedia en francs.

Razonamiento automtico

159

Conferencias y congresos
International Joint Conference on Automated Reasoning [3](IJCAR) Conference on Automated Deduction [4] (CADE) International Workshop on the Implementation of Logics [5] Workshop Series on Empirically Successful Topics in Automated Reasoning [6]

Revistas
Journal of Automated Reasoning [7]

Comunidades
Association for Automated Reasoning [8] (AAR)

Referencias
1. Portoraro, Frederic Automated Reasoning [9]. The Stanford Encyclopedia of Philosophy (Winter 2008 Edition), Edward N. Zalta (ed.).

Referencias
[1] http:/ / toolserver. org/ ~daniel/ WikiSense/ Contributors. php?wikilang=en& wikifam=. wikipedia. org& page=Automated+ reasoning& grouped=on& hidebots=on& hideanons=on& order=-edit_count& max=200& order=first_edit& format=html [2] http:/ / toolserver. org/ ~daniel/ WikiSense/ Contributors. php?wikilang=fr& wikifam=. wikipedia. org& page=Raisonnement+ automatis%C3%A9& grouped=on& hidebots=on& hideanons=on& order=-edit_count& max=200& order=first_edit& format=html [3] http:/ / www. ijcar. org/ [4] http:/ / www. cadeconference. org/ [5] http:/ / www. csc. liv. ac. uk/ ~konev/ iwil2008/ [6] http:/ / www. eprover. org/ EVENTS/ es_series. html [7] http:/ / www-unix. mcs. anl. gov/ JAR/ [8] http:/ / www. aarinc. org/ [9] http:/ / plato. stanford. edu/ archives/ win2008/ entries/ reasoning-automated/

Razonamiento basado en casos

160

Razonamiento basado en casos

El Razonamiento basado en casos es el proceso de solucionar nuevos problemas basndose en las soluciones de problemas anteriores. Un mecnico de automviles que repara un motor porque record que otro auto presentaba los mismos sntomas est usando razonamiento basado en casos. Un abogado que apela a precedentes legales para defender alguna causa est usando razonamiento basado en casos. Tambin un ingeniero cuando copia elementos de la naturaleza, est tratando a esta como una base de datos de soluciones. El Razonamiento basado en casos es una manera de razonar haciendo analogas. Se ha argumentado que el razonamiento basado en casos no slo es un mtodo poderoso para el razonamiento de computadoras, sino que es usado por las personas para solucionar problemas cotidianos. Ms radicalmente se ha sostenido que todo razonamiento es basado en casos porque est basado en la experiencia previa.

Contextualizacin
Antes de empezar a tratar el tema del razonamiento basado en los casos de uso es necesario situar el contexto en el que se encuentran para poder realizar una primera aproximacin al tema y poder comprender el porqu de su utilizacin. As pues el razonamiento basado en casos de uso o case base reasoning (CBR) es un tipo de sistema experto. Un sistema experto, desde el punto de la inteligencia artificial, es un sistema que intenta imitar el comportamiento de un ser humano experto en alguna temtica, es decir imitan las actividades de un ser humano para intentar resolver los problemas de distinta ndole. Un ejemplo de un sistema experto seria uno que se encargase del diagnstico de problemas mecnicos en un coche. Es suficientemente claro que el sistema experto lo que intentar ser imitar el comportamiento que seguira el mecnico para intentar determinar cual es el problema que presenta el automvil. Para ello, lo que intentar el sistema bsicamente ser imitar el comportamiento que sigue el propio ser humano, en este caso un mecnico, para llegar a la misma conclusin a la que el llegara, y poder dar la solucin que dara un mecnico despus de su anlisis. Las ventajas de la creacin de un sistema experto son claras, facilitar el trabajo de los expertos. Es evidente que con la creciente popularizacin de los medios informticos y su continua implantacin en la sociedad, han provocado que mucha gente busque estas soluciones para solucionar los problema cotidianos, que les hagan recomendaciones, sistemas de ayuda, etc. y los sistemas expertos lo que hacen es permitir a las empresas otorgar estos servicios sin la necesidad de que exista una persona fsica que lo haga, con lo que supone una reduccin de los costes importantes. Por otro lado, cada da la informacin con la que se encuentran delante los sistemas expertos va creciendo, y eso provoca que en muchos casos el tratamiento de esta informacin sea lento y en muchos casos intratables, no por la dificultad del problema, sino por la gran cantidad de datos de entrada que tienen. Como podemos ver en todos estos casos el sistema experto resulta de una enorme utilidad. Ahora bien tendramos que analizar cuales son los elementos necesarios para que un sistema experto sea realmente til y una herramienta efectiva tanto en la propia interaccin con el usuario como la calidad de la respuesta aportada por el mismo. As pues tenemos que todo sistema experto tendra que reunir dos cualidades claramente diferenciadas, de un lado debera de ser capaz de explicar sus propios razonamiento, es decir, aquel conjunto de reglas o pasos que utiliza el experto ir deduciendo diferentes hechos hasta llegar a una conclusin final. Por otro lado, si nos fijamos bien veremos que hasta ahora no habamos mencionado una de la cualidades innatas que tienen los seres humanos y que gracias a ella han ido mejorando a lo largo de la historia y es la adquisicin de nuevos conocimientos. Siendo tal la importancia en los seres humanos no podra serlo menos en los sistema expertos, ya que sin esto puede que consiguisemos un sistema de una gran calidad en la actualidad, pero la gran velocidad a la que avanza el mundo actualmente haran que rpidamente este se quedase obsoleto y por lo tanto resultar intil. Para solucionar estos problemas los expertos recurren a mecanismos de razonamiento que sirven para modificar los conocimientos anteriores. Viendo esto podemos llegar a la conclusin de que los sistemas expertos, en muchos campos no intentan substituir a los expertos humanos, sino que lo que se persigue es realizar con ms rapidez y

Razonamiento basado en casos eficacia todas las tareas que realiza. Debido a esto en la actualidad se estn mezclando diferentes tcnicas o aplicaciones aprovechando las ventajas que cada una de estas ofrece para poder tener empresas ms seguras. Un ejemplo de estas tcnicas sera los agentes que tienen la capacidad de negociar y navegar a travs de recursos en lnea; y es por eso que en la actualidad juega un papel preponderante en los sistemas expertos. Una vez hemos definido con exactitud los objetivos que se persiguen con la utilizacin de los sistemas expertos sera interesante establecer en qu elementos se divide un sistema experto. As pues podemos ver que segn lo explicado hasta ahora existe en un primer lugar una base de conocimientos, que bsicamente es donde se almacenara el conocimiento que tenga el experto sobre el tema que tratar. Aqu es donde se ve claramente que si se quisiese abarcar una gran cantidad de temas de conocimiento esto aumentara desmesuradamente provocando o bien que el tamao de la informacin lo hiciese intratable, o por otro lado que el ser coherentes con el tamao utilizado nos llevase a penalizar la cantidad de conocimiento que tenemos del tema y por lo tanto obtener como resultado un experto mediocre. En segundo lugar tenemos una base de hechos que ser donde se irn almacenando todas aquellas deducciones que se vayan realizando en el proceso de inferencia. Una vez tenemos estos dos elementos, el siguiente paso lgico es tener un elemento que se encargue de a partir de los hechos y del conocimiento ir generando conclusiones, ms hechos, para ir siguiendo un proceso de razonamiento que le lleve a la solucin final; estamos hablando de un motor de inferencia. Lo podramos resumir en el elemento que modela el razonamiento humano. Por ltimo tenemos la interfaz con el usuario. Este, todo que no es un elemento puramente del sistema de razonamiento tiene una gran importancia, ya que ser la puerta de entrada del sistema. Su importancia recae principalmente en la forma que tendr de recoger la informacin del usuario, ya que si la informacin recogida no es la adecuada, por muy buen motor de inferencia y reglas tengamos el resultado no ser satisfactorio. Es por eso de la importancia de esta interfaz. Habiendo definido perfectamente que es un sistema experto y las partes que lo componen, el siguiente paso lgico seria comentar que tipos de sistemas existen y ms concretamente que tipo de sistema deductivo utilizan para poder llegar a la conclusin. Utilizando esto ltimo podramos dividirlos en 3 tipos bien diferenciados:

161

SE basados en reglas
Los sistemas expertos basados en reglas utilizan para el proceso de inferencia un conjunto de reglas que constituyen la base de conocimiento del experto. Este conjunto de reglas pueden ser activadas a medida que los condiciones son evaluadas positivamente y su utilizacin implica la creacin de nuevos hechos. Este proceso permitir a partir de unos hechos iniciales desarrollar un proceso deductivo que concluir el momento en que no quede ninguna otra regla por utilizar. Para realizar este tipo de tratamiento es posible hacerlo de dos maneras diferentes, por un lado realizarlo desde las evidencias hasta los objetivos o por otro lado en orden inverso que seria comenzar desde el objetivo hasta llegar al conjunto de evidencias que lo han provocado.

SE basados en redes bayesianas

Este otro tipo de sistema experto basa su funcionamiento como su nombre propio indica en las redes bayesianas. As pues se trata de un modelo probabilstico que relaciona un conjunto de variables aleatorias mediante un grafo dirigido. El motor de inferencia que utiliza para procesar las evidencias se basa en la teora de probabilidades y ms concretamente con el Teorema de Bayes. Este mtodo es especialmente una herramienta extremadamente til en la estimacin de probabilidades ante nuevas evidencias.

Razonamiento basado en casos

162

SE basados en casos
Este ltimo tipo de sistema experto ser el que procederemos a explicar en este trabajo y analizaremos con ms detalle en los siguientes apartados. Es importante este primer captulo del trabajo para hacer ver el contexto en que se encuentra este tipo de sistema experto y poder entender con mayor profundidad el modo con el que trabaja. A grandes rasgos, este tipo de sistemas basa su funcionamiento en experiencias anteriormente vividas, ya sea por el propio sistema o bien por la persona experta, y a partir de este conocimiento de vivencias realizar una asociacin con estas experiencias para extraer una solucin de esto. Como podemos ver de los tres mtodos existentes, este es el que ms se asemeja al modo de pensar que tenemos los seres humanos. Si nos ponemos a pensar en los nios pequeos, el tipo de razonamiento que utilizan es el basado en las experiencias que le proporciona su trato con el medio. Un ejemplo relacionado con esto seria cuando un nio est en la cocina y toca una olla que est en el fuego y se quema, este habr adquirido una nueva experiencia. Si otro da ve una olla en el fuego ya no la tocar porque tendr esa experiencia. Aun as podra tener la experiencia de ver a su madre coger esa olla con los paos de cocina. De todo ese conjunto de experiencias, el nio, la siguiente vez que quisiese tocar una olla sabra que si lo quiere hacer tendra que hacerlo con paos para no quemarse. Este es un claro ejemplo del funcionamiento del razonamiento basado en casos. Podemos ver como el nio pequeo a travs de vivencias anteriores, tanto si son errores como acierto, adquiere experiencias que utilizar cuando tenga que enfrentarse a una nueva situacin y que constituirn su nueva base de razonamiento. Esto es una pequea introduccin del funcionamiento. A continuacin se har una explicacin mucho ms detallada de su funcionamiento, as como de las diversas posibilidades que ofrece.

Definicin
En este captulo comenzaremos a explicar uno de los tipos de sistema experto que existen: el razonamiento basado en casos o case based reasoning (CBR). La mejor forma para comenzar a entender una palabra es intentando entender su significado, es por eso que comenzaremos analizando su definicin: A case is a contextualized piece of knowledge representing an experience that teaches a lesson fundamental to achieving the goals of the reasoner, [Kolodner, 1993] Como podis ver el anlisis de la expresin se hace directamente del ingls y esto viene motivada directamente por el hecho de que la propia traduccin puede hacer perder parte del significado de la definicin, cosa que perjudicara su anlisis. As pues comenzando con el anlisis la primera palabra importante es case. Este sistema de razonamiento se basa en una unidad mnima llamada caso. Un caso se puede definir como una representacin de una experiencia anterior, una vivencia. Podra ser visto como una caja en la que encontramos todas aquellas cosas que pasaron en la experiencia. Una buena analoga seria utilizando reglas, podramos describir este caso como un conjunto de reglas relacionadas con una experiencia. Debe quedar claro que las reglas por si solas no tienen significado, ya que es en el conjunto de la experiencia donde encontramos la mnima expresin. Si considersemos reglas sueltas de esta experiencia nos encontraramos con que estaramos delante de un sistema experto. Por otro lado tenemos que este case tiene por adjetivo contextualizad piece of knowledge. Es importante hacer notar sobre todo lo de contextualizado ya que, como hemos dicho antes este conocimiento representa un conjunto de hechos que han transcurrido en la experiencia. Una parte de estos hechos corresponden al contexto en el que transcurre la experiencia. Este contexto en el sistema experto tambin tiene mucha importancia ya que en el proceso de inferencia puede ser utilizado; esto se explicar ms adelante. Un ejemplo que ilustra esto, basado en el ejemplo del nio seria que su madre le hubiese dicho que no tocase la olla antes de quemarse. De este contexto bien se podra deducir en otros casos que siempre hay que hacer caso a las madres porque tienen razn. Es muy importante lo que lo sigue: representing an experience, que lo que implica es que el caso est basado en un conocimiento, es decir no es algo creado artificialmente sobre hechos sino que est basado en un conocimiento existente previamente y por lo tanto que podemos considerar cierto desde el inicio. Adems, el hecho de que hablemos de experiencia ya nos comienza a hacer notar que este sistema estar muy ligado a la adquisicin de

Razonamiento basado en casos conocimiento externo, ya que al estar basado en las experiencias ser necesario que el sistema vaya adquiriendo nuevas experiencias para mejorar su razonamiento. Continuamos con that theaches a lesson fundamenal. Con esto lo que se quiere indicar es que las experiencias que tenemos en el sistema no se refieren a cualquier experiencia sino slo a aquellas que nos aportan alguna informacin sobre el tema tratado por el sistema experto, adems de no repetir experiencias ya existentes con el mismo contexto, ya que no aportan nueva informacin al sistema. Finalmente tenemos to achieving the goals of the reasoner que lo que nos indica que el uso de los casos persiguen directamente la consecucin de los objetivos del razonamiento, que como en cualquier sistema experto es la consecucin de una conclusin que dependiendo del tipo de problema puede ser muy variado. A travs de este anlisis del significado del tema que vamos a tratar, podemos comenzar a introducirnos de lleno en analizar las diversas soluciones que existen para implementar este tipo de sistema experto. Aun as antes introduciremos un la historia del razonamiento basado en casos dentro de la inteligencia artificial, as como ha ido evolucionando a lo largo de los aos hasta la actualidad.

163

Historia
Razonamiento basado en casos tiene sus races en el trabajo de Roger Schank y sus estudiantes en la universidad de Yale a principio de la dcada de los 80. El modelo de memoria dinmica de Schank[1] fue la base de los tempranos sistemas CBR: Janet Kolodner's CYRUS[2] and Michael Lebowitz's IPP.[3] Otra escuela de Razonamiento basado en casos tambin emergi en la dcada del 80, investigando los asuntos tales como Razonamiento basado en casos en el razonamiento legal, el razonamiento basado en la memoria (una manera de razonar con ejemplos en las mquinas masivamente paralelas, y combinaciones de Razonamiento basado en casos con otros mtodos de razonamiento. En los aos 90, el inters en Razonamiento basado en casos creci en la comunidad internacional, segn lo evidenciado por el establecimiento de una conferencia internacional sobre el Razonamiento basado en casos en 1995, as como europeo, alemn, britnicos, el italiano, y otros talleres de Razonamiento basado en casos. sobren todo es un tema importante La tecnologa Razonamiento basado en casos produjo numerosos casos de xito. El primero fue en un sistema llamado Lockheed's CLAVIER[4] utilizado para presentar a las piezas compuestas que se cocern en un horno industrial de conveccin. Razonamiento basado en casos est siendo utilizado intensamente en aplicaciones de ayuda de escritorio como Compaq SMART system.[5] Hay numerosas herramientas de soporte de decisiones basadas en Razonamiento basado en casos' disponibles comercialmente incluyendo: k-Commerce de eGain (formerly Inference Corporation) Kaidara Advisor de Kaidara (formerly AcknoSoft) SMART de Illation.

Denominaciones para el razonamiento basado en casos

A lo largo de la caracterizacin que hemos hecho del razonamiento basado en casos hemos podido observar que el principal objetivo que persigue es identificar el problema con el que nos encontramos, y para ello es necesario encontrar uno o varios casos anteriores a este, que nos proporcionen la solucin para el caso en el que nos encontramos. Una vez hayamos encontrado la solucin ser posible aadir este ltimo caso dentro de la base del conocimiento del sistema. Para realizar este proceso, es necesario saber muchas cosas, como por ejemplo en que parte del proceso nos centramos, entre otros. Dependiendo de cmo elijamos cualquiera de estas consideraciones ser diferente como se desarrollar el razonamiento. El problema con el que nos encontramos al analizar el paradigma del razonamiento basado en casos es que existe una gran cantidad de mtodos para organizar, utilizar e indexar el conocimiento que tenemos del mundo, que en este caso se hace a travs de los casos. Como ya se haba comentado anteriormente los casos deben ser almacenados como unicidades de conocimiento. Para indexar esta gran

Razonamiento basado en casos cantidad de casos se puede utilizar un vocabulario prefijado o bien cualquier palabra del propio vocabulario, dependiendo de lo extenso que sea el vocabulario necesario en el contexto del problema. As pues, habamos dicho que la solucin para un caso es extrada directamente de otras experiencias, casos, que se almacenan en la base de conocimiento, aunque tambin pueden usarse diversos casos para extraer la solucin del que estamos trabando. As pues se puede comenzar a intuir que cuando hablamos de razonamiento basado en casos, estamos generalizando mediante este termino todos aquellos mtodos que se utilizan para crear un sistema experto a partir de la filosofa del uso de casos. Aunque en este trabajo estamos utilizando el trmino de razonamiento basado en casos para referirnos a este problema, existen multitud de otros trminos que son usados para definir, si no bien el mismo problema exactamente, problemas que podemos considerar equivalente y por lo tanto son trminos equivalentes a utilizar el de razonamiento basado en casos. Todo esto ser as es conveniente analizar cuales son esas pequeas diferencias en cada una de esas denominaciones. A continuacin detallaremos las diferentes denominaciones para definir este problema, con las particularidades que presenta cada una. Razonamiento basado en ejemplos Este trmino se utiliza para hacer hincapi en que los casos que tenemos almacenados en la base de conocimiento son realmente ejemplos de que lo ha sucedido en diferentes contextos al realizar un conjunto de acciones. El problema aqu es determinar al insertar un nuevo ejemplo si este resulta ser la extensin de un ejemplo ya existente en el sistema, es decir, aade informacin a un ejemplo ya existente en el sistema, o si por el contrario se corresponde con un nuevo ejemplo, el cual hay que aadir a la base de conocimiento, ya que no se corresponde con un conocimiento anterior. As pues, podemos ver que este problema bsicamente es un problema de clasificacin en el que tenemos que situar correctamente el nuevo ejemplo. Razonamiento basado en instancias Este termino hace referencia a una especializacin del anterior. La mayor diferencia que existe es que hace especial hincapi en el anlisis sintctico del razonamiento. El problema que existe principalmente en este tipo de razonamiento es la dificultad de guiar el proceso de asociacin del caso del que previamente partimos con aquel que est en la base de conocimiento. As pues este tipo de razonamiento lo que intenta es compensar la falta de gua para llegar al caso que es conocido y se encuentra en la base de conocimiento del sistema. Para ello se utilizan un gran nmero de instancias para dirigir el razonamiento. La representacin de estas instancias es normalmente en forma de vectores. Este tipo de razonamiento ha sido estudiado recientemente por los investigadores Kibler y Aha. Razonamiento basado en memoria Este termino enfatiza en ver la coleccin de casos como una gran memoria, viendo entonces el razonamiento como un proceso de acceso y bsqueda en esta memoria. La organizacin de la memoria y su acceso seria la parte central del razonamiento basado en casos. Este tipo de tcnicas se ven beneficiadas por las tcnicas de procesamiento paralelo, cosa que los diferencia del resto de soluciones. As pues el acceso y el guardado se basan bsicamente en criterios puramente sintcticos, es decir en como est escrito algo y no el significado del mismo. Razonamiento basado en casos Aunque se utiliza el trmino de razonamiento basado en casos como un trmino genrico en todo el documento, tpicamente este mtodo tiene una serie de caractersticas que lo distinguen del resto y que vale la pena comentar. Comenzaremos comentando que cuando hablamos de caso damos por hecho que este poseer un cierto grado de riqueza en la informacin que contiene, es decir la descripcin de la experiencia esta perfectamente descrita y se intenta que no falte informacin en su descripcin, adems es necesario que toda esta informacin que contiene posea un cierto grado de organizacin que permita su rpido entendimiento y sobre todo llegar a la informacin necesaria rpidamente minimizando acceder a informacin no necesaria. Por otro lado, nos encontramos con otra particularidad y es la capacidad que existe para modificar o adaptar este caso a una solucin cuando se est solucionando un problema en un contexto diferente. Adems como se haba comentado cuando analizbamos la descripcin del significado, es muy importante el contexto del conocimiento, concretamente la riqueza con el que estar descrito, su representacin y el rol que tenga con el conocimiento principal; resulta evidente que a un mayor

164

Razonamiento basado en casos conocimiento del contexto las conclusiones que se podrn obtener del razonamiento sern mejores. Como contrapartida de esto, el exceso de informacin puede provocar que sea demasiado lento en el proceso de razonamiento. Es por eso que es necesario buscar un trmino medio entre estos dos trminos. Razonamiento basado en analogas Este termino muchas veces es usado como sinnimo del razonamiento basado en casos debido a que tiene las mismas caractersticas que el anterior. Aun as tiene una serie de particularidades que lo hacen diferente. Destacar en primer lugar que a diferencia del anterior este permite la caracterizacin de mtodos para solucionar problemas basados en casos que tenemos en la base de conocimiento pero que tienen un dominio diferente. Para entenderlo mejor podemos utilizar el ejemplo del nio y la olla y podemos ver que este caso podra ser extrapolado a otro contexto como puede ser que el nio estuviese en el campo y su madre le advirtiese de algo. Podemos ver que los contextos son totalmente diferentes, pero aun as existen las suficientes conexiones, en este caso la madre, que permite formalizar un razonamiento del nuevo caso sobre el caso preexistente. As pues el estudio sobre este tipo de razonamiento se encuentra en el estudio de los casos existentes en la base de conocimiento y su reutilizacin, proceso que recibe el nombre del problema de mapeado, que bsicamente consiste en encontrar la manera de transferir o mapear la solucin que presenta alguna analoga (llamada fuente) con el problema que estamos tratando (llamado objetivo). Como podemos ver, de una manera u otra todos los trminos todo y que tienen sus particularidades se intentan resolver el problema de la creacin de un sistema experto a partir de la misma caracterizacin del problema. A pesar de existir esta diversidad de trminos, en este trabajo seguiremos utilizando el de razonamiento basado en casos pero en un mbito genrico para englobar todas estas particularidades.

165

Funcionamiento
Hasta ahora lo que hemos hecho ha sido en primer lugar la visualizacin del contexto en el que transcurre el desarrollo de este problema, para luego continuar con una mejor caracterizacin de que era realmente el razonamiento basado en casos a partir de su definicin. El siguiente paso lgico una vez hemos realizado todo seria describir con mayor profundidad como es el proceso de desarrollo de este tipo de razonamiento y que es lo que se hace en cada uno de los pasos del mismo. Como la mayora de las cosas de la inteligencia artificial, existen multitud de tcnicas para implementar una misma cosa. Este caso no es una excepcin y nos encontramos diversas maneras de hacerlo, aunque en este trabajo nos centraremos principalmente en dos de ellas: Un modelo de proceso en forma de ciclo Un mtodo estructurado en tareas A continuacin procederemos a describir los dos modelos de una forma ms rigurosa y en profundidad, no sin antes aadir que estos dos modelos resultan ser complementarios entre s y representan dos vistas diferentes del razonamiento basado en casos, es decir dos formas diferentes de ver este mismo problema. La primera de ellas se basa en los modelos dinmicos en lo que se hace es dividir el problema inicial en subproblemas, comprobando las dependencias que existen entre ellos y los productos que resultan de su unin. Es decir, estos problemas son resueltos secuencialmente en forma de ciclo hasta llegar al final del mismo ciclo. Por otro lado tenemos el segundo mtodo que se basa en una descomposicin en diferentes tarea, en el que dar solucin supone resolver esos mtodos que sern la base para resolver aquellos mtodos de los cuales son dependientes. As pues en este caso los subproblemas pueden ser resueltos en cualquier orden mientras los mtodos dependientes de este problema hayan sido resueltos con anterioridad. El ciclo del razonamiento basado en casos En el proceso de dividir el razonamiento basado en casos en diferentes subprocesos nos encontramos el ciclo que lo conforman puede ser dividido en 4 procesos claramente diferenciados: RECORDAR los casos similares al que analizamos. REUTILIZAR la informacin y el conocimiento que tenemos en este caso para resolver el problema. REVISAR la solucin propuesta.

Razonamiento basado en casos RETENER las partes de esta experiencia que nos puedan ser tiles para la resolucin de futuros problemas. Cuando nos encontramos delante de un nuevo problema para el cual tenemos que dar una solucin lo que primer que tenemos que hacer es dado ese determinado problema recordar los casos relevantes que pueden solucionarlo. Estos casos relevantes tendr que ser una seleccin de aquellos casos de los que disponemos en la base de conocimiento del sistema experto. Expondremos para este caso un ejemplo diferente al del nio y la madre. Por ejemplo, supongamos que Aragons quiere preparar el siguiente partido de la seleccin espaola para la Eurocopa. Y la experiencia ms relevante que l puede recordar es aquella en la cual Espaa gan su primera Eurocopa, de lo cual hace muchos aos. El caso de recuerdo de Aragons estara compuesto por todo lo que se hizo en aquel momento para ganar la Eurocopa (tctica, equipos contrarios) que hicieron que ganases, as como las decisiones que fue tomando a medida que iban avanzando en la eliminatoria. Una vez tenemos este conjunto de casos que guardan una serie de similitudes con el caso para el cual tenemos que proponer una solucin lo que tenemos que hacer es adaptar la solucin de todos esos problemas, en su globalidad o solamente en alguna de sus partes que nos interese para transformar el contexto de esos problemas en el problema que tenemos actualmente. En el ejemplo que estamos siguiendo Aragons tendra que adaptar la experiencia que tena de aquel equipo, cambiar los jugadores por los que ahora tiene y modificar las cualidades que tienen los equipos con los que est emparejados. Con todo esto tendramos una primer versin de la solucin. Aun as es necesario probar la solucin en el mundo real o en una simulacin y si es necesario revisarla. Con esto lo que se quiere decir es que este es un proceso circular en el que reutiliza diversos casos de la base de conocimiento, se revisa la solucin y si no es satisfactoria se vuelve a modificar con la inclusin o la eliminacin de los casos que fuesen incorrectos o aadiendo aquellos que faltasen para perfeccionar la solucin. Continuando con el ejemplo que estamos utilizando esto significara que Luis ira probando alineaciones y medida que comenzsemos a perder partidos ira modificando las alineaciones segn los criterios que fuesen utilizados en la Europa que se gan. Finalmente el ltimo paso es la retencin. Despus de que la solucin haya sido adaptada satisfactoriamente para solucionar el problema dado, almacenaramos la experiencia resultante como un nuevo caso en la memoria. En nuestro caso almacenara la experiencia resultante de haber jugado el partido y las conclusiones a las que ha llegado. Tanto si ha ganado como si ha perdido. Recordemos que uno de los intereses del razonamiento basado en casos residen no slo en recordar los casos resultantes que hayan sido acierto sino aquellos en que se ha fallado ya que con estos podremos mejorar el razonamiento del sistema experto ya que cuando se tenga que llevar a cabo un tipo de razonamiento similar se sabr que no se tiene que seguir esa lnea de razonamiento ya que lleva a un resultado incorrecto. A continuacin en la siguiente imagen ilustramos como se lleva a cabo este ciclo: A travs de esta imagen podemos ver con mayor claridad el ciclo que sigue este sistema de razonamiento y sobre todo es importante destacar el carcter central que tiene la base de conocimiento. Queda muy patente en este esquema como cualquiera de las etapas guardan una estrecha relacin con el conocimiento existente y destacar tambin como el ltimo paso reside en aadir el nuevo caso que hemos generado dentro de la base de conocimiento para poder utilizarlo en futuros razonamientos. Destacar tambin que la influencia que tiene esta base de conocimiento puede ser variable, de la poca influencia a la mucha influencia segn el mtodo de razonamiento basado en casos que hayamos utilizado. Razonamiento basado en casos basado en tareas jerrquicas El proceso que hemos visto en forma de ciclo tiene por objetivo enfatizar el carcter secuencial que tienen sus pasos. Para una mayor descomposicin y descripcin de los 4 pasos que anteriormente hemos mencionado, utilizaremos una visin del problema en forma de tareas donde cada paso o subproblema, es visto como un objetivo que tiene que alcanzar el razonamiento basado en casos. Mientras que en el proceso anterior tenamos una vista glotal, externa, de lo que estaba sucediendo en cada uno de los pasos que dbamos en el proceso de razonamiento, tener una vista orientada a las diferentes tareas que tenemos nos permite describir con un nivel de detalle superior lo que est sucediendo y los mecanismos utilizados desde la perspectiva del razonamiento basado en casos. En el nivel de la base de conocimientos, el sistema experto es visto como un agente que tiene una metas que conseguir, que es dar una

166

Razonamiento basado en casos solucin, y los medios de los que dispone para llegar a dicha solucin. As pues la descripcin puede ser hecha desde tres perspectivas diferentes: las tareas que tiene que desarrollar el sistema, los mtodos que utiliza para llegar al objetivo y dominio de la base de conocimiento del sistema. As pues, como hemos dicho antes, las tareas persiguen el objetivo del sistema, y estas tareas estn elaboradas a partir de la aplicacin de uno de los mtodos existentes en el sistema. Pero hay que tener en cuenta que para que un mtodo pueda alcanzar la resolucin de una tarea es necesario que todas aquellas tareas de las que dependa hayan sido realizadas. As pues, podemos ver como el marco de trabajo en el que nos movemos esta fuertemente influenciado por esta base de conocimiento. En el grfico hemos utilizado nombres en negrita para designar las tareas, mientras que los mtodos utilizados han sido escritos en cursiva. Otra cosa importante a mencionar son las diferentes uniones existentes entre diferentes tareas que son representadas por nexos de unin entre ellos, nexos que reciben el nombre de descomposicin de tareas. Lo primero que llama la atencin es que el objetivo principal que se encuentra en la raz del rbol es el objetivo final del razonamiento que es la resolucin del problema. As pues no es de extraar encontrarnos en la parte inferior los 4 pasos en los que habamos descompuesto el ciclo de resolucin del razonamiento basado en casos. Como podemos ver a simple vista, en estas dos cosas que acabamos de decir se hace patente la gran diferencia que existen entre ambos mtodos que hemos descrito, mientras en uno tenamos que ir siguiendo cada uno de los pasos descritos, en este podemos ir realizando los pasos que queramos a medida que disponamos de la informacin necesaria, que ya puede venir directamente de la base de conocimiento o como resultado de otro proceso. As pues en este ejemplo podemos apreciar ms claramente como se realiza con esta visin y es que tenemos los diversos conjuntos de tareas y estas se van agrupando progresivamente para obtener como resultado final la resolucin del problema que queramos. As pues podemos ver como todas las tareas en que partimos el problema son suficientes para resolver todo el problema.

167

Problemtica
Una vez hemos analizado en profundidad todo el proceso de cmo llevar a cabo el razonamiento basado en casos seria importante antes de continuar analizar todos aquellos problemas que existen para llevar a cabo una correcta implementacin y la forma ms eficaz para solucionarlos. Como ya podemos intuir, estos problemas se encontraran principalmente en dos partes claramente diferenciadas, por un lado tendremos todos aquellos relacionados con el mantenimiento de la base de conocimiento, y por otro lado tendremos aquellos relacionados con la lnea de razonamiento a seguir. En el fondo son dos problemas bastante relacionados ya se necesitan el uno al otro para alcanzar la solucin final. As pues a continuacin procederemos a describir cada uno de los problemas con las posibles soluciones para evitarlos. Representacin del conocimiento Hasta este momento no habamos mencionado en ningn lugar como bamos a organizar la representacin de los casos, y ciertamente este es uno de las partes ms importantes de la utilizacin de este sistema, ya que segn la organizacin que hayamos elegido nos condicionar en gran medida la eficiencia que tendr el sistema experto y como consecuencia de esto la calidad de la solucin que obtendremos; es por eso que este apartado es merecedor de una atencin especial. El razonamiento basado en casos es muy dependiente de la estructura en que se almacenando los casos. Como un problema es solucionado mediante experiencias anteriores, el proceso de bsqueda y unin entre este caso solucin y el caso que estamos intentando solucionar tiene que ser necesariamente eficiente. El principal problema con el que nos encontramos es decidir cuales sern los elementos que almacenaremos en el caso, encontrado una estructura apropiada para hacerlo. Adems ser necesario decidir una estructura en la que almacenaremos el conjunto de casos, es decir, como realizaremos la organizacin de los casos que conforman la base de conocimiento, as como su indexacin, dos de las caractersticas ms importantes para asegurar un rpido acceso a los casos. Finalmente nos quedara el problema de integrar este paquete de casos dentro del modelo de la base de conocimiento de manera que

Razonamiento basado en casos este conocimiento pueda ser incorporado al sistema y accedido por el resto del sistema experto. Una vez definida la problema con la que nos encontramos es necesario describir alguna manera para solucionar estos problemas. En este caso bsicamente nos encontramos con dos posibles implementaciones: un modelo de memoria dinmica desarrollado por Schank and Kolodner y el modelo de categoras y ejemplos de Porter y Bareiss. Modelo de memoria dinmica La idea bsica de este modelo consiste en organizar todos aquellos casos que comparten un conjunto de propiedades bajo una estructura ms general, llamada episodio generalizado. Un episodio generalizado (EG) contiene tres tipos diferentes de objetos normas, casos y ndices. Las normas son las caractersticas comunes de todos los casos que comparten las mismas caractersticas, es decir bajo el mismo EG. Por lo que respecta a los casos no es necesario mayor explicacin ya que se trata de los propios casos estudiados hasta el momento. Finalmente los ndices son aquellas caractersticas, a diferencia de las normas, que diferencian los diferentes casos que forman un EG. As pues un ndice apuntar ms directamente a un episodio ms generalizado o directamente a un caso. Estos ndices estn formados por dos partes, el nombre del ndice y el valor del ndice. Es fcil ver que toda la base de conocimiento que esta formada por los casos es una red que va discriminando entre los diferentes casos, donde cada nodo del grafo es una generalizacin del episodio. Tambin podemos ver como cada pareja de valores de los ndices apunta de una generalizacin de un episodio a otra. As pues podemos ver como este esquema que planeamos es redundante ya que existen mltiples caminos hacia un caso en particular o a un EG. Cuando tenemos una descripcin de un nuevo caso y tenemos que realizar la bsqueda de la mejor coincidencia con otro, el caso que nos dan de entrada es introducido en la parte de superior de la estructura donde almacenamos la informacin, comenzando por el nodo principal. El proceso de bsqueda es similar tanto para la recuperacin del caso como para el almacenamiento. As pues lo que sigue a esto es un paso bastante lgico y consiste en que cuando una o varias de las caractersticas del caso coincide con una o varias de las de algn EG, el caso inicial del que partamos es discriminando basndose en las caractersticas no comunes. Es decir lo que estamos haciendo es ir haciendo bajando el caso por el rbol que tenemos hasta llegar a alguna de las hojas. Durante el proceso de guardado de un nuevo caso, cuando alguna caracterstica del caso coincide con alguna caracterstica de algn caso existente, un nuevo episodio general es creado, siendo entonces los dos casos discriminados indexndose debajo de ndices diferentes debajo de este episodio. En el caso de que durante el almacenaje de este caso, dos de los casos o dos de los EG terminaran con el mismo ndice , una nueva generalizacin seria automticamente creada. As pues podemos ver de donde viene el nombre del mtodo, recayendo en esta caracterstica dinmica de recolocacin de la memoria a medida que vamos introduciendo nuevos casos. Por lo que respecta a la recuperacin de los casos una vez se encuentran dentro de la estructura, el funcionamiento consiste en buscar dentro del EG que tenga ms normas en comn con la descripcin del problema; esto resulta lgico teniendo en cuenta la descripcin que habamos dado de que era una norma. Los ndices que compartan este mismo EG , son entonces revisados con el objetivo de buscar aquel caso que contenga la mayora de las caractersticas problemticas. Por otro lado, el almacenaje de un nuevo caso es realizado siguiendo la misma estructura pero aadiendo antes descrito de aadir dinmicamente los nuevos episodios si son necesarios. Esto provocar que fcilmente ocurra una gran crecimiento del nmero de ndices debido al incremento del nmero de casos, es por eso que muchos sistemas que utilizan esta estructura imponen lmites a la generacin de los ndices para los casos. Un ejemplo de este tipo de representacin de conocimiento seria CYRUS. Modelo de categoras y ejemplos La filosofa bsica de este mtodo consiste en entender los casos como ejemplos del mundo real, no como simple conceptos. En el mundo real no todas las caractersticas de los objetos tienen la misma importancia, hay alguna que tienen ms peso que otras en la descripcin de los mismo, y lo que este modelo intenta destacar es esto. Adems estos ejemplos pueden ser categorizados, es decir, se pueden organizar segn las categoras a las cuales pertenece. La base de hechos se encuentra dentro de una red estructurada por categoras, casos y apuntadores a ndices. Tal como lo hemos definido tenemos que cada caso est asociado a una categora determinada y los ndices, teniendo la misma

168

Razonamiento basado en casos definicin que en modelo anterior, son de tres tipos: ndices que unen las caractersticas de los problemas con los casos o las categoras, tambin son las uniones entre diferentes casos vecinos, entendiendo por vecinos aquellos casos que solo varan en unas pocas caractersticas. El ltimo tipo es el de aquellos que representan la unin entre las categoras y loas casos asociados a esas categoras. Como podemos ver es bueno destacar que las caractersticas no solamente pueden estar vinculadas a los ejemplos si no que tambin a las propias caractersticas, siendo entonces estas caractersticas comunes para todos los ejemplos que formen parte de esa categora. Encontrar un caso en la base de conocimientos que coincida con la descripcin del mismo se hace mediante la combinacin de las caractersticas de la entrada y seleccionando aquellas que sean de la misma categora, teniendo en cuenta que para seleccionar la categora nos tendremos que basar en aquella categora que tenga ms caractersticas en comn con el caso del cual partimos. Para almacenar un nuevo caso lo que tenemos que hacer es buscar un caso que coincida con el que queremos introducir utilizando para ellos los ndices. Si el caso que encontramos solamente tiene pequeas diferencias con el caso que ya existe no existe la necesidad de guardado o bien se pueden unir las caractersticas de los dos casos, en el caso de que no se encuentre ningn caso, el nuevo caso se introducir dentro de la base de hechos. Mtodos de recuperacin El proceso de recuperacin comienza con una descripcin parcial del problema de entrada, teniendo como objetivo de la etapa de recuperacin dar como respuesta un conjunto de casos, los cuales presenten un mayor nmero de similitudes con el caso inicial, es decir que tengan las caractersticas ms parecidas posibles con el caso inicial. El proceso de identificacin comienza bsicamente con una serie de descripciones del problema que sern la base a partir de la cual intentaremos buscar alguna similitud con algn caso existente en la base de conocimiento. A continuacin procederemos a describir las diferentes etapas en que se puede dividir la recuperacin de los casos que tenemos en la base de conocimiento. Identificacin de las caractersticas Para la identificacin de un problema en primer lugar, como ya habamos dicho es necesario conocer unas primeras descripciones del problema, pero normalmente, y especialmente en los casos en que tratamos con problemas relacionados con grandes cantidades de conocimiento, es necesario una visin ms cercana al problema, que nos permita entender el problema, as como el contexto del mismo. As pues es necesario que se proporcione no solamente una descripcin del problema principal que resolver sino tambin una descripcin de todos aquellos elementos importantes del contexto de los problemas. Coincidencias iniciales El trabajo de encontrar una buena asociacin entre un caso de la base de conocimiento y el problema que tenemos planteado puede ser dividido en dos subprocesos diferentes: un proceso inicial donde se buscan posibles candidatos, y un segundo proceso donde se seleccionan de todos esos candidatos los ms adecuados. En primer lugar, para encontrar ese conjunto de casos que tengan alguna coincidencia con nuestro problema nos tendremos que basar en las descripciones del problema inicial, as como en las caractersticas que poseen cada uno de los casos almacenados. Existen principalmente tres maneras de recuperar un caso o un conjunto de casos: siguiendo la indexacin directa que marcan los punteros hacia las caractersticas del caso, buscando dentro de la estructura indexada, o buscando un modelo de caso dentro de la base de conocimiento. Los casos que extraigamos tienen que tener caractersticas en comn con el problema que queremos solucionar, y como resulta evidente los casos que tengan gran parte de sus caractersticas en comn sern los mejores candidatos para ser seleccionados, pero dependiendo de la estrategia estos no sern los nicos candidatos seleccionados, pudiendo serlo tambin aquellos casos que tengan un conjunto de caractersticas en comn con el problema. Seleccin Despus de haber realizado una bsqueda ms o menos exhaustiva sobre el conjunto de casos para extraer aquellos casos que presentasen ms caractersticas en comn, ha llegado el punto en que ser necesario seleccionar de este

169

Razonamiento basado en casos conjunto de candidatos aquellos casos ms propensos a ser una buena solucin para el problema. Muchas veces la mejor coincidencia entre el caso y el problema es determinada por una revaluacin de la primera seleccin que se le hizo. Esto se hace con el objetivo de buscar posibles explicaciones de por qu se hizo esa seleccin, es decir se busca la manera de justificar esas elecciones. Si los motivos que se dieron no son lo suficientemente poderosos como para mantener ese caso como posible resultado este es descartado y se continua con el resto de casos existentes en el sistema. Este proceso de eleccin es ms elaborado que el anterior, principalmente porque en el anterior el conjunto de casos que tenamos que comprobar era muy superior al actual y por lo tanto las comprobaciones que podamos realizar eran menores, pero con un conjunto de casos ms pequeo es posible realizar unas pruebas ms exhaustivas. El proceso de seleccin normalmente genera una serie de consecuencias de la eleccin de cada caso, consecuencias que luego pueden ser reevaluadas. As mismo, en este proceso de seleccin los casos son puntuados segn su mejor similitud con el problema inicial o no, siendo esta una manera ya de ordenarlos segn su adecuacin para resultar futuros candidatos finales. Otros criterios que se utilizan en este proceso de seleccin es el discriminar el hecho de que alguna caracterstica determinada no sea igual, etc. Al final de la aplicacin de este paso nos encontraremos con un conjunto de casos que sern los que han sido seleccionados para ser reutilizados, es decir, para ser utilizados en la fase de elaboracin de una solucin para el problema de entrada que se nos planteaba. Es importante que como resultado de este proceso de seleccin, los casos resultantes sean lo suficientemente similares a los objetivos requeridos por el problema, ya que si este proceso no es todo lo adecuado que se quisiese, en siguientes pasos los resultados que se obtendran no seran tan buenos como los deseados. Mtodos de reutilizacin La reutilizacin de los casos tiene mucha importancia ya que con una correcta implementacin de esta tcnica nos permitir mejorar la forma en que aprovechamos las caractersticas que tienen los casos y por lo tanto mejorar la forma en que construimos la solucin final del problema. La reutilizacin de los casos recuperados se fundamenta bsicamente en dos aspectos: Las diferencias entre el caso recuperado de la base de conocimientos y el nuevo caso. Que parte del caso recuperado de la base de conocimiento puede ser utilizado en el nuevo caso. Para todo esto existen una serie de tcnicas que procederemos a describir que nos permitirn mejorar la forma en que reutilizamos los casos existentes en el sistema. Copiar En los procesos de clasificacin ms simples los que se hace es en primer lugar una abstraccin de las caractersticas del caso que queremos reutilizar olvidndonos de toda aquella informacin no relevante. Todas estas caractersticas son copiadas al nuevo caso que estamos construyendo. Como podemos ver es un mtodo muy sencillo pero hay que tener en cuenta varias cosas como son las diferencias entre los dos casos y que muchas veces no se pueden copiar directamente algunas caractersticas sin antes adaptarlas. Este proceso de adaptacin lo vemos a continuacin. Adaptar Existen dos maneras diferentes para rehusar los casos, o bien rehusar directamente toda las solucin del caso en el que nos basamos o bien reutilizar el mtodo que utilizamos para llegar a la solucin de ese caso, es decir la manera en que conseguimos llegar a esa solucin. Resulta evidente que en la reutilizacin de un caso, este caso no es el mismo que estamos intentando solucionar actualmente y por lo tanto las soluciones que tenemos en la base de conocimiento no sern en la mayora de los casos soluciones que ofrecer para solucionar el nuevo. As pues, todo y que no puedan ser aplicadas las caractersticas del caso que tenemos en la base de conocimiento sobre el nuevo caso si que se puede adaptar estas para el nuevo caso mediante una operacin de adaptacin. Estas operaciones tienen que ser organizadas de alguna manera, y una manera de hacerlo es indexndolas mediante las diferencias entre los dos casos. Mtodos de revisin

170

Razonamiento basado en casos Otra de las cosas importantes en el proceso de construccin de la solucin es la validacin de que la solucin que hemos construido sea realmente correcta y solucione el problema que hemos planteado. Todo y as como hemos dicho estos sistema no solo se basan en las soluciones correctas que se proporcionan, si no que las soluciones incorrectas tambin son introducidas en la base de conocimiento como ejemplo de errores de manera que el sistema no vuelva a generar soluciones con ese error y permitir mejorar la calidad de las soluciones. Esta fase es lo que llamamos la revisin y bsicamente la podramos dividir en 2 etapas: evaluar la solucin generada, si esta es correcta la aadimos a la base de conocimiento mientras que si esta es incorrecta solucionaremos los problemas que esta tenga y aprenderemos de este error. A continuacin procederemos a describir de una manera ms detalla cada uno de estos procedimientos: Evaluacin de la solucin La evaluacin de la solucin se realiza aplicando la propia solucin en el mundo real, es decir probando que sucedera si aplicsemos la solucin obtenido en el contexto que se nos haba producido el problema. Es evidente que la solucin no tiene por qu probarse directamente sobre el mundo real, sino que este mundo puede simularse y recoger los datos que se obtienen de esta simulacin. El tiempo que tardamos en ver los resultados de la prueba pueden variar dependiendo del contexto en el que nos encontremos pero lo que si que es cierto es que el resultado que obtendremos de estas pruebas es si la eleccin de esta solucin ha sido correcta o no. Para ello tendremos que comprar los valores obtenidos como solucin de la aplicacin de la solucin en el contexto con los valores que esperbamos obtener, ya sea el correcto funcionamiento de un sistema, la correcta solucin de un problema, etc. Por lo tanto como resultado final de esta evaluacin obtendremos si la solucin propuesta se ha comportado como esperbamos en el contexto de pruebas. Reparar los errores Una vez hecha la evaluacin de la solucin el siguiente paso lgico consiste en la reparacin de los errores que pudiese tener la solucin respecto a los datos que nos haba proporcionado la experimentacin. Como ya habamos comentado antes en el proceso de correccin de los errores no solamente se persigue la correccin de los propios errores que presenta la solucin, sino que lo que se persigue es aadir un nuevo caso al sistema pero en este caso referenciado como error. Esto en el fondo tambin es un conocimiento, ya que ayudara al sistema experto en la toma de futuras decisiones permitiendo que el sistema no vuelva a cometer los mismos errores. Estos casos en futuros razonamiento no podrn ser considerados como posibles soluciones sino que tendrn que ser considerados como soluciones no validas, es decir si en el proceso de razonamiento se llegase a una de estas soluciones, no hara falta continuar con el proceso de validacin de la solucin ya que directamente podramos llegar a la conclusin que es una solucin incorrecta. Adems no es solo eso sino que estos casos errneos pueden ayudar a dirigir la lnea de razonamiento hacia nuevas soluciones que antes no podran haber sido alcanzadas. En el ejemplo que habamos pues de Lus y la Eurocopa, un ejemplo de reparar errores seria por ejemplo poner a Cesc a jugar el primer partido y ver como no hace nada, entonces viendo esto aprende que Cesc no est en su mejor momento y decide que en el segundo tiempo juegue otro en su lugar. En este caso vemos que la solucin que haba obtenido del procedo de razonamiento la haba puesto en prctica sobre un caso real, teniendo en primera mano cuales son los resultados obtenidos de ese experimento, y pudiendo aprender de esos errores. Mtodos de aprendizaje La lnea de aprendizaje del razonamiento basado en casos es realmente la parte ms importante del sistema, no solo porque es la encargada de ampliar la base de conocimiento del sistema, si no tambin porque constituye realmente la parte que realmente permitir al sistema evolucionar y seguir creciendo, ya que sin esta parte, aun teniendo el mejor sistema basado en el razonamiento este sistema tendra pocos das de vida ya que no seria capaz de aprender y a poco que cambiasen las cosas externas a su conocimiento no seria capaz de resolverlas adecuadamente. A continuacin expondremos los diversos pasos que se dan en este proceso de aprendizaje. Extraer

171

Razonamiento basado en casos En el razonamiento basado en casos la base de conocimiento es actualizada cuando el problema se ha resuelto. Si el problema ha sido resuelto mediante el uso de un caso anterior, un nuevo caso ser construido o bien el viejo caso sobre el cual habamos obtenido la solucin ser generalizado para contener este nuevo caso, Si el problema ha sido solucionado por otros mtodos, incluyendo la comunicacin con el usuario, un nuevo caso seria generado. En cualquier caso, se necesita saber que utilizaremos como fuente de conocimiento a guardar en la base de conocimiento. La descripcin del problema, as como las soluciones del problemas son los lgicos candidatos, pero una explicacin u otro tipo de justificacin de por qu la solucin es la solucin del problema pueden ser perfectamente incluidos en el nuevo caso. Por ejemplo en CASEY y CREEK las explicaciones tambin son incluidas en los casos y posteriormente usadas en la modificacin de la solucin. CASEY usa la estructura de explicacin que antes habamos mencionado para buscar otros estados dentro del modelo de diagnstico que expliquen el porqu de los datos de entrada del problema, con el objetivo de despus de haber resuelto estas preguntas encontrar una mejor solucin. Indexar El problema de la indexacin es una de los problemas ms importantes dentro del razonamiento basado en casos. Es necesario decidir que tipo de indexacin vamos a utilizar para futuros accesos a los casos almacenados en la base de conocimiento, de manera que esos accesos puedan ser realizados de manera sencilla. La indexacin directa, como antes habamos mencionado, se salta el ltimo paso, pero aun as todava quedara el problema de identificar que tipo de indexador utilizar. Esto seria un problema de adquisicin de este conocimiento, problema que tiene que ser analizado como parte del anlisis de la base de conocimiento. Una solucin trivial para este problema seria utilizar directamente todas las caractersticas de los ndices. Integrar Este es el paso final en el proceso de adquisicin de nuevo conocimiento en la base de conocimiento. Si no se ha tenido que realizar ningn caso o reindexacin se tratar de dejar la base de conocimiento tal y como estaba ya que no habra sido necesario realizar ninguna modificacin.. Si se ha tenido que modificar la indexacin de algn caso de los que se encontraban en la base de conocimiento, se tendrn que integrar estas modificaciones dentro de la base de conocimiento. Este proceso de integracin dentro de la base de conocimiento de las modificaciones se tiene que realizar con la mxima atencin posible, ya que el resultado final tiene que ser la de una base de conocimiento que contine estando correctamente indexada para que permita prximos accesos a la misma.

172

Ejemplos
Hasta este momento, en las explicaciones que se han realizado se ha intentado acompaar en todo momento a estas con ejemplos sencillos para facilitar el entendimiento de los temas tratados. Aun as seria interesante una vez analizado en profundidad los fundamentos del razonamiento basado en casos, analizar algunos casos de una complejidad ms elevada que nos permitan mejorar nuestro entendimiento sobre el tema. A continuacin presentaremos una serie de ejemplos que permitirn al lector comprobar como se realizara una aplicacin del razonamiento basado en casos en una situacin real. Sistema basado en casos para la educacin a distancia El ejemplo de aplicacin real que se propone, como el propio ttulo indica se basa en crear un sistema experto para la educacin a distancia con el objetivo principal de automatizar el proceso de enseanza aprendizaje en un organismo educacional a distancia. Para lo cual ha sido necesario modelar el conocimiento del proceso de enseanza aprendizaje que se realiza entre un profesor con experiencia en educacin a distancia, y sus alumnos, encontrando los procedimientos generales y reutilizables para pasar desde esos modelos a un sistema que consiga apoyar el proceso de enseanza / aprendizaje de una manera ms real y efectiva. Es decir se pretende lograr obtener descripciones razonablemente claras, completas, precisas e inequvocas de las tareas que el educador y el alumno realizan cuando se someten a un proceso de enseanza aprendizaje a distancia, y as obtener un modelo al nivel de conocimiento que articule las distintas actividades y relaciones descritas por el alumno y el educador, y que permita conseguir un modelo formal subyacente a esa

Razonamiento basado en casos descripcin que nos permita enlazarla con las primitivas computables de un entorno de programacin, generando un sistema basado en el conocimiento para la educacin a distancia. El sistema basado en el conocimiento propuesto le permite por un lado al docente, generar un curso que basado en objetivos especficos permita detallar los materiales y la estrategias de enseanza ms adecuadas a un alumno comn, estrategias de enseanza que se modificarn con el paso del tiempo, y que se adaptarn a los usuarios segn sus necesidades. Por otro lado el sistema es capaz de guiar al estudiante a lo largo del dominio particular del conocimiento propuesto por el profesor, resolviendo durante este proceso tareas tales como: la elaboracin de una estrategia de tutorizacin, la propuesta de materiales complementarios al estudio de un tema, el registro de las actividades del usuario y la generacin de nuevas estrategias para nuevos casos. El enfoque del proceso se presenta a travs de un modelo de casos de uso donde los actores (profesores, alumnos) interacta con distintos procesos. Bajo este enfoque, cada mdulo de los anteriormente mencionados representar un conjunto de uno o ms agentes inteligentes. Estas entidades cooperarn entre s, con el objetivo final de alcanzar el objetivo central del sistema: la transmisin del conocimiento al estudiante y la generacin de cursos de manera ms automatizada a travs de la generacin de estrategias de enseanza/aprendizaje que se adapten a los alumnos. Como podemos ver, este es un problema que se podra resolver perfectamente utilizando un sistema experto de razonamiento basado en casos, ya que lo que la idea de utilizar casos para almacenar la informacin y que esta sea utilizada para construir las siguientes soluciones es adecuada para el desarrollo del problema. Sistema basado en casos para la definicin de un modelo de negocio Este ejemplo tiene por objetivo la de disear un sistema basado en el conocimiento que tiene como objetivo principal la generacin de modelos de negocio. Este es un problema tpicamente informtico, y que si se analiza en profundidad se puede ver que sigue unos patrones determinados. Es por eso que su implementacin en forma de sistema experto resulta lgica. Si analizamos en profundidad la adecuacin de implementar este sistema experto mediante razonamiento basado en casos podremos ver que es una buena alternativa ya que en este tipo de situaciones, todo y que tambin se podra construir a partir de un sistema basado en reglas, seria ms adecuado utilizar el mtodo a partir de casos, ya que el diseo de sistemas de negocio es un trabajo bastante variante, y es interesante considerar la posibilidad de construir nuevas soluciones a partir de soluciones ya existente, basndonos en casos que tuvieran contextos similares. Esto nos permitira ir construyendo una solucin a la medida del problema que tuviramos en la entrada. Una de las cosas que nos tendramos que plantear realmente es si el problema que quereos resolver no es demasiado grande en cuanto a las posibilidades existentes para resolverlo, es decir, existen demasiados contextos o tipos de problemas que resolver. En este caso yo considero que si, ya que se pueden construir modelos de negocio de cualquier sistema, y es por eso que se necesita mucho conocimiento en general. Todo y eso si nos ponemos a analizar el problema podremos ver que en muchos casos no es necesario conocer tan bien el contexto del problema, y que todos se resuelven de manera muy similar.

173

Referencias
[1] [2] [3] [4] [5] Roger Schank, Dynamic Memory: A Theory of Learning in Computers and People (New York: Cambridge University Press, 1982). Janet Kolodner, "Reconstructive Memory: A Computer Model," Cognitive Science 7 (1983): 4. Michael Lebowitz, "Memory-Based Parsing," Artificial Intelligence 21 (1983), 363-404. Bill Mark, "Case-Based Reasoning for Autoclave Management," Proceedings of the Case-Based Reasoning Workshop (1989). Trung Nguyen, Mary Czerwinski, and Dan Lee, "COMPAQ QuickSource: Providing the Consumer with the Power of Artificial Intelligence," in Proceedings of the Fifth Annual Conference on Innovative Applications of Artificial Intelligence (Washington, DC: AAAI Press, 1993), 142-151.

Bibliografa
Aamodt, Agnar, and Enric Plaza. " Case-Based Reasoning: Foundational Issues, Methodological Variations, and System Approaches (http://www.iiia.csic.es/People/enric/AICom.html)" Artificial Intelligence Communications 7, no. 1 (1994): 39-52.

Razonamiento basado en casos Althoff, Klaus-Dieter, Ralph Bergmann, and L. Karl Branting, eds. Case-Based Reasoning Research and Development: Proceedings of the Third International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1999. Kolodner, Janet. Case-Based Reasoning. San Mateo: Morgan Kaufmann, 1993. Leake, David. " CBR in Context: The Present and Future (http://www.cs.indiana.edu/~leake/papers/ p-96-01_dir.html/paper.html)", In Leake, D., editor, Case-Based Reasoning: Experiences, Lessons, and Future Directions. AAAI Press/MIT Press, 1996, 1-30. Leake, David, and Enric Plaza, eds. Case-Based Reasoning Research and Development: Proceedings of the Second International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1997. Riesbeck, Christopher, and Roger Schank. Inside Case-based Reasoning. Northvale, NJ: Erlbaum, 1989. Veloso, Manuela, and Agnar Aamodt, eds. Case-Based Reasoning Research and Development: Proceedings of the First International Conference on Case-Based Reasoning. Berlin: Springer Verlag, 1995. Watson, Ian. Applying Case-Based Reasoning: Techniques for Enterprise Systems. Morgan Kaufmann, 1997.

174

Reconocimiento de expresiones faciales

El reconocimiento de expresiones faciales es una parte de la inteligencia artificial que tiene como principal objetivo la realizacin de estudios de comportamiento o la deteccin de enfermedades para su posterior rehabilitacin. Las expresiones faciales no slo son una manifestacin visible del estado afectivo, la actividad cognitiva, la personalidad y las enfermedades de cada persona, sino que son muy importantes para facilitar las comunicaciones y las interacciones entre seres humanos. Estas expresiones ayudan a transmitir seales de comunicacin no verbal en las interacciones faciales y pueden facilitar el entendimiento del significado del lenguaje hablado.
250px |Expresin de sorpresa

Mtodo
A partir de una base de datos de imgenes con diferentes expresiones faciales, se obtienen varios parmetros para la extraccin de caractersticas de estas para su posterior utilizacin cmo entrada en un sistema de reconocimiento. Se tienen en cuenta siete expresiones tpicas del ser humano: Neutral Enfado Disgusto Miedo Alegra Tristeza Sorpresa

Reconocimiento de expresiones faciales

175

Procesamiento de imgenes y extraccin de caractersticas

Se procesan las imgenes y se extraen dos tipos de parmetros de diferentes sujetos: los parmetros en valores reales y los parmetros binarios. Los parmetros en valores reales tienen un valor determinado en funcin de la distancia medida, que se mide en nmero de pxeles. Mientras que los parmetros binarios indican la presencia (1) o ausencia (0) de dicho parmetro.

Parmetros en valores reales

1. Aumento de la distancia de la ceja Distancia entre el punto de unin de la parte superior e inferior del prpado y la punto central inferior de la ceja. 2. Distancia entre el prpado superior y la ceja Distancia entre la parte superior del prpado y la superficie de la ceja. 3. Distancia entre cejas Distancia entre el centro de las extremidades inferiores de las cejas. 4. Distancia entre el prpado superior y el inferior 5. Grosor del labio superior 6. Grosor del labio inferior 7. Anchura de la boca Distancia entre las puntas de la esquina del labio.
250px |Parmetros en valores reales

8. Apertura de la boca Distancia entre la superficie inferior del labio superior y la superficie superior del labio inferior.

Parmetros binarios
1. Dentadura superior Presencia o ausencia de los dientes superiores. 2. Dentadura inferior Presencia o ausencia de los dientes inferiores. 3. Frente Presencia o ausencia de arrugas en la parte superior de la frente. 4. Lneas de las cejas Presencia o ausencia de arrugas en la regin por encima de las cejas. 5. Lneas de la nariz Presencia o ausencia de arrugas en la regin que se extiende sobre la nariz. 6. Lneas de la barbilla Presencia o ausencia de arrugas en la regin de la barbilla justo debajo del labio inferior. 7. Lneas naso-labiales Presencia o ausencia de arrugas en ambos lados de la nariz en la en la regin de encima del labio superior. En el caso de los parmetros en valores reales que se presentan simtricamente a ambos lados de la cara, se obtiene un promedio de las dos mediciones y posteriormente se normalizan los valores en relacin a la imagen neutral. Los parmetros binarios son caracterizados por la presencia o ausencia de las contracciones de los msculos faciales. Para detectar dichas contracciones se puede utilizar un algoritmo de deteccin de contornos para determinar si el patrn est presente o ausente.
200px |Parmetros binarios

Reconocimiento de expresiones faciales

176

Comparacin y resultados
Los parmetros obtenidos en el procesado de imgenes se comparan con las imgenes de la base de datos para computar los resultados. En distintos proyectos sobre reconocimiento de expresiones faciales, a da de hoy se suele obtener una media de un 90% de aciertos. Todo esto depende de la expresin analizada, ya que, en general, se obtienen ms aciertos en una expresin neutral o de sorpresa, que en una de disgusto o miedo.

Aplicaciones
El reconocimiento de expresiones puede dar lugar a diferentes aplicaciones tecnolgicas o mdicas: Deteccin de enfermedades Rehabilitacin de trastornos mentales Estudios sociolgicos Animacin 3D Videojuegos Robtica Deteccion de sonrisas en fotografa

El reconocimiento facial.[1] est emergiendo como una de las aplicaciones biomtricas ms tiles y exitosas de los ltimos aos. Adems de ser una medida de seguridad muy confiable y efectiva, es de mucha ayuda en una gran cantidad de aplicaciones y esto hace que la demanda de los sistemas de reconocimiento facial se encuentre en constante crecimiento. La tecnologa de reconocimiento facial es utilizada para combatir el fraude de pasaportes, soporte al orden pblico, identificacin de personas desaparecidas, y minimizar el fraude en las identificaciones. Est siendo instalada en lugares como: Agencias estatales Bancos Casinos Escuelas Hospitales Aeropuertos

Bases de datos
Cohn-Kanade Facial Expression Database [2] Japanese Female Facial Expression Database [3] The CMU Multi-PIE Face Database [4] MIT-CBCL Face Recognition Database [5]

Referencias
[1] [2] [3] [4] [5] http:/ / www. cucorent. com/ control-rondas. html: Los diferentes sistemas de reconocimiento facial http:/ / vasc. ri. cmu. edu/ idb/ html/ face/ facial_expression/ http:/ / www. kasrl. org/ jaffe. html http:/ / www. multipie. org/ http:/ / cbcl. mit. edu/ software-datasets/ heisele/ facerecognition-database. html

Reconocimiento de expresiones faciales

177

Bibliografa
Saket S Kulkarni, Narender P Reddy y SI Hariharan (2009). Facial expression (mood) recognition from facial images using committee neural networks (http://www.biomedical-engineering-online.com/content/8/1/16). BioMedical Engineering OnLine (Department of Biomedial Engineering, University of Akron, Akron, OH, USA). Ekman P, Friesen WV (1978). The Facial Action Coding System A Technique for the Measurement of Facial Movement (http://face-and-emotion.com/dataface/facs/manual/TitlePage.html). Consulting Psychologists Press (San Francisco, USA). Philippos Vanger, Robert Hoenlinger, Hermann Haken (1998). Computer aided generation of prototypical facial expressions of emotion (http://www.dgps.de/fachgruppen/methoden/mpr-online/issue4/art3/article.html). Methods of psichological Research. B. Weyrauch, J. Huang, B. Heisele and V. Blanz (2004). Face Recognition with 3D Morphable Models. First IEEE Workshop (Face Processing in Video, Washington, USA).

Reconocimiento de palabras clave

El reconocimiento de palabras clave, conocido como Wordspotting, es una parte de la inteligencia artificial que consiste en identificar palabras especficas dentro de una locucin. Es un algoritmo basado en la bsqueda de palabras clave en archivos de audio, por ejemplo llamadas telefnicas, donde localiza e indexa contenido de audio ganando un ahorro importante de tiempo ante la bsqueda manual. El sistema wordspotting se diferencia entre el reconocimiento de palabras aisladas y el reconocimiento de habla continua, es decir, las palabras son reconocidas en un flujo continuo de fonemas.

Los inicios

Ejemplo de un sistema de reconocimiento de palabras clave. En la imagen superior vemos un archivo de voz con la siguiente locucin grabada:Ejemplo prctico de un sistema de reconocimiento de palabras clave. En la imagen inferior, el sistema reconoce la palabra clave sistema.

En el ao 1870, Alexander Graham Bell quiso desarrollar un dispositivo capaz de proporcionar un habla visible para la gente con problemas auditivos. El fruto de esta idea fue creado el telfono. Ms tarde, en 1930, el cientfico Tihama Nemes quiso patentar el desarrollo de una mquina de transcripcin automtica de voz. Fue denegada por considerarse un proyecto poco realista. Seis aos despus, en Bell Laboratories crearon el primer analizador y sintetizador de voz, Vocoder y Voder respectivamente. No es hasta el ao 1952, donde investigadores de Bell Laboratories desarrollaran el primer sistema de reconocimiento de voz con dependencia del locutor capaz de reconocer dgitos de 0 a 9 basndose en las caractersticas del espectro de cada nmero. Los experimentos dieron una exactitud del 98%. Ms tarde, concretamente, en 1959 fue creado un sistema capaz de reconocer cuatro vocales y nueve consonantes.[1]

Reconocimiento de palabras clave

178

En la dcada de los 60's, los investigadores comenzaron a desarrollar aplicaciones con vocabularios cortos (no ms de 50 palabras), dependientes del locutor y con palabras de flujo discreto, es decir, con pausas entre palabras.
[2]

Arquitectura de un modelo HMM progresivo para el habla

Hacia los aos 70's, muchos investigadores intentarn mejorar los sistemas existentes. Adems, DARPA (Defense Advanced Research Projects Agency) se interesa por esta tecnologa, y comienza sus investigaciones propias, enfocadas a la habla continua y utilizando vocabularios ms extensos. Nacen tcnicas como "DTW (Dynamic Time Warping)", "Modelo de probabilidad (Modelo oculto de Markov, HMM)" y "Algoritmo de Retropropagacin (Algoritmo backpropagation)". Durante los aos 80's, los sistemas empiezan a incorporar mdulos de anlisis lxico, sintctico, semntico y pragmtico con el fin de entender el habla. Se trabaja con vocabulario ms extenso, hasta llegar casi a las 20.000 palabras. Ms tarde, avances tecnolgicos sern los precursores de un giro en las investigaciones, pasarn de mtodos basados en reconocimiento de patrones a mtodos basados en modelos de probabilidad, como el Modelo oculto de Markov (HMM).[3][4] Mtodos desarrollados, en los aos 70's, para solucionar los problemas de habla continua. Finalmente, en los aos 90's, se contina trabajando con vocabularios cada vez ms amplios, los costes disminuyen y las aplicaciones independientes del locutor y flujo continuo empiezan a ser ms comunes. Actualmente, las compaas telefnicas son los principales clientes de estas tecnologas.[5][6]

Objetivos
El principal objetivo de un sistema de reconocimiento de palabras clave o Wordspotting es solucionar el problema debido a las palabras fuera de vocabulario (Out Of Vocabulary, OOV), como nombres propios, extranjerismos, acrnimos, etc, trminos que no se encuentran en el vocabulario de los sistemas de habla continua. Por este motivo, la tcnica Wordspotting busca un acceso eficiente a la informacin.[7]

Clasificacin de los diferentes sistemas wordspotting

Estos sistemas se pueden clasificar en tres tipos diferentes: los basados en reconocedores de habla continua de gran vocabulario (LVCSR), basados en modelos de relleno, y por ltimo basados en reconocedores de subunidades de palabra. Los tres, trabajan con sistema Wordspotting, y se diferencian por la manera de acceder a la informacin.

Basados en reconocedores de habla continua de gran vocabulario (LVCSR)

Tambin conocido con el nombre LVCRS (Large Vocabulary continuos Speech Recognition). Este sistema funciona muy bien en el caso de que todas las palabras a reconocer formen parte del vocabulario del sistema, cosa que no siempre sucede. Si la palabra a buscar no se ha utilizado en la indexacin no se puede encontrar, esto quiere decir que la palabra se considera fuera de vocabulario (OOV).[8] Ventajas: Proporcionan informacin til para la presentacin de contenidos de audio sin necesidad de reproducirlo. Bsquedas rpidas con visualizacin y navegacin de los contenidos. Inconvenientes: Tasa de error elevada cuando el tipo de habla no coincide con las condiciones del archivo de audio (tracto vocal, frecuencia fundamental y prosodia).

Reconocimiento de palabras clave Espacios limitados Los rasgos ms representativos, caracterizado por poseer un reconocimiento del habla natural y un extenso vocabulario. Incluye funciones de extraccin, transcripciones automticas del habla, modelado del lenguaje y entendimiento del habla.

179

Diagrama de bloques de un sistema LVCSR

Basados en modelos de relleno

Para entender estos sistemas, antes que nada, hay que saber que en los procesos de decodificacin proponen la secuencia ms probable de palabras existentes en el audio. De esta manera, hay que tener en cuenta las palabras clave y cualquier otro tipo de sonido que pueda aparecer en el archivo. Por este motivo, los modelos de relleno son utilizados para llenar los intervalos de habla con ausencia de palabras clave. Las palabras clave junto con los modelos de relleno entran en el mdulo donde se fija una medida de confianza. Esta medida se utiliza para detectar errores de reconocimiento, conceptos semnticos incorrectas y palabras fuera del vocabulario, de tal modo son rechazados del sistema. Con las medidas de confianza se consigue aumentar el rendimiento del sistema. Con este procedimiento, slo se intenta reconocer unas palabras determinadas, el resto de audio se asigna a modelos de relleno.[9] Ventajas: Tcnica ms precisa y menos costosa que la anterior Puede trabajar a nivel de fonemas, grafemas, slabas, clases fonticas (oclusivas, nasales, fricativas, etc) y palabras. Inconvenientes: Trabaja con un conjunto predefinido de palabras clave, si se busca una palabra fuera de vocabulario (OOV) es necesario rehacer la indexacin.[10] Sistema limitado para aplicaciones tipo call-center, consulta de itinerarios, gestin de reservas.

Diagrama de bloques de un sistema basado en modelos de relleno

Reconocimiento de palabras clave

180

Basados en reconocedores de subunidades de palabra

Los sistemas basados en reconocedores de subunidades de palabra tienen como objetivo solucionar el principal problema que presentan las tcnicas Wordspotting. Por este motivo se desarrollaron los sistemas "Spoken Term Detection (STD)", mecanismos tiles para extraer informacin de contenidos audiovisuales.[11] El funcionamiento de este se estructura en dos partes: una primera, donde se realiza el proceso de reconocimiento de voz (basados en modelos fonticos) y, una segunda, donde se hace la bsqueda de los trminos. En la primera parte, el sistema trabaja en subunidades de palabra que no cambian con el idioma. Este proceso genera un ndice, hace la funcin de puntero. En la segunda parte, con el detector de palabras clave y las medidas de confianza (basado en "lattices"), el sistema a la salida extrae el listado de las palabras solicitadas. Ventajas: La bsqueda es mucho ms rpida que los dos casos anteriores No tiene problemas de palabras fuera de vocabulario (OOV). Se puede buscar cualquier tipo de palabra, ya que hace una bsqueda de secuencias de fonemas. Utilizado para sistemas de reconocimiento de idioma. Inconvenientes: Es menos precisa que los sistemas anteriores, aunque si se combina con otros sistemas es mejorable. Por ejemplo los reconocedores de habla continua de gran vocabulario (LVCSR).

Diagrama de bloques de un sistema basado en subunidades de palabra

Otros sistemas
Basados en redes neuronales (Artificial Neural Networks, ANN) Las redes neuronales se complementan con otros mtodos, formando sistemas hbridos. De esta manera se resuelven problemas concretos derivados por otros sistemas, gracias a su sencillez y eficacia.[12] Una red neuronal aplicada a cualquier sistema de reconocimiento se basa simplemente en modelos matemticos calculados con lenguajes de programacin. Las neuronas son definidas a partir de un conjunto de entradas y salidas conectadas entre ellas, creando una estructura capaz de guardar informacin. De esta manera, creamos una estructura Arquitectura bsica de una red neuronal con cuatro nodos de entrada neuronal, capaz de proporcionar autonoma de y un nodo de salida aprendizaje, alto rendimiento, rapidez y potencia. Podemos encontrar diferentes tipos de algoritmos de aprendizaje: supervisado por correccin de error, auto-organizado, hbridos y reforzados.[13]

Reconocimiento de palabras clave

181

Aplicaciones
Estos sistemas son utilizados en diversos medios, desde compaas telefnicas hasta seguridad y defensa. Uno de los medios donde ms rendimiento han sacado de esta tecnologa ha sido en la telefona, ya sea por razones de utilidad, disponibilidad o coste. Ejemplos como, call-center, asistencia en llamadas (operadores automticos), caracterizacin de llamadas, etc. Tambin encontramos aplicaciones para servicios financieros, consultas de informacin (clima, trfico, itinerarios ...), cross-selling, gestin de reservas, etc. Otras aplicaciones de acceso a informacin de grabaciones multimedia, indexacin de audio en funcin de marcas, generacin de avisos en tiempo real, procesado de reuniones, anlisis de calidad de operadores, robtica ...

Conclusiones
Los sistemas basados en reconocedores de habla continua de gran vocabulario ofrecen un ptimo rendimiento siempre y cuando la consulta del usuario est dentro del diccionario del sistema. Una manera de solucionar los OOV es utilizar la bsqueda por fontica (sistemas basados en subunidades de palabras). De esta manera, la combinacin de sistemas LVCS y sistemas de subunidades de palabra se convierte en un sistema robusto para aplicaciones de extraccin de informacin en contenidos audiovisuales.

Referencias
[1] [2] [3] [4] "L. R. Rabiner and B. H. Juang, Fundamentals of Speech Recognition, Prentice-Hall, Englewood Cliffs, N. J., 1993 " "J. C. Junqua and J. P. Haton, Robustness in Automatic Speech Recognition, Kluwer Academic Publishers, 1996" "L. R. Rabiner and B. H. Juang, "An Introduction to Hidden Markov Models", IEEE ASSP Magazine, Vol. 3, N 1, enero 1996" "L. R. Rabiner, "A Tutorial on Hidden Markov Modelos and Selected Applications in Speech Recognition", Proc. of the IEEE, Vol. 77, N 2, febrero 1989" [5] "J. T. Chien and H. C. Wang, "Telephone speech recognition based on Bayesian. adaptation of hidden Markov models", Speech Communication, Vol. 22, 1997 " [6] " S. Gamm, R. Haeb-Umbach and D. Langmann, "The development of a command-based speech interface for a telephone answering machine", Speech Communication, Vol. 23, 1997 " [7] "J. M. Baker; Large Vocabulary, Speaker Adaptive Continuous Speech Recognition Research Overview at Dragon Systems. In Proceedings of Eurospeech 91 (Geneva, Italy, September 24-26). ESCA, 1991" [8] "D. T. Toledano, "Lattices y WordSpotting". rea de Tratamiento de Voz y Seales. Escuela Politcnica Superior - UAM, Madrid. 2008 " [9] "Szke, I., Schwarz, P., Matejka, P., Burget, L., Karafit, M., Fapso, M. i Cernocky, J., Comparison of Keyword Spotting Approaches for Informal Continuous Speech, in Proc. InterSpeech, 2005 " [10] "Cuayahuitl, H., Serridge, B.: Out-of-vocabulary word modelling and rejection for spanish keyword spotting systems. Proc. of MICAI, 2002" [11] "M. Saraclar, R. Sproat; Lattice-Based Search for Spoken Utterance Retrieval. AT&T Labs - Research 2006 " [12] "Beale, R.; Jackson, T," Neural Computing: an introduction ", Ed. Adam Hilger, 1990" [13] "Ou., J., Chen, C., Li, Z.: Hybrid neural-network/hmm approach for out-ofvocabulary words rejection in mandarin place name recognition. Proc. of ICONIP, 2001 "

Enlaces externos
Fundamentos bsicos de los sistemas de reconocimiento de voz (http://www.monografias.com/trabajos901/ fundamentos-basicos-reconocimiento-voz/fundamentos-basicos-reconocimiento-voz.shtml) Historia de los sistemas de reconocimiento automtico del habla (http://tamarisco.datsi.fi.upm.es/ ASIGNATURAS/FRAV/apuntes/historia_rv.pdf)PDF PFC Universidad Autnoma de Madrid del ao 2008 (http://arantxa.ii.uam.es/~jms/pfcsteleco/lecturas/ 20081013VeronicaPennaGarcia.pdf)PDF Apuntes Sistemas de Reconocimiento y Sntesis de la Voz (http://catarina.udlap.mx/u_dl_a/tales/documentos/ lis/ahuactzin_l_a/capitulo1.pdf)PDF Pgina Web Defense Advanced Research Projects Agency (DARPA) (en ingls) (http://www.darpa.mil/)

Reconocimiento de palabras clave Prueba on-line del sistema con la empresa Verbio Technologies S.L. (http://www.verbio.com/webverbio3/ html/demos_wordspotting.php)

182

Red jerrquica de tareas

La Red jerrquica de tareas (denominada tambin del ingls como: Hierarchical task network o abreviadamente HTN) es un algoritmo de planificacin automtica que crea un plan por descomposicin de tareas en subtareas hasta lograr primitivas que pueden ser ejecutadas directamente. La dependencia entre las acciones se proporciona en forma de red (Network). La descomposicin se aplica en cumplimiento de unas precondiciones segn una jerarqua.

Concepto
Una tarea primitiva es una accin que puede ser directamente ejecutada. Una tarea compuesta es una secuencia de acciones. Una tarea-objetivo es una tarea que satisface unas condiciones. La diferencia entre primitivas y otras tareas es que las acciones primitivas pueden ser directamente ejecutadas. Las tareas compuestas y las objetivo requieren de una secuencia de acciones primitivas para ser desarrolladas; sin embargo, las tareas objetivo se especifican en trminos de condiciones que deben ser satisfechas, por el contrario las tareas compuestas se especifican solamente mediante una red de tareas. Las restricciones entre las tareas se expresan mediante redes, a las que se denomina red de tareas. Una red de tareas es un conjunto de tareas ligadas con ciertas restricciones entre ellas. De esta forma se puede decir que una tarea dada es viable slo si un conjunto de acciones (incluidas en la red) se han realizado cumpliendo con las restricciones existentes entre ellas (especificadas en la red). Una forma particular de representar una red jerarquica de tareas en un formalismo particular es mediante el uso de TMS.[1][2]

Usos
Los algoritmos HTN proporcionan una forma adecuada de planificar recursos cuando existe de antemano una informacin jerrquica de la estructura del dominio. Los planificadores similares a HTN (que son los que se emplean en la prctica) poseen la mismas capacidades (son aplicables en los mismos dominios) que STRIPS.[3] Los modelos tericos sobre los que se fundamenta HTN les hacen ms expresivos que STRIPS,[4] pero no puede ser directamente empleado debido a su indecidibilidad.

Planificadores HTN
Los planificadores HTN independientes de dominio ms conocidos son: Nonlin [5], se trata de uno de los primeros sistemas de planificacin HTN. SIPE-2 [6] O-Plan [7] UMCP [8], es probablemente el primero ms completo HTN de los planificadores. SHOP2 [9], un planificador HTN desarrollado en la University of Maryland, College Park.

Red jerrquica de tareas

183

Referencias
[1] K. Decker (1995). (http:/ / www. cis. udel. edu/ ~decker/ pubs/ decker-thesis-tr. pdf). Environment Centered Analysis and Design of Coordination Mechanisms. Ph.D. Thesis at University of Massachusetts, Department of Computer Science. [3] M. Lekavy and P. Navrat (2007). Expressivity of STRIPS-Like and HTN-Like Planning (http:/ / www2. fiit. stuba. sk/ ~lekavy/ publikacie/ 2007 Expressivity of STRIPS-Like and HTN-Like Planning/ strips_vs_htn_lekavy. pdf). Lecture Notes in Artificial Intelligence, Vol. 4496 Agent and multi-agent Systems. Technologies and applications. 1st KES International Symposium, KES-AMSTA 2007, Wroclaw, Poland, May/June 2007. - Germany, Springer-Verlag Berlin Heidelberg, 2007. pp. 121-130 [4] K. Erol, J. Hendler and D. Nau. HTN Planning: Complexity and Expressivity. In Proc. AAAI-94 [5] http:/ / www. aiai. ed. ac. uk/ project/ nonlin/ [6] http:/ / www. ai. sri. com/ ~sipe/ [7] http:/ / www. aiai. ed. ac. uk/ ~oplan/ [8] http:/ / www. cs. umd. edu/ projects/ plus/ umcp/ [9] http:/ / www. cs. umd. edu/ projects/ shop/

Robtica cognitiva
La robtica cognitiva es la rama de la robtica que se ocupa de proporcionar al robot de un comportamiento inteligente dotndole de una arquitectura de procesamiento que le permite aprender y razonar acerca de cmo comportarse frente a complejos objetivos en arduos entornos. Dicha arquitectura de procesamiento, en combinacin con los objetivos y el entorno del robot, determina completa y mecnicamente la forma en que el robot se mueve y se comporta. El usuario puede especificar los objetivos (ya sea directa o indirectamente), o bien puede que el mismo robot los determine. En este caso, se dice que es autnomo. Un robot es un dispositivo de entrada y salida de datos, construido con materia inanimada y cuyo comportamiento, en respuesta al entorno, est determinado por su diseo. Segn esta definicin, un ascensor es un robot. La cognicin es la accin o proceso de adquisicin de conocimientos y comprensin a travs del pensamiento, la experiencia y los sentidos. La robtica cognitiva ve en la cognicin animal el punto de partida para el desarrollo de los algoritmos computacionales de la robtica, a diferencia de las tradicionales tcnicas de inteligencia artificial, que pueden o no recurrir a los mamferos y a la cognicin humana como inspiracin para el desarrollo de algoritmos. Las capacidades cognitivas de la robtica incluyen el proceso de la percepcin, la asignacin de la atencin, la anticipacin, la planificacin, el razonamiento sobre otros agentes, y quizs el razonamiento sobre sus propios estados mentales. La robtica cognitiva encarna el comportamiento de los agentes inteligentes en el mundo fsico (o en un mundo virtual, en el caso de la robtica cognitiva simulada). En la versin ms ambiciosa, eso implica que el robot tambin debe ser capaz de actuar en el mundo real. Por lo tanto, un robot cognitivo debe presentar las siguientes caractersticas: Conocimiento. Creencias. Preferencias. Objetivos. Actitudes informativas. Actitudes motivacionales (observacin, comunicacin, revisin de creencias, planificacin). Capacidad para moverse en el mundo fsico, y para interactuar de forma segura con sus objetos, incluyendo la manipulacin de stos.

La robtica cognitiva engloba la aplicacin e integracin de diversas disciplinas, pero se inspira fundamentalmente en la psicologa y la investigacin de la neurociencia. Los temas principales incluyen la representacin del conocimiento, la motivacin, el razonamiento automtico, la planificacin y el aprendizaje. Dentro de la robtica cognitiva, puede adoptarse una serie de diferentes metodologas que incluyen no slo el enfoque de la IA simblica clsica haciendo hincapi en el razonamiento y la representacin simblicos, sino tambin los enfoques inspirados

Robtica cognitiva ms biolgicamente que usan representaciones ruidosas y distribuidas. Un enfoque que intenta combinar uno simblico con uno conexionista es el SS-RICS. [1] Los enfoques de sistemas dinmicos y conexionistas ms puros incluyen, por ejemplo, redes de neuronas recurrentes de tiempo continuo (CTRNNs) [2], segn los estudios de Randall Beer y sus colaboradores y la teora de la resonancia adaptiva (ART), desarrollada por Stephen Grossberg y sus compaeros. Una de las tcnicas de aprendizaje que se utilizan en los robots es el aprendizaje por imitacin . En otras palabras, el robot, provisto de todos los sensores y hardwares fsicos necesarios para realizar una tarea humana, observa la realizacin de una tarea humana, y entonces trata de imitarla con los mismos movimientos que el ser humano con el fin de realizar la tarea. Usando sus sensores, el robot debe ser capaz de crear una imagen tridimensional del entorno y de reconocer los objetos que aparecen en ella. Por lo tanto, el reto fundamental es interpretar la escena y entender qu objetos son los necesarios para realizar la tarea y cules no. Un enfoque de aprendizaje ms complejo es la adquisicin de conocimientos autnomos: el robot utiliza ahora sus sensores y sus conocimientos sobre las propiedades fsicas del mundo, y luego se le deja para que explore el ambiente por s mismo. Una de las terminologas de este comportamiento se llama el balbuceo de motor. Bsicamente, la idea de este enfoque es la de permitir que el robot descubra sus capacidades por s mismo. Algunos investigadores en robtica cognitiva han comenzado a utilizar arquitecturas como ACT-R y Soar como base de sus programas de robtica cognitiva. Estas arquitecturas se han utilizado con xito para simular el funcionamiento del operador y el rendimiento humano, cuando los datos de laboratorio de modelizacin. La idea es extender estas arquitecturas para manejar la entrada sensorial en el mundo real a medida que dicha entrada se desarrolla continuamente a travs del tiempo. Algunas de las preguntas fundamentales que an no pueden ser respondida en la robtica cognitiva son: Cunta programacin humana puede o debera participar para apoyar los procesos de aprendizaje? Cmo se puede cuantificar el progreso? Algunas de las formas adoptadas son la recompensa y el castigo. Pero, qu tipo de recompensa y qu tipo de castigo? En los humanos, al ensear a un nio pequeo, por ejemplo, la recompensa sera un chocolate o algn estmulo, y el castigo tendr muchas maneras. Pero cul es la manera eficaz con los robots?

184

Referencias
lo simblico y subsimblico Robtica Sistema de Control de Inteligencia (SS-RICS) Grupo de Sistemas Inteligentes - Universidad de Utrecht [4] El Grupo de Robtica Cognitiva - Universidad de Toronto [5] Laboratorio de Robtica Cognitiva [6] de Juergen Schmidhuber en IDSIA y la Universidad Tcnica de Munich Qu depara el futuro para cognitivo Robots? - Laboratorio Nacional de Idaho [7] Robtica Cognitiva del Laboratorio de Investigacin Naval de EE.UU. [8] La robtica cognitiva en [9] los sistemas de ENSTA [9] autnomos incorporados, complejo y en evolucin en entornos no restriccin, utilizando principalmente como sensor de visin. El Centro de Sistemas Inteligentes - Universidad de Vanderbilt [10] CDR-Lab de la Universidad de Bielefeld [11]
[3]

Robtica cognitiva

185

Enlaces externos
Anuncia iRobis completo cognitiva Sistema de Software para Robots [12] El proyecto XPero [13] Instituto de Robtica en Scandinavia AB [14] (iRobis) RoboBusiness: robots que suean con ser mejor [15] www. [16]Consciente-Robots.com [16]

Referencias
[1] http:/ / www. ss-rics. org [2] http:/ / www. primordion. com/ Xholon/ samples/ adapsyslab. html [3] http:/ / www. ss-rics. org/ [4] http:/ / www. cs. uu. nl/ groups/ IS/ robotics/ robotics. html [5] http:/ / www. cs. toronto. edu/ cogrobo/ main/ [6] http:/ / www. idsia. ch/ ~juergen/ cogbotlab. html [7] http:/ / www. inl. gov/ adaptiverobotics/ humanoidrobotics/ future. shtml [8] http:/ / www. nrl. navy. mil/ aic/ iss/ aas/ CognitiveRobots. php [9] http:/ / cogrob. ensta. fr/ [10] http:/ / eecs. vanderbilt. edu/ cis/ cishome. shtml [11] http:/ / www. cor-lab. de/ corlab/ cms/ [12] [13] [14] [15] [16] http:/ / www. defpro. com/ news/ details/ 4056/ http:/ / www. xpero. org http:/ / www. irobis. com/ http:/ / mensnewsdaily. com/ 2007/ 05/ 16/ robobusiness-robots-with-imagination/ http:/ / www. conscious-robots. com/ en/ conscious-machines/ the-field-of-machine-consciousness/ cognitive-rob. html

Robtica evolutiva
La Robtica Evolutiva (RE) es un rea de la Robtica Autnoma en la que se desarrollan los controladores de los robots mediante la evolucin al usar Algoritmos Genticos. Habitualmente se evolucionan Redes Neuronales ya que se sigue el referente biolgico y simplifica el diseo y la representacin en el algoritmo gentico.

Historia
La fundacin de la RE est relacionada con trabajos en el CNR de Roma en los 90, pero la idea inicial de codificar el sistema de control de un robot en un genoma y evolucionarlo data de finales de los aos 80. Cliff, Harvey y Husbands de COGS en la Universidad de Sussex introdujeron el trmino robtica evolutiva en el ao 1993. En 1992 y 1993 dos equipos, Floreano y Mondada en la EPFL da Lausanne y el grupo de COGS informaron de los primeros experimentos de evolucin artificial de robots autnomos. El xito inicial de esta incipiente investigacin lanz una gran actividad que intentaba delimitar el potencial de esta aproximacin al problema. ltimamente, la dificultad de crecimiento de la complejidad de las tareas, al igual que en la aproximacin simblica, ha orientado la atencin al lado terico de la disciplina abandonando el punto de vista de la ingeniera.

Robtica evolutiva

186

Robtica Evolutiva
La Robtica Evolutiva tiene varios objetivos, a menudo simultneos. El punto de vista de la ingeniera crea controladores de robots para realizar tareas tiles en el mundo real. La Biologa y otras ciencias de lo vivo obtienen simulaciones que reproducen fenmenos desde fisiolgicos hasta ecolgicos. La Filosofa de la Ciencia puede analizar sistemas con valor epistmico.

Seguimiento de objetos
El seguimiento de objetos es el proceso de estimar en el tiempo la ubicacin de uno o ms objetos mviles mediante el uso de una cmara. La rpida mejora en cuanto a calidad y resolucin de los sensores de imagen, juntamente con el dramtico incremento en cuanto a la potencia de calculo en la ltima dcada, ha favorecido la creacin de nuevos algoritmos y aplicaciones mediante el seguimiento de objetos. El seguimiento de objetos puede ser un proceso lento debido a la gran cantidad de datos que contiene un video. Adems, la posible necesidad de utilizar tcnicas de reconocimiento de objetos para realizar el seguimiento incrementa su complejidad.

Diseo de un seguidor de objetos

Las cmaras de video capturan informacin sobre los objetos de inters en forma de conjunto de pxeles. Al modelar la relacin entre el aspecto del objeto de inters y el valor de los pxeles correspondientes, un seguidor de objetos valora la ubicacin de este objeto en el tiempo. La relacin entre el objeto y la proyeccin de su imagen es muy compleja y puede depender de ms factores que no sean solamente la posicin del objeto, lo que implica que el seguimiento de objetos sea una tarea difcil. Los principales retos que hay que tener en cuenta en el diseo de un seguidor de objetos estn relacionados con la similitud de aspecto entre el objeto de inters y el resto de objetos en la escena, as como la variacin de aspecto del propio objeto. Dado que el aspecto tanto del resto de objetos como el fondo puede ser similar al del objeto de inters, esto puede interferir en su observacin. En ese caso, las caractersticas extradas de esas reas no deseadas puede ser difcil de diferenciar de las que se espera que el objeto de inters genere. Este fenmeno se conoce con el nombre de clutter.

Dificultades del seguimiento

Adems del reto de seguimiento que causa el clutter, los cambios de aspecto del objeto en el plano de la imagen dificulta el seguimiento causado por uno o ms de los siguiente factores siguientes: Cambios de posicin. El objeto mvil de inters varia su aspecto cuando se proyecta sobre el plano de la imagen, por ejemplo, al girar. Iluminacin ambiente. La direccin, la intensidad y el color de la luz de ambiente influyen en el aspecto del objeto de inters. Asimismo, los cambios en la iluminacin global son con frecuencia un reto en las escenas al aire libre. Ruido. El proceso de adquisicin de imgenes introduce en la seal de la imagen un cierto grado de ruido que depende de la calidad del sensor. Las observaciones del objeto de inters pueden daarse y por tanto afectar al rendimiento del seguidor. Oclusiones. Puede ser que un objeto de inters no se observe bien cuando sea parcial o totalmente tapado por otros objetos en la escena. Las oclusiones son generalmente debidas a: Un objeto de inters que se mueve detrs de un objeto esttico, como por ejemplo una columna. Otros objetos que se mueven en la escena de manera que entorpecen la visin de un objeto de inters.

Seguimiento de objetos

187

Representacin del objeto

En un escenario de seguimiento, un objeto se puede definir como cualquier cosa que sea de inters para su posterior anlisis. Los objetos se pueden representar mediante sus formas y apariencias. A continuacin se describen las representaciones de forma del objeto utilizadas generalmente: Puntos. El objeto est representado por un punto, es decir, por un centroide o por un conjunto de puntos. En general, la representacin de puntos es adecuada para el seguimiento de objetos que ocupan pequeas regiones en una imagen. Formas geomtricas primitivas. La forma del objeto se representa con un rectngulo, una elipse, etc. El movimiento de estas representaciones es generalmente modelada por la translacin, afinidad o la transformacin proyectiva (homografa). Aunque las formas geomtricas primitivas son ms adecuadas para la representacin de objetos rgidos simples, tambin se utiliza para el seguimiento de objetos no rgidos. Silueta del objeto y contorno. La representacin del contorno define el lmite de un objeto. La regin dentro del contorno se conoce como la silueta del objeto. Estas representaciones son adecuadas para el seguimiento de formas complejas no rgidas. Modelos articulados de forma. Los objetos articulados estn formados por partes del cuerpo que estn unidas por articulaciones. Por ejemplo, el cuerpo humano es un objeto articulado por el torso, piernas, manos, cabeza y pies unidos por articulaciones. La relacin entre estas partes se rige por los modelos del movimiento cinemtico. Para representar un objeto articulado, se puede modelar los componentes utilizando cilindros o elipses. Modelos esquelticos. El esqueleto del objeto se puede extraer mediante la transformacin del eje medio de la silueta del objeto. La representacin del esqueleto se puede utilizar para modelar objetos articulados y rgidos. Tambin hay varias maneras de representar las caractersticas de aspecto de los objetos. Hay que tener en cuenta que las representaciones de forma tambin se pueden combinar con las de aspecto para llevar a cabo el seguimiento. Algunas de las representaciones de aspecto ms comunes son: La densidad de probabilidad del aspecto de los objetos. Las estimaciones de densidad de probabilidad del aspecto de los objetos pueden ser paramtricas o no paramtricas. Esta densidad de probabilidad (color, textura) se puede calcular a partir de las regiones de la imagen especificada por los modelos de forma (regin interior de una elipse o un contorno). Plantillas. Las plantillas estn formadas con formas geomtricas simples o siluetas. Una de las ventajas de las plantillas es que aporta tanto la informacin espacial como la de aspecto. Las plantillas, sin embargo, slo codifican el aspecto de los objetos generados a partir de una nica vista. Por tanto, slo son adecuadas para seguir objetos donde las posiciones no varen considerablemente al largo del seguimiento. Modelos activos de aspecto. Los modelos activos de aspecto se generan mediante el modelado simultneo de la forma del objeto y su aspecto. En general, la forma del objeto se define por un conjunto de puntos de referencia. Similar a la representacin basada en el contorno, los puntos de referencia pueden residir en la frontera del objeto o, alternativamente, pueden residir dentro de la regin de ste. Por cada punto de referencia se guarda un vector de aspecto en forma de color, textura o magnitud del gradiente. Los modelos activos de aspecto requieren una fase de entrenamiento donde tanto la forma como su aspecto asociados se conocen a partir de un conjunto de muestras. Modelos de aspecto multivista. Estos modelos codifican diferentes puntos de vista de un objeto. Un mtodo para representar los diferentes puntos de vista de un objeto es generar un subespacio de las proyecciones que se han dado.

Seguimiento de objetos

188

Seleccin de caractersticas
Seleccionar las caractersticas adecuadas tiene un papel fundamental en el seguimiento. En general, la caracterstica visual ms deseada es la singularidad porque los objetos se pueden distinguir fcilmente en el espacio de caractersticas. Los detalles de las caractersticas ms comunes son los siguientes: Color: En el procesamiento de imgenes se utiliza normalmente el espacio de color RGB (rojo, verde y azul) para representar esta caracterstica. A pesar de ello, el espacio RGB no es un espacio de color percentualmente uniforme, y por tanto se han utilizado una gran variedad de espacios de color en el seguimiento. El color aparente de un objeto se ve influenciado principalmente por dos factores fsicos: La distribucin de energa espectral de la fuente. Las propiedades de reflectancia de la superficie del objeto. Mrgenes. Los lmites de los objetos suelen generar fuertes cambios en la intensidad de la imagen. La deteccin de mrgenes se utiliza para identificar dichos cambios. Una propiedad importante de los mrgenes es que son menos sensibles a los cambios de iluminacin en comparacin con las caractersticas de color. Los algoritmos que hacen un seguimiento de los lmites de los objetos suelen utilizar los mrgenes como caractersticas representativa. Flujo ptico. EL flujo ptico es un campo denso de desplazamiento de vectores que define la translacin de cada pxel en una regin. Se calcula mediante la restriccin de brillantez constante y se utiliza generalmente como caracterstica de la segmentacin basada en movimiento, as como en aplicaciones de seguimiento. Textura. La textura es una medida de la variacin de intensidad de una superficie que cuantifica las propiedades como por ejemplo la suavidad y la regularidad. En comparacin con el color, la textura requiere una etapa de procesamiento para generar los descriptores. Similares a las caractersticas de lmites, las caractersticas de textura son menos sensibles a los cambios de iluminacin en comparacin con el color.

Deteccin de la imagen
Cada mtodo de seguimiento requiere un mecanismo de deteccin de objetos, ya sea en cada fotograma o cuando el primer objeto aparece en el video. Un mtodo comn para la deteccin de objetos es el uso de la informacin de un solo fotograma. No obstante, algunos mtodos de deteccin de objetos hacen uso de la informacin temporal calculada a partir de una secuencia de imgenes para reducir as el nmero de falsas detecciones. Esta informacin temporal se calcula generalmente con la tcnica frame differencing, que pone de Ejemplo de deteccin de caras. manifiesto las regiones cambiantes en tramos consecutivos. Una vez se tiene en cuenta las regiones del objeto en la imagen, es entonces tarea del seguidor de realizar la correspondencia de objeto de un fotograma a otro para generar el seguimiento. Los mtodos ms populares en el contexto del seguimiento de objetos son: Los detectores de puntos. La sustraccin del fondo. La segmentacin.

Seguimiento de objetos Detectores de puntos Los detectores de puntos se utilizan para encontrar los puntos de inters en imgenes que tienen una textura expresiva en sus respectivas localidades. Los puntos de inters se han utilizado durante mucho tiempo en el contexto del movimiento y en los problemas de seguimiento. Una caracterstica deseable en cuanto a los puntos de inters es su invariacin en los cambios de iluminacin y en el punto de vista de la cmara. Sustraccin del fondo La deteccin de objetos se puede conseguir mediante la construccin de una representacin de la escena llamada modelo de fondo y despus encontrando las desviaciones del modelo para cada fotograma entrante. Cualquier cambio significativo en una regin de la imagen del modelo de fondo representa un objeto en movimiento. Los pxeles que constituyen las regiones en proceso de cambio se marcan para su posterior procesamiento. En general, un algoritmo de componentes conectados se aplica para obtener regiones conectadas que corresponden a los objetos. Este proceso se conoce como la sustraccin de fondo. Segmentacin El objetivo de los algoritmos de segmentacin de la imagen es dividir la imagen en regiones percentualmente similares. Cada algoritmo de segmentacin abarca dos problemas, los criterios para una buena particin y el mtodo para conseguir la particin eficiente. Existen diferentes tcnicas de segmentacin de objetos en movimiento que se pueden separar en dos grandes grupos: las basadas en movimientos y las basadas en caractersticas espaciotemporales. Tcnicas basadas en movimiento Estas tcnicas hacen uso principalmente de la informacin de movimiento. Dentro de este grupo podemos diferenciar dos tipos: los que trabajan con el movimiento en dos dimensiones (2D) y los que lo hacen en tres (3D). Dentro de las tcnicas en dos dimensiones encontramos: Tcnicas basadas en las discontinuidades del flujo ptico. Esta tcnica realiza la segmentacin basada en el desplazamiento o en el flujo ptico. Este desplazamiento o flujo ptico de un pxel es un vector de movimiento que representa el movimiento entre el pxel en una imagen y el pxel correspondiente en la siguiente imagen. Tcnicas basadas en la deteccin de cambios. El principal objetivo de estos algoritmos es la deteccin de los pxeles del objeto y los pxeles de fondo. Los algoritmos de deteccin asumen que el fondo es normalmente estacionario y tiene un movimiento simple global y que adems los cambios entre imgenes consecutivas son debidos al movimiento. Los modelos de movimiento en 2D son simples, pero menos realistas. Como consecuencia, los sistemas de segmentacin en 3D son los ms utilizadoa en la prctica. Dentro de los mtodos en tres dimensiones se pueden distinguir dos algoritmos diferentes: Estructura a partir del movimiento, llamados SFM (Structure from motion). Algoritmos paramtricos.

189

Clasificacin de las tcnicas de segmentacin de un objeto.

Seguimiento de objetos El SFM generalmente maneja escenas 3D que contienen informacin relevante de profundidad, mientras que en los mtodos paramtricos no se asume esta profundidad. Otra diferencia importante entre los dos algoritmos es que en el SFM se asume un movimiento rgido, mientras que en los algoritmos paramtricos slo se asume rigidez de movimiento en partes de la escena. Tcnicas espaciotemporales Los mtodos de segmentacin basados nicamente en movimiento son sensibles a las inexactitudes de la valoracin de movimiento. Para solucionar estos problemas, en los mtodos espaciotemporales se propone complementar el movimiento mediante el uso de la informacin espacial. Hay dos enfoques dominantes: Basados en lmites. Estos mtodos se basan en la extraccin de mrgenes muy prominentes para segmentar los objetos de inters. Las caractersticas de los mrgenes tambin se han utilizado en el contexto de modelos activos de contorno. Basados en regiones. Esta tcnica se centra en un conjunto de regiones o particiones iniciales generalmente definidas con caractersticas espaciales o espaciotemporales. El objetivo de esta particin es proporcionar un soporte mayor sobre el cual se derivar el movimiento. Utilizando la informacin de toda la regin, el movimiento se utiliza para guiar el proceso de segmentacin.

190

Tcnicas de seguimiento de objetos

El seguimiento de objetos es una tarea muy importante dentro del campo del procesado de video. El objetivo principal de las tcnicas de seguimiento de objetos es generar la trayectoria de un objeto a travs del tiempo, posicionando ste dentro de la imagen. Podemos hacer una clasificacin de tcnicas segn tres grandes grupos: seguimiento de puntos, seguimiento de ncleo (kernel) y seguimiento de siluetas.

Esquema de las diversas tcnicas utilizadas para realizar el seguimiento de objetos.

Tcnicas de seguimiento de puntos Los objetos detectados en imgenes consecutivas estn representados cada uno por uno o varios puntos y la asociacin de stos est basada en el estado del objeto en la imagen anterior, que puede incluir posicin y movimiento. Se requiere de un mecanismo externo que detecte los objetos de cada fotograma. Esta tcnica puede presentar problemas en escenarios donde le objeto presenta oclusiones y en las entradas y salidas de stos. Las tcnicas de seguimiento de puntos se pueden clasificar tambin en dos grandes categoras: Deterministas. Determinan el coste de correspondencia a travs de una prediccin futura del comportamiento del objeto a partir del anterior. Este coste se define normalmente como una combinacin de las siguientes restricciones: Proximidad. Velocidad mxima.

Seguimiento de objetos Cambios de velocidad pequeos. Movimiento comn. Rigidez. Uniformidad por proximidad. Estadsticos. Estos mtodos solucionan los problemas de seguimiento considerando las observaciones y las incertidumbres del modelo para la valoracin del estado del objeto que se est siguiendo. Utilizan el espacio de estados para modelar las propiedades del objeto tales como la posicin, la velocidad y la aceleracin. Las observaciones consisten normalmente en la posicin del objeto dentro de la imagen, que se obtiene mediante mecanismos de deteccin. Algunos de los mtodos utilizados son: Filtro de Kalman. Filtro de partculas. Filtro para la probabilidad conjunta de los datos Seguimiento de mltiples hiptesis.

191

Tcnicas de seguimiento del ncleo (kernel) Las tcnicas de seguimiento del ncleo realizan un clculo del movimiento del objeto, el cual est representado por una regin inicial, de una imagen a la siguiente. El movimiento del objeto se expresa en general en forma de movimiento paramtrico (translacin, rotacin, afn...) o mediante el campo de flujo calculado en los siguientes fotogramas. Podemos distinguir dos categoras: Seguimiento utilizando plantillas y modelos de apariencia basados en densidad de probabilidad. El mtodo que ms se utiliza en esta categora es el llamado template matching. Seguimiento basado en modelos multivista. Se utiliza cuando el aspecto del objeto cambia drsticamente y como consecuencia se pierde el seguimiento de este objeto. Tcnicas de seguimiento de siluetas Estas tcnicas se realizan mediante la valoracin de la regin del objeto en cada imagen utilizando la informacin que contiene. Esta informacin puede ser en forma de densidad de aspecto o de modelos de forma que son generalmente presentados con mapas de mrgenes. Dispone de dos mtodos: Correspondencia de forma. Se busca la silueta del objeto y su modelo asociado dentro de la imagen actual. Seguimiento del contorno. Evolucionan un contorno inicial en un fotograma anterior a la nueva posicin en el fotograma actual.

Aplicaciones
El seguimiento de objetos de inters en vdeo es la base de muchas aplicaciones que van desde la produccin de vdeo hasta la vigilancia remota, y desde la robtica hasta los juegos interactivos. Los seguidores de objetos se utilizan para mejorar la comprensin de ciertos conjuntos de datos de vdeo de aplicaciones mdicas y de seguridad; para aumentar la productividad al reducir la cantidad de mano de obra que es necesaria para completar una tarea y par dar lugar a la interaccin natural con mquinas. Medios de comunicacin y realidad aumentada. El seguimiento de objetos es un elemento importante en la post-produccin y captura de movimiento para las industrias del cine y la televisin. Aplicaciones mdicas e investigacin biolgica. En general, el seguimiento de objetos ha sido cada vez ms utilizado por sistemas mdicos para ayuda en el diagnstico y acelerar la tarea del cirujano. El seguimiento de objetos puede estimar la posicin de determinados tejidos blandos o de instrumentos como por ejemplo agujas durante al ciruga. Vigilancia e inteligencia de negocios. El seguimiento de objetos es una herramienta adecuada, utilizada en la vigilancia automtica de vdeo para la seguridad, la vida asistida y las aplicaciones de inteligencia de negocio.

Seguimiento de objetos Tele-colaboracin y juegos interactivos. Las cmaras web estndar ya incluyen el software de seguimiento que localiza y sigue la cara de un usuario para videoconferencias desde el escritorio. Por otro lado, el seguimiento de ojos se utiliza para estimar el contacto visual entre los asistentes de una reunin y as mejorar la eficacia de la interaccin en videoconferencias. El seguimiento de objetos tambin est cambiando la manera de enviar el control a las mquinas. Esta modalidad de interaccin natural se utiliza en juegos interactivos. Instalaciones de are y espectculos. El segumiento de objetos se utiliza cada vez ms en instalaciones de arte y en actuaciones donde la interaccin es posible gracias al uso de cmaras de vdeo y a menudo por los sistemas de proyeccin. La interactividad puede ser utilizada para mejorar la narrativa de una obra o para crear acciones inesperadas o reacciones del entorno.

192

Bibliografa
D. Zhang and G. Lu (2001). Segmentation of moving objects in image sequence: A review. Circuits, Systems and Signal Process. vol. 20, no. 2, pp. 143-183, 2001. A. Yilmaz. Object Tracking by Asymmetric Kernel Mean Shift with Automatic Scale and Orientation Selection. Computer Vision and Pattern Recognition, 2007. CVPR'07. IEEE Conference on. 2007. A. Yilmaz, O. Javed, and M. Shah, 2006. Object tracking: A survey. ACM Comput. Surv. 38, 4, Article 13 (Dec. 2006)

Sistema adaptativo complejo

Un sistema adaptativo complejo (CAS, del ingls complex adaptive system) es un tipo especial de sistema complejo; es complejo en el sentido de que es diverso y conformado por mltiples elementos interconectados; y adaptativo, porque tiene la capacidad de cambiar y aprender de la experiencia. La expresin sistema adapativo complejo (o ciencia de la complejidad) fue acuada en el interdisciplinario Santa Fe Institute por John H. Holland, Murray Gell-Mann y otros. Es a menudo usada para describir el campo acadmico libremente organizado que se ha desarrollado alrededor de estos sistemas. La ciencia de la complejidad no es una teora nica, ya que abarca ms de un marco terico, es sumamente interdisciplinaria y busca las respuestas a algunas preguntas fundamentales sobre los sistemas vivos, adaptables y cambiables. Los ejemplos de sistemas adaptativos complejos incluyen el Ser humano, la bolsa de valores, las sociedades de insectos y colonias de hormigas, la bisfera y el ecosistema, el cerebro y el sistema inmunitario, las clulas y el desarrollo embrionario, negocios de fabricacin y cualquier esfuerzo de grupos sociales humanos dentro de un sistema cultural y social dado, tales como partidos polticos o comunidades. Hay una estrecha relacin entre el campo de los CAS y la vida artificial, en ambas reas los principios emergentes y de autoorganizacin son muy importantes.

Definiciones
Un CAS es una compleja y autosimilar coleccin de agentes adaptativos interactuando. Los estudios de CAS se enfocan en la complejidad, las propiedades emergentes y macroscpicas de los sistemas. Distintos investigadores han esbozado varias definiciones: Un CAS (sistema adaptativo y complejo) es una red dinmica de muchos agentes (los cuales pueden representar clulas, especies, individuos, empresas, naciones) actuando en paralelo, constantemente y reaccionando a lo que otros agentes estn haciendo. El control de un CAS tiende a ser altamente disperso y descentralizado. Si hay un comportamiento coherente en el sistema, este tiene un crecimiento de competicin y cooperacin entre los agentes mismos. El resultado total del sistema proviene de un enorme nmero de

Sistema adaptativo complejo decisiones hechas en algn momento por muchos agentes individuales. John H. Holland[1] Un CAS se comporta/desarrolla de acuerdo con tres principios claves: el orden es emergente como posicin de lo predeterminado (c.f. Red neuronal), la historia de los sistemas es irreversible, y el futuro de los sistemas es a menudo impredecible. Los bloques constitutivos bsicos de los CAS son agentes. Los agentes exploran su ambiente y desarrollan representaciones esquemticas interpretativas y reglas de accin. Estos esquemas estn sujetos al cambio y la evolucin. Kevin Dooley[2] Colecciones macroscpicas de simples (y tpicamente no lineales) unidades de interaccin que estn dotadas con la capacidad de desarrollarse y de adaptarse a los cambios del entorno. Comisin Europea[3]

193

Propiedades de los CAS

Lo que distingue a los CAS de los SMA (sistemas multiagentes) puros es su enfoque de propiedades de alto nivel y caracterstica, como autosimilaridad, complejidad, emergencia, y autoorganizacin. Un SMA es definido simplemente como un sistema compuesto de mltiples agentes interactuando. En CAS los agentes as como los sistemas son adaptativos, el sistema es autosimilar. Un CAS es una compleja y autosimilar colectividad de interacciones de agentes adaptativos. Los CAS se caracterizan por un alto grado de capacidad adaptativa, lo que les proporciona resiliencia frente a la perturbacin. Otras propiedades importantes son la adaptacin (homeostasis), comunicacin, cooperacin, especializacin, organizacin espacial y temporal, y, por supuesto, reproduccin. Ellos pueden organizarse en todos los niveles: las clulas se especializan, se adaptan y se reproducen a s mismas tal como los organismos ms grandes lo hacen. La comunicacin y la cooperacin toman lugar en todos los niveles, desde agentes hasta niveles de sistemas.

Notas
[1] Segn Complexity: The Emerging Science at the Edge of Order and Chaos, de M. Mitchell Waldrop. [2] Eas.Asu.edu (http:/ / www. eas. asu. edu/ ~kdooley/ casopdef. html) (Kevin Dooley, Universidad Estatal de Arizona). [3] Glosario (http:/ / www. irit. fr/ COSI/ glossary/ fulllist. php?letter=C) (proyecto de entrenamiento en investigacin de la European Commission).

Sistema basado en reglas

194

Sistema basado en reglas

Los sistemas basados en reglas trabajan mediante la aplicacin de reglas, comparacin de resultados y aplicacin de las nuevas reglas basadas en situacin modificada. Tambin pueden trabajar por inferencia lgica dirigida, bien empezando con una evidencia inicial en una determinada situacin y dirigindose hacia la obtencin de una solucin, o bien con hiptesis sobre las posibles soluciones y volviendo hacia atrs para encontrar una evidencia existente (o una deduccin de una evidencia existente) que apoye una hiptesis en particular. Algunos ejemplos de sistemas expertos son: Dendral.- Fue ideado a finales de los aos 1970 para generar una representacin estructural de las molculas orgnicas a partir de los datos de un espectrgrafo de masas. Tal solucin tiene los siguientes pasos: Obtener las limitaciones de los datos. Generar estructuras candidatas. Predecir espectros de masa con los candidatos. Comparar los resultados con los datos.

Este sistema ilustra la solucin comn de resolver problemas en Inteligencia Artificial (IA) de generacin y prueba. MYCIN.- fue diseado a mediados de los setenta. Es un sistema interactivo que diagnostica infecciones bacterianas y suministra la terapia de antibiticos. MYCIN representa el razonamiento experto como una serie de reglas condicin - conclusin, que relacionan los datos del paciente con hiptesis de infeccin y al tiempo estiman la certeza de cada regla. Trabaja hacia atrs con diagnosis hipottica, empleando reglas para estimar los factores de certeza de las conclusiones basadas en los factores de certeza de su historial para comprobar si la evidencia apoya la diagnosis. Si no hay informacin suficiente para comprobar la hiptesis, pedir al mdico datos adicionales y evaluarn en forma exhaustiva todas las hiptesis. Cuando ha finalizado, MYCIN da los tratamientos para todas aquellas diagnosis que han alcanzado un alto valor de certeza. G2 de Gensym[1].- G2 de Gesnym es un programa computacional del tipo Rule Engine para soluciones de procesos crticos que automatizan las decisiones en tiempo real. Con G2 las organizaciones ms grandes del mundo dedicadas a la manufactura, al servicio pblico, comunicaciones, transporte urbano, aeroespaciales, finanzas y gestin gubernamental, maximizan la agilidad de su negocio y logran mayores niveles de rendimiento. Entre los usuarios de G2 estn: ABB, Alcan, Codelco, Dow Chemical, DuPont, Ericsson, ExxonMobil, Foxboro, Petrobrs, Shell, Unilever, Ford, Hitachi, HP, JEA, Lafarge, Motorola, Nokia, Canal de Panam, Siemens, Tokio electric and Power, Toyota, General Electric, NASA, el gobierno de Estados Unidos y muchos otros.

Referencias
[1] http:/ / www. gensym. com

Sistema de conocimiento

195

Sistema de conocimiento
Los sistemas de conocimiento son sistemas expertos ideados para crear nuevo conocimiento a partir del conocimiento explcito presente en los documentos de las bases de datos. Siguen el proceso KDD[1] en sus diferentes fases. Tienen su origen en los softwares cienciomtricos desarrollados para facilitar el anlisis de grandes conjuntos documentales cientficos o tecnolgicos (artculos cientficos, patentes, tesis doctorales, etc.).[2] Los sistemas de conocimiento son de gran utilidad para los equipos de inteligencia competitiva y de vigilancia tecnolgica de las organizaciones ya que proporcionan informes, diagramas, grficos y mapas muy apreciados en la toma de decisiones estratgicas. La evaluacin de redes de conocimiento[3] se beneficia de la existencia de sistemas de conocimiento desarrollados para transformar la informacin en conocimiento,[4] procesando de una manera rpida y controlada ingentes conjuntos documentales y creando nuevo conocimiento a partir de ellos. La ingeniera del conocimiento es la rama de la inteligencia artificial que tiene por objetivo la creacin de indicadores, mtodos e instrumentos de naturaleza matemtica, informtica y lingstica, para el anlisis y la representacin cartogrfica de la informacin cientfica y tcnica.[5]

Referencias
[1] Han, J. & Kamber, M. (2001). Data Mining: Concepts and Techniques. (2 ed.) San Francisco; Morgan Kaufmann Publishers, p. 550. [2] Larreina, S., Hernando, S. y Grisalea, D. (2006). La evolucin de la inteligencia competitiva: un estudio de las herramientas cienciomtricas. Puzzle: Revista Hispana de Inteligencia Competitiva. http:/ / redalyc. uaemex. mx/ redalyc/ pdf/ 548/ 54852001. pdf [Consultado el 3 de Abril de 2010] [3] Pino-Daz, J., Jimnez-Contreras, E., Ruz-Baos, R. y Bailn-Moreno, R., (2011). Evaluacin de redes tecnocientficas : la red espaola sobre reas protegidas, segn la Web of Science. Revista Espaola de Documentacin Cientfica. CSIC. 34 (3), 301-333 [4] Polanco, X. (2008). Transformer linformation en connaissance avec STANALYST. Cadre conceptuel et Modle. Encontros Bibli. Revista Electrnica Biblioteconomia y Ciencia de la Informaao, n. esp., 1. sem., 76-91. [5] Polanco, X. (1997). Infometra e Ingeniera del Conocimiento: Exploracin de Datos y Anlisis de la Informacin en vista del Descubrimiento de Conocimientos. En Jaramillo, H.; Albornoz, M. (editores) El universo de la medicin : La perspectiva de la Ciencia y la Tecnologa. COLCIENCIAS, CYTED, RICYT. Tercer Mundo Editores. Bogot, Colombia.

Sistema de reconocimiento facial

196

Sistema de reconocimiento facial

El sistema de reconocimiento facial es una aplicacin dirigida por ordenador que identifica automticamente a una persona en una imagen digital. Esto es posible mediante un anlisis de las caractersticas faciales del sujeto extradas de la imagen o de un fotograma clave de una fuente de video, y comparndolas con una base de datos.

Introduccin
El reconocimiento facial se ha convertido en los ltimos aos en una rea de investigacin activa que abarca diversas disciplinas, como procesado de imgenes, reconocimiento de patrones, visin por ordenador y redes neuronales. Involucra tanto a investigadores del rea de informtica como a neurocientficos y psiclogos. Se podra considerar tambin dentro del campo de reconocimiento de objetos, donde la cara es un objeto tridimensional sujeto a variaciones de iluminacin, pose, etc., y ha de ser identificada basada en su proyeccin 2D (excepto cuando se utilizan tcnicas 3D). El objetivo de un sistema de reconocimiento facial es, generalmente, el siguiente: dada una imagen de una cara "desconocida", o imagen de test, encontrar una imagen de la misma cara en un conjunto de imgenes "conocidas", o imgenes de entrenamiento. La gran dificultad aadida es la de conseguir que este proceso se pueda realizar en tiempo real. El sistema identificar las caras presentes en imgenes o videos automticamente. Puede operar en dos modos: Verificacin o autentificacin de caras: compara una imagen de la cara con otra imagen con la cara de la que queremos saber la identidad. El sistema confirmar o rechazar la identidad de la cara. Identificacin o reconocimiento de caras: compara la imagen de una cara desconocida con todas las imgenes de caras conocidas que se encuentran en la base de datos para determinar su identidad. Por su naturaleza amigable, este tipo de sistemas siguen siendo atractivos a pesar de la existencia de otros mtodos muy fiables de identificacin personal biomtricos, como el anlisis de huellas dactilares y el reconocimiento del iris.

Sistema de reconocimiento facial

197

Aplicaciones
reas Biometria Seguridad de la informacin Cumplimiento de la ley y vigilancia Tarjetas inteligentes Control de acceso Aplicaciones especficas Licencia de Conducir, Programas de Derecho, Inmigracin, DNI, Pasaportes, Registro de Votantes, Fraude Inicio de Sessin, Seguridad en Aplicaciones, Seguridad en Bases de Datos, Cifrado de Informacin, Seguridad en Internet, Acceso a Internet, Registros Mdicos, Terminales de Comercio Seguro, Cajeros Automticos Videovigilancia Avanzada, Control CCTV, Control Portal, Anlisis Post-event, Hurto, Seguimiento de Sospechosos, Investigacin Valor Almacenado, Autenticacin de usuarios Acceso a Instalaciones, Acceso a Vehculos

Aplicaciones Actuales
Se utiliza principalmente en sistemas de seguridad para el reconocimiento de usuarios. En estos sistemas se utiliza un lector que define las caractersticas del rostro, y cuando este solicita el acceso, se verifica comparando los datos obtenidos con la base de datos. Sin embargo, estos sistemas no son tiles a largo plazo ya que, a medida que pasan los aos, los rasgos faciales varan y al solicitar el acceso ya no coinciden con la imagen en la base de datos. Para solucionar este problema se puede utilizar un algoritmo que interprete el paso de los aos, aunque igualmente sigue sin ser del todo fiable), o bien, renovar frecuentemente la base de datos. Tambin se utiliza en aplicaciones de interaccin persona-ordenador, en gestin multimedia, y en software como Google's Picasa, Apple iPhoto, Sony's Picture Motion Browser (PMB), Facebook y Asus Smart Logon.

Posibles aplicaciones futuras

Una aplicacin de reconocimiento facial futura se basa en establecer esta tcnica a nivel de usuario. Por ejemplo, en un supermercado o en un establecimiento pequeo se podra llevar a cabo un control sobre quien abre la caja registradora mediante un reconocimiento facial previo, de esta manera tambin se pueden evitar intentos de robo ya que, al no reconocer el rostro, la caja permanecera cerrada. Un caso ms extremo sera en los cajeros automticos donde, para poder operar, fuese necesario un reconocimiento facial en vez del actual PIN.

Funcionamiento
El proceso consta de cuatro mdulos principales: 1. Deteccin de la cara: detecta que hay una cara en la imagen, sin identificarla. Si se trata de un video, tambin podemos hacer un seguimiento de la cara. Proporciona la localizacin y la escala a la que encontramos la cara. 2. Alineacin de la cara: localiza las componentes de la cara y, mediante transformaciones geomtricas, la normaliza respecto propiedades geomtricas, como el tamao y la pose, y fotometricas, como la iluminacin. Para normalizar las imgenes de caras, se pueden seguir diferentes reglas, como la distancia entre las pupilas, la posicin de la nariz, o la distancia entre las comisuras de los labios. Tambin se debe definir el tamao de las imgenes y la gama de colores. Normalmente, para disminuir la carga computacional del sistema, se acostumbra a utilizar imgenes pequeas en escala de grises. A veces tambin se realiza una ecualizacin del histograma. 3. Extraccin de caractersticas: proporciona informacin para distinguir entre las caras de diferentes personas segn variaciones geomtricas o fotomtricas.

Sistema de reconocimiento facial 4. Reconocimiento: el vector de caractersticas extrado se compara con los vectores de caractersticas extrados de las caras de la base de datos. Si encuentra uno con un porcentaje elevado de similitud, nos devuelve la identidad de la cara; si no, nos indica que es una cara desconocida. Los resultados obtenidos dependen de las caractersticas extradas para representar el patrn de la cara y de los mtodos de clasificacin utilizados para distinguir los rostros, pero para extraer estas caractersticas apropiadamente, hace falta localizar y normalizar la cara adecuadamente.

198

Tcnicas y algoritmos
Tcnicas Tradicionales
Los mtodos de reconocimiento facial tradicional se pueden dividir en dos grandes grupos: Holsticos Reconocen segn toda la imagen facial. Son mtodos basados en correlacin. El esquema de clasificacin ms simple, donde se utilizan modelos de comparacin para el reconocimiento, es el template matching. El problema del template matching es que ha de comparar muchas caractersticas (para l, un pixel es una caracterstica), y si Los primeros 10 a) Eigenfaces, b) Fisherfaces, y c) Laplacianfaces calculados a partir de tenemos en cuenta que en la base de imgenes de caras de la base de datos de YALE datos encontramos M personas, con N imgenes por persona, observamos que este mtodo no se puede implementar en tiempo real. Por lo tanto, se trabaja con otros mtodos que decorrelacionan las caractersticas entre s para conseguir reducir el espacio facial en un nmero menor de coeficientes, que tengan un alto poder discriminatorio entre las personas. Es lo que se denomina subespacio facial. Ejemplos de mtodos que trabajan a partir de subespacios son el Anlisis de Componentes Principales (PCA - Principal Component Analysis) a partir de eigenfaces, el Anlisis Linear Discriminant (LDA - Linear Discriminant Analysis) o el Discriminante Linear de Fisher (FLD - Fisher Linear Discriminant) a partir de fisherfaces. La tcnica PCA se considera una de las que proporciona un mayor rendimiento. Funciona proyectando las imgenes faciales sobre un espacio de facciones que engloba las variaciones significativas entre las imgenes faciales conocidas. Las facciones significativas se llaman eigenfaces, ya que son los eigenvectors, o componentes principales, del conjunto de caras. La proyeccin caracteriza la imagen facial de un individuo como la suma de los diferentes pesos de todas las facciones y, de la misma manera, para reconocer una imagen facial determinada slo har falta comparar estos pesos con aquellos de los individuos conocidos previamente. No tiene en cuenta la informacin de qu imgenes pertenecen a un mismo individuo. Es muy sensible a cambios en las condiciones de iluminacin en diferentes imgenes de una misma persona. El mtodo LDA permite utilizar la informacin entre miembros de la misma clase (imgenes de la misma persona) para desarrollar un conjunto de vectores de caractersticas donde las variaciones entre las diferentes caras se enfatizan mientras que los cambios debidos a la iluminacin, expresin facial y orientacin de la cara no. Es decir, maximiza la variancia de las muestras entre clases, y la minimiza entre muestras de la misma clase.

Sistema de reconocimiento facial La tcnica FLD es equivalente al LDA. Los resultados obtenidos con FLD son bastante mejores que los que podemos obtener con PCA, sobre todo cuando las condiciones lumnicas varan entre el conjunto de imgenes de entrenamiento y de test, y tambin con cambios de expresin facial, dando ms peso a zonas como los ojos, la nariz o las mejillas que a la boca, porque son zonas ms invariables en las diferentes expresiones que puede tener una persona. Otros mtodos, en vez de utilizar subespacios faciales, siguen una clasificacin por redes neuronales y plantillas deformables, como EGM - Elastic graph matching. Locales o geomtricos Se comparan diferentes caractersticas geomtricas de las caras. Existen dos divisiones, la basada en los vectores caractersticos extraidos del perfil, y la basada en los extraidos a partir de una vista frontal. Se utilizaba mucho anteriormente pero sus resultados no son ptimos.

199

Tcnicas 3D
ltimamente ha incrementado la tendencia del reconocimiento facial tridimensional, donde se utilizan imgenes 3D tanto en el entrenamiento como en el reconocimiento. Esta tcnica utiliza sensores en 3D para captar informacin sobre la forma de la cara. Esta informacin se utiliza posteriormente para identificar rasgos caractersticos del rostro como por ejemplo la barbilla, el contorno de los ojos, la nariz o los pmulos, y reteniendo informacin espacial, a parte de la textura y la profundidad. Una ventaja del reconocimiento facial en 3D es que no les afectan los cambios de iluminacin, como pasa en el caso de otras tcnicas. Adems, otro punto a favor es que pueden reconocer una cara en diferentes ngulos, incluso de perfil. El problema es que es difcil obtener imgenes 3D fidedignas en la fase de reconocimiento, ya que los sensores 3D tienen que estar muy bien calibrados y sincronizados para adquirir la informacin correctamente. Es por eso que se utiliza el mtodo de Anlisi de Components Principals Parcial (P2CA Partial Principal Component Analysis), derivado del PCA, donde se utilizan imgenes en 3D en la fase de entrenamiento y en la base de datos, pero en la fase de test puede utilizar tanto imgenes en 2D como en 3D. La tcnica intenta reconstruir modelos faciales en 3D a partir de mltiples imgenes de la misma persona adquiridas mediante un sistema multicmara o a partir de aparatos 3D. Las imgenes 3D son imgenes de 180 en coordenadas cilndricas. Otros ejemplos de tcnicas 3D son 3-D Morphable Model i 3-D Face Recognition.

Tcnicas de anlisis de la textura de la piel

Esta tendencia utiliza los detalles visuales de la piel. Analiza las lneas nicas, patrones y detalles evidentes como manchas y/o cicatrices del rostro del sujeto. Al utilizar este algoritmo nos ahorramos tener que recorrer toda la base de datos ya que podemos descartar imgenes fcilmente. Hay estudios que demuestran que utilizando esta tcnica, juntamente con el reconocimiento facial, el rendimiento puede aumentar hasta un 25 por ciento.[1][]

Reconocimiento basado en video

Se han desarrollado algunos sistemas de reconocimiento facial basados en video,[2] por ejemplo, salas inteligentes[3] que pueden reconocer a las personas e iniciar automticamente las acciones apropiadas. Otro ejemplo son los sistemas que detectan la fatiga de un conductor, monitorizando las expresiones de la cara y los movimientos de cabeza. Pero en aplicaciones de videovigilancia, el reconocimiento y la identificacin facial todava es una tarea difcil debido a: Baja calidad de video: normalmente la grabacin se hace en la calle, con una iluminacin inadecuada y, adems, las personas no son colaborativas, en el sentido de que no ayudan a ser reconocidas. Para solucionarlo, se pueden aplicar tcnicas de superresolucin. Imagen pequea de la cara: debido a las condiciones de adquisicin de la imagen, el tamao de la cara suele ser ms pequeo que los que hay en la base de datos. Eso no slo hace que la tarea sea ms difcil, si no que tambin

Sistema de reconocimiento facial afecta a la exactitud del proceso de segmentacin, as como a la deteccin de los puntos ms importantes utilizados en el reconocimiento. Hay aplicaciones en las que da buenos resultados, como en sistemas de control de acceso y en cajeros, donde el video se adquiere en un ambiente relativamente controlado y el tamao de la cara es aceptable. En estos casos, el reconocimiento basado en video ofrece algunas ventajas respecto el basado en imgenes: El video proporciona ms informacin, ya que tenemos ms frames para elegir en cual realizar la clasificacin. El video proporciona continuidad temporal, permitiendo reutilizar la informacin de clasificacin obtenida de los frames de alta calidad para procesar los frames de baja calidad. El video permite hacer un seguimiento de las caras, as los cambios de pose y las expressiones faciales se pueden compensar.

200

Aspectos tcnicos
Debilidades
El sistema de reconocimiento facial no es perfecto y a veces difcil de implementar en ciertas condiciones. Una de las principales debilidades de este sistema es debida a el ngulo en el que se encuentra el rostro que queremos reconocer. Estudios han confirmado que el reconocimiento acta correctamente hasta los 20,[] una vez superado este ngulo comienzan a surgir problemas. Es por este motivo que se est investigando el reconocimiento en 3D con el cual este inconveniente desaparecera. Otro inconveniente es el mal funcionamiento en situaciones de poca luz, adems, llevar el pelo largo, gafas de sol o otros objetos que cubran parte del rostro dificulta mucho la tarea. El algoritmo no siempre es capaz de distinguir los rostros si la expresin de este es diferente a la almacenada en la base de datos. Para solucionar algunos de estos problemas, a parte de hacer el reconocimiento sobre video, tambin se pueden utilizar tcnicas multimodales[4] donde, a parte de la imagen de la persona, se incorpora tambin informacin de voz y audio, si esta se encuentra dentro del contenido. Principalmente, podemos distinguir dos problemas que causan una seria degradacin del rendimiento en la mayora de los sistemas existentes: Problema de iluminacin Los cambios provocados por la iluminacin son normalmente ms grandes que las diferencias entre personas, causando a los sistemas basados en comparacin a equivocarse al clasificar las imgenes de entrada. Se han propuesto algunas soluciones basadas en el conocimiento, en particular teniendo en cuenta que todas las caras pertenecen a una misma clase. Estas tcnicas estn divididas en 4 tipos: Mtodos heursticos: por ejemplo, cuando utilizamos los subespacios de eigenfaces, descartando las componentes principales. Mtodos de comparacin de imgenes: se utilizan representaciones apropiadas de la imagen y medidas de distancia. Mtodos basados en la clase: utilizan mltiples imgenes de la misma cara en una pose fija pero bajo diferentes condiciones lumnicas. Mtodos basados en el modelo: utilizan modelos 3D.

Sistema de reconocimiento facial Problema del cambio de pose El rendimiento de un sistema de reconocimiento facial tambin baja significativamente cuando hay presentes cambios en la pose. Hay diferentes mtodos propuestos para solucionarlo: Mtodos donde la base de datos incluye imgenes de una persona en diferentes poses. Mtodos hbridos, donde hay disponibles diferentes imgenes por persona durante el entrenamiento, pero slo una por persona en el reconocimiento. Es la ms utilizada. Mtodos basados en una nica imagen, donde no hay entrenamiento. No es popular.

201

Efectividad
Segn un estudio reciente,[5] el reconocimiento facial automtico da mejores resultados que en los humanos, pero todava no hay una tcnica que proporcione una solucin robusta para todo tipo de situaciones y para las diferentes aplicaciones que lo puedan necesitar. Segn la revista 'Science', utilizar imgenes compuestas por varias fotografas adquiridas en diferentes ngulos de una misma persona permite que el rendimiento del algoritmo llegue hasta un 100% en el mejor de los casos. Este es el resultado de estudios de psiclogos de la Universidad de Glasgow, donde se est tratando el tema y se ha llegado a la conclusin de que este nuevo sistema emula una de las claves de la capacidad humana para reconocer rostros. Aun as contina sin poder distinguir entre diferentes expresiones faciales.

Privacidad
Aunque esta tecnologa nos aporta grandes beneficios, se cuestiona moralmente la privacidad del sujeto. Lo que a simple vista se considera como un avance tecnolgico se puede convertir en un arma. Dependiendo de su uso se puede controlar toda una sociedad entera sabiendo en todo momento donde se encuentran y qu estn haciendo.

Evaluacin
Dada la gran cantidad de teoras y tcnicas aplicables a el reconocimiento facial, son necesarias una clara evaluacin y una comparativa para estos algoritmos. Para que sean factibles, se han de utilizar grandes cantidades de imgenes para una evaluacin adecuada. Tambin es muy importante que la muestra sea estadsticamente lo ms similar posible a las imgenes que surgen en la aplicacin que se est considerando. La puntuacin ha de realizarse de manera que refleje el coste de los errores de reconocimiento. Recordemos que los resultados dependen mucho de la aplicacin que tratamos, as que no podemos extrapolar los resultados para otras aplicaciones. Existen extensas bases de datos pblicas disponibles, as como protocolos de test, para probar las aplicaciones del reconocimiento facial. Uno de ellos es el protocolo FERET, cuyo objetivo es proporcionar un marco de actuacin que modele una configuracin en tiempo real y reunir una extensa base de datos con imgenes de caras para poder desarrollar algoritmos y evaluarlos. Es el que se utiliza en el FRVT (Face Recognition Vendor Test). En la siguiente tabla se muestran una serie de bases de datos disponibles actualmente, donde se puede observar el nmero de elementos utilizados y el tiempo de reconocimiento:

Sistema de reconocimiento facial

202

Base de Datos N personas Poses Iluminacin Expresiones Faciales Tiempo AR BANCA CAS-PEAL CMU Hyper CMU PIE Equinox IR FERET Harvard RL KFDB MIT MPI ND HID NIST MID ORL UMIST U. Texas U. Oulu XM2VTS Yale Yale B 116 208 66-1040 54 68 91 1199 10 1000 15 200 300+ 1573 10 20 284 125 295 15 10 1 1 21 1 13 1 9-20 1 7 3 3 1 2 1 ? ? 1 ? 1 9 4 ? 9-15 4 43 3 2 77-84 16 3 3 3 1 ? 1 1 16 1 3 64 4 1 6 1 3 3 2 1 5 1 1 2 ? ? ? ? 1 ? 6 1 2 12 2 1-5 1 1 2 1 1 1 1 10/13 1 ? 1 1 1 4 1 1

Mejoras recientes
A mediados del 2006, en el Face Recognition Grand Challenge (FRGC) se evaluaron los ltimos algoritmos de reconocimiento facial. Escanners faciales 3D, imgenes de rostros de alta definicin y del iris fueron utilizadas en los tests. Los resultados indicaron que estos nuevos algoritmos tienen 10 veces ms exactitud que los algoritmos con fecha anterior a 2002, y 100 veces ms que los de 1995. Estos algoritmos son tan precisos que son capaces de reconocer a dos gemelos idnticos. Otra mejora reciente es que las imgenes de baja resolucin actualmente ya no son un problema porque pueden ser tratadas a partir de la superresolucin del rostro, conocido como Face Hallucination. Igualmente, la instalacin de cmaras de alta definicin est en proceso.

Sistema de reconocimiento facial

203

Referencias
[2] W. Zhao, R. Chellappa, A. Rosenfeld and P.J. Phillips. Face Recognition: A literature survey. Technical Report CART-TR-948. University of Maryland, Aug. 2002. [3] http:/ / www. canalupc. tv/ media/ bfquieres-ver-una-sala-inteligente?set_language=es [4] T. Choudhury, B. Clarkson, T. Jebara and A. Pentland, Multimodal Person Recognition Using Unsconstrained Audio and Video, International Conference an Audio- and Video-based Biometric Authentication, pp, 176-181, Washington D.C., 1999. [5] http:/ / www. neurodifusion. org/ noticias/ ciencias/ 57-noticias-ciencias/ 1108-la-maquina-supera-al-hombre-en-reconocimiento-facial. html

Enlaces Relacionados
Reconocimiento de expresiones faciales OpenCV

Bibliografa
S.Li, A.Jain, "Handbook of Face Recognition", Springer, 2004 Gary Bradski, Adrian Kaehler, "Learning OpenCV", O'Reilly, 2008

Enlaces externos
http://www.biometrics.gov/Documents/FaceRec.pdf http://oa.upm.es/215/

Sistema inteligente
Un sistema inteligente es un programa de computacin que rene caractersticas y comportamientos asimilables al de la inteligencia humana o animal. La expresin "sistema inteligente" se usa a veces para sistemas inteligentes incompletos, por ejemplo para una casa inteligente o un sistema experto. Un sistema inteligente completo incluye "sentidos" que le permiten recibir informacin de su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus acciones. Tiene un objetivo e, inspeccionando su memoria, puede aprender de su experiencia. Aprende cmo lograr mejorar su rendimiento y eficiencia.

Capacidades requeridas
Para que un sistema inteligente pueda ser considerado completo, debe incluir diversas funcionalidades que incluyan Inteligencia: Hay muchas definiciones de "inteligencia". Para usos prcticos usamos esta: La inteligencia es el nivel del sistema en lograr sus objetivos. Sistematizacin: Un sistema es parte del universo, con una extensin limitada en espacio y tiempo. Las partes del sistema tienen ms, o ms fuertes, correlaciones con otras partes del mismo sistema; que con partes fuera del sistema. Objetivo: Un objetivo es una cierta situacin que el sistema inteligente quiere lograr. Normalmente hay muchos niveles de objetivos, puede haber un objetivo principal y muchos subobjetivos. Capacidad sensorial: Un sentido es la parte del sistema que puede recibir comunicaciones del entorno. Se necesitan los sentidos para que el sistema inteligente puede conocer su entorno y actuar interactivamente. Conceptualizacin: Un concepto es el elemento bsico del pensamiento. Es el almacenamiento fsico, material de informacin (en neuronas o electrones). Todos los conceptos de la memoria estn interrelacionados en red. La capacidad de conceptualizar implica el desarrollo de niveles de abstraccin.

Sistema inteligente Reglas de actuacin: Una regla de actuacin es el resultado de una experiencia o el resultado de interpretar la propia memoria. Relaciona situacin y consecuencias de la accin. Memoria: La memoria es un almacenaje fsico de conceptos y reglas de actuacin. Esto incluye la experiencia del sistema. Aprendizaje: El aprendizaje es probablemente la capacidad ms importante de un sistema inteligente. El sistema aprende conceptos a partir de la informacin recibida de los sentidos. Aprende reglas de actuacin a base de su experiencia. La actuacin, a veces hecha al azar, se almacena con su valor. Una regla de actuacin aumenta en valor si permiti el logro de un objetivo. El aprendizaje incluye la fijacin de conceptos abstractos, a base de ejemplos concretos y la creacin de conceptos compuestos que contienen los conceptos de partes de un objeto. El aprendizaje tambin es la capacidad de detectar relaciones (patrones) entre la parte "situacin" y la parte "situacin futura" de una regla de actuacin.

204

Ejemplos de sistemas inteligentes

Los seres humanos y animales son sistemas inteligentes naturales, y los sistemas artificiales tratan progresivamente de emular sus capacidades . Los sistemas inteligentes se caracterizan por su capacidad de adaptarse a situaciones cambiantes, capacidad que todava no logran cabalmente los sistemas artificiales. La dificultad principal se encuentra en el desarrollo de la capacidad de aprendizaje.

Enlaces externos
Blog Madri+D - Sistemas Inteligentes (Informtica) [3]** JT Intelligent Systems - casas inteligentes [1] Sistemas inteligentes y sus sociedades [2] Inteligencia artificial [3] Agentes autnomos o "softbots" [4] Grupo de desarrollo - Agentes Inteligentes [5] Grupo de investigacin - Sistemas Inteligentes [2] Intelligent Systems Program [6] IRIS::Institute of Robotics and Intelligent Systems [7] Android World [8] NASA's Intelligent Systems Division at Ames Research Center [9]

Enlaces en ingls:

Referencias
[1] [2] [3] [4] [5] [6] [7] [8] [9] http:/ / jt-is. com http:/ / www. intelligent-systems. com. ar/ intsyst/ indexSp. htm http:/ / www. monografias. com/ trabajos12/ interartf. shtm http:/ / www2. ing. puc. cl/ tildedcolla/ publicacions/ agentes. htm http:/ / www. sceu. frba. utn. edu. ar/ GDAIA/ index. htm http:/ / www. isp. pitt. edu http:/ / www. iris. ethz. ch http:/ / www. androidworld. com/ index. htm http:/ / ti. arc. nasa. gov/

Sistema multi-agente

205

Sistema multi-agente
Un sistema multiagente (SMA) es un sistema compuesto por mltiples agentes inteligentes que interactan entre ellos. Los sistemas multiagente pueden ser utilizados para resolver problemas que son difciles o imposibles de resolver para un agente individual o un sistema monoltico. Los mbitos en los que la investigacin de sistemas multiagente puede ofrecer un enfoque adecuado incluyen el comercio online,[1] la respuesta a desastres[2] y el modelado de estructuras sociales.[3]

Informacin general
El dominio del sistema multiagente o de inteligencia artificial distribuida es una ciencia y una tcnica que trata con los sistemas de inteligencia artificial en red. El bloque fundamental de construccin de un sistema multiagente, como es de esperarse, son los agentes. Aunque no existe una definicin formal y precisa de lo que es un agente, stos son por lo general vistos como entidades inteligentes, equivalentes en trminos computacionales a un proceso del sistema operativo, que existen dentro de cierto contexto o ambiente, y que se pueden comunicar a travs de un mecanismo de comunicacin interproceso, usualmente un sistema de red, utilizando protocolos de comunicacin. En cierto modo, un sistema multiagente es un sistema distribuido en el cual los nodos o elementos son sistemas de inteligencia artificial, o bien un sistema distribuido donde la conducta combinada de dichos elementos produce un resultado en conjunto inteligente. Hay que notar que los agentes no son necesariamente inteligentes. Existen como en todo el resto del dominio de la inteligencia artificial, dos enfoques para construir sistemas multiagentes: El enfoque formal o clsico, que consiste en dotar de los agentes de la mayor inteligencia posible utilizando descripciones formales del problema que resolver y de hacer reposar el funcionamiento del sistema en tales capacidades cognitivas. Usualmente la inteligencia es definida utilizando un sistema formal (por ejemplo, sistemas de inferencia lgica) para la descripcin, raciocinio, inferencia de nuevo conocimiento y planificacin de acciones a realizar en el medio ambiente. El enfoque constructivista, que persigue la idea de brindarle inteligencia al conjunto de todos los agentes, para que a travs de mecanismos ingeniosamente elaborados de interaccin, el sistema mismo genere comportamiento inteligente que no necesariamente estaba planeado desde un principio o definido dentro de los agentes mismos (que pueden ser realmente simples). Este tipo de conducta es habitualmente llamado comportamiento emergente.

Caractersticas
Los agentes en un sistema multiagente tienen varias caractersticas importantes:[4] Autonoma: los agentes son al menos parcialmente autnomos Visin local: ningn agente tiene una visin global del sistema, o el sistema es demasiado complejo para un agente para hacer un uso prctico de esos conocimientos Descentralizacin: no hay un agente de control designado (o el sistema se reducira a un sistema monoltico)[5] Normalmente la investigacin de sistemas multiagente se refiere a agentes de software. Sin embargo, los agentes en un sistema multiagente tambin podran ser robots,[6] seres humanos o equipos humanos.

Sistema multi-agente

206

Auto-organizacin y auto direccin

Los sistemas multiagente pueden manifestar autoorganizacin, as como auto-direccin y otros paradigmas de control y comportamientos complejos relacionados, incluso cuando las estrategias individuales de todos sus agentes son simples. Cuando los agentes pueden compartir su conocimiento usando cualquier lenguaje acordado, dentro de los lmites del protocolo de comunicacin del sistema, el enfoque puede conducir a una mejora comn. Ejemplo de lenguajes son Knowledge Query and Manipulation Language (KQML) o Agent Communication Language (ACL) de la FIPA.

El estudio de sistemas multiagente

El estudio de los sistemas multiagente est "interesado en el desarrollo y anlisis de resoluciones a problemas sofisticados de IA y arquitecturas de control tanto para sistemas con un nico agente como sistemas multiagente.[7] Los temas de investigacin en SMAs son: ingeniera de software orientado a agentes creencias, deseos e intenciones (en ingls Beliefs, Desires and Intentions, BDI) cooperacin y coordinacin organizacin comunicacin negociacin resolucin de problemas distribuida aprendizaje de multiagentes comunidades cientficas fiabilidad y tolerancia a fallos

Frameworks
Si bien sistemas multiagente ad hoc son a menudo creados desde cero por investigadores y desarrolladores, algunos frameworks han surgido aplicando estndares comunes (tales como las plataformas de sistemas de agentes y lenguajes de comunicacin de FIPA). Estos frameworks ahorran tiempo a los desarrolladores y tambin ayudan en la estandarizacin del desarrollo de SMAs.

Desarrollo orientado a agentes

Como casi todo enfoque informtico para la solucin de problemas, los sistemas multiagentes proponen ayudas metodolgicas de ingeniera de software, en este caso metodologas de ingeniera del software orientada a agentes (en ingls AOSE, Agent Oriented Software Engineering) y notaciones. Es decir, artefactos de desarrollo que son especficamente concebidos para crear sistemas basados en agentes. Ejemplos de metodologas y notaciones de ingeniera de software orientada a agentes, son: Vocales (Voyelles) de Yves Demazeau es una de las primeras propuestas en el rea, y considera la concepcin de sistemas multiagentes desde varios puntos de vista, correspondientes a las vocales: Agente, Entorno, Interacciones, y Organizacin. GAIA de Michael Wooldridge y Nick Jennings de la Univ. de Southampton, propone cmo realizar un anlisis basado en roles del sistema multi-agente. MASE de Scott A. Deloach propone agentes como extensiones de objetos y proporciona la herramienta AgentTool para anlisis, diseo e implementacin. AgentUML de James Odell, propone una notacin, extendiendo UML, para especificar protocolos de comunicacin entre agentes.

Sistema multi-agente MADKiT es una herramienta de desarrollo, propuesta por Jacques Ferber, basada en el paradigma Agente-Role-Organizacin de la metodologa Aalaadin. ADELFE del grupo IRIT de la Universidad de Toulouse, trata especialmente los temas de cooperacin entre agentes. INGENIAS del grupo GRASIA de la UCM, extiende la metodologa MESSAGE y proporciona un conjunto de herramientas para modelar y generar cdigo de sistemas multiagente. Mas-CommonKADS de Carlos Iglesias en la UPM extiende la metodologa CommonKADS, para sistemas expertos, a agentes, utilizando estructuracin orientada a objetos y lenguajes de especificacin de protocolos como SDL. SemanticAgent [8] del grupo LIRIS de la Universidad de Lyon. Basada en el SWRL.

207

Aplicaciones en el mundo real

Los sistemas multiagente son aplicados en el mundo real a aplicaciones grficas como juegos de ordenador. Los sistemas de agente se han utilizado en pelculas.[9] Tambin se utilizan para sistemas de defensa coordinados. Otras aplicaciones incluyen el transporte, la logstica,[10] los grficos, sistemas de informacin geogrfica, diagnstico,[11] as como en muchos otros campos. Es una tecnologa ampliamente defendida para su uso en tecnologas de redes y mviles, para lograr el equilibrio de carga automtico y dinmico, alta escalabilidad, y redes auto-sanadas.

Referencias
[1] Alex Rogers and E. David and J.Schiff and N.R. Jennings. The Effects of Proxy Bidding and Minimum Bid Increments within eBay Auctions (http:/ / eprints. ecs. soton. ac. uk/ 12716/ ), ACM Transactions on the Web, 2007 [2] Nathan Schurr and Janusz Marecki and Milind Tambe and Paul Scerri et al. The Future of Disaster Response: Humans Working with Multiagent Teams using DEFACTO (http:/ / citeseer. ist. psu. edu/ article/ schurr05future. html), 2005. [3] Ron Sun and Isaac Naveh. Simulating Organizational Decision-Making Using a Cognitively Realistic Agent Model (http:/ / jasss. soc. surrey. ac. uk/ 7/ 3/ 5. html), Journal of Artificial Societies and Social Simulation. [4] Michael Wooldridge, An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, 2002, paperback, 366 pages, ISBN 0-471-49691-X. [5] Liviu Panait, Sean Luke: Cooperative Multi-Agent Learning: The State of the Art. Autonomous Agents and Multi-Agent Systems 11(3): 387-434 (2005) [6] Kaminka, G. A. Robots are Agents, Too! (http:/ / www. cs. biu. ac. il/ ~galk/ Publications/ b2hd-agentlink04. html) AgentLink News, pp. 1617, December 2004. [7] The Multi-Agent Systems Lab (http:/ / mas. cs. umass. edu/ ). Accessed Okt 16, 2009. [8] http:/ / code. google. com/ p/ semanticagent/ [9] MASSIVE Film showcase (http:/ / www. massivesoftware. com/ film/ ) [10] Tamas Mahr and Jordan Srour and Mathijs M. de Weerdt and Rob Zuidwijk (2010). Can agents measure up? A comparative study of an agent-based and on-line optimization approach for a drayage problem with uncertainty. (http:/ / dx. doi. org/ 10. 1016/ j. trc. 2009. 04. 018) Transportation Research: Part C 18(1):99-119. [11] lvaro Carrera, Javier Gonzalez-Ords, Javier Garca-Algarra, Pablo Arozarena, Mercedes Garijo. A Multi-agent system with Distributed Bayesian Reasoning for Network Fault Diagnosis (http:/ / books. google. es/ books/ ucm?id=PDCtUvMReVIC& oi=fnd& pg=PA113), Springer, 2011.

Lectura recomendada
Michael Wooldridge, An Introduction to MultiAgent Systems, John Wiley & Sons Ltd, 2002, paperback, 366 pages, ISBN 0-471-49691-X. Yoav Shoham and Kevin Leyton-Brown, Multiagent Systems: Algorithmic, Game-Theoretic, and Logical Foundations (http://www.masfoundations.org), Cambridge University Press, 2008, hardback, 496 pages, ISBN 978-0-521-89943-7. Mamadou Tadiou Kon, Shimazu A. and Nakajima T., "The State of the Art in Agent Communication Languages (ACL)", Knowledge and Information Systems Journal (KAIS), Springer-Verlag, London, Vol. 2, no. 2, pp.1 26, August 2000.

Sistema multi-agente Carl Hewitt and Jeff Inman. DAI Betwixt and Between: From "Intelligent Agents" to Open Systems Science IEEE Transactions on Systems, Man, and Cybernetics. Nov./Dec. 1991. The Journal of Autonomous Agents and Multiagent Systems, Publisher: Springer Science+Business Media B.V., formerly Kluwer Academic Publishers B.V. (http://www.springerlink.com/app/home/journal. asp?wasp=1f1b3716d3d0466b8ab8af5930d8cf68&referrer=parent& backto=linkingpublicationresults,1:102852,1) Gerhard Weiss, ed. by, Multiagent Systems, A Modern Approach to Distributed Artificial Intelligence, MIT Press, 1999, ISBN 0-262-23203-0. Jacques Ferber, Multi-Agent Systems: An Introduction to Artificial Intelligence, Addison-Wesley, 1999, ISBN 0-201-36048-9. Sun, Ron, (2006). "Cognition and Multi-Agent Interaction". Cambridge University Press. http://www. cambridge.org/uk/catalogue/catalogue.asp?isbn=0521839645 David Keil, Dina Goldin. Indirect Interaction in Environments for Multiagent Systems (PDF) (http://www.engr. uconn.edu/~dqg/papers/e4mas.pdf). In Environments for Multiagent Systems II, eds. Danny Weyns, Van Parunak, Fabien Michel. LNCS 3830, Springer, 2006. Whitestein Series in Software Agent Technologies and Autonomic Computing (http://www.whitestein.com/ series), published by Springer Science+Business Media Group

208

Enlaces externos
Sistemas de Informacin Multiagente (http://www.irisel.com/~jmgomez/IT/doctorate/taller_2.htm) Lenguaje de desarrollo de SE basado en CommonKADS (http://lia2.tic.udc.es/javack/) Inteligencia artificial en el anlisis de rutas y exploracin de mapas (http://cronicasdesofia.blogspot.com/ search/label/Agentes inteligentes) Random Agent-Based Simulations by Borys Biletskyy (http://b-squared.org.ua/multiagentsystems.htm) Random agent-base simulations for multi-robot system and Belousov-Zhabotinsky reaction. Java applets available. Janus multiagent Platform (http://www.janus-project.org) Holonic multiagent execution platform (free for non-commercial use) HarTech Technologies (http://www.hartech.co.il/tech_simulations.html) - HarTech Technologies developed a dedicated Distributed Multi Agent System Framework used in both simulation and large scale command and control system. This unique framework called the Generic Blackboard (GBB) provides a development framework for such systems which is domain independent. Distributed Multi Agent Framework (http://www. armedforces-int.com/article/gbb-development-framework-for-distributed-multi-agent-systems.html).

Sistemas bioinspirados

209

Sistemas bioinspirados
Los sistemas bioinspirados son sistemas construidos por medio de hardware configurables y sistemas electrnicos que emulan la forma de pensar, el modo de procesar informacin y resolucin de problemas de los sistemas biolgicos. Para disear estos sistemas, adems de utilizar la computacin numrico-simblica, se usan otro tipo de mtodos como las redes neuronales artificiales, la lgica difusa y la computacin evolutiva.

Redes neuronales artificiales

Las redes neuronales artificiales, son sistemas que tratan de imitar las redes naturales neuronales. Fueron creadas despus de observar que el cerebro procesa informacin de un modo muy diferente a como lo hacen los computadores digitales. Adems, se calcula que el cerebro contiene una eficiencia energtica (medida en julios por operacin por segundo)1010 veces superior a los computadores ms potentes existentes actualmente. El objetivo de las redes neuronales artificiales es construir sistemas que sean capaces de aprender, generalizar y resolver problemas a los que hoy en da no pueden dar solucin los computadores convencionales. Se valora que las caractersticas de estos sistemas se parezcan al de los seres vivos, tales como la computacin asncrona masivamente paralela, comportamientos tolerantes a fallos y funcionamiento en tiempo real incluso en entornos complejos y cambiantes.

Lgica difusa
La lgica difusa es la lgica que utiliza expresiones que no son totalmente ciertas ni completamente falsas, es decir la lgica aplicada a conceptos que pueden tomar un valor cualquiera en un intervalo de valores que se encuentran entre los extremos de la verdad absoluta y de la falsedad total. Los sistemas difusos nacen de la observacin de que el cerebro toma decisiones acertadas procesando informacin no totalmente precisa.

Computacin evolutiva
La computacin evolutiva interpreta la naturaleza como una mquina de resolucin de problemas de optimizacin, reconocimiento y de bsqueda. Dentro de este campo hay que mencionar los algoritmos genticos que es una tcnica de resolucin de problemas inspirada en los seres vivos. Parten de la observacin de que los animales y las plantas, en su evolucin han sido capaces de adaptarse a los cambios en su entorno, modificando su forma de vida o incluso su estructura.

Aplicaciones
Los sistemas bioinspirados tienen multitud de aplicaciones como:

Visin artificial
La visin artificial trata de crear sistemas capaces de interpretar imgenes con las cuales tomar decisiones. Los dispositivos electrnicos para la visin se llevan probando desde 1996. En la actualidad se est trabajando con chips y sensores de pxeles muy utilizados hoy en da por las cmaras digitales. Una de las razones por las que se cre la visin artificial es la de ayudar y facilitar la vida a las personas invidentes y tetrapljicas. Uno de los ms famosos fue el que consigui que un paciente moviera el cursor del ordenador con slo desearlo.

Sistemas bioinspirados

210

Narices electrnicas
Estos sistemas no estn tan desarrollados como la visin artificial, an y todo se ha avanzado bastante. Las narices electrnicas ests formadas por sensores qumicos, que detectan los compuestos gaseosos y los identifica a travs de un sistema que relaciona con las caractersticas del olor medido. En esta etapa, intervienen anlisis estadstico de olores, correlacin con los datos de la emisin y discriminacin de los diferentes olores.

Otras
Uno de las posibles aplicaciones que han analizado los cientficos ha sido la de crear computadores capaces de transmitir olores por medio de internet. Para implantar dicha tcnica, los computadores tendran que tener integrado unos sensores qumicos como los que tusan las narices electrnicas. Adems, se podra utilizar en campos como la deteccin de bacterias causantes de enfermedades, en la industria alimentaria para detectar alimentos en mal estado, contaminados, con conservantes etc. Por ltimo, se podra aplicar en el cuidado medioambiental para controlar emisiones de sustancias contaminantes.

Enlaces externos
(en ingls)Cellular Architectures Research Group [1] (en ingls)Reconfigurable Digital Systems Group [2] (en ingls)Biologically Inspired Robotics Group [3]

Referencias
[1] http:/ / carg. epfl. ch/ [2] http:/ / rdsg. epfl. ch/ [3] http:/ / bird. epfl. ch

Soft Computing

211

Soft Computing
Soft computing es un trmino empleado en informtica que engloba diversas tcnicas empleadas para solucionar problemas que manejan informacin incompleta, con incertidumbre e inexacta. Tal es el caso de la solucin a problemas NP-completo, para los cuales no se obtiene una solucin exacta en tiempo polinmico.

Introduccin
El Soft Computing se convirti en una rama formal de la informtica a principios de los aos 90. Las primeras aproximaciones informticas slo podan modelar y analizar con precisin sistemas relativamente simples. Los sistemas ms complejos que aparecan en biologa, medicina, humanidades, administracin de empresas, y en otros campos resultaban inmanejables con los mtodos analticos y matemticos convencionales. Debemos decir que la simplicidad y la complejidad de los sistemas son relativas, y muchos modelos matemticos convencionales han sido al mismo tiempo desafiantes y muy productivos. Como tcnicas de Soft computing se incluyen: redes neuronales Sistemas difusos Computacin bio-inspirada: Algoritmos evolutivos Optimizacin de colonias de hormigas Inteligencia de enjambre Ideas sobre probabilidad: Redes bayesianas Teora del Caos Generalmente, las tcnicas de soft computing se asemejan ms a los procesos biolgicos que a las tcnicas matemticas tradicionales, que se basan principalmente en sistemas formales lgicos, tales como Lgica proposicional y lgica de predicados, o basados en analsis numrico asistido por ordenador (como en el mtodo de los elementos finitos). Las tcnicas de Soft computing intentan complementarse unas a otras. A diferencia de las tcnicas de hard computing, que buscan la exactitud y la verdad total, las tcnicas de soft computing explotan la tolerancia de la imprecisin, la verdad parcial y la incertidumbre para un problema especfico. Otra diferencia que contrasta aparece al considerar que el razonamiento inductivo juega un papel ms destacado en soft computing que en hard computing.

Enlaces externos
EUROPEAN CENTRE FOR SOFT COMPUTING [1] BISC SIG IN PHILOSOPHY OF SOFT COMPUTING [2]

Referencias
[1] http:/ / www. softcomputing. es [2] http:/ / www. helsinki. fi/ ~niskanen/ bisc. html

Ray Solomonoff

212

Ray Solomonoff
Ray Solomonoff (25 de julio 1926-7 diciembre 2009)[1][] fue el fundador de la rama de la inteligencia artificial, basada en el aprendizaje automtico, la prediccin y la probabilidad. Hizo circular el primer informe sobre la mquina no semntica de aprendizaje el 1956.[2] Fue el inventor de la probabilidad algortmica,[3] public el teorema fundamental que puso en marcha la complejidad de Kolmogorov y la Teora de la Informacin. Describi por primera vez estos resultados en una conferencia en Caltech en 1960,[4] y en un informe febrero de 1960 "Un Informe Preliminar sobre un Teora General de la inferencia inductiva".[5] Aclar estas ideas con ms detalle en sus publicaciones de 1964 "una teora formal de la inferencia inductiva" parte I[6] y Parte II.[7] Aunque es ms conocido por la probabilidad algortmica y su teora general de la inferencia inductiva, hizo muchos descubrimientos importantes durante toda su vida, la mayora de ellos dirigidos hacia su meta en la inteligencia artificial: desarrollar una mquina que pudiera resolver los problemas difciles utilizando mtodos probabilsticos.

Vida, hasta 1964

Ray Solomonoff naci el 25 de julio de 1926, en Cleveland, Ohio, hijo de los inmigrantes rusos Phillip Julius y Sarah Mashman Solomonoff. Asisti a la Escuela Secundaria en Glenville, gradundose en 1944. En 1944 se uni a la Marina como instructor en Electrnica. Desde 1947-1951 estudi en la Universidad de Chicago, estudiando con profesores como Carnap y Fermi, y se gradu con una maestra de Fsica en 1951. Desde sus primeros aos estuvo motivado por la pura alegra de los descubrimientos matemticos y por el deseo de explorar, donde nadie haba ido antes. A la edad de 16 aos, en 1942, comenz a buscar un mtodo general para resolver problemas matemticos. En 1952 conoci Marvin Minsky, John McCarthy y otros interesados en la inteligencia artificial. En 1956, Minsky y McCarthy y otros organizaron el Grupo de estudio de verano de Dartmouth, donde Ray fue uno de los primeros 10 participantes --- el nico que permaneci todo el verano. Fue en este grupo donde la Inteligencia Artificial fue definida por primera vez como una ciencia. en ese momento Ordenadores podan resolver problemas matemticos muy especficos, pero no gairems. Ray quera encontrar solucin a otro tema, cmo hacer que las mquinas fueran ms genricamente inteligentes, y que los ordenadores pudieran utilizar el clculo de probabilidades para este fin.

Referencias
[1] [2] [3] [4] http:/ / agi-conf. org/ 2010/ 2009/ 12/ 12/ ray-solomonoff-1926-2009 rjs/indinf56.pdf (pdf copia escaneada del original) (http:/ / world. std. com/ #) http:/ / scholarpedia. org/ article/ Algorithmic_probability [descripcin detallada de algortmica Posibilidad de Scholarpedia] Libro de la conferencia sobre "Sistemas cerebral y" Computacin, Instituto Tecnolgico de California, febrero 8-11, 1960, citado en "una Teora formal de Inferencia inductiva, parte 1, 1964, p. 1 [5] Solomonoff, R., " rjs/z138.pdf Un informe preliminar sobre una teora general de la inferencia inductiva (http:/ / world. std. com/ #) ", Informe 131-V, Zatorre Co., Cambridge, Ma 04 de febrero 1960. [6] Solomonoff, R., " rjs/1964pt1.pdf una teora formal de Inferencia inductiva, parte I (http:/ / world. std. com/ #) " Informacin y Control, Vol. 7, No. 1 pp 1-22, marzo de 1964. [7] Solomonoff, R. , " std.com/# rjs/1964pt2.pdf una teora formal de la inferencia inductiva, parte II (http:/ / world. ) " Informacin y Control, Vol. 7, No. 2 pp 224-254, junio de 1964.

Ray Solomonoff

213

Enlaces externos
Homepage de Ray Solomonoff (http://world.std.com/~rjs/ray.html) Para una descripcin detallada de Probabilidad Algortmica, vase "Probabilidad Algortmica" (http:// scholarpedia.org/article/Algorithmic_probability) por Hutter, Legg y Vitanyi a scholarpedia.

SPADE
SPADE

Arquitectura de SPADE Desarrollador J. Palanca y G. Aranda [1] pypi.python.org/pypi/SPADE Informacin general Lanzamiento inicial 22 de enero de 2004

ltima versin estable 2.1.1 24 de noviembre de 2012 Gnero Programado en Sistema operativo Licencia Estado actual En espaol sistema multi-agente Python Linux, Mac OS X, Microsoft Windows, FreeBSD, Solaris GNU Lesser General Public License Activo

SPADE (del ingls "Smart Python multi-Agent Development Environment") es una plataforma libre de sistemas multi-agente desarrollada en Python y basada en la tecnologa de mensajera instantnea XMPP. Algunas de las caractersticas ms notables de la plataforma SPADE son: soporte de organizaciones virtuales, notificacin de presencia, compatible con FIPA e independencia del lenguaje y la plataforma.

SPADE

214

Resumen
SPADE es una plataforma de sistemas multi-agente desarrollada en 2005 en la Universidad Politcnica de Valencia. La plataforma naci como una prueba de concepto para probar la tecnologa de la mensajera instantnea como protocolo de transporte para los agentes inteligentes. Desde ese momento el proyecto ha seguido creciendo y aadiendo nuevas caractersticas aprovechando la flexibilidad del protocolo de mensajera instantnea basado en XML y la cantidad de extensiones desarrolladas para el mismo que son aprovechables dentro del marco de los sistemas multi-agente. La plataforma SPADE est basada en un conjunto de estndares, siendo los ms destacables FIPA y XMPP/Jabber.

Caractersticas
Las principales caractersticas de la plataforma SPADE son: Soporte del estndar FIPA mediante el protocolo de mensajera instantnea XMPP (Agentes AMS y DF incluidos) Notificacin de presencia entre agentes. Organizaciones Virtuales basadas en el protocolo de multi-conferencia MUC. Comunicacin P2P entre agentes. Invocacin remota de servicios entre agentes usando el estndar XML-RPC. Procesadores de lenguajes de contenido en SL0 y RDF. Modelo de agente BDI basado en Conocimiento, Deseos e Intenciones. Modelo de comportamientos: Cclicos, Peridicos, Timeout, una ejecucin, mquina de estados finita y basado en eventos. Soporte de comunicacin con otras plataformas mediante diversos protocolos de transporte: JADE (via HTTP o XMPP) y SIMBA. Publicacin y subscripcin de eventos mediante el estndar PubSub. Interfaz grfica basada en web.

Interfaz Grfica
SPADE es una plataforma de agentes interoperable y multiplataforma, dado que el protocolo de comunicacin est basado en XML y el lenguaje de implementacin es Python. Del mismo modo la interfaz grfica est basada en HTTP, siendo accesible desde multitud de dispositivos. Las caractersticas de la interfaz son las siguientes: La plataforma y los agentes exportan su propia interfaz web. La interfaz es configurable a travs de plantillas. Cada agente exporta su identificador como un cdigo QR. Instrospector de agente. Visor de mensajes enviados. Bsqueda de agentes y servicios.

SPADE

215

Publicaciones Relacionadas
Gregori, Miguel; Palanca, Javier; Aranda, Gustavo (2006). A jabber-based multi-agent system platform [2] (pdf). AAMAS '06: Proceedings of the fifth international joint conference on Autonomous agents and multiagent systems (Hakodate (Japn)): pp.1282-1284. doi: 10.1145/1160633.1160866 [3]. ISBN 1-59593-303-4. Aranda, Gustavo; Palanca, Javier; Espinosa, Agustn; Terrasa, Andrs; Garca-Fornes, Ana (2006). Towards Developing Multi-agent Systems in Ada [4] (pdf). Reliable Software Technologies ADA-EUROPE 2006 (Oporto (Portugal)) 4006/2006: pp.131-142. doi: 10.1007/11767077_11 [5]. Argente, Estefana; Palanca, Javier; Aranda, Gustavo; Julin, Vicente; Botti, Vicent; Garca-Fornes, Ana; Espinosa, Agustn (2007). Supporting Agent Organizations [6] (pdf). Multi-Agents Systems and Applications V 4696/2007: pp.236-245. doi: 10.1007/978-3-540-75254-7_24 [7]. Palanca, Javier; Escriv, Miguel; Aranda, Gustavo; Garca-Fornes, Ana; Julin, Vicente; Botti, Vicent (2006). Adding New Communication Services to the FIPA Message Transport System [8] (pdf). Multi-Agents System Technologies 4196/2006: pp.1-11. doi: 10.1007/11872283_1 [9].

Enlaces externos
Pgina principal de SPADE [10]. pyChatter [11] Software de mensajera instantnea basado en SPADE. Comentario de la Asociacin Francfona de Python [12]

Referencias
[1] http:/ / pypi. python. org/ pypi/ SPADE [2] http:/ / portal. acm. org/ citation. cfm?id=1160633. 1160866# [3] http:/ / dx. doi. org/ 10. 1145%2F1160633. 1160866 [4] http:/ / www. springerlink. com/ content/ qrjt47021m566678/ [5] http:/ / dx. doi. org/ 10. 1007%2F11767077_11 [6] http:/ / www. springerlink. com/ content/ k51m38652p6t7704/ [7] http:/ / dx. doi. org/ 10. 1007%2F978-3-540-75254-7_24 [8] http:/ / www. springerlink. com/ content/ g824667t2537157l/ [9] http:/ / dx. doi. org/ 10. 1007%2F11872283_1 [10] http:/ / spade2. googlecode. com [11] http:/ / pychatter. wikidot. com/ start [12] http:/ / www. afpy. org/ Members/ Cedric/ mas-python/ pythonhowto. 2009-12-04. 5314484858

STRIPS

216

STRIPS
En Inteligencia artificial, STRIPS (Stanford Research Institute Problem Solver) es un generador de planes automatizado. El mismo nombre fue utilizado ms tarde para referirse al lenguaje formal de las entradas de este generador de planes.

Definicin
Una instancia de STRIPS se compone de: Un estado inicial. La especificacin de estados de meta. Un conjunto de acciones, para cada una de las cuales se incluyen: Precondiciones. Postcondiciones. Matemticamente, una instancia de STRIPS es una tupla , donde: , donde

es un conjunto de condiciones (es decir, variables proposicionales). es un conjunto de operadores (es decir, acciones); cada operador es tambin una tupla cada elemento es un conjunto de condiciones: representa a las condiciones que deben ser verdaderas para que la accin pueda ejecutarse. representa a las condiciones que deben ser falsas para que la accin pueda ejecutarse. representa a las condiciones se hacen verdaderas si se ejecuta la accin. representa a las condiciones se hacen falsas si se ejecuta la accin. es el estado inicial, dado por un conjunto de condiciones que son inicialmente verdaderas (todas las dems se es la especificacin del estado de meta, que est dada por una dupla , que especifica qu

asumen falsas). condiciones deben ser verdaderas y cuales falsas para considerar a un estado como meta. Un plan para una instancia es una secuencia de operadores que puede ser ejecutada desde el estado inicial, y que lleva hasta un estado meta. Formalmente, un estado es un conjunto de condiciones, y se representa por el conjunto de condiciones que son verdaderas en l. Las transiciones entre estados se modelan mediante una funcin de transicin, que es una funcin que mapea estados en otros estados que resultan de aplicarles acciones a los primeros. Ya que los estados se representan por conjuntos de acciones, la funcin de transicin emparentada con la instancia STRIPS es una funcin: donde es el conjunto de todos los subconjuntos de , y por lo tanto es el conjunto de todos los posibles estados.

La funcin de transicin puede definirse, asumiendo que las acciones siempre pueden ser ejecutadas pero no tienen efecto si sus precondiciones no se cumplen, como:
= = Si De otra forma

La funcin

puede extenderse para secuencias de acciones mediante ecuaciones recursivas:

STRIPS Un plan para una instancia de STRIPS es una secuencia de acciones cuya ejecucin ordenada produce un estado que satisface las condiciones de meta, a partir del estado inicial. Formalmente, es un plan para si satisface:

217

Un problema STRIPS de ejemplo

Hay un mono en el laboratorio, y quiere bananas. Hay tres ubicaciones en el laboratorio: A, B y C. El mono est en la ubicacin A. Hay una caja en la ubicacin C. Hay bananas en la ubicacin B, pero cuelgan del techo. El mono necesita la caja para alcanzar las bananas.
Estado inicial

MonoEn(A) NivelMono(abajo) CajaEn(C) BananasEn(B)

Estado meta Acciones

MonoTiene(Bananas)

Accin Ir(X, Y) Trepar(X)

Descripcin Ir de X a Y Subirse a la caja en la ubicacin X Bajarse de la caja en la ubicacin X Llevar la caja de X a Y

Precondicin MonoEn(X), NivelMono(abajo) MonoEn(X), CajaEn(X), NivelMono(Abajo) MonoEn(X), CajaEn(X), NivelMono(Arriba) MonoEn(X), CajaEn(X), NivelMono(Abajo) MonoEn(X), BananasEn(X), NivelMono(Arriba)

Poscondicin MonoEn(X), MonoEn(Y) NivelMono(Abajo), NivelMono(Arriba) NivelMono(Arriba), NivelMono(Abajo) CajaEn(X), CajaEn(Y), MonoEn(X), MonoEn(Y) MonoTiene(Bananas)

Bajarse(X)

LlevarCaja(X, Y)

TomarBananas(X) Tomar las bananas en la ubicacin X

Systran

218

Systran
SYSTRAN, diseado en 1970 por el doctor Peter Toma, es uno de los sistemas comerciales de traduccin automtica ms veteranos. En los ltimos aos, la tecnologa del sistema, tradicionalmente basada en la traduccin por reglas, se ha renovado, con la incorporacin fundamentalmente de un mdulo para la gestin de memorias de traduccin. Systran es un sistema multiplataforma (puede instalarse tanto en GNU/Linux como en Microsoft Windows) y es utilizado de manera gratuita en las mltiples instalaciones accesibles por Internet: Google, AOL, AltaVista, o el Instituto Cervantes. La empresa ofrece mdulos preparados para ms de 40 idiomas. Systran adems integra funciones multilinges muy tiles para aplicaciones como el comercio electrnico, CRM, bases de datos, correo electrnico, mensajera instantnea, SMS, WAP, etc.

Historia y antecedentes de SYSTRAN

SYSTRAN es un sistema de traduccin automtica creado por Peter Toma en el ao 1970. Toma desarroll un primer sistema en la Universidad de Georgetown, que con el paso de los aos fue perfeccionado hasta convertirse en SYSTRAN. Inicialmente se dise para el par ruso e ingls destinado a la Fuerza Area de los Estados Unidos. Ms tarde, la NASA prob el sistema en uno de sus proyectos, y aunque no dio muy buenos resultados, esta experiencia otorg renombre a SYSTRAN. Tras la fama recin adquirida, la Comisin Europea solicit a Peter Toma una demostracin entre el par ingls/francs, tras la cul qued satisfecha. En el ao 1976, SYSTRAN fue comprado por la Comisin y posteriormente desarrollado. Fue el burcrata Loll Rolling el que introdujo la traduccin automtica en la Comisin Europea ya que obtuvo la licencia para usar SYSTRAN. ste es el motivo de que los diccionarios del sistema se hayan llenado con terminologa propia de la Comisin. En la actualidad el sistema de la Comisin Europea dispone de 17 pares de lenguas que se han integrado a una red local de servicios lingsticos. Actualmente las traducciones se procesan a una velocidad de 500.000 palabras por hora. A principios de los aos 1990, la empresa francesa Gachot adquiri todas las filiales, salvo la de la Comisin Europea, y el sistema se hizo muy popular en Francia debido a su accesibilidad. En 1994 SYSTRAN se ofrece de manera gratuita en los chat de CompuServe, y un ao ms tarde se cre una versin adaptada para Windows. Pero el xito definitivo de SYSTRAN se produjo en 1997, cuando tras firmar un acuerdo con AltaVista se ofreca el servicio de traduccin Babel fish de manera gratuita.

Funcionamiento
SYSTRAN es una de las compaas de traduccin automtica independiente ms antiguas. SYSTRAN ha hecho un trabajo extensivo para el Departamento de Defensa de los Estados Unidos y la Comisin Europea. Es un servidor de traduccin automtica que proporciona la tecnologa para los servicios de traduccin online de AltaVista y Google. SYSTRAN cuenta con 50.000 palabras bsicas y 250.000 trminos cientficos y las traducciones se procesan a una velocidad de 500.000 palabras por hora. La traduccin automtica es el proceso que utiliza un software informtico para traducir textos de un lenguaje natural a otro. La traduccin automtica tiene en cuenta la estructura gramatical de cada idioma y usa reglas para pasar la estructura gramatical del texto a traducir al texto traducido. La traduccin no es una tarea sencilla ya que, como ya se ha dicho, no es una mera sustitucin de palabras sino de conocimiento de sus reglas y estructuras. Por lo tanto lo que se tiene en cuenta en la traduccin automtica es la morfologa, sintaxis, semntica, y numerosas ambigedades. La tecnologa de SYSTRAN est desarrollada para Linux y se extiende a las plataformas de Unix y Microsoft Windows. SYSTRAN utiliza las tecnologas ms modernas de procesamiento de lenguaje natural. Los sistemas

Systran integran tecnologa finita para acelerar el acceso a las bases del conocimiento lingstico. De hecho, SYSTRAN tiene ms bases de conocimiento multilnge que los ordenadores normales pueden sostener. XML, Unicode y HTTP son bsicos en las aplicaciones a temas multilnges como por ejemplo Web, correo electrnico, Intranet, publicidad, etc. El desarrollo y evolucin de SYSTRAN se da gracias a las constantes investigaciones en el desarrollo de la lingstica y procesamiento de lenguaje natural. El objetivo es preparar los sistemas de traduccin automtica de nueva generacin para mejorar la calidad de la traduccin y la fuerza en agentes mltiples y su arquitectura. El funcionamiento de SYSTRAN es muy sencillo. Al entrar en SYSTRAN aparece el traductor SYSTRAN 5.0. Para conseguir una traduccin, pide un texto de hasta 150 palabras, la pgina web en la que aparece el texto que se quiere traducir y la opcin del idioma del texto fuente y del texto traducido (rabe a ingls, ingls a rabe, ingls a sueco, sueco a ingls, ingls a holands, holands a ingls, etc. y as traduce hasta 12 idiomas al ingls y del ingls a 12 idiomas. El resto de las opciones idiomticas son del francs a: holands, espaol, francs, alemn, italiano, ingls y portugus y viceversa.). Adems, hay una opcin de registro para bsquedas ms especficas, menos generales.

219

SYSTRAN y otros traductores on-line

Internet brinda la posibilidad de traducir textos de manera instantnea y gratuita. Esta herramienta nos puede servir como apoyo eventual a la hora de trabajar con artculos o textos en otros idiomas, pero los traductores ponen un mximo de palabras a traducir gratuitamente y en algunos casos ofrecen un servicio profesional de traduccin. Los sitios que SYSTRAN provee y soporta traducen textos de hasta 150 palabras; en el caso de la web freetranslation hay disponible un mximo de 750 caracteres (450 palabras ms o menos). Por supuesto las limitaciones de este tipo se presentan al elegir una traduccin gratuita, ya que SYSTRAN comercializa su sofware de maneras diversas, con diferentes mbitos de usos (Comercio, oficina, versin de escritorio, etc). La alternativa que presentan otros traductores es la de pagar por una traduccin humana, que proporcionara en cualquier caso una traduccin precisa y fiable. Tambin existen traducciones humanas gratuitas, aunque estas carecen del carcter instantneo de las traducciones automticas. A la hora de traducir pginas los problemas son menores ya que aunque el nmero de caracteres exceda el nmero mximo se obtiene una versin de la pgina en el idioma requerido.

Bibliografa
Joseba Abaitua [1]. 2001. Introduccin a la traduccin automtica (en 10 horas) [2]. Grupo DELi, Universidad de Deusto. Raquel Martnez. 2003. Principales problemas de la traduccin automtica [3]. Universidad Juan Carlos I. Alumnos de la Universidad de Deusto. Curso 2002/03. Anlisis comparativos de Systran con otros sistemas on-line (Reverso, ProMT, etc.) [4]. Jos Bouzas. 1998. Puntoycoma [5].

Enlaces externos
SYSTRAN [6] BABELFISH [7] Imagiforce [8] Mysoft [9] (en francs) ez2find [10] Language tools [11]

Systran

220

Referencias
[1] http:/ / littera. deusto. es/ prof/ abaitua/ mt/ mtWikin [2] http:/ / paginaspersonales. deusto. es/ abaitua/ konzeptu/ ta/ mt10h_es [3] http:/ / sirio. deusto. es/ abaitua/ konzeptu/ ta/ PLN-TA. pdf [4] http:/ / www. deli. deusto. es/ News/ 1063689004/ index_html [5] http:/ / ec. europa. eu/ comm/ translation/ bulletins/ puntoycoma/ 53/ pyc535. htm [6] http:/ / send. onenetworkdirect. net/ z/ 29563/ CD173160/ [7] http:/ / babelfish. altavista. com/ [8] http:/ / imagiforce. com/ systran. htm [9] http:/ / www. mysoft. fr/ systran. htm [10] http:/ / ez2find. com/ channel/ translate. php [11] http:/ / www. google. com/ language_tools

Wikipedia:Tutorial Corrector-es
Se nombr Corrector-es a un diccionario de lengua espaola creado con el fin de agregarlo a un robot usando el framework en Python de la pywikipedia [1] como opcin para el mantenimiento de Wikipedia. La idea es que si tienes un Bot usando pywikipedia o tienes intencin de crear uno, cuentes con un diccionario para adems de usar todas las funcionalidades del framework, puedas corregir los errores de ortografa. El diccionario corrector-es se ha logrado por un grupo de personas con la intencin de ayudar a mejorar la Wikipedia. Es importante hacer notar que el usuario debe tener conocimientos de wikipedia y estar familiarizado con su interfaz, como tambin conocer las convenciones de sta. Es recomendable que consulte Cmo editar una pgina y Manual de Estilo antes de comenzar.

Actualizaciones
Normalmente al diccionario corrector-es se le agregan palabras de forma que su lista est en constante crecimiento y esto se logra con la colaboracin de los usuarios que tienen el bot y en general de todos los Wikipedistas. Las actulizaciones del bot son enviadas al correo electrnico del usuario o en su defecto en la pgina creada para tal fin en Grupos de Google donde puedes pedir tu membresa.

Comunicacin entre usuarios

Los usuarios del diccionario corrector-es aprovechan diferentes medios para estar en constante comunicacin. Actualmente se dispone de la charla en tiempo real (IRC) que sirve para: Informar sobre cualquier error o fallos eventuales. Agregar cualquier informacin al diccionario. Obtener ayuda para el manejo del bot. Pedir el corrector-es. Solicitar la revisin de alguna pgina en particular. Discutir temas referentes al bot.

Siempre estar un usuario de guardia para que consultes tus dudas. El canal no es exclusivo para quien tenga el bot; cualquier wikipedista puede visitarlo y participar de las charlas, dar ideas o expresar sus opiniones. Tambin existe un foro de consultas en espaol en una pgina de Grupos de Google donde se accede a: Foro de consulta. Comunicacin con los miembros. Actualizaciones. Debates.

Wikipedia:Tutorial Corrector-es Archivos.

221

El sistema de charla en tiempo real IRC

Se llama IRC a una red de comunicacin en tiempo real en la que puedes hablar con un grupo de usuarios al mismo tiempo. Estos grupos de usuarios estn conectados a una de las redes de IRC, existen por ejemplo la red freenode, cuyos grupos de usuarios son sobre proyectos de software libre, la red Hispano, cuyos grupos de usuarios son sobre cualquier tema pero nicamente de la comunidad hispanohablante, las hay dedicadas a juegos en red o tambin por idiomas. Los grupos de usuarios se concentran en canales, stos siempre llevan el signo # delante del nombre del canal, por ejemplo el de Wikipedia se llama #wikipedia-es y est dentro de la red freenode cuya direccin es irc. freenode. net. Se ha creado un canal en IRC llamado #corrector-es al cual puedes acceder presionando -es aqu [2]. Si te encuentras en algn canal de irc. freenode. net puedes digitar /join #corrector-es y de inmediato entrars al canal; siempre sers bienvenido!.

Autorizacin para el Bot

Para que un Bot pueda trabajar en Wikipedia debes pedir una autorizacin la cual es votada por la comunidad quienes analizaran los aportes que haga en un tiempo prudente de pruebas. Al finalizar la postulacin y si es aceptada por una mayora entonces un bibliotecario se ocupar de darte el Flag y activarlo. En el tiempo que lo tengas en pruebas, debers colocar un mensaje para que la comunidad que sigue cambios recientes este informada, puedes escribir lo siguiente : Bot (en pruebas): Correccin de errores menores (PR:CEM)

Descarga del framework

La ayuda necesaria para obtener el bot la consigues en el Tutorial que Wikilibros ofrece, ah tendrs los pasos a seguir para la descarga del bot, es importante que leas con atencin toda la ayuda que te brinda, para continuar con la descarga lo puedes hacer presionando el siguiente enlace: b:Tutorial de bots/Descarga del bot Una vez que has descargado el bot, y conociendo sobre el irc te diriges por la red freenode (irc.freenode.net) al canal (#corrector-es) para proseguir. Puedes tambin enviar un correo electrnico a corrector-es@googlegroups.com, de esta forma se te agregar al grupo y tendrs acceso a los archivos del diccionario. Por los momentos lamentablemente no contamos con un lugar para subir los archivos y ponerlos como descarga directa.

Wikipedia:Tutorial Corrector-es

222

Enlaces externos
Wikilibros Wikilibros alberga un libro o manual sobre Tutorial de bots. m:Bot Informacin sobre los bots de Wikipedia.

Referencias
[1] http:/ / pywikipedia. sourceforge. net/ [2] irc:/ / irc. freenode. net/ corrector

Watson (inteligencia artificial)

Watson es un sistema informtico de inteligencia artificial que es capaz de responder a preguntas formuladas en lenguaje natural,[] desarrollado por la corporacin estadounidense IBM. Forma parte del proyecto del equipo de investigacin DeepQA, liderado por el investigador principal David Ferrucci. Lleva su nombre en honor del fundador y primer presidente de IBM, Thomas J. Watson.[][1] Watson responde a las preguntas gracias a una base de datos almacenada localmente.[2] Informacin contenida en ese base de datos proviene de un multitud de fuentes, incluyendo enciclopedias, diccionarios, tesauros, artculos de noticias, y obras literarias, al igual que bases de datos externos, taxonomas, y ontologas (especficamente DBpedia, WordNet, y Yago).[3] A lo largo de tres das en febrero de 2011, para probar sus capacidades reales, particip un partido especial de dos juegos en el concurso de televisin estadounidense Jeopardy!, derrotando a sus dos oponentes humanos: Brad Rutter, el mayor ganador de dinero en toda la historia del programa, y Ken Jennings, el poseedor del rcord por la racha ms larga de campeonatos (despus de haber ganado 75 partidos).[4][5] Watson recibi el primer premio de $1.000.000, mientras Ken Jennings y Brad Rutter recibieron $300.000 y $200.000, respectivamente. Tanto Jennings y Rutter prometieron donar la mitad de sus ganancias respectivas a sus caridades seleccionadas (Jennings elegi VillageReach, y Rutter elegi Lancaster County Community Foundation),[6] mientras IBM dividi las ganancias de Watson entre dos caridades (World Vision y World Community Grid).[7] Watson consistentemente super sus oponentes humanos en el dispositivo de sealizacin empleado por el juego, pero tuvo problemas en responder a pocas categoras, notablemente ellas compuestas de pistas cortas con pocas palabras. Para cada pista, las respuestas ms probables de Watson fueron mostradas por la pantalla de televisin. Watson tuvo acceso a 200.000.000 pginas de contenido, estructurado y no estructurado, que consum cuatro terabytes de almacenamiento en disco,[] incluyendo el texto completo de la Wikipedia en ingls.[] Watson no fue conectado al Internet durante el juego.[8][]

Watson (inteligencia artificial)

223

Arquitectura del sistema

Watson es un sistema informtico para bsqueda de respuestas (question answering en ingls), desarrollado por IBM.[] La corporacin lo describe como "una aplicacin de tecnologas avanzadas diseadas para el procesamiento de lenguajes naturales, la recuperacin de informacin, la representacin del conocimiento, el razonamiento automtico, y el aprendizaje automtico al campo La arquitectura de alto nivel empleada por la tecnologa DeepQA, que IBM utiliz [] abierto de bsquedas de respuestas," especficamente para Watson. que es "construido en la tecnologa DeepQA de IBM por fines de la generacin de hiptesis, la recopilacin de pruebas masivas, el anlisis, y la calificacin."[] Segn IBM, Watson es un sistema optimizado para trabajo que se disea para analtica compleja, que se hace posible por la integracin de procesadores masivamente paralelos de POWER7 y el software DeepQA desarrollado por la corporacin. Su soporte del hardware para la competicin en Jeopardy! comprenda dos unidades con 5 bastidores de nodos controladores, con noventa servidores IBM POWER 750, cada servidor utilizando un procesador de 3.5 GHz con 8 ncleos, donde cada ncleo soporta por hardware 4 hilos de ejecucin (threads en ingls). El sistema cuenta con un total de 2880 ncleos de procesamiento POWER7, y un total de 16 Terabytes de RAM.[9] El hecho de que el procesador POWER7 es capaz de procesar en una manera masivamente paralela lo convierte en un complemento ideal para el software DeepQA integrado en Watson por IBM, que es embarazosamente paralelo (es decir, un trabajo que es fcilmente dividido en mltiples tareas paralelas.)[10] Segn John Rennie, Watson puede procesar 500 giga bytes por segundo (el equivalente de un milln de libros).[] El inventor principal y consultor senior para IBM, Tony Pearson, estim que el costo total del hardware para Watson fue acerca de $3.000.000.[11] Rennie ha declarado que el contenido de Watson fue almacenado en su RAM para el juego, porque los datos almacenados en discos duros son demasiado lentos para acceder.[] El software incorporado en Watson fue escrito de acuerdo con dos secuencias de comandos (Java y C++), y usa dos estructuras empleadas por la Apache Software Foundation la estructura Hadoop para computacin distribuida, y el sistema UIMA (Unstructured Information Management Architecture) para anlisis de materiales impresos as como el software DeepQA desarrollado por IBM y el sistema operativo SUSE Linux Enterprise Server 11.[][12][13] Segn IBM, Watson usa ms que 100 tcnicas diferentes para analizar lenguaje natural, identificar fuentes, encontrar y generar hiptesis, buscar y puntuar evidencia, combinar y clasificar hiptesis.[14]

Operacin
Para cumplir con el requisito principal para todos los concursantes de Jeopardy!, Watson estaba obligado a esperar hasta que el presentador, Alex Trebek, leyera cada pista en su totalidad, y en ese momento, una luz se encenda como una seal para indicar que el sistema est listo. El primer concursante que activa el botn en su zumbador gana la oportunidad para responder.[][15] Watson recibi las pistas en forma de textos electrnicos al mismo tiempo en que las mismas fueron puestas a la disposicin de los participantes humanos.[] Luego analizara las pistas en diferentes palabras clave y fragmentos de oracin para encontrar frases estadsticamente relacionadas.[] La innovacin principal de Watson no fue en la creacin de un nuevo algoritmo para esta operacin, sino ms bien en su capacidad de ejecutar rpidamente miles de algoritmos probados para anlisis del lenguaje natural al mismo tiempo para encontrar

Watson (inteligencia artificial) la respuesta correcta.[][16] La probabilidad de la correccin de Watson se mide por el nmero de algoritmos que encuentran la misma respuesta independientemente.[] Una vez que Watson tiene un nmero pequeo de soluciones posibles, es capaz de hacer comparaciones con su base de datos para determinar si la solucin tiene sentido.[] En una secuencia de 20 simulacros, los participantes humanos fueron capaces de usar el tiempo medio de seis o siete segundos que Watson necesit para escuchar la pista y decidir si queran sealar para una respuesta.[] Durante ese tiempo, Watson tambin debe evaluar la respuesta y determinar si el resultado es correcto de una manera suficiente para sealar.[] Una parte del sistema usado por Watson para ganar el concurso fueron los circuitos electrnicos que recibieron la seal "listo" y luego examinaron si el nivel de confidencia de Watson fue suficientemente grande para activar el zumbador. Debido a la velocidad de estos circuitos en comparacin con la velocidad de los tiempos en que los seres humanos son capaces de responder, el tiempo de reaccin para Watson fue ms rpido que el de los concursantes humanos excepto cuando los humanos anticiparon (en vez de reaccionar a) la seal "listo."[] Despus de la sealizacin, Watson habl con una voz electrnica, sintetizada a partir de grabaciones hechos por Jeff Woodman para un programa de texto a voz desarrollado por IBM en 2004,[17] dando las respuestas en el formato de "respuesta y pregunta" asociado con Jeopardy![]

224

Historia
Las circunstancias que condujeron al desarrollo de Watson se remontan a la victoria de la computadora Deep Blue sobre Gari Kasprov, un Gran Maestro Internacional del ajedrez, en el 11 de mayo de 1997. Desde entonces, IBM se encontraba en la bsqueda de un desafo nuevo, y en 2004, Charles Lickel, el gerente de investigaciones para IBM, haba encontrado uno cuando vio la racha ganadora de Ken Jennings en Jeopardy! mientras cenaba en un restaurante con sus compaeros de trabajo. Intrigado por la posibilidad para la utilizacin del concurso como un desafo para Demostracin de Watson desde una cabina de IBM en una IBM, Lickel present la idea, y en 2005 Paul Horn, el demostracin comercial. ejecutivo de investigacin para IBM, apoy a Lickel en persuadir a uno de los miembros de su departamento a asumir el desafo de jugar Jeopardy! con un sistema de IBM. A pesar de que inicialmente tuvo problemas en encontrar miembros de su equipo de investigacin quienes fueron dispuestos a asumir lo que pareca ser un desafo mucho ms complejo que el juego de ajedrez, eventualmente David Ferrucci acept la oferta.[18] Watson fue precedido por un sistema llamado "Piquant," que particip en competiciones logradas por el gobierno de los Estados Unidos, donde fue capaz de responder correctamente slo 35 por ciento de la cantidad total de pistas en el juego, y generalmente requeri varios minutos para responder.[19][20][21] Para competir en Jeopardy! con xito, Watson necesitara responder en un mximo de pocos segundos, y en ese tiempo, las problemas planteados en el concurso fueron consideradas como imposibles de resolver.[] En pruebas iniciales conducidas durante el ao 2006 por David Ferucci, gerente del Departamento de Anlisis e Integracin Semntica de IBM, se le proporcion a Watson 500 pistas de episodios pasados de Jeopardy! Aunque los mejores concursantes humanos fueron capaces de responder correctamente a un mximo de 95 por ciento de las pistas, en su primera prueba Watson fue capaz de responder correctamente a slo 15 por ciento de las pistas. Durante 2007, el equipo se dio tres a cinco aos y un equipo de 15 personas para resolver las problemas.[] En 2008, los desarrolladores haban avanzado tanto, hasta el punto donde Watson fue capaz de competir con campeones de Jeopardy!.[] En febrero de 2010, Watson derrotaba a campeones de Jeopardy! de manera regular.[] Watson era principalmente un esfuerzo de IBM, pero su equipo de desarrollo incluye profesores y estudiantes de la Universidad Carnegie Mellon, la Universidad de Massachusetts en Amherst, el Instituto para Ciencias de

Watson (inteligencia artificial) Informacin de la Universidad del Sur de California, la Universidad de Texas en Austin, el Instituto Tecnolgico de Massachusetts, la Universidad de Trento, y el Instituto Politcnico Rensselaer.[] En 2008, los representantes de IBM se comunicaron con Harry Friedman, el productor ejecutivo de Jeopardy!, sobre la posibilidad de una competicin entre Watson y dos de los concursantes ms exitosos del programa (Ken Jennings y Brad Rutter). Friedman estaba de acuerdo con esa decisin.[][22] Las diferencias entre Watson y los concursantes humanos haban generados conflictos entre IBM y el personal de Jeopardy! durante la planificacin de la competicin.[] IBM repetidamente expres preocupaciones concernientes a que los guionistas del programa explotaran las deficiencias cognitivas de Watson cuando escribir las pistas, y de este modo, convirtiendo el concurso en un test de Turing. Para soslayar este reclamo, un tercero eligi aleatoriamente las pistas de programas previamente escritos que no haban sido emitidos.[] El personal de Jeopardy! tambin expres preocupaciones sobre el tiempo de reaccin con el zumbador. Watson originalmente seal por va electrnica, pero el personal del programa pidi que el sistema pulse el botn fsicamente, como los concursantes humanos.[23] Sin embargo, Watson fue capaz de ser ms rpido que sus competidores humanos, an con su dedo robtico. Para preparar Watson para su competicin, IBM construy un simulacro del plat de Jeopardy! en una sala de conferencias en uno de sus sitios de tecnologa. Concursantes humanos, incluyendo concursantes anteriores de Jeopardy!, tambin participaron en simulacros del concurso, presentados por Todd Alan Crain de The Onion.[] Alrededor de 100 simulacros fueron conducidos, con Watson ganando un 65 por ciento de los partidos.[24] Los partidos oficiales fueron grabados en enero de 2011, y emitidos el siguiente mes.

225

Usos en el futuro
Segn IBM, el objetivo para Watson es permitir que las computadoras comiencen a interactuar de forma natural con humanos a travs de una amplia gama de aplicaciones y procesos, comprendiendo las preguntas de los seres humanos y dando respuestas que los seres humanos pueden comprender y justificar.[] IBM y Nuance Communications Inc. se han unido para el proyecto de investigacin para desarrollar un producto comercial durante los prximos 18 a 24 meses que explotar las capacidades de Watson como un sistema de apoyo para decisiones clnicas para ayudar al diagnstico y tratamiento mdico de pacientes. Los mdicos en la Universidad de Columbia estn ayudando a identificar problemas crticos en la prctica de medicina donde la tecnologa de Watson puede ser capaz de contribuir, y los mdicos de la Universidad de Maryland estn trabajando para identificar la mejor manera en que un sistema tecnolgico como Watson podra interactuar con los mdicos para proporcionar la mxima asistencia.[25] Tambin se ha sugerido por Robert C. Weber, el consejero general de IBM, que Watson se puede utilizar para investigaciones legales.[26] Watson se basa en servidores comercialmente disponibles con la marca "IBM Power 750" comercializados desde febrero de 2010. IBM tambin tiene la intencin de comercializar el software DeepQA a corporaciones grandes, a un precio de millones de dlares, lo cual refleja el precio necesario de un milln de dlares para adquirir un servidor que cumple con los requisitos mnimos para operar Watson. IBM espera que el precio disminuir considerablemente dentro de una dcada cuando la tecnologa mejore.[]

Watson (inteligencia artificial)

226

Implicaciones para inteligencia artificial

El filsofo Toms BernausJohn Searle sostiene que Watson, a pesar de las capacidades impresionantes, no puede pensar en realidad.[] A partir de su famoso experimento de pensamiento "habitacin china," Searle afirma que Watson, al igual que otras mquinas de computacin, slo es capaz de manipular smbolos, pero no tiene capacidad para entender el significado de esos smbolos.[]

Referencias
[2] Video Que es Watson en ingles (http:/ / www-943. ibm. com/ innovation/ us/ watson/ ) [3] http:/ / www. aaai. org/ Magazine/ Watson/ watson. php [9] FAQs sobre Watson (en ingles) (http:/ / www. research. ibm. com/ deepqa/ faq. shtml) [14] Watson A System Designed for Answers (ftp:/ / public. dhe. ibm. com/ common/ ssi/ ecm/ en/ pow03061usen/ POW03061USEN. PDF) [17] (entrevista de Jeff Woodman)

Esta obra deriva de la traduccin de Watson (computer), publicada bajo la Licencia de documentacin libre de GNU y la Licencia Creative Commons Atribucin-CompartirIgual 3.0 Unported por editores de la Wikipedia en ingls.

Enlaces externos
Wikimedia Commons alberga contenido multimedia sobre Watson. Commons Pgina del sistema Watson (http://www-03.ibm.com/innovation/us/watson/). Pgina del proyecto DeepQA (http://www.research.ibm.com/deepqa/deepqa.shtml). Informacin sobre Watson en el sitio web oficial de Jeopardy! (http://www.jeopardy.com/news/ibm.php). "Smartest Machine on Earth," un documental de Nova en PBS sobre el desarrollo de Watson (http://video.pbs. org/video/1786674622). Anuncio para POWER7 (http://www-03.ibm.com/systems/power/news/announcement/20100817_ad.html). Anuncio para los IBM Power Systems (http://www-03.ibm.com/systems/power/). Entrevista en que Noam Chomsky discute Watson y la inteligencia artificial (http://www.framingbusiness.net/ archives/1287). Artculo sobre el programa (http://www.nytimes.com/2010/06/20/magazine/20Computer-t. html?pagewanted=1&_r=1) en The New York Times. "The Watson Trivia Challenge" por [[The New York Times (http://www.nytimes.com/interactive/2010/06/16/ magazine/watson-trivia-game.html)]], 16 de junio de 2010. Hashtag en Twitter por #IBMWatson (http://twitter.com/#search?q=#IBMWatson). Inteligencia artificial vs seres humanos en el 'quiz show' ms visto de EEUU (http://www.elmundo.es/ america/2011/01/13/estados_unidos/1294953345.html), artculo en El Mundo.

Weka (aprendizaje automtico)

227

Weka (aprendizaje automtico)

Weka

Desarrollador Universidad de Waikato (Nueva Zelanda) [1] www.cs.waikato.ac.nz/~ml/weka/ Informacin general ltima versin estable 3.6.6 (book), 3.6.6 (stable), 3.7.5 (development) 31 de octubre de 2011 Gnero Sistema operativo Licencia En espaol Aprendizaje automtico Multiplataforma GPL

Weka (Waikato Environment for Knowledge Analysis - Entorno para Anlisis del Conocimiento de la Universidad de Waikato) es una plataforma de software para aprendizaje automtico y minera de datos escrito en Java y desarrollado en la Universidad de Waikato. Weka es un software libre distribuido bajo licencia GNU-GPL.

Weka (aprendizaje automtico)

228

Breve historia
En 1993, la Universidad de Waikato de Nueva Zelanda inici el desarrollo de la versin original de Weka (en TCL/TK y C). En 1997, se decidi reescribir el cdigo en Java incluyendo implementaciones de algoritmos de modelado.[2] En 2005, Weka recibe de SIGKDD[3][4] (Special Interest Group on Knowledge Discovery and Data Mining) el galardn "Data Mining and Knowledge Discovery Service". En 2006, Pentaho Corporation adquiri una licencia exclusiva para usar Weka para Inteligencia de negocio (Business Intelligence), dando lugar al componente de minera de datos y anlisis predictivo del paquete de software Pentaho Business Intelligence. Puesto en el ranking [5] de Sourceforge.net el 26 de agosto de 2011: 243 (con 2,487,213 descargas).

Descripcin
El paquete Weka[6] contiene una coleccin de herramientas de visualizacin y algoritmos para anlisis de datos y modelado predictivo, unidos a una interfaz grfica de usuario para acceder fcilmente a sus funcionalidades. La versin original de Weka fue un front-end en TCL/TK para modelar algoritmos implementados en otros lenguajes de programacin, ms unas utilidades para preprocesamiento de datos desarrolladas en C para hacer experimentos de aprendizaje automtico. Esta versin original se dise inicialmente como herramienta para analizar datos procedentes del dominio de la agricultura,[7][8] pero la versin ms reciente basada en Java (WEKA 3), que empez a desarrollarse en 1997, se utiliza en muchas y muy diferentes reas, en particular con finalidades docentes y de investigacin.

Razones a favor de Weka

Los puntos fuertes de Weka son: Est disponible libremente bajo la licencia pblica general de GNU. Es muy portable porque est completamente implementado en Java y puede correr en casi cualquier plataforma. Contiene una extensa coleccin de tcnicas para preprocesamiento de datos y modelado. Es fcil de utilizar por un principiante gracias a su interfaz grfica de usuario.

Weka soporta varias tareas estndar de minera de datos, especialmente, preprocesamiento de datos, clustering, clasificacin, regresin, visualizacin, y seleccin. Todas las tcnicas de Weka se fundamentan en la asuncin de que los datos estn disponibles en un fichero plano (flat file) o una relacin, en la que cada registro de datos est descrito por un nmero fijo de atributos (normalmente numricos o nominales, aunque tambin se soportan otros tipos). Weka tambin proporciona acceso a bases de datos va SQL gracias a la conexin JDBC (Java Database Connectivity) y puede procesar el resultado devuelto por una consulta hecha a la base de datos. No puede realizar minera de datos multi-relacional, pero existen aplicaciones que pueden convertir una coleccin de tablas relacionadas de una base de datos en una nica tabla que ya puede ser procesada con Weka.[9]

Weka (aprendizaje automtico)

229

Carencias de Weka
Un rea importante que actualmente no cubren los algoritmos incluidos en Weka es el modelado de secuencias.

La interfaz de usuario
Al ejecutar la aplicacin nos aparece el selector de interfaz de Weka (Weka GUI Chooser) que da la opcin de seleccionar entre cuatro posibles interfaces de usuario para acceder a las funcionalidades del programa, stas son "Simple CLI", "Explorer", "Experimenter" y "Knowledge Flow".

Simple CLI
Simple CLI es la abreviatura de Simple Command-Line Interface (Interfaz Simple de Lnea de Comandos); se trata de una consola que permite acceder a todas las opciones de Weka desde lnea de comandos.

Explorer
La interfaz Explorer (Explorador) dispone de varios paneles que dan acceso a los componentes principales del banco de trabajo: El panel "Preprocess" dispone de opciones para importar datos de una base de datos, de un fichero CSV, etc., y para preprocesar estos datos utilizando los denominados algoritmos de filtrado. Estos filtros se pueden utilizar para transformar los datos (por ejemplo convirtiendo datos numricos en valores discretos) y para eliminar registros o atributos segn ciertos criterios previamente especificados. El panel "Classify" permite al usuario aplicar algoritmos de clasificacin estadstica y anlisis de regresin (denominados todos clasificadores en Weka) a los conjuntos de datos resultantes, para estimar la exactitud del modelo predictivo resultante, y para visualizar predicciones errneas, curvas ROC, etc., o el propio modelo (si este es susceptible de ser visualizado, como por ejemplo un rbol de decisin). El panel "Associate" proporciona acceso a las reglas de asociacin aprendidas que intentan identificar todas las interrelaciones importantes entre los atributos de los datos El panel "Cluster" da acceso a las tcnicas de clustering o agrupamiento de Weka como por ejemplo el algoritmo K-means. Este es slo una implementacin del algoritmo expectacin-maximizacin para aprender una mezcla de distribuciones normales. El panel "Selected attributes" proporciona algoritmos para identificar los atributos ms predictivos en un conjunto de datos. El panel "Visualize" muestra una matriz de puntos dispersos (Scatterplot) donde cada punto individual puede seleccionarse y agrandarse para ser analizados en detalle usando varios operadores de seleccin.

Weka (aprendizaje automtico)

230

Experimenter
La interfaz Experimenter (Experimentador) permite la comparacin sistemtica de una ejecucin de los algoritmos predictivos de Weka sobre una coleccin de conjuntos de datos.

Knowledge Flow
Knowledge Flow (Flujo de Conocimiento) es una interfaz que soporta esencialmente las mismas funciones que el Explorer pero con una interfaz que permite "arrastrar y soltar". Una ventaja es que ofrece soporte para el aprendizaje incremental.

Referencias
[1] http:/ / www. cs. waikato. ac. nz/ ~ml/ weka/ [5] http:/ / sourceforge. net/ top/ topalltime. php?type=downloads& offset=200

Enlaces externos
Generales
Pgina oficial de Weka (http://www.cs.waikato.ac.nz/ml/weka/) en la Universidad de Waikato, Nueva Zelanda Pgina del proyecto Weka en SourceForge (http://sourceforge.net/projects/weka/) ( acquired (http://www. pentaho.org/news/releases/20060919_pentaho_acquires_weka.php) by Pentaho in September 2006) WekaDoc (http://weka.sourceforge.net/wiki/) Wiki de documentacin de Weka Pgina sobre Weka de Csar Ferri (http://www.dsic.upv.es/~cferri/weka/) (UPV - Espaa) Una introduccin a Weka (http://metaemotion.com/diego.garcia.morate/download/weka.pdf) (en espaol) Comparativa de algoritmos de DM implementados (http://www.stratebi.es/todobi/ago10/ Algoritmos-Herramientas_Data_Mining.pdf) - Va TodoBI (http://todobi.blogspot.com/2010/08/ comparativa-de-algortimos-de.html)

Ejemplos de aplicaciones
Acronym identification (http://cogprints.org/4399/) Gene selection from microarray data for cancer classification (http://dx.doi.org/10.1016/j.compbiolchem. 2004.11.001) QSPR of metal complexation (http://dx.doi.org/10.1021/ci0504216) Classification (http://mips.gsf.de/proj/est3) of Expressed sequence tag (EST) data from plant/pathogen interface Further related projects and applications (http://weka.sourceforge.net/wiki/index.php/Related_Projects)

Versiones extendidas
Weka4WS: a Grid-enabled version of Weka developed at University of Calabria, Italy (http://grid.deis.unical. it/weka4ws)

Fuentes y contribuyentes del artculo

231

Fuentes y contribuyentes del artculo

Inteligencia artificial Fuente: http://es.wikipedia.org/w/index.php?oldid=68035863 Contribuyentes: 1309daniel, 13fenix1990, Aaron Zuiga, Acratta, Adcasaa, Adrigm, Airunp, Alberto Lopez Vials, Albertosape, Aleator, Alejandro313, Alejandrocaro35, Alejandrosanchez, Alejandrosilvestri, AlfonsoERomero, Alhen, Allforrous, Aloneibar, Alrik, Amads, AndyVec, Antur, Antn Francho, Ascnder, Axelbangle, Axvolution, Aipni-Lovrij, BL, Balderai, Belb, BetoG, Biasoli, Bincoit, Boja, BreadMaker, Bucephala, Bur123gos, C'est moi, Cacuija, Camilo, Carutsu, Chfiguer, Chixna, Cinabrium, Claudiapat1, Cobalttempest, ColdWind, Correogsk, Daimond, Dangelin5, DavidLeeLambert, Deap27m, Deleatur, Desatonao, Dianai, Dianelismoreno, Diegusjaimes, Dodo, Dreitmen, Dromero, Eagle c5, Eamezaga, Edgar, Edmenb, Eduardosalg, Egaida, Ejmeza, El filloco, El rojo capo, Elisardojm, Eloy Adrian, Emferr, Emijrp, Enric Naval, Er Komandante, Erick91, Erodrigufer, Esenabre, Exrm, FRANKEULER, Facumf, Farisori, Faritalbavi, Fazer, Fergon, Fmariluis, Foundling, FrancoGG, Frandzi.rangel, Gabrielforever, Gallowolf, Gao.mza, Garber, Gengiskanhg, GermanX, Gerwoman, Gjusto, Gurgut, HECTOR ARTURO AZUZ SANCHEZ, HUB, Halfdrag, Hameryko, Helmy oved, Hprmedina, Humberto, IATG, Icvav, Ignacio Icke, Ingenioso Hidalgo, Irbian, Isha, Itnas19, Ivanius, J. A. Glvez, JMPerez, Janopo, Jarke, Javier Carro, Jazmin82, Jcaraballo, Jesuja, Jkbw, Jonik, Jorge.maturana, JorgeGG, Jorgenumata, Joseluisfb, Jtico, Jugones55, Juliabis, Julian Mendez, Julie, KLD, Kokitocris, Kokoo, Kved, Kyriah, Lanjoe9, Leonpolanco, Loco085, Lourdes Cardenal, Lucien leGrey, Luisatrollers, MAYRA PANIAGUA ROMAN, Mac, Macarrones, MadriCR, Magister Mathematicae, Mahadeva, Maldoror, Mansoncc, Manuel Trujillo Berges, ManuelGR, Manw, Marcelo Huerta, Matdrodes, Mecamtico, Mel 23, Memo8ulrich, Meroccisoma, Metronomo, Miguel.chaman, MindZiper, Modificador, Montgomery, Moraleh, Moriel, Morispolanco, Morza, Mrexcel, Mriosriquelme, Mushii, Nelsito777, Nerika, Netito777, Nicop, Nixn, Norikesh, Oblongo, P4K1T0, PACO, Pabloallo, Pacoqueen, Paintman, Paleoj, Pan con queso, Paporrubio, Perrita77, Petronas, Petruss, Pilaf, Pino, Platonides, Pompilos, Pravdaverita, Purodha, Plux, RGLago, Renly, Ricardogpn, Roinpa, Rubpe19, Rygo, Samaruga.sebastian, Sanbec, Sauron, Savh, Scarton, Sephirotmundi, Sergio Andres Segovia, Sergiportero, Silvae, Simonfilm22, Sincro, Sol-rac, Stoni, Stuffy, SuperBraulio13, Susana.gandara, Taichi, Tano4595, Technopat, TeleMania, Tigerfenix, Tomatejc, Topopardo, Torheit, Trebol6, TuringTest, UA31, UAwiki, Uriestrada777, Vic Fede, Victor penagos, Victorsulca, Vitamine, WALL-E2700, Waka Waka, Walter closser, Wedrey, Wing Leader, Writkas, Xatufan, Xavigivax, Yearofthedragon, Yeza, Zendex, Zimio, Zut581, conversion script, 795 ediciones annimas Portal:Inteligencia artificial Fuente: http://es.wikipedia.org/w/index.php?oldid=57242445 Contribuyentes: Fitoschido, Jmvkrecords, Shooke, Stuffy Action description language Fuente: http://es.wikipedia.org/w/index.php?oldid=64432456 Contribuyentes: Grillitus, Kikoso, Leugim1972 Agente inteligente (inteligencia artificial) Fuente: http://es.wikipedia.org/w/index.php?oldid=64449513 Contribuyentes: Acratta, Antonorsi, CayoMarcio, Claudiapat1, Enric Naval, Facumf, Jgalgarra, Jhanlos, Jorge.maturana, Moraleh, Mrexcel, Pepsi 98, Ssalonso, 20 ediciones annimas Agente racional Fuente: http://es.wikipedia.org/w/index.php?oldid=68172784 Contribuyentes: Ivanpares Agente situado Fuente: http://es.wikipedia.org/w/index.php?oldid=67544572 Contribuyentes: Mroodschild, Sabbut, 1 ediciones annimas AIML Fuente: http://es.wikipedia.org/w/index.php?oldid=64406416 Contribuyentes: Balbuena, Boja, Jjmama, Matdrodes, Moral3jo, Resped, Rikaaii, Romanc19s, 8 ediciones annimas Algoritmo de eliminacin de variables Fuente: http://es.wikipedia.org/w/index.php?oldid=50091944 Contribuyentes: Dankz, Ezarate, Marianocecowski, Rickynoram American Association for Artificial Intelligence Fuente: http://es.wikipedia.org/w/index.php?oldid=64507476 Contribuyentes: Boja, Iflumpi, Nerika Aprendizaje automtico Fuente: http://es.wikipedia.org/w/index.php?oldid=67313572 Contribuyentes: Acratta, AlfonsoERomero, Ascnder, Astaffolani, Claudiapat1, Damifb, Davidsevilla, Debora.riu, DerkeNuke, Edub, El Quinche, Enric Naval, Ensada, Farisori, Gbayon, GermanX, Hiperfelix, Hspitia, Ignacio Icke, Jesuja, Jmartinezot, JoaquinFerrero, Jorge.maturana, Machucho2007, Mar25 mercedes, OLGA JANET, Pinar, Pintaio, T4nn0, Taichi, Technopat, Trylks, 32 ediciones annimas Autoorganizacin Fuente: http://es.wikipedia.org/w/index.php?oldid=68252455 Contribuyentes: AlGarcia, Alvaro qc, Barandiaran, Carmin, Carolina ruiz parga, Davius, Dhidalgo, Dianabrux, Digigalos, Elvire, Fadesga, Fer73, Gustronico, Jerowiki, Jkbw, Jorge c2010, Jorge.maturana, Laura Fiorucci, Lauranrg, Malekinteros, Maquedasahag, Mariana Jara, Nihilo, Oblongo, Quatrinauta, Redditmeister, Rovnet, Sbrv088, Sermed, Tano4595, Tortillovsky, 30 ediciones annimas Autmata celular Fuente: http://es.wikipedia.org/w/index.php?oldid=66192908 Contribuyentes: Aliman5040, Andres Rojas, Antn Francho, Baldercm, Cmonzonc, Corrector1, Damifb, Domaniom, Dr Doofenshmirtz, Eloy, Farisori, Fidelmoquegua, Genaro.juarez.martinez, Germanfran, Hari Seldon, Info.abstracta, Jkbw, Jorge.maturana, Jstitch, Jugones55, Lauranrg, Nihilo, NikDaTrix, Nyx, Paintman, Platonides, Resped, Samer.h, Sanbec, Srbanana, Sydnestor, Taty2007, Tirithel, Tomatejc, 40 ediciones annimas Red bayesiana Fuente: http://es.wikipedia.org/w/index.php?oldid=68108707 Contribuyentes: 1309daniel, AlfonsoERomero, Anoryat, Apara, Dankz, Davius, Efren Vila Alfonso, Eladiorego, Emijrp, Ender2, Enrique Cordero, Felipealvarez, Genba, Halfdrag, Interwiki de, JKaranka, Jerowiki, Juan Mayordomo, Kilom691, Lexinerus, Matdrodes, Mescalier, Raspabill, Rwheimle, Taichi, Technopat, 38 ediciones annimas Bot Fuente: http://es.wikipedia.org/w/index.php?oldid=64465580 Contribuyentes: Acerswap, Acratta, Arredobaya, AstroNomo, Balderai, Banfield, Beto29, Claudiapat1, Diegusjaimes, Dodo, Drjackzon, Dryas, Dylaks, EduArt, Edub, Elkingkapo, Emijrp, Enric Naval, Fixertool, Fonsi80, Frutoseco, J. A. Glvez, Javierme, Jhony192, Jmcvit, Jorge c2010, Jstitch, Kazem, Kikepp10, Kingpowl, Kresp0, LM Domnguez Peinado, Lbmartinez, Leugim1972, Lourdes Cardenal, Markoszarrate, Martingala, MaxBech1975, Michaello, PACO, Phirosiberia, Saloca, Savh, Spiff, Stuffy, Tatvs, Tomas180, VanKleinen, Varano, Xexito, 49 ediciones annimas Bsquedas no informadas Fuente: http://es.wikipedia.org/w/index.php?oldid=51026363 Contribuyentes: .Sergio, Dodo, F.A.A, Feliun, Lobillo, Peregring-lk, Pla y Grande Covin, 19 ediciones annimas CADUCEUS (sistema experto) Fuente: http://es.wikipedia.org/w/index.php?oldid=64798510 Contribuyentes: Nerika Cmara inteligente Fuente: http://es.wikipedia.org/w/index.php?oldid=67419397 Contribuyentes: Carmin, GuillermoP, Jmvgpartner, Soncco, Votinus, 3 ediciones annimas Campo aleatorio condicional Fuente: http://es.wikipedia.org/w/index.php?oldid=64843284 Contribuyentes: Asasia, Carmin, Chichinho, GermanX, Hlnodovic, Juan Mayordomo, Mandragoro84, Nubecosmica, Obelix83, Sabbut, Tamorlan, 3 ediciones annimas Campus Multidisciplinar en Percepcin e Inteligencia 2006 Fuente: http://es.wikipedia.org/w/index.php?oldid=64844635 Contribuyentes: Jimequesada, Nerika, Pravdaverita, Sabbut, 4 ediciones annimas Cerebro artificial Fuente: http://es.wikipedia.org/w/index.php?oldid=65537843 Contribuyentes: Alejandrocaro35, Alrik, Dangelin5, Jcaraballo, Mecamtico, Rondador, 7 ediciones annimas Cheap design Fuente: http://es.wikipedia.org/w/index.php?oldid=55428223 Contribuyentes: 333, Copydays, Dhidalgo, Kakila, Roberto Fiadone, Rosarinagazo, 2 ediciones annimas Cimek Fuente: http://es.wikipedia.org/w/index.php?oldid=43790829 Contribuyentes: Alhen, Digigalos, Juan Mayordomo, KErosEnE, Rjbox, 4 ediciones annimas Clasificacin de documentos Fuente: http://es.wikipedia.org/w/index.php?oldid=64985300 Contribuyentes: Airunp, AlfonsoERomero, Digigalos, Qwertyytrewqqwerty, T4nn0, Zanaqo, 5 ediciones annimas Cleverbot Fuente: http://es.wikipedia.org/w/index.php?oldid=67413165 Contribuyentes: Acratta, Alex299006, BETA215, Chuffo, Fle3tw00d, Helmy oved, Inuyasha1111, Jediclon3050, Montgomery, Rocmayjos, Savh, Shartz2, SuperBraulio13, Takashi kurita, Travelour, UA31, Zulucho, 45 ediciones annimas Conectiva lgica Fuente: http://es.wikipedia.org/w/index.php?oldid=67490292 Contribuyentes: Ascnder, Cegik, Damifb, Danke7, Davius, Diegusjaimes, Dnu72, Dodo, Edmenb, Elabra sanchez, Equiman, Francisco Mochis, GermanX, Gusama Romero, Igna, Ivan rome, JAGT, Jesuja, Jkbw, Julian Colina, Julian Mendez, Luis Felipe Schenone, MONIMINO, Mary dream, Matdrodes, Memiux, Niceforo, Snakeyes, SuperBraulio13, Superzerocool, Xenoforme, Zufs, 57 ediciones annimas Conferencia de Dartmouth Fuente: http://es.wikipedia.org/w/index.php?oldid=67993362 Contribuyentes: Ensada, Felipealvarez, GermanX, Pravdaverita, 9 ediciones annimas Consulta de imgenes mediante ejemplo Fuente: http://es.wikipedia.org/w/index.php?oldid=65063184 Contribuyentes: Abece, Adelpine, Airunp, Aleposta, CommonsDelinker, Damifb, Einfach Toll, Ensada, Farisori, Imanol.urra, Mutari, Tina89bcn, 4 ediciones annimas Copalred Fuente: http://es.wikipedia.org/w/index.php?oldid=65511906 Contribuyentes: Carrousel, Hctor Guido Calvo, Jose Pino-Daz, Oblongo, Sabbut, 15 ediciones annimas Cougaar Fuente: http://es.wikipedia.org/w/index.php?oldid=67945126 Contribuyentes: Jgalgarra, Locovich, Maleiva, Mar215, Poco a poco, 2 ediciones annimas

Fuentes y contribuyentes del artculo

Cyc Fuente: http://es.wikipedia.org/w/index.php?oldid=65535763 Contribuyentes: Ferris37, Finderlog, Isha, Offray, PACO, Rsg, Sabbut, SpeedyGonzalez, 7 ediciones annimas CycL Fuente: http://es.wikipedia.org/w/index.php?oldid=65536246 Contribuyentes: Finderlog, 1 ediciones annimas Diagnsticos asistidos por ordenador Fuente: http://es.wikipedia.org/w/index.php?oldid=65362401 Contribuyentes: Alexmar983, Genis.matutes, JMa, Miketanis, 1 ediciones annimas Elbot Fuente: http://es.wikipedia.org/w/index.php?oldid=65188170 Contribuyentes: Fer31416, NETkoholik, Ucevista, 2 ediciones annimas Espacio de bsqueda Fuente: http://es.wikipedia.org/w/index.php?oldid=54905556 Contribuyentes: Jorge.maturana, Mercenario97, 1 ediciones annimas Finereader Fuente: http://es.wikipedia.org/w/index.php?oldid=60415155 Contribuyentes: Fixertool, Krikmig, Waburto, 7 ediciones annimas General Problem Solver Fuente: http://es.wikipedia.org/w/index.php?oldid=68041454 Contribuyentes: Nerika Heurstica admisible Fuente: http://es.wikipedia.org/w/index.php?oldid=65544833 Contribuyentes: Rulyotano, Technopat, Wikielwikingo Historia de la inteligencia artificial Fuente: http://es.wikipedia.org/w/index.php?oldid=66996167 Contribuyentes: 107.Red-80-58-0.pooles.rima-tde.net, Abelini, Akhram, AldanaN, Allforrous, Alrik, Arcibel, Chfiguer, Damifb, Danielba894, Diegusjaimes, Edgar, Emijrp, GermanX, JMCC1, Jkbw, Jos Jimnez Cabrera, ManuelGR, Nicop, Ortisa, Petruss, Platonides, Pompilos, Tano4595, Tostadora, Varano, conversion script, maipo.as.arizona.edu, 47 ediciones annimas IA Fuerte Fuente: http://es.wikipedia.org/w/index.php?oldid=65265118 Contribuyentes: Acratta, Dangelin5, Martin CX, 2 ediciones annimas Inteligencia artificial (videojuegos) Fuente: http://es.wikipedia.org/w/index.php?oldid=67309139 Contribuyentes: Duperjuan, Tsuba, Ver-Oz, 2 ediciones annimas Inteligencia computacional Fuente: http://es.wikipedia.org/w/index.php?oldid=64497839 Contribuyentes: Dennis6492, Josek net, Poco a poco, 5 ediciones annimas Interfaz de usuario de lenguaje natural Fuente: http://es.wikipedia.org/w/index.php?oldid=68152929 Contribuyentes: Carrousel, Fremen, Juan.manuel.gonzalez.gonzalez, M g 657, Sabbut, 12 ediciones annimas Usuario:Isanzn/Java Agent Development Framework Fuente: http://es.wikipedia.org/w/index.php?oldid=66928069 Contribuyentes: Isanzn Java Agent Development Framework Fuente: http://es.wikipedia.org/w/index.php?oldid=67945852 Contribuyentes: Isanzn, Jgalgarra, Maleiva, Marc-Andr Abrock, Nicop, Osepu, Rodamaker, Shooke, UA31, 1 ediciones annimas Juego de cero jugadores Fuente: http://es.wikipedia.org/w/index.php?oldid=64542202 Contribuyentes: Ascnder, Fremen, KanTagoff, Mandramas, Sabbut, Strigoiul, Tsuba, 4 ediciones annimas KEEL (software) Fuente: http://es.wikipedia.org/w/index.php?oldid=67948018 Contribuyentes: Fremen, Maleiva, Rodamaker, UA31 La era de las mquinas espirituales Fuente: http://es.wikipedia.org/w/index.php?oldid=64561705 Contribuyentes: Abece, Acratta, Alquimista de Viento, Dalton2, Damifb, Desatonao, Exitogr, GermanX, Jose nnnn, Joseaperez, Lema, Metronomo, PastorDavid, Shooke, 12 ediciones annimas Lgica no monotnica Fuente: http://es.wikipedia.org/w/index.php?oldid=67943054 Contribuyentes: Airunp, Bernardo Bolaos, Gafotas, HUB, Isha, JonnyJD, Lorevna, Luis Felipe Schenone, Nubecosmica, Taichi, Tano4595, Tomatejc, Unificacion, 8 ediciones annimas Mallet Fuente: http://es.wikipedia.org/w/index.php?oldid=64886080 Contribuyentes: Locovich, Rodamaker, UA31, 1 ediciones annimas Usuario:Mar215/Cougaar Fuente: http://es.wikipedia.org/w/index.php?oldid=66930324 Contribuyentes: Mar215 Usuario:Mar215/Cougaar English Fuente: http://es.wikipedia.org/w/index.php?oldid=66930451 Contribuyentes: Mar215 Metaheurstica Fuente: http://es.wikipedia.org/w/index.php?oldid=64965170 Contribuyentes: AlfonsoERomero, Arcano2k1, Bolufe, Dromero, GermanX, Global.minimum, Jjvaca, Jorge.maturana, LordT, RoyFocker, 8 ediciones annimas Modelo basado en agente Fuente: http://es.wikipedia.org/w/index.php?oldid=67972679 Contribuyentes: Artifex, Cinevoro, FAL56, Jmgalan, Jorge.maturana, Juan Manuel, 1 ediciones annimas Modelo oculto de Mrkov Fuente: http://es.wikipedia.org/w/index.php?oldid=66616301 Contribuyentes: AlfonsoERomero, Asasia, Brau, Dav7mx, Dusan, Ecemaml, Enrique.benimeli, Grillitus, Hlnodovic, Hortelano, Ignacioerrico, JMCC1, Jkbw, JoaquinFerrero, Juan Mayordomo, Nubecosmica, Pintaio, 14 ediciones annimas Mquina Lisp Fuente: http://es.wikipedia.org/w/index.php?oldid=65172788 Contribuyentes: Abece, Nerika La nueva mente del emperador Fuente: http://es.wikipedia.org/w/index.php?oldid=64708532 Contribuyentes: Bibliofilotranstornado, Ccruells, Farisori, 2 ediciones annimas OpenCV Fuente: http://es.wikipedia.org/w/index.php?oldid=68223013 Contribuyentes: Carcediano, Farisori, GaL, Guynplaine, Jespa, Shooke, Tony Rotondas, UA31, Usuario10489669, Viluh, Xxunil, 15 ediciones annimas Operador Sobel Fuente: http://es.wikipedia.org/w/index.php?oldid=64839476 Contribuyentes: Adelpine, AlfonsoERomero, Gengiskanhg, GermanX, Gtz, HanHelsing, Mapachin, Nasil, Sundayez, 14 ediciones annimas Orange (aprendizaje automtico) Fuente: http://es.wikipedia.org/w/index.php?oldid=65070449 Contribuyentes: Cgb, Juan Mayordomo, UA31 Paradoja de Moravec Fuente: http://es.wikipedia.org/w/index.php?oldid=64414979 Contribuyentes: Retama, St4r6oY, 6 ediciones annimas Planificacin automtica Fuente: http://es.wikipedia.org/w/index.php?oldid=68041666 Contribuyentes: 333, Gacpro, Jorge.maturana, Paintman, Tamorlan, 1 ediciones annimas Programacin lgica Fuente: http://es.wikipedia.org/w/index.php?oldid=65451810 Contribuyentes: Acratta, Ada.Hopper, Afpineda, Ascnder, Aipni-Lovrij, Cinabrium, Clementito, Diegusjaimes, Furado, Jkbw, Jorge.maturana, Joseaperez, Leonpolanco, Leugim1972, Lexinerus, Lpacori, ManuelGR, Matdrodes, Mel 23, Mortadelo2005, Muro de Aguas, Nerika, Plux, Ricardogpn, Spangineer, Unf, Youssefsan, 70 ediciones annimas Prolog Fuente: http://es.wikipedia.org/w/index.php?oldid=64400319 Contribuyentes: Achata, Afpineda, Aliamondano, Andrew 13, Angus, Ascnder, BUDA20, Baiji, Chfiguer, Chinomng, Chuck es dios, Dibujon, Diegusjaimes, Dodo, Edgar, GermanX, HIPATIA2006, Hawking, Individuo7, Jag2k4, Janburse, Jorge.maturana, Jugones55, Kleuske, Lourdes Cardenal, Lttito, Maldoror, Matdrodes, Miguelo on the road, Moriel, Muro de Aguas, Nerika, Niceforo, Oscar ., Pan con queso, Platonides, Sanbec, Santiperez, Sauron, Truor, Tuliopa, Vespertine, Willtron, Youssefsan, conversion script, 109 ediciones annimas Proyecto ACROSS Fuente: http://es.wikipedia.org/w/index.php?oldid=51305429 Contribuyentes: Sergio.finez, 6 ediciones annimas Quinta generacin de computadoras Fuente: http://es.wikipedia.org/w/index.php?oldid=67963764 Contribuyentes: 3coma14, Alexan, Alhen, Andreasmperu, Aipni-Lovrij, Baiji, Banfield, Bernard, BlackBeast, Bucephala, Camilo, Canyq, CommonsDelinker, Dangelin5, DayL6, Der metzgermeister, Dermot, Diegusjaimes, Edwod2001, Elsenyor, Emijrp, Emmanuele, Foundling, Gadolinio, Gangbonga, GermanX, Gusama Romero, Halfdrag, Happygolucky, Helmy oved, Icvav, Igna, Jarfil, Javierito92, Jkbw, Joanumbert, Jorgechp, Josell2, Juancastro123, Kordas, LadyInGrey, Laura Fiorucci, Leonpolanco, Luisa la estupida, Mafores, Magister Mathematicae, Maldoror, Manuelt15, Matdrodes, Mpeinadopa, Nerika, Netito777, Nixn, PedR, Pepeguama, Petruss, Poco a poco, Plux, Retama, Rosarino, RoyFocker, Sanbec, Savh, Sergio Andres Segovia, Shalbat, SpeedyGonzalez, SuperBraulio13, Superzerocool, TCJ, Technopat, TeleMania, Tirithel, Tostadora, VanKleinen, Waka Waka, 365 ediciones annimas RapidMiner Fuente: http://es.wikipedia.org/w/index.php?oldid=67948237 Contribuyentes: Cgb, Hctor Guido Calvo, Juan Mayordomo, Maleiva, Melchiaros, Rodamaker, Tamorlan, 3 ediciones annimas Razonamiento automatizado Fuente: http://es.wikipedia.org/w/index.php?oldid=64033148 Contribuyentes: Arapajoe, Emijrp, Frege, JA Alonso

232

Fuentes y contribuyentes del artculo

Razonamiento automtico Fuente: http://es.wikipedia.org/w/index.php?oldid=64602707 Contribuyentes: Ealmagro, JA Alonso, Javierito92, L'Amricain, Nicop, Peregring-lk, Poco a poco, UA31, 1 ediciones annimas Razonamiento basado en casos Fuente: http://es.wikipedia.org/w/index.php?oldid=68086748 Contribuyentes: Acratta, Alvaro qc, Bananabruno, Casdeiro, Folkvanger, Ganmedes, Govi108, Juan manuel rodriguez, Martinwikipedia, Matdrodes, Naki, Qgluca, Roalag, Sephirotmundi, Tano4595, Tirithel, Tuc negre, UA31, Vlazeck, Vtescandell, Yabama, Yrithinnd, 20 ediciones annimas Reconocimiento de expresiones faciales Fuente: http://es.wikipedia.org/w/index.php?oldid=65858743 Contribuyentes: Joan Ramrez, Julia Tablas, Raimundo Pastor Reconocimiento de palabras clave Fuente: http://es.wikipedia.org/w/index.php?oldid=66380205 Contribuyentes: Jordi Reig, Maleiva, 1 ediciones annimas Red jerrquica de tareas Fuente: http://es.wikipedia.org/w/index.php?oldid=64612117 Contribuyentes: Tamorlan Robtica cognitiva Fuente: http://es.wikipedia.org/w/index.php?oldid=64660601 Contribuyentes: Poco a poco, 12 ediciones annimas Robtica evolutiva Fuente: http://es.wikipedia.org/w/index.php?oldid=65886025 Contribuyentes: Boja, Jorge.maturana, Marcelo Huerta, Microtecnologo, PabloGN, Poc-oban, RoyFocker, Technopat, Tomatejc, Txopi, Walter closser, 12 ediciones annimas Seguimiento de objetos Fuente: http://es.wikipedia.org/w/index.php?oldid=68234967 Contribuyentes: MariaSantosB, 1 ediciones annimas Sistema adaptativo complejo Fuente: http://es.wikipedia.org/w/index.php?oldid=65684979 Contribuyentes: AriasFco, CommonsDelinker, Farisori, Ganmedes, Grillitus, Jlafiespa, Jorge.maturana, Pinar, Pvnanini, Rambaut, Rosarino, Technopat, Urumi, Xvazquez, YuriBCN, 9 ediciones annimas Sistema basado en reglas Fuente: http://es.wikipedia.org/w/index.php?oldid=62382502 Contribuyentes: Acratta, Airunp, Angelito7, Estoymuybueno, Gustronico, Jynus, Peregring-lk, Tano4595, Vitamine, Yago AB, Yix, 15 ediciones annimas Sistema de conocimiento Fuente: http://es.wikipedia.org/w/index.php?oldid=65511922 Contribuyentes: Carrousel, Gorigori, Hctor Guido Calvo, Jose Pino-Daz, Sabbut Sistema de reconocimiento facial Fuente: http://es.wikipedia.org/w/index.php?oldid=67053773 Contribuyentes: Alex15090, Atila rey, Cris.palmero, Enrique Cordero, GM83, Guevonaso, Jarke, Javierdekai, Jota.millan.bcn, Mimo Tito Lindo, Netito777, Ojota, Technopat, Travelour, 37 ediciones annimas Sistema inteligente Fuente: http://es.wikipedia.org/w/index.php?oldid=67905426 Contribuyentes: Antur, Claudiapat1, Enric Naval, Fadesga, Farisori, Jkbw, Jorge c2010, Muro de Aguas, Nicop, Omega, Shooke, Tano4595, Varano, Walter1927, 32 ediciones annimas Sistema multi-agente Fuente: http://es.wikipedia.org/w/index.php?oldid=67900638 Contribuyentes: Alrik, Ascnder, Byerus, Irisel, Ivan.Romero, Jkbw, Kanapejm, LukeLalo, Macarse, Newton09, Pedro71, Rondador, Sabbut, Superzerocool, Taichi, Tuc negre, Zuirdj, 19 ediciones annimas Sistemas bioinspirados Fuente: http://es.wikipedia.org/w/index.php?oldid=64841536 Contribuyentes: Banfield, BlackBeast, Inarrie, 1 ediciones annimas Soft Computing Fuente: http://es.wikipedia.org/w/index.php?oldid=64852004 Contribuyentes: Elultimolicantropo, FAL56, Switcher6746, 8 ediciones annimas Ray Solomonoff Fuente: http://es.wikipedia.org/w/index.php?oldid=65306198 Contribuyentes: Manxuc, Mcapdevila, Wikilibre SPADE Fuente: http://es.wikipedia.org/w/index.php?oldid=68025380 Contribuyentes: Edwod2001, Gusarba, Jakeukalane, 14 ediciones annimas STRIPS Fuente: http://es.wikipedia.org/w/index.php?oldid=64714124 Contribuyentes: Gacpro, PetrohsW, Rgfernandez, 3 ediciones annimas Systran Fuente: http://es.wikipedia.org/w/index.php?oldid=64639235 Contribuyentes: Angus, Arrt-932, Comakut, Cookie, Davius, Dodo, Elwikipedista, Fadesga, GermanX, Gullo, Idoia Puente, Janire Cascajar, Jjvaca, Joseba moreno, JosebaAbaitua, Lourdes Cardenal, Lumen, Mnts, Muro de Aguas, Nyx, Orgullomoore, Paintman, Rosa Baranda, Sabbut, Sanbec, Silvia Sevilla Aldama, Wricardoh, Zorak, 11 ediciones annimas Wikipedia:Tutorial Corrector-es Fuente: http://es.wikipedia.org/w/index.php?oldid=54226742 Contribuyentes: Alexav8, Bienchido, Dalton2, Dark, Edmenb, Macarse, Manuelt15, Merlissimo, Muro de Aguas, Oscar ., Varano Watson (inteligencia artificial) Fuente: http://es.wikipedia.org/w/index.php?oldid=65993117 Contribuyentes: AldanaN, Dogor, Farisori, Lolopai, Nerika, SethAllen623, Waka Waka, 11 ediciones annimas Weka (aprendizaje automtico) Fuente: http://es.wikipedia.org/w/index.php?oldid=64775777 Contribuyentes: Cgb, El Pantera, Jesuja, Jorge.maturana, Juan Mayordomo, Locovich, UA31, 7 ediciones annimas

233

Fuentes de imagen, Licencias y contribuyentes

234

Fuentes de imagen, Licencias y contribuyentes

Archivo:TOPIO_2.0.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:TOPIO_2.0.jpg Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: Lylodo Archivo:Commons-logo.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Commons-logo.svg Licencia: logo Contribuyentes: SVG version was created by User:Grunt and cleaned up by 3247, based on the earlier PNG version, created by Reidab. Archivo:Wikibooks-logo.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Wikibooks-logo.svg Licencia: logo Contribuyentes: User:Bastique, User:Ramac et al. Archivo:GNU Emacs ELIZA example.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:GNU_Emacs_ELIZA_example.png Licencia: GNU General Public License Contribuyentes: Original uploader was Ysangkok at en.wikipedia. He was also the original author. Archivo:Agente inteligente simple.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Agente_inteligente_simple.jpg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jhanlos Archivo:Esquema aprendizaje.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Esquema_aprendizaje.jpg Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: User:Debora.riu Archivo:CA rule30s.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:CA_rule30s.png Licencia: GNU Free Documentation License Contribuyentes: Falcorian, InverseHypercube, Maksim, Simeon87, 1 ediciones annimas Archivo:Image-Opposite.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Image-Opposite.png Licencia: GNU Free Documentation License Contribuyentes: Cayte File:Autorregulacin del aprendizaje.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Autorregulacin_del_aprendizaje.jpg Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: User:Sbrv088 Archivo:GameOfLife Glider Animation.gif Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:GameOfLife_Glider_Animation.gif Licencia: GNU Free Documentation License Contribuyentes: Dbenbenn, Duesentrieb, Plugwash Archivo:Torus.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Torus.png Licencia: Public Domain Contribuyentes: LucasVB, Rimshot, SharkD Archivo:Textile cone.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Textile_cone.JPG Licencia: GNU Free Documentation License Contribuyentes: Ausxan, Goudron92, InverseHypercube, Rling, Valrie75, 2 ediciones annimas Archivo:Nodos de una Red Bayesiana Simple.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Nodos_de_una_Red_Bayesiana_Simple.svg Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: User:Kilom691 Archivo:Red Bayesiana Simple.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Red_Bayesiana_Simple.png Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: User:Efren Vila Alfonso Archivo:Wikimedia Community Logo.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Wikimedia_Community_Logo.svg Licencia: Public Domain Contribuyentes: real name: Artur Jan Fijakowski pl.wiki: WarX commons: WarX mail: jabber: WarX@jabber.org irc: -pl Archivo:Grafico.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Grafico.jpg Licencia: Public Domain Contribuyentes: EugeneZelenko, Feliun Archivo:Grafo.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Grafo.jpg Licencia: Public Domain Contribuyentes: EugeneZelenko, Feliun Archivo:Bus prof.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Bus_prof.jpg Licencia: Public Domain Contribuyentes: EugeneZelenko, Feliun Archivo:Bus anch.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Bus_anch.jpg Licencia: Public Domain Contribuyentes: EugeneZelenko, Feliun Archivo:Cleverbottextlogo.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Cleverbottextlogo.JPG Licencia: Public Domain Contribuyentes: Shartz2 Archivo:Yes_check.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Yes_check.svg Licencia: Public Domain Contribuyentes: SVG by Gregory Maxwell (modified by WarX) Archivo:Viewer medecine nucleaire keosys.JPG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Viewer_medecine_nucleaire_keosys.JPG Licencia: Public Domain Contribuyentes: Mco44 Archivo:Search space.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Search_space.svg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jorge.maturana File:Freeciv-2.1.0-beta3-sdl slack11.0.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Freeciv-2.1.0-beta3-sdl_slack11.0.png Licencia: GNU General Public License Contribuyentes: Bayo, Qwm, Raphael Frey Archivo:Hola voz femenina.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Hola_voz_femenina.jpg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Foroa, M g 657 Archivo:Hola voz masculina.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Hola_voz_masculina.jpg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Foroa, M g 657 Archivo:Bloques-rah.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Bloques-rah.svg Licencia: GNU Free Documentation License Contribuyentes: Cholo Aleman, Ignacio Icke Archivo:GNOME_Do_Classic.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:GNOME_Do_Classic.png Licencia: GNU General Public License Contribuyentes: David Siegel Archivo:X mark.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:X_mark.svg Licencia: Public Domain Contribuyentes: User:Gmaxwell Imagen:Hmm.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Hmm.png Licencia: GNU Free Documentation License Contribuyentes: de:Benutzer:Kku Archivo:hmm temporal bayesian net.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Hmm_temporal_bayesian_net.png Licencia: GNU Free Documentation License Contribuyentes: Chrislb, Kocur, Laurens, Qef Archivo:LISP machine.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:LISP_machine.jpg Licencia: Creative Commons Attribution-ShareAlike 3.0 Unported Contribuyentes: Bdamokos, Garcon, Hydrargyrum, Jszigetvari, Mu301, Nameless23, 3 ediciones annimas Archivo:Flag of the United States.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Flag_of_the_United_States.svg Licencia: Public Domain Contribuyentes: Dbenbenn, Zscout370, Jacobolus, Indolences, Technion. Image:OpenCV_Logo_with_text.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:OpenCV_Logo_with_text.png Licencia: Public Domain Contribuyentes: Adi Shavit Archivo:ImageForSobelOperator.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:ImageForSobelOperator.png Licencia: Creative Commons Attribution-ShareAlike 3.0 Unported Contribuyentes: Gengiskanhg, Gveret Tered Archivo:SobelImage.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:SobelImage.png Licencia: Creative Commons Attribution-ShareAlike 3.0 Unported Contribuyentes: Gengiskanhg Archivo:SobelImageX.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:SobelImageX.png Licencia: Creative Commons Attribution-ShareAlike 3.0 Unported Contribuyentes: Gengiskanhg Archivo:SobelImageY.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:SobelImageY.png Licencia: Creative Commons Attribution-ShareAlike 3.0 Unported Contribuyentes: Gengiskanhg Archivo:Beauty Girl Surprise.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Beauty_Girl_Surprise.jpg Licencia: Creative Commons Attribution-Sharealike 2.0 Contribuyentes: ARTEST4ECHO, Anthere, Finavon, FlickreviewR, Frank C. Mller, Infrogmation, Jacopo Werther, Jahobr, Kimse, Mattes, Pomeranian, Santosga, 1 ediciones annimas Archivo:Par reales.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Par_reales.jpg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Ruth_Lewin.JPG: Ruthlewin derivative work: Joan Ramrez (talk) Archivo:Par binarios2.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Par_binarios2.jpg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Brad_Garlinghouse_-_July_2008.jpg: Dave Nakayama Derivative work: Joan Ramrez Archivo:Arxiu_audio.PNG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Arxiu_audio.PNG Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jordi R. Archivo: Model_HMM_progressiu_per_a_la_parla.PNG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Model_HMM_progressiu_per_a_la_parla.PNG Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jordi R. Archivo:Diagrama1_castellano_listado.PNG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Diagrama1_castellano_listado.PNG Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jordi R. Archivo:Diagrama2_castellano_listado.PNG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Diagrama2_castellano_listado.PNG Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jordi R.

Fuentes de imagen, Licencias y contribuyentes

Archivo:Diagrama3_subunidades_castellano.PNG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Diagrama3_subunidades_castellano.PNG Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jordi R. Archivo:Xarxa_neuronal_basica.PNG Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Xarxa_neuronal_basica.PNG Licencia: Creative Commons Attribution 3.0 Contribuyentes: Jordi R. Archivo:Face detection example openCV.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Face_detection_example_openCV.jpg Licencia: Public Domain Contribuyentes: FUSIA_Board_1998_L.jpg: F.U.S.I.A. assistant derivative work: Sylenius (talk) Archivo:Segment esp.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Segment_esp.jpg Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: User:MariaSantosB Archivo:Seguimiento de objetos.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Seguimiento_de_objetos.jpg Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: User:MariaSantosB Archivo:Surveillance equipment 5411.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Surveillance_equipment_5411.jpg Licencia: Public Domain Contribuyentes: Original uploader was Maraparacc at en.wikipedia Archivo:Surveillance equipment 5410.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Surveillance_equipment_5410.jpg Licencia: Public Domain Contribuyentes: Original uploader was Maraparacc at en.wikipedia Archivo:Surveillance equipment 5413.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Surveillance_equipment_5413.jpg Licencia: Public Domain Contribuyentes: Original uploader was Maraparacc at en.wikipedia Archivo:Face Recognition System Workflow castellano.gif Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Face_Recognition_System_Workflow_castellano.gif Licencia: Creative Commons Zero Contribuyentes: Cris.palmero Archivo:Fisherface_eigenface_laplacianface.GIF Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Fisherface_eigenface_laplacianface.GIF Licencia: Public Domain Contribuyentes: Yghhome, 1 ediciones annimas Archivo:Spade Logo.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Spade_Logo.png Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: Jpalanca Archivo:Spade overview.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Spade_overview.png Licencia: Creative Commons Attribution-Sharealike 3.0 Contribuyentes: Jpalanca Archivo:DeepQA.svg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:DeepQA.svg Licencia: Creative Commons Zero Contribuyentes: Pgr94 Archivo:IBMWatson.jpg Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:IBMWatson.jpg Licencia: Creative Commons Attribution 3.0 Contribuyentes: Raysonho @ Open Grid Scheduler / Grid Engine Archivo:Weka_(software)_logo.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Weka_(software)_logo.png Licencia: Creative Commons Attribution-Sharealike 2.5 Contribuyentes: http://www.cs.waikato.ac.nz Archivo:Weka-3.5.5.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Weka-3.5.5.png Licencia: GNU General Public License Contribuyentes: Enoch Lau Archivo:Weka_GUI_Chooser.png Fuente: http://es.wikipedia.org/w/index.php?title=Archivo:Weka_GUI_Chooser.png Licencia: GNU Free Documentation License Contribuyentes: http://www.cs.waikato.ac.nz

235

Licencia

236

Licencia
Creative Commons Attribution-Share Alike 3.0 Unported //creativecommons.org/licenses/by-sa/3.0/