TRABAJO COLABORATIVO 1

GRUPO: 90169_27


TUTORA:
ANGELA MARIA GONZALEZ





UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD
ESCUELA DE CIENCIAS BASICAS, TECNOLOGA E INGENIERA
INTELIGENCIA ARTIFICIAL
2014





INTRODUCCIN




La inteligencia artificial es un campo de estudio donde convergen muchas reas como
la computacin, fsica, matemticas, psicologa, sociologa, lingstica, biologa, las
cuales en un ambiente tradicional no tendran puntos en comn, ni enfoques tericos
en discusin. Actualmente la inteligencia artificial no es un rea exclusiva para la
computacin o la electrnica, o est enfocada en la robtica, ya se habla de sistemas
expertos, autmatas celulares, computacin cuntica, agentes autnomos inteligentes
y una infinidad de conceptos aplicados a producir soluciones de hardware y de
software, teniendo este ltimo una ventaja considerable ya que ha permitido crear una
gran cantidad de agentes, aplicaciones y entornos que simulan a los reales.

















APORTES INDIVIDUALES
EDWARD HUMBERTO BUITRAGO
Linea de Tiempo.

Presentacin Tema Robotica.

Reflexion.





Bueno lo ms maravilloso del ser humano es que es impredecible. Y esto sera algo
que nunca una maquina podra hacer, por ejemplo cambiar entre estados de nimo sin
ningn patrn de regularidad, por ejemplo a la hora de realizar algn deporte; en el
futbol la mente de cada jugador es nica e irrepetible, y su cuerpo se expone a
decisiones y movimientos extremadamente rpidos que es otra caracterstica del
cerebro humano,; su velocidad. El poder del cerebro de decidir en milsimas de
segundos pero a la vez dar esas rdenes a su cuerpo y ejecutar los movimientos, no
eso es nico. Adems que lograr la estructura del cuerpo humano flexible pero fuerte y
con infinidad de movimientos en cada articulacin eso es imposible que una maquina lo
pueda realizar.
El humano siempre ser un ser impredecible y las maquinas sern seres
programables y predecibles por ms que esto se intente disimular.
Respecto a que existen maquinas que logran hacer actividades del ser humano, bueno
si! podemos encontrar infinidad de ejemplos, pero solo son eso recreaciones exactas
de lo que podra hacer un ser humano, adems cada mquina tiene que estar
configurada con un perfil especfico, nunca podr hacer lo que hace un ser human en
un solo cuerpo. EJM: Cantar, bailar, matar, amar, odiar, trabajos pesados, trabajos
delicados, llorar, etc.

















ALBERTO MARIO FRUTO.

Lnea de Tiempo de la evolucin de la Inteligencia Artificial










































ARISTOTELES
Premisas del
comportamiento de la
mente humana
400 A.c- 300 A.c
250 A.c
CTSIBIO DE
ALEJANDRIA
Construyo la primera
mquina auto controladora
1235-1316
RAMON LLOLL
Construyo una mquina de
engranes llamada
Arsmayna, capaz de
responder a todas las
preguntas

1847
GEORGE BOOLE
Estableci la lgica
proporcional, (booleana)
ms completa que
Aristteles
1854
GEORGE BOOLE
Desarrollo los fundamentos
de la lgica proporcional
1879
GOTTLOB FREGE
Extiende la lgica booleana
y obtiene la lgica de
primer orden la cual cuenta
con mayor poder de
expresin
1903
LEE DE FOREST
Inventa el trodo tambin
llamado Bulbo o vlvula de
Vaco
1940
ALAN TURING
Establece formalmente la
inteligencia artificial,
Construye el primer
computador
electromagnetico
1941
KONRAD ZUSE
Creo la primera
computadora programable y
el primer lenguaje de
programacin de alto nivel,
Plankalkd 1943
WARREN MCCULLOCH
Y WALTER PITTS
Propusieron un modelo de
neurona humana y animal,
primer trabajo de campo de
inteligencia artificial.
1950
ALAN TURING
Publico el artculo
maquinaria computacional e
inteligencia, la capacidad
simblica de la
computadora fue
desarrollada.
1951
WILLIAMS SHOCKLEY
Inventa el transitar de unin
que hace posible que una
nueva generacin de
computadora mucho ms
rpida y pequea
1955
HERBERT SIMON Y ALLEN
NEWELL Y J.C SHAUM
Desarrollan el primer lenguaje de
programacin orientado a la
resolucin de problemas GPS
1956
Se acua el trmino de
inteligencia artificial en la
conferencia de Dartmouth
1958
NELL Y SHAWI SIMON
Disean el primer programa
de inteligencia basados en
procedimientos de
informacion
1959
GELERTE
Desarrollo los programas
para demostrar teoremas de
geometra plana
1962
FRANK ROSENBLAT
Explora el uso de redes de
tipo neuronal percepciones
1967
Primer sistema experto
denominado Dendral























1973
ALAIN COLMENAUER y
si equipo de investigacin
crean Prolog un lenguaje de
programacin para
inteligencia artificial
1974
Se crea el sistema experto
Myan capaz de diagnosticar
trastornos en la sangre y
recetar la correspondiente
medicacin.
1990-1999
Surgen los agentes
inteligentes
2000
El programa Elice gan el
premio Loebner al chat
boot ms humano en los
aos 2000 y 2004
2009
Se desarrollan sistemas
inteligentes teraputicos
que permiten detectar
emociones para poder con
los nios autistas.
2010
El programa Suzette gano el
premio Loebner





Tema Redes Neuronales

Bsicamente, la inteligencia artificial es aquella que trata de explicar el funcionamiento
mental basndose en el desarrollo de algoritmos para controlar diferentes cosas. La
inteligencia artificial combina varios campos, como la robtica, los sistemas expertos y
otros, los cuales tienen un mismo objetivo, que es tratar de crear mquinas que puedan
pensar por s solas, lo que origina que hasta la fecha existan varios estudios y
aplicaciones, dentro de las que se encuentran las redes neuronales, el control de
procesos o los algoritmos genticos.

En esta ocasin me inclino por las redes neuronales, son programas de la AI capaces
de simular algunas de las funciones de aprendizaje del ser humano. Una red neuronal
obtiene experiencia analizando automtica y sistemticamente los datos para
determinar reglas de comportamiento; con base en ellas, puede realizar predicciones
sobre nuevos casos.

Estas tcnicas se aplican a problemas de clasificacin y series de tiempo e identifican
conexiones con cosas que otras tcnicas no pueden, porque utilizan relaciones lineales
y no lineales.








Neuronas y conexiones sinpticas. Cada neurona puede tener infinitas entradas
llamadas dendritas que condicionan el estado de su nica salida existente, el axn;
ste se puede conectar a una dendrita de otra neurona mediante la sinapsis
correspondiente.

En este modelo se considera una neurona que puede ser representada por una unidad
binaria; a cada instante su estado puede ser activo o inactivo. La interaccin entre las
neuronas se lleva a cabo a travs de la sinapsis, la cual define el estado de la neurona
En 1943, el neurobilogo Warren McCulloch, y el estadstico Walter Pitss, publicaron el
artculo "A logical calculus of Ideas Imminent in Nervous Activity". Este artculo
constituy la base y el inicio del desarrollo en diferentes campos como son los
Ordenadores Digitales (John Von Neuman), la Inteligencia Artificial (Marvin Minsky con
los Sistemas Expertos) y el funcionamieto del ojo (Frank Rosenblatt con la famosa red
llamada Perceptron).

Hablando un poco ms acerca de su historia:

En 1956, los pioneros de la Inteligencia Artificial, Minsky, McCarthy, Rochester,
Shanon, organizaron la primera conferencia de Inteligencia Artificial que fue
patrocinada por la Fundacin Rochester. Esta conferencia se celebr en el verano de
1956 en la localidad inglesa de Darmouth y en muchos libros se hace referencia al
verano de este ao como la primera toma de contacto seria con las redes neuronales
artificiales.





Nathaural Rochester del equipo de investigacin de IBM present el modelo de una red
neuronal que l mismo realiz y puede considerarse como el primer software de
simulacin de redes neuronales artificiales. En 1957, Frank Rosenblatt public el
mayor trabajo de investigacin en computacin neuronal realizado hasta esas fechas.
Su trabajo consista en el desarrollo de un elemento llamado "Perceptron".

El perceptron es un sistema clasificador de patrones que puede identificar patrones
geomtricos y abstractos. El primer perceptron era capaz de aprender algo y era
robusto, de forma que su comportamiento variaba slo si resultaban daados los
componentes del sistema. Adems presentaba la caracterstica de ser flexible y
comportarse correctamente despus de que algunas celdas fueran destruidas. El
perceptron fue originalmente diseado para el reconocimiento ptico de patrones. Una
rejilla de 400 fotoclulas, correspondientes a las neuronas de la retina sensibles a la
luz, recibe el estmulo ptico. Estas fotoclulas estn conectadas a elementos
asociativos que recogen los impulsos elctricos emitidos desde las fotoclulas. Las
conexiones entre los elementos asociativos y las fotoclulas se realizan de forma
aleatoria. Si las clulas presentan un valor de entrada superior a un umbral
predeterminado entonces el elemento asociativo produce una salida. presenta la
estructura de la red perceptron.









Aplicacin de la Red Perceptron.

El perceptron presenta algunas limitaciones debido a que se trataba de un dispositivo
en desarrollo. La mayor limitacin la reflejaron Minsky y Papert aos ms tarde, y
ponan de manifiesto la incapacidad del perceptron en resolver algunas tareas o
problemas sencillos como por ejemplo la funcin lgica OR exclusivo. Uno de los
mayores cambios realizados en el perceptron de Rossenblatt a lo largo de la dcada
de los 60 ha sido el desarrollo de sistemas multicapa que pueden aprender y
categorizar datos complejos.

En 1959, Bernard Widrow en Stanford desarroll un elemento adaptativo lineal llamado
"Adaline" (Adaptive Linear Neuron). La Adaline y una versin de dos capas, llamada
"Madaline", fueron utilizadas en distintas aplicaciones como reconocimiento de voz y
caracteres, prediccin del tiempo, control adaptativo y sobre todo en el desarrollo de
filtros adaptativos que eliminen los ecos de las lneas telefnicas. A mediados de los
aos 60, Minsky y Papert pertenecientes al Laboratorio de Investigacin de Electrnica
del MIT (Massachussets Institute Technology) comenzaron un trabajo profundo de
crtica al perceptron. El resultado de este trabajo, el libro Perceptrons, era un anlisis
matemtico del concepto del perceptron. La conclusin de este trabajo, que se
transmiti a la comunidad cientfica del mundo entero, es que el Perceptron y la
Computacin Neuronal no eran temas interesantes que estudiar y desarrollar. A partir
de este momento descendieron drsticamente las inversiones en la investigacin de la
computacin neuronal.





Uno de los pocos investigadores que continuaron con su trabajo en la computacin
neuronal tras la publicacin del libro Perceptrons fue James Anderson. Su trabajo se
bas en el desarrollo de un modelo lineal que consiste en un modelo asociativo
distribuido basado en el principio de Hebb (las conexiones son reforzadas cada vez que
son activadas las neuronas). Una versin extendida de este modelo lineal es el llamado
n modelo Brain-State-in- a Box (BSB).

Teuvo Kohonen, de la Universidad de Helsinki, es uno de los mayores impulsores de la
computacin neuronal de la dcada de los 70. De su trabajo de investigacin destacan
dos aportaciones: la primera es la descripcin y anlisis de una clase grande de reglas
adaptativas, reglas en las que las conexiones ponderadas se modifican de una forma
dependiente de los valores anteriores y posteriores de las sinapsis. Y la segunda
aportacin es el principio de aprendizaje competitivo en el que los elementos compiten
por responder a un estmulo de entrada, y el ganador se adapta l mismo para
responder con mayor efecto al estmulo.

Otro investigador que continu con su trabajo de investigacin en el mundo de la
computacin neuronal a pesar del mal presagio que indicaron Minsky y Papert fue
Stephen Grossberg. Grossberg estaba especialmente interesado en la utilizacin de
datos de la neurologa para construir modelos de computacin neuronal. La mayora
de sus reglas y postulados derivaron de estudios fisiolgicos. Su trabajo ha constituido
un gran impulso en la investigacin del diseo y construccin de modelos neuronales.
Una de estas clases de redes es la Adaptive Resonance Theory (ART).






Aplicacin de las redes neuronales artificiales.

Las caractersticas especiales de los sistemas de computacin neuronal permiten que
sea utilizada esta nueva tcnica de clculo en una extensa variedad de aplicaciones.
La computacin neuronal provee un acercamiento mayor al reconocimiento y
percepcin humana que los mtodos tradicionales de clculo. Las redes neuronales
artificiales presentan resultados razonables en aplicaciones donde las entradas
presentan ruido o las entradas estn incompletas. Algunas de las reas de aplicacin
de las ANN son las siguientes:
Anlisis y Procesado de seales
Reconocimiento de Imgenes
Control de Procesos
Filtrado de ruido
Robtica Procesado del Lenguaje
Diagnsticos mdicos Otros

Investigacin de hoy en da.
Existen muchos grupos con sede en diferentes universidades de todo el mundo que
estn realizando trabajos de investigacin en el rea de las redes neuronales
artificiales. Cada grupo tiene diferente nfasis y motivacin con los neurlogos,
psiclogos del conocimiento, fsicos, programadores y matemticos. Todos ellos
ofrecen nuevos puntos de vista e intuiciones en esta rea de la tcnica. Grossberg





continua trabajando en compaa de Carpenter en la Universidad de Boston, mientras
Teuvo Kohonen est en la Universidad de Helsinki. Uno de los mayores

Grupos de investigacin de los ltimos aos ha sido el grupo PDP (Parallel Distributed
Processing) formado por Rumelhart, McClelland y Hinton. Rumelhart de la Universidad
de Stanford es uno de los principales impulsores de la red ms utilizada en la mayora
de las aplicaciones actuales, la famosa red neuronal Backpropagation. En la
Universidad de Carnegie-Mellon, el grupo de investigacin a la cabeza con McClelland
destaca por el estudio de las posibles aplicaciones de la Backpropagation. Y en la
Universidad de Toronto, Hinton y Sejnowski han desarrollado una mquina llamada
Boltzman que consiste en la red de Hopfield con dos modificaciones significativas.

Bart Kosko ha diseado una red llamada BAM (Bidirectional Associate Memory) basado
en la red de Grossberg. Por ltimo indicar la existencia de grandes grupos de
investigacin como los de California Institute of Technology, Massachussets Institute of
Technology, University of California Berkeley y University of California San Diego.
Conviene no olvidar el esfuerzo econmico y tcnico que estn realizando las
empresas privadas tanto en USA como en Japn y en la Comunidad Econmica
Europea. Como botn de muestra de las inversiones en estos pases baste conocer
que slo en USA se gasta ms de 100 millones de dlares al ao.






3. Cul es su percepcin con respecto al tema? Justifique su respuesta. Dar 2
ejemplos de sistemas que demuestren esta teora, puede incluir videos, publicaciones,
artculos, entre otros.

Cuando investigue acerca Watson, me sorprend ya que en mi calidad de estudiante no
haba tenido la oportunidad de conocer este tema a profundo y es muy interesante ver
como cada dia vamos haciendo un mundo ciberntico, comprend que Watson un
complejo sistema operativo desarrollado durante cuatro aos por IBM sali triunfante
de su duelo contra el cerebro humano en el programa de televisin jeopardy.
Un computador el cual ha roto mitos y ha destronado a los humanos tras un concurso
emocionante, consigui reconocimiento despus de ganar jeopardy (el popular trivial)
programa de televisin. Esta mquina ha logrado vencer a los humanos esto lo logro
por medio de comprender las preguntas desde las ms simples, Watson a rebuscado
juego de palabras.

Y lo que es ms un interesante es el avance que tendr al implementar nuevas
aplicaciones que permitan no solamente ser basado en lgica precisa o resolver
preguntas por medio de juegos de palabras si no ms all de eso solucionar
problemas humanos, y ser til para los negocios su aplicacin puede ser para campos
como la medicina, ingeniera entre otros. Lo que se logr con Watson traspasa un
umbral nunca alcanzado por los expertos en robtica; hacer que una maquina asocie,
deduzca e interprete dobles sentidos y juegos de palabras como lo hara un humano.






Ejemplo1:

Una pareja acude a un centro de atencin sanitaria con el fin de iniciar un tratamiento
de fertilidad asistida, puesto que desean tener hijos, pero en este caso el esposo, sufre
de infertilidad, producto de un exceso de consumo de anablicos durante un tiempo. Es
una pareja que lleva intentando durante 3 aos, tener familia.

Cmo debera actuar en este caso el profesional de enfermera?

Segn la teora de Watson:
El enfermero(a) debe observar el contexto, el entorno del usuario, no debe centrarse
solo en el paciente. Debe intervenir a los usuarios, sus familias, amigos, etc.

Tambin debe ser emptico(a); ponerse en el lugar de ellos.
El profesional de enfermera debe evaluar todo un conjunto, debe guiarlos para que
logren un bienestar y equilibrio de mente, cuerpo, y alma. Por ejemplo informarle sobre
los mtodos de planificacin familiar y tipos de fertilidad asistida, ensearle que el
esposo en este caso, no se sienta culpable y menos hombre por el hecho de ser infrtil;
esto, trabajando su autoestima y lo que piensa su esposa.

Guiar que su entorno no lo hagan sentir mal, sino ms bien lo apoyen. Observar si es
que estn todas las condiciones para un tratamiento efectivo, promover el autocuidado
y bienestar de esta pareja






La enfermera debe ponerse en el lugar, por ejemplo que es lo que ella esperara de un
profesional sanitario si fuese ella quien estuviese en la situacin, para as proporcionar
de mejor manera sus tcnicas y conocimientos de enfermera, desarrollando una
relacin de ayuda y confianza. Velando de esta manera por lo fundamental segn
Watson, que es el cuidado del paciente tanto en los aspectos emocionales, fsicos,
psicolgicos y sociales.

El profesional de enfermera debe lograr con esta intervencin, la cercana con los
usuarios, proporcionarles toda la informacin necesaria Al final, el objetivo ms all de
que resulte el tratamiento, es lograr un equilibrio emocional, fsico y social, en este caso
de la pareja.


Ejemplo 2:

Watson demostr el condicionamiento clsico con un experimento en el que particip
un nio de algunos meses de nacido (de nombre Albert) y una rata blanca. El
experimento consista en acercar la rata a Albert para que la tocara, al principio Albert
no mostraba temor por el pequeo animal, pero al comenzar a hacer, de repente un
fuerte ruido cada vez que Albert tocaba la rata, al poco tiempo Albert comenz a
mostrar temor por la rata an sin hacer el ruido (debido al condicionamiento). Este
miedo se generaliz para otros animales pequeos.





Watson despus "extingui" el miedo presentando la rata al nio en repetidas
ocasiones sin hacer el ruido. Algunos hechos del estudio sugieren que el
condicionamiento al miedo fue ms poderoso y permanente que el realmente
observado

Ejemplo 3:
estimulo------ manzana

respuesta---- comer la manzana

esto hace referencia a tu pregunta aunque faltaria todavia una variable si fuera el caso
de que estes trabajando con ACA (analsiis conductual aplicado)

quedaria asi:

estimulo------ manzana

respuesta------comer manzana

consecuencia------ saciedad o satisfaccion

esto es a lo que en psicologa llamamos el A-B-C (antecedent- behavior- consequence)
de la conducta.





KERWIN TORRES CASTILLO
Lnea de Tiempo.
http://timerime.com/es/linea_de_tiempo/3495705/HISTORIA+Y+EVOLUCION+DE+LA+I
A/



Presentacin Tema Sistemas Expertos
http://prezi.com/vnh000jc6wdo/?utm_campaign=share&utm_medium=copy&rc=ex0shar
e







Reflexin.
Los avances realizados en el campo de la Inteligencia Artificial nos permiten ver hoy
mucho mas cerca una interaccin hombre maquina mas parecida a nuestra interaccin
entre humanos; lo que durante mucho tiempo solo era una fantasa, producto de la
ciencia ficcin que el cine nos mostr, hoy ya est en el plano real. Hoy podemos ver
computadoras tomando decisiones, resolviendo problemas, controlando otras
maquinas, actuando como operarios, en fin las tenemos controlando gran parte de
actividades que a diario realizamos o con las que interactuamos.





Se dice que muy pronto podremos encontrar sistemas expertos autnomos
funcionando en nuestras empresas, hospitales, capaces de realizar diagnsticos a
pacientes e incluso recetar un medicamento.
Pes a todos los avances que la tecnologa pueda hacer en este tema, hay algo que
las computadoras nunca podran imitar y es la capacidad que tiene el ser humano de
sentir, los sentimientos humanos son algo muy complejo que ninguna maquina ser
capaz de reproducir. El Hombre es Imprescindible.
Algunos ejemplos de Computadoras realizando actividades humanas se pueden
evidenciar en los Aeropuertos, donde son las computadoras las encargadas de realizar
la programacin de vuelos y darlos a conocer, realizando todo esto de forma autnoma,
pero coordinados por humanos.
Otro caso es la Bolsa de Valores, donde ya no se ve el alboroto de los corredores de
bolsa, sino que son computadoras las encargadas de comprar y vender, siempre bajo
parmetros fijados con anterioridad.

Pero incluso Supercomputadoras como la IBM Watson que actualmente es la mas
cercana a simular la inteligencia Humana, necesita del hombre para funcionar, detrs
de Watson hay cerca de 60 investigadores, doctores y Phd en investigacin, tecnologa
y sistemas, que han realizado su programacin y alimentado su gran base de datos,
para que hoy pueda mostrarse como el gran avance de la Inteligencia Artificial que
representa, siendo capaz de resolver casi cualquier pregunta ms rpida que cualquier
humano.






SANTIAGO ALEJANDRO FRANCO GONZLEZ
Lnea de tiempo.
http://timerime.com/index.php?crypt=YWE2MzM5Zjg1OGQ2ODYxNGQ3YzA3NzU2ND
g3NWFjYzRkYWQ0MmFiZjdjYzRmMjg3OGQ1Y2IxZmU5M2M1ODEzOTExYjk2ZjFkYj
NjYmVhMmM1MTFiYTM4Y2E3NDgwY2I5N2EwZGM2YzU5NTg4Yjk0MTVhZGNjMTk5
Njg3MmQ5NTg=

Presentacin Tema Procesamiento de Lenguas Naturales.
http://prezi.com/bmyzhc1eblsb/?utm_campaign=share&utm_medium=copy

Reflexin.
Los computadores y las maquinas as como son hechas por el hombre con el
conocimiento del hombre y con la naturaleza del hombre, tienden a hacer cosas que las
personas creen que no es posible con esto existen algunas mquinas que apoyan la
teora que se implanta anteriormente como la Deep blue una mquina que con una
inteligencia artificial que con los movimientos que realizaba el oponente y la estrategia
que implantaba logro derrotar Gari Kasparov el actual campen de ajedrez de esa
poca, esta mquina a raz de todos los movimiento de Gari logro Tomar decisiones
para al fin en este juego lograr un jaque mate para finalizar el oponente, otro ejemplo
de inteligencia artificial capaz de tomar decisiones es la inteligencia de los videojuegos,
esta inteligencia es capaz de tomar decisiones para decidir si ayudar a un aliado o
realizar un objetivo de misin actual esto demuestra que si es capaz de tomar
decisiones los sistemas que poseen inteligencia artificial.





ACTIVIDADES GRUPALES

1. Los integrantes del grupo definen con sus palabras que es un Agente Inteligente
y llegan a una conclusin, investigan qu caractersticas tiene, y que pasos se d
eben tener en cuenta para crearlo?.

Bueno cuando hablamos de los agentes inteligentes, es una entidad autnoma
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.

Por ende nos permite ahorrar tiempo en los procedimientos que generalmente
debe hacerse, tambin cuenta con la posibilidad de vigilar archivos, pginas
web, bases de datos, foros, que se encuentren en internet;


2. Los integrantes del grupo realizan un ejemplo de PAMA, con su respectiva explic
acin. (Debe ser de su autora)

Ejemplo de PAMA 1

Sistema de diagnstico mdico.






Percepciones -> Sntomas, evidencia y respuesta del paciente.
Acciones -> Preguntas, pruebas, tratamiento.
Metas -> Paciente saludable, reduccin al mnimo de costos.
Ambiente -> Paciente, Hospital.

Ejemplo de PAMA 2

Sistema de Pre planeacin de Estructuras

Percepciones -> Costo, Estructuras, Materiales
Acciones -> Compras, Administracin de planos,
Metas -> Construccin satisfactoria, reduccin al mnimo de costos.
Ambiente -> Constructor, sitio de construccin, Arquitecto


COMPLEJIDAD DE LOS PROBLEMAS

1. Expliquen la definicin formal de un problema

El primer paso para disear un programa que resuelva un problema es crear una
descripcin formal y manejable del propio problema. Sera adecuado contar con
programas que produzcan descripciones formales a partir de descripciones informales,





proceso denominado operacionalizacin. Dado que por ahora no se conoce la forma de
construir estos programas este proceso debe hacerse manualmente.
Hay problemas que por ser artificiales y estructurados son fciles de especificar (por ej.
el ajedrez, el problema de las jarras de agua, etc.). Otros problemas naturales, como
por ej. La comprensin del lenguaje, no son tan sencillos de especificar.
Para producir una especificacin formal de un problema se deben definir:
espacio de estados vlidos;
estado inicial del problema;
estado objetivo o final;
reglas que se pueden aplicar para pasar de un estado a otro.

Las reglas describen las acciones u operadores que posibilitan un pasaje de estados.
Una regla tiene una parte izquierda y una parte derecha. La parte izquierda determina
la aplicabilidad de la regla, es decir, describe los estados a los que puede aplicarse la
regla. La parte derecha describe la operacin que se lleva a cabo si se aplica la regla,
es decir, como obtener el estado sucesor
Por ejemplo, en el problema de jugar al ajedrez:

El espacio de estados son la totalidad de tableros que se puede generar en un
juego de ajedrez;
El estado inicial es el tablero de 8 x 8 donde cada celda contiene un smbolo de
acuerdo a las piezas situadas;






El objetivo o estado final se define como cualquier posicin de tablero en la que el
contrario no puede realizar ningn movimiento legal y su rey est amenzado;

Las reglas son los movimientos legales, que pueden describirse mediante una parte
patrn para ser contrastado con la posicin actual de tablero y otra parte que describe
el cambio que debe producirse en el tablero.

1. Mediante una presentacin explique en qu consiste y de ejemplos de las clases
P, NP y NP completo, los ejemplos deben ser de su autora.

Clase P: contiene aquellos problemas de decisin que pueden ser resueltos en tiempo
polinomico por una MT determinista, esto es, aquellas en las que para cada par estado
y smbolo exista a lo sumo una posibilidad de ejecucin. Los problemas de complejidad
polinomica son tratables, es decir, en la prctica se pueden resolver en un tiempo
razonable.

Clase NP: es aquella cuyos problemas son verificables en tiempo polinomial. Lo que se
quiere decir es que si se tuviera alguna clase de certificado de una solucin,
entonces, es posible verificar en tiempo polinomial que el certificado es correcto,
respecto al tamao de la entrada.

NP-Completos: Se compone de todos los problemas que son tan fciles (o difciles)
como todos los dems que pertenecen a esta misma clase. Si es posible solucionar





algn problema que sea NPC en tiempo polinomial, entonces se podr solucionar
cualquier otro problema de esta clase en tiempo polinomial.


2. Seale y explique 3 problemas NP. Por qu se consideran problemas NP?

Ejemplo 1:

Bin Packing, que consiste en dada una secuencia de nmeros, empaquetarlos en el
mnimo nmero de latas posible, teniendo en cuenta que cada lata tiene capacidad M y
la suma de los nmeros introducidos en la lata no puede exceder el Valor M.


Ejemplo 2

Problemas de satisfactibilidad (SAT) de los que hablaremos a continuacin es un
problema de lgica matemtica y la teora de la computacin.


La satisfactibilidad proposicional es el problema de decidir si existe una asignacin
de 0s y 1s a los tomos de una formula proposicional que la hacen Verdadera.






Se puede asumir que las instancias SAT estn expresadas en FNC sin prdida de
generalidad. Ejemplo: La asignacin de valores de verdad que satisfacen la frmula
(P Q) (Q R) ( R P) es P = Q = 1 y R = 0, por lo que la frmula es
satisfactible.

Ejemplo 3

En el mapa tienes marcado n lugares diferentes de la ciudad y quieres saber si existe
un camino que pase por todos esos lugares exactamente una vez (sin repeticin)Este
problema es muy fcil de comprobar, si yo te propongo una solucin tu rpidamente
puedes comprobar en tan solo O(n) operaciones que el camino que yo propuse
efectivamente pasa una sola vez por los n sitios. A pesar de que es fcil de comprobar,
nadie sabe cmo resolverlo fcilmente. Todos los algoritmos que se han descubierto
para este problema no son esencialmente mejores que una bsqueda por fuerza bruta
(pero nadie ha comprobado que no exista un algoritmo polinomial para resolverlo). Este
problema se conoce como el problema de Camino Hamiltoniano















ACTIVIDAD PRACTICA 1







GRUPO: 90169_27


TUTORA:
ANGELA MARIA GONZALEZ





INTRODUCCIN









La inteligencia artificial es un campo de estudio donde convergen muchas reas como
la computacin, fsica, matemticas, psicologa, sociologa, lingstica, biologa, las
cuales en un ambiente tradicional no tendran puntos en comn, ni enfoques tericos
en discusin. Actualmente la inteligencia artificial no es un rea exclusiva para la
computacin o la electrnica, o est enfocada en la robtica, ya se habla de sistemas
expertos, autmatas celulares, computacin cuntica, agentes autnomos inteligentes
y una infinidad de conceptos aplicados a producir soluciones de hardware y de
software, teniendo este ltimo una ventaja considerable ya que ha permitido crear una
gran cantidad de agentes, aplicaciones y entornos que simulan a los reales.

En cuanto a la Universidad Nacional Abierta y a Distancia UNAD , como institucin
oficial de educacin superior y a distancia, actualmente desarrolla procesos formativos
mediante el uso de una plataforma educativa en lnea y un Campus Virtual donde bajo
la modalidad de la mediacin virtual se realizan una multiplicidad de actividades
acadmicas y servicios que convergen en un mismo sistema de informacin y un
mismo ambiente o plataforma tecnolgica; uno de estos servicios es Registro y Control
Acadmico, mediante el cual, los estudiantes pueden realizar todos los procesos de
inscripcin y matricula totalmente en lnea, dentro de los cuales se encuentra la
escogencia de los cursos y crditos acadmicos a matricular durante el periodo.
Teniendo en cuenta esta actividad tan importante dentro del proceso formativo del
estudiante y sumado el hecho, de que en muchas ocasiones el estudiante, no sabe que





cursos matricular, tiene dudas al respecto, matricula cursos vistos u homologados o
tiene dificultades para acercarse al CEA ms cercano; la universidad desea desarrollar
un sistema inteligente capaz de ayudar a los estudiantes, resolviendo esta
problemtica, siendo capaz de recomendar o proponer un conjunto de asignaturas a
matricular.

En el presente trabajo se busca resolver la problemtica planteada, mediante una
propuesta de diseo de un agente inteligente, con las caractersticas necesarias para
la solucin del problema.






























DISEO DEL AGENTE INTELIGENTE




1. PROCESO DE DEFINICIN DEL PROBLEMA DEL AGENTE INTELIGENTE.

1.1. Identificacin del problema.

La UNAD desea desarrollar un sistema de recomendacin capaz de proponer un
conjunto de asignaturas de las que matricularse, que se ajuste a las preferencias del
estudiante, su historial acadmico y sus restricciones (horarias, de perfil profesional, de
dedicacin, entre otras) La UNAD mediante su sistema de registro y control cuenta con
el expediente acadmico de cada estudiante, adems se guarda todo el registro de
cada una de las actividades realizadas por el estudiante, como por ejemplo de un
examen se guarda los datos de la asignatura, el semestre, la fecha, el horario en el que
se realiz y su calificacin.

Cada asignatura tiene su nmero de crditos acadmicos, su tipo de curso, si es
terico, metodolgico y la carga de horas total de trabajo por cada uno de estos
conceptos. Tambin se tiene si es obligatoria, optativa o de libre eleccin, el rea de
formacin en el que est ubicada en el plan de estudios, sus prerrequisitos, los temas
en los que puede ubicarse, si es presencial o virtual. Como informacin adicional se
tiene tambin el nmero de personas matriculadas el semestre anterior y el porcentaje
de aprobados.






Los temas estn clasificados segn si son generales (programacin, ingeniera de
software, bases de datos, redes, arquitectura de computadores, matemticas, fsica,
etc.), especializados (lenguajes de programacin, inteligencia artificial, clculo
numrico, investigacin de operaciones, tratamiento de datos, geometra
computacional, lgica, etc.) o no informticos (Proyecto pedaggico Unadista, cultura
poltica, metodologa de la investigacin, etc.). Para cada tema especializado se sabe
que otros temas le son a afines, por ejemplo, la gente interesada en inteligencia
artificial puede interesarse por el tratamiento de datos o la lgica, o la gente interesada
en los grficos puede interesarle la geometra computacional.

Se dispone tambin de los perfiles profesionales definidos por la facultad y los temas
especializados que estn incluidos en cada uno.

Los estudiantes pueden indicar algunas de una serie de restricciones como son el
nmero mximo de asignaturas a matricularse, nmero mximo de horas de dedicacin
esperadas, nmero mximo de horas de dedicacin a prcticas de laboratorio
aceptable, sistema del curso (indiferente, tradicional o virtual), temas especializados en
los que puede estar interesado, inters por completar un perfil, dificultad global
aceptable de las asignaturas (todas fciles, todas difciles, equilibrado).

Como el alumno no tiene por qu introducir todas estas restricciones, se pueden
complementar/obtener mediante un proceso de anlisis y razonamiento sobre el
expediente del alumno (nmero de asignaturas matriculadas por curso, temas de las





asignaturas cursadas, cumplimiento de perfiles, xito en las asignaturas segn su
dificultad, entre otras), la normativa acadmica de la facultad (nmero mximo de
asignaturas/crditos que pueden matricularse, etc.), recomendaciones de sentido
comn en este dominio (cubrir el perfil ms completo, no matricular muchas
asignaturas de proyecto o de componentes prcticos, tener el mismo sistema
(Tradicional o virtual) que el semestre pasado, entre otras).

El sistema debe generar varias recomendaciones de matrcula cada una con un
conjunto de propuestas de asignatura. Estas deben respetar las restricciones indicadas
por el alumno y las que haya obtenido el sistema del anlisis de su expediente.


1.2. Anlisis del Problema.

La problemtica planteada radica en la dificultad que presentan los estudiantes AVA al
momento de seleccionar los cursos a matricular para un determinado periodo
acadmico y los inconvenientes que este pueda presentar para desplazarse hasta uno
de los centros de la UNAD, en busca de una asesora para realizar este proceso. La
implementacin de un agente inteligente permitir al estudiante hacer una seleccin
adecuada de los cursos a matricular, de acuerdo al listado sugerido por el sistema,
basado en la informacin acadmica, homologaciones, historial acadmico, entre otras.







1.3. Construccin del Modelo conceptual de La situacin.











2. ADQUISICIN Y REPRESENTACIN DEL CONOCIMIENTO.

2.1. ADQUISICIN DEL CONOCIMIENTO.

TIPO DE AGENTE PERCEPCIONES ACCIONES METAS AMBIENTE
Sistema de
Recomendacin de
asignaturas UNAD
Historial acadmico.
Programa
Acadmico.
Listado de Cursos
del Programa.
Listado de Temas
Especializados.
Perfil Profesional
del Estudiante.
Dedicacin del
Estudiante.
Buscar,
comparar,
recibir,
Identificar,
analizar
Informacin y
entregar
sugerencias.
Seleccin
correcta de
Cursos.
Ambiente
Virtual
Web.


TIPO DE AGENTE

El agente propuesto, corresponde al tipo de agente de recomendacin, el cual basado
en la informacin acadmica de cada estudiante, proporcionar al estudiante tres
listados sugeridos de posibles cursos a matricular para cada periodo acadmico.

2.1.1. Percepciones

El agente recibe dos percepciones en cada sesin, una sonora y una lgica.
La percepcin sonora est dada por la interaccin que el agente hace con el
usuario, utilizando audio respuesta, mediante un listado de palabras claves, posibles





preguntas y respuestas frecuentes, previamente programadas, que guiaran al
estudiante durante su ingreso al sistema.
La percepcin lgica est dada por el sistema de filtros y bsqueda diseado
para que el agente pueda acceder al sistema y consultar toda la informacin acadmica
del estudiante, programas de la universidad, perfil del estudiante, etc, determinando
as, de acuerdos a unos parmetros preestablecidos y otros solicitados al estudiante,
los listados sugeridos de los posibles cursos a matricular en el periodo acadmico.

2.1.2. Acciones.

El agente puede emitir cadenas de palabras, y formular interrogantes de
manera audible.
El agente puede recibir respuestas de manera sonora, a travs de micrfono.
El agente puede emitir cadenas de palabras, y formular interrogantes en
pantalla.
El agente puede recibir respuestas a travs de teclado.
El agente est en capacidad de acceder a la base de datos de Registro y Control
de la universidad, a fin de consultar la informacin acadmica de cada
estudiante.
El agente est en capacidad de proporcionar al estudiante tres listados
sugeridos de posibles cursos a matricular, de los cuales el estudiante puede
seleccionar el que ms le convenga.





El agente est en capacidad de informar al estudiante cualquier inconveniente
existente que le impida realizar su seleccin de cursos para el periodo
acadmico.

2.1.3. Meta

La meta del agente es recomendar al estudiante tres posibles listados de cursos
a matricular en un periodo acadmico.


2.2. REPRESENTACION DEL CONOCIMIENTO.

2.2.1. Anlisis del conocimiento adquirido.

El desarrollo de un sistema de recomendacin capaz de proponer un conjunto de
asignaturas a matricular para cada estudiante, es una meta de la UNAD, este sistema
estar desarrollado, teniendo en cuenta sus preferencias, perfil, programa, restricciones
e historial acadmico. Al momento de matricular sus cursos, un estudiante de la UNAD
puede presentar algunas dificultades como no saber que cursos matricular, o elegir
ms cursos electivos que obligatorios, o puede incurrir en errores como matricular
cursos homologados o algunos cursos innecesarios; estas situaciones estn previstas
en el sistema inteligente propuesto, ya que mediante la ejecucin de varias consultas
en diferentes tablas, el sistema tendr acceso a toda informacin acadmica del





estudiante de modo que pueda escoger aquellos cursos no cursados e incluirlos en
varias listas sugeridas, que sern presentada como opciones a escoger por el
estudiante para efectuar su inscripcin.


2.2.2. Seleccin del esquema de representacin.

Utilizaremos el esquema de representacin de Redes Semnticas, para la
representacin del conocimiento.


2.2.3. Representacin del conocimiento.











ESTUDIANTE
SELECCIN
DE CURSOS
PROGRAMA
ACADEMICO
PERFIL DEL
ESTUDIANTE
PENSUM
PROGRAMA
HISTORIAL
ACADEMICO
LISTADO DE
CURSOS
SUGERIDOS





3. DISEO DEL AGENTE

El objetivo principal es el diseo de un agente inteligente que mediante una interfaz
conversacional similar a la humana, permita que los estudiantes de la UNAD, puedan
realizar una seleccin eficiente de los cursos a matricular teniendo en cuenta las
recomendaciones hechas por el sistema; esto ser posible mediante una interfaz que
permita preguntas de los usuarios en lenguaje natural acerca de los contenidos y que
tambin responda a estas preguntas en lenguaje natural.

El estudiante una vez ingrese al sistema mediante el usuario y contrasea del campus
virtual, tendr la opcin de utilizar el agente inteligente diseado, a fin de que este
pueda recomendar varios listados de cursos a matricular durante el periodo acadmico
que inicia. La informacin requerida es difcil de manejar, as que para lograr esto, se
asignan coeficientes a todas las palabras que puedan ofrecer algn tipo de informacin,
adems de tener que ser aadidas a una base de datos, se trabajar con un banco de
preguntas - respuestas como una relacin de las preguntas ms frecuentes y que
ofrece la ventaja de una mayor manejabilidad, las preguntas estn organizadas de
manera jerrquica, organizadas en grupos. El primer paso consiste en distinguir las
denominadas palabras clave en la consulta del usuario, estas palabras son
consultadas por el sistema en una base de datos que contiene las palabras o frases
que estn relacionadas de alguna manera con la seleccin de cursos que el estudiante
necesita realizar.






Las palabras y frases clave son asignadas a cada posible respuesta con el fin de ser
identificadas rpidamente; estas palabras se eligen entre aquellas que puedan
aparecer en una posible consulta del usuario. Todo el conjunto del conocimiento est
agrupado en niveles jerrquicos, la pertenencia de estas palabras a cada uno de estos
niveles se determina por medio de una serie de coeficientes numricos que indican
cual es la palabra o frase considerada y su respuesta probable. El xito del mtodo
propuesto depende en gran medida de una correcta asignacin de los coeficientes de
las palabras clave. El proceso consta de 3 etapas:
1.- Eleccin de las palabras clave.
2.- Asignacin de coeficientes a las palabras clave elegidas.
3.- Modificacin de los valores de los ndices para conseguir las certezas mnimas
deseadas.
Eleccin de palabras clave. Para cada elemento a determinar, se enuncia una pregunta
en lenguaje natural cuya respuesta identifique dicho elemento. A esta pregunta se le
denomina pregunta-tipo. Para cada una de estas preguntas-tipo se eligen las palabras
clave siendo stas las que servirn para establecer la correlacin entre la consulta del
usuario y la pregunta-tipo, y por tanto, para sealar el elemento buscado como
respuesta.
Asignacin de coeficientes a las palabras clave elegidas. Los coeficientes indican el
grado de relacin de la palabra clave con la respuesta (elemento a identificar). Hay que
asignar a cada palabra un coeficiente por cada nivel del conjunto del conocimiento (por
ejemplo, una base de datos). Para ello se utilizar un diseo bottom-up empezando por





asignar los coeficientes desde el nivel ms bajo (el ms prximo al elemento a buscar)
siguiendo hacia niveles superiores.

Modificacin de los ndices inicialmente asignados. Una vez asignados los coeficientes
en los vectores de peso, se realizan pruebas de reconocimiento de preguntas-tipo,
consistente en introducir como consulta de usuario cada una de las preguntas-tipo
definidas. El fin de estas pruebas es modificar los coeficientes para obtener mejores
resultados.

Los modelos que se tuvieron en cuenta, como punto de partida para el desarrollo del
agente inteligente propuesto son SIRI de Apple, presente en sus dispositivos mviles y
los asistentes virtuales NINA, desarrollados por NUANCE, ambos modelos utilizan una
interfaz conversacional con sus usuarios, lo que nos desafa a construir un modelo con
caractersticas similares, para esto se emplearan lenguajes de programacin de alto
nivel como son PHP, JAVA y XML.













CONCLUSIONES

La de la Inteligencia Artificial es una de las reas que causa ms expectativa hoy en
da, el desarrollo de sistemas autnomos similares a los humanos, es uno de las metas
del hombre desde hace mucho tiempo.

La IA permite que un sistema pueda mejorar su comportamiento sobre la base de la
experiencia y que adems, tenga una nocin de lo que es un error y que pueda evitarlo,
interactuando con su entorno e incluso aprendiendo de el.

Un agente percibe y acta en un cierto ambiente, posee una dada arquitectura y est
implementado a travs de un programa de agente.

Un agente debe incorporar mucho conocimiento si pretende manipular problemas que
no sean triviales, pero conforme crece la cantidad de conocimiento, se va haciendo
ms difcil llegar a las cosas cuando se las necesita.












BIBLIOGRAFIA

David Arroyo Menndez., (2012). Aplicaciones Prcticas de Inteligencia Artificial.,
(Captulo 1, 3, 5, 7, 8 y 9), Extrado el 20 de Marzo de 2014 de:
http://www.davidam.com/docu/aplic-ia/index.html

Menndez, R., Barzanallana A., Universidad de Murcia. (2013)., Inteligencia Artificial
(Captulo 8). Extrado el 20 de Marzo de 2014 de:
http://www.um.es/docencia/barzana/IATS/IATS3-Inteligencia-artificial.html

Adrin Guerra Marrero., (2013), Razn Artificial - Inteligencia Artificial., Extrado el 20
de Marzo de 2014 de: http://razonartificial.com/inteligencia-artificial/

Turing A., Maquinaria computadora e inteligencia., Extrado el 20 de Marzo de 2014 de:
http://www.etnassoft.com/biblioteca/maquinaria-computadora-e-inteligencia/

Quiroga Edgar., Arroyave Jhon., (2008), Mdulo- Inteligencia Artificial., Extrado el 20
de Marzo de 2014 de:
http://datateca.unad.edu.co/contenidos/90169/90169_exe/index.html. Capitulo (1).