Captulo 1

Introduccin a la inteligencia artificial

Objetivo
El alumno podr justificar por qu estudiar, y explicar cules son los campos de la Inteligencia
Artificial (1766)

Introduccin
Qu es la inteligencia? (http://bit.ly/75jhjs). Del latn intellegenta, es la capacidad de
entender, asimilar, elaborar informacin y utilizarla para resolver problemas. Sin embargo, no
parece existir total acuerdo para definirla (http://bit.ly/3FvhR7). En 1983, Howard Gardner
(http://bit.ly/caGRo6) hizo notar que no existe algo que pueda definirse como la inteligencia, sino que existen diversos tipos de inteligencias (http://bit.ly/6zexry). Una persona puede,
por ejemplo, ser una campen de ajedrez, un gran cientfico o un poeta extraordinario y, al mismo
tiempo ser un inepto para otras actividades. Adems, Gardner dice que hay personas que tienen
inteligencia individual, mientras que otras poseen capacidades afectivas que les permiten funcionar
mejor en una comunidad: inteligencia colectiva. Existen diversas formas de medir la inteligencia
como el examen de IQ (http://bit.ly/mSiVMi), aunque hay un programa que obtiene el puntaje
(http://bit.ly/WpCx8o) de genios histricos (http://bit.ly/124R3DE).
La Inteligencia Artificial (IA) es la inteligencia de las mquinas y la rama de la ciencia computacional que busca los medios para dotar a los sistemas informticos de dicha inteligencia. El
objetivo de la IA es crear una mquina pensante que sea inteligente, tenga consciencia, capacidad
de aprender, libre albedro y que sea tica. La IA es una campo joven, el trmino fue acuado por
John McCarthy (http://bit.ly/b9ArwT) en 1956. Ya antes Alan Turing (http://bit.ly/Hl8F) haba
diseado el Test de Turing (http://bit.ly/xVoh6) como una forma de probar el comportamiento
inteligente de una mquina (http://bit.ly/dVyfm9).
Existen profundos problemas filosficos en IA y algunos investigadores creen que sus objetivos son imposibles o incoherentes. Esta visin es compartida entre otros por Hubert Dreyfus
(http://bit.ly/OMWYce) y John Searle (http://bit.ly/fdCL2M). An si la IA es posible, existen
consideraciones morales que deben tomarse en cuenta como la explotacin de las mquinas por el
hombre y si esto es o no tico. Joseph Weizenbaum (http://bit.ly/NO1er)1 argument que la IA
no es tica.
1
Weizenbaum fue un psiclogo inventor de ELIZA (http://bit.ly/ThrCF), este programa simulaba un psiclogo
en dilogo con un paciente. Inicialmente tena una postura a favor de la IA, pero posteriormente fue un crtico de

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Tarea:
} Leer el artculo Computing machinery and intelligence (http://bit.ly/dVyfm9) de Alan
Turing y dar una opinin corta (media cuartilla por cada integrante); despus elegir alguna
de las visiones opuestas y exponer (con argumentos) si ests o no de acuerdo con ella (media
cuartilla por cada integrante).
} Leer el artculo de divulgacin sobre IA en la revista Cmo ves? de la UNAM (http://bit.ly/1dbpJhH)
y dar una opinin corta (media cuartilla por cada integrante).
Programa 1: Desarrollar un programa que realice las siguientes operaciones de polinomios:
} Valor en un punto
} Suma
} Resta
} Multiplicacin
} Derivada
} Integral

1.1.

Facetas del comportamiento inteligente

La IA es emocionante, pero Qu es? Existen varias definiciones de IA, la tabla siguiente

muestra ocho diferentes en dos dimensiones. Las definiciones superiores se ocupan de procesos
mentales y razonamiento, mientras que las inferiores aluden al comportamiento. Las definiciones
de la izquierda miden el xito en trminos de fidelidad con el comportamiento humano, mientras
que las de la derecha se comparan contra una medida ideal de desempeo, llamada racionalidad.
Un sistema es racional si hace lo correcto, dado sus conocimiento.
sta.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Pensar humanamente
Pensar racionalmente
El emocionante esfuerzo para hacer que las
El estudio de facultades intelectuales
computadoras piensen ... mquinas con
mediante el uso de modelos computacionales
mente en sentido literal y completo
(Charniak and McDermott, 1985)
(Haugeland, 1985)
[La automatizacin de] actividades que
El estudio de los clculos (cmputos) que
asociamos con el pensamiento humano, tales hacen posible percibir, razonar y actuar
como toma de decisiones, resolucin de
(Winston, 1992)
problemas, aprendizaje ... (Hellman, 1978)
Actuar humanamente
Actuar racionalmente
El arte de crear mquinas que ejecutan
Inteligencia computacional es el estudio del
funciones que requieren inteligencia cuando
diseo de agentes inteligentes (Poole et at,
son relizadas por personas (Kurzweil, 1990) 1998)
El estudio de cmo hacer computadores que IA ... se refiere al comportamiento
realicen cosas en las que, por el momento, las inteligente en artefactos (Nilsson, 1998)
personas son mejores (Rich and Knight,
1991)
Histricamente los cuatro enfoques se han utilizado, cada uno por diferentes autores con diferentes mtodos. Un enfoque centrado en el humano es en parte una ciencia emprica que incluye
observaciones e hiptesis sobre el comportamiento humano. Un enfoque racionalista combina matemticas e ingeniera. Actualmente grupos de ambos enfoques trabajan en conjunto para lograr
mejores resultados.

1.1.1.

Actuar humanamente: El enfoque del Test de Turing

El Test de Turing propuesto en 1950 por Alan Turing, fue diseado para proveer una definicin
operacional satisfactoria de inteligencia. Una computadora pasa esta prueba si un interrogador
humano, despus de plantear varias preguntas por escrito, no puede decidir si las respuestas escritas
provienen de una persona o una computadora. Para que una computadora pase satisfactoriamente
esta prueba, es necesario realizar mucho trabajo, las capacidades necesarias son:
} Procesamiento natural del lenguaje para poder comunicarse fludamente
} Representacin del conocimiento para almacenar lo que sabe o aprende
} Razonamiento automtico para utilizar la informacin almacenada para contestar preguntas
y derivar conclusiones nuevas
} Aprendizaje de mquina (machine learning) para adaptar nuevas circunstancias, ascomo
detectar y extrapolar patrones

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Figura 1.1: Test de Turing

La prueba evita deliberadamente la interaccin fsica directa entre el interrogador y la computadora, porque la simulacin fsica de una persona no es necesaria para la inteligencia. Sin embargo,
el llamado Total Turing Test (http://bit.ly/124SHp2) incluye seal de video para que el interrogador pueda probar capacidades perceptivas, as como la oportunidad de entregar objetos fsicos
por una pequea compuerta. Para pasar el Total Turing Test, la computadora necesita adems:
} Visin por computadora para distinguir objetos
} Robtica para manipular objetos
Estas seis disciplinas componen gran parte de la IA y Turing merece el crdito por disear una
prueba que sigue siendo relevante 60 aos despus. Actualmente la IA dedica menos esfuerzo a
tratar de pasar la prueba de Turing con la idea de que es ms importante estudiar los principios
fundamentales de la inteligencia que tratar de duplicar una existente.

Figura 1.2: Test de Turing: http://xkcd.com/329/

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Figura 1.3: Completely Automated Public Turing test to tell Computers and Humans Apart:
http://bit.ly/YupSy

1.1.2.

Pensar humanamente: El enfoque del modelado cognitivo

Si se desea obtener un programa que piensa como un humano, primero es necesario determinar
la forma en la que los humanos pensamos: es necesario adentrarse en los procesos de la mente
humana. Existen tres formas de realizar esto:
1. Mediante introspeccin: tratando de captar nuestros pensamientos mientras suceden
2. Mediante experimentos psicolgicos: observando a una persona en accin
3. Mediante imgenes cerebrales: observando al cerebro en accin
Una vez que se tenga una teora de la mente suficientemente precisa, ser posible expresar esa
teora como un programa computacional. Si el comportamiento del programa corresponde con el
comportamiento humano, se tendr evidencia de que algunos de los mecanismos del programa
operan de la misma forma en los humanos. Por ejemplo, Allen Newell (http://bit.ly/124SPox)
y Herbert Simon (http://bit.ly/KGOu3J) quienes desarrollaron el General Problem Solver (GPS
http://bit.ly/WxTTSX), no estuvieron satisfechos por obtener un programa capaz de resolver
problemas correctamente. Les interesaba ms comparar los pasos de GPS con los que sigue un
humano al resolver los mismos problemas. El campo de la ciencia cognitiva combina modelos
computacionales de la IA y tcnicas experimentales de la psicologa para construir teoras precisas
y comprobables de la mente humana.
En los primeros aos de la IA exista gran confusin entre los enfoques: un autor argumentaba
que un algoritmo se desempea bien en una tarea y que, por tanto, es un buen modelo del comportamiento humano, o viceversa. En la actualidad estas afirmaciones se presentan por separado
y esta distincin ha permitido que tanto la IA como la ciencia cognitiva se hayan desarrollado
ms rpidamente.

1.1.3.

Pensar racionalmente: El enfoque de las leyes del pensamiento

El filsofo griego Aristteles fue uno de los primeros en intentar codificar el pensamiento
correcto, es decir, procesos de razonamiento irrefutables. Sus silogismos proveen patrones para
estructuras de argumentos que siempre lleven a conclusiones correctas cuando las premisas dadas

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

sean correctas. Por ejemplo: Scrates es un hombre; todos los hombres son mortales; por tanto,
Scrates es mortal. Supuestamente estas leyes del pensamiento deben gobernar la operacin de la
mente: sus estudios iniciaron el campo llamado lgica.
Los lgicos del siglo 19 desarrollaron notaciones precisas para declaraciones acerca de cualquier
tipo de objetos del mundo y las relaciones entre ellos, en contraste con la notacin aritmtica que
sirve slo para representar nmeros. En 1965 existan programas que, en principio, podran resolver
cualquier problema descrito en notacin lgica. La llamada tradicin lgica de la IA espera poder
construir sistemas inteligentes sobre esos programas.
Existen dos obstculos principales para este enfoque.
1. No es fcil tomar conocimiento informal y plasmarlo en trminos formales como lo requiere
la notacin lgica, especialmente cuando no se tiene el 100 % de la certeza del conocimiento
2. Existe gran diferencia entre resolver un problema en principio y resolverlo en la prctica
An problemas con slo unos cientos de hechos pueden agotar los recursos computacionales de
cualquier computadora, amenos que se tenga cierta gua sobre qu pasos del razonamiento tomar
primero. Si bien estos obstculos aplican a cualquier intento de construir sistemas de razonamiento
computacional, se encontraron primero en la tradicin lgica.

1.1.4.

Actuar racionalmente: El enfoque del agente racional

Un agente es algo que realiza acciones (del latn agere, hacer). Cualquier programa computacional hace algo, pero se espera que los agentes computacionales hagan ms: operar de forma
autnoma, percibir el entorno, seguir funcionando sobre periodos temporales prolongados, adaptarse al cambio as como crear y perseguir sus metas. Un agente racional es aquel que acta de
tal forma que obtiene la mejor salida o, cuando hay incertidumbre, le mejor salida esperada.
En este enfoque, el nfasis era en las inferencias correctas. Sin embargo, hacer inferencias
correctas es solo una parte de ser racional porque una forma de actuar racionalmente es razonar
lgicamente hacia la conclusin que tomando cierta accin alcanzar sus objetivos. Por otro lado
una inferencia correcta no es todo de la racionalidad; en ocasiones no existe la opcin correcta, pero
de cualquier forma debe hacerse algo. Tambin puede actuar racionalmente sin tener que realizar
una inferencia; por ejemplo, apartar la mano de una superficie caliente es un reflejo usualmente
ms exitoso que tomar una accin bien pensada.
El enfoque del agente racional tiene dos ventajas sobre otros enfoques.
1. Es ms general que el enfoque de las leyes del pensamiento porque una inferencia correcta
es solo uno de los muchos posibles mecanismos para ser racional
2. Es ms sencillo de utilizar en el desarrollo cientfico que los enfoques basados en el comportamiento o en el pensamiento humano. El estndar de racionalidad est matemticamente
bien definido.
Un punto importante que debe tomarse en cuenta: veremos que alcanzar la racionalidad perfecta,
es decir, siempre hacer lo correcto, no es factible en entornos complicados, la demanda computacional es demasiado grande. Sin embargo, suponer racionalidad perfecta de inicio simplifica
definir el problema y posteriormente se puede tomar el enfoque de racionalidad acotada: actuar
apropiadamente cuando no se tienen los recursos computacionales que se requieren.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

1.2.
1.2.1.

Formas de hacer inteligencia artificial

IA fuerte vs IA dbil

La conjetura sobre mquinas que pueden programarse para exhibir comportamiento inteligente se conoce como IA dbil y es ampliamente aceptada por la comunidad dedicada a IA. Sin
embargo, la conjetura sobre mquinas programadas para poseer inteligencia y tener consciencia,
conocida como IA fuerte, es muy debatida. Los opositores a la IA fuerte argumentan que una
mquina es intrnsecamente diferente a un humano y, por tanto, nunca podr tener sentimientos,
diferenciar el bien del mal o discernir sobre s misma, tal como lo hace un humano. Por el contrario,
sus partidarios sostienen que la mente humana est construida por componentes que de manera
individual no son humanas ni tienen consciencia, pero combinadas lo son y cuestionan: Por qu
no sera posible reproducir este fenmeno con mquinas?
El problema para resolver la IA fuerte es que atributos como inteligencia y consciencia son
caractersticas internas y no pueden identificarse directamente. Tal como lo indic Alan Turing:
decimos que otros humanos con inteligentes porque se comportan inteligentemente, an cuando no
podemos ver sus estados mentales internos. Estamos preparados para otorgar el mismo beneficio
a una mquina que exhiba caractersticas externas similares?
Existen diversas formas de hacer programas que cumplen con IA dbil, a continuacin se
presentan los enfoques ms utilizados.

1.2.2.

Redes neuronales artificiales

El trmino red neuronal (biolgica o artificial) se refiere a un grupo interconectado de elementos de procesamiento, llamados nodos o neuronas. Estas neuronas cooperan y trabajan en
conjunto para producir una funcin de salida. Una red neuronal artificial se disea para simular
algunas propiedades de una red neuronal biolgica (como el cerebro humano).
El procesamiento de informacin en una red neuronal se realiza en paralelo y no de forma
serial. Otra propiedad de una red neuronal es la tolerancia a fallas, es decir, puede seguir trabajando an si algunas neuronas no funcionan. Adems, hay sistemas de redes neuronales artificiales
que pueden aprender a resolver problemas complejos a partir de un conjunto de ejemplos, estos
sistemas pueden tambin utilizar el conocimiento adquirido para generalizar y resolver problemas
no previstos.
Una red neuronal biolgica se compone de miles de millones de neuronas (clulas nerviosas).
Una neurona puede estar fsicamente conectada a cientos de neuronas y el nmero total de neuronas y conexiones puede resultar extremadamente grande. Las conexiones se forman a travs de
los axones hacia las dendritas y, de esta forma, las neuronas pueden enviar seales elctricas entre
ellas. Estos mensajes no son solamente seales binarias, en su lugar se puede variar la intensidad
permitiendo que vare tambin la influencia de cierta neurona hacia sus vecinos.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Figura 1.4: Una neurona biolgica

Es decir, cada conexin tiene un nmero (peso) asociado que indica su influencia, cada neurona
enva su valor de salida a todas las neuronas con las que tiene una conexin de salida. La salida de
una neurona puede influenciar las activaciones de otras neuronas causando que se enciendan. La
neurona que recibe los valores calcula su activacin tomando la suma ponderada de sus seales de
entrada y determina su salida con una funcin de basada en la activacin recibida. Una red neurnal
aprende cambiando los pesos de las conexiones. Muchos aspectos del funcionamiento del cerebro,
especialmente el proceso de aprendizaje, se asocian con el ajuste de los valores de las conexiones.
La actividad cerebral se representa con patrones particulares de actividad de encendido entre
la red de neuronas. Este comportamiento de cooperacin simultnea de una gran cantidad de
unidades simples de procesamiento es el ncleo del poder computacional del cerebro humano.

Figura 1.5: Neurona artificial

Las redes neuronales artificiales pretenden simular varias propiedades de redes neuronales
biolgicas, son computadoras cuya arquitectura toma como modelo al cerebro. Consisten de gran
cantidad de unidades simples de procesamiento que estn conectadas mediante una compleja red
de comunicacin, cada unidad es un modelo simplificado de una neurona real que se enciende si
recibe una seal de entrada suficientemente fuerte de las neuronas a las que est conectada. La
intensidad de estas seales puede variarse para que la red neuronal ejecute diferentes tareas que
corresponde con patrones diferentes de actividad neuronal.El objetivo es resolver un problema
particular y las redes neuronales artificiales han mostrado ser muy tiles en reconocimiento de
voz, anlisis de imgenes, adems de modelado cognitivo entre otros. Muchas redes neuronales
artificiales estn basadas en estimacin estadstica y teora de control.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Figura 1.6: Dos redes neuronales artificiales con diferentes pesos

Ejemplo:
} Probar las dos redes de la figura 1.6 con los valores de entrada [1, 1].
Tarea:
} Probar las dos redes de la figura 1.6 con los valores de entrada
[0, 0].
[0, 1].
[1, 0].
[1, 1].
Existen similitudes entre el cerebro humano y computadoras poderosas con procesamiento paralelo avanzado, las redes neuronales artificiales han proporcionado modelos simplificados del
procesamiento neuronal que se lleva a cabo en el cerebro. El reto para este campo es determinar
qu propiedades deben ser reproducidas por neuronas individuales para producir representaciones
tiles de inteligencia.
Los orgenes de las redes neuronales artificiales se encuentran en los intentos por modelar el
procesamiento de informacin en sistemas biolgicos, esto se basa ms en procesamiento paralelo
as como reconocimiento de patrones a partir de cmo se percibe el exterior. Los nodos de una red
neuronal artificial se componen de unidades de procesamiento muy simples conectadas a una red,
su poder computacional depende de trabajar en conjunto (procesamiento paralelo) y no existe
una unidad central de procesamiento que siga una secuencia lgica de instrucciones. El cmputo
se realiza mediante un proceso dinmico de encendido de neuronas, esta estructura es mucho ms
cercana a la operacin del cerebro humano y abre paso a computadoras que pueden ser usadas para
resolver problemas ms complejos. Adems, es importante notar que el diseo de la arquitectura
de redes neuronales artificiales es muy distinta al modelo de von Neumann (http://bit.ly/7O4gV).

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

1.2.3.

10

Algoritmos genticos

Existen problemas demasiado complejos para resolver: ejecutar un programa que los resuelva
excede la memoria disponible o no terminara en una cantidad razonable de tiempo. Para estos
problemas, una solucin puede encontrarse mediante procesos evolutivos que involucrean varias
generaciones de soluciones de prueba. La estrategia mencionada es el fundamento de los algoritmos
genticos: esencialmente, un algoritmo gentico descubre una solucin utilizando comportamiento
aleatorio combinado con la teora reproductiva y el proceso de seleccin natural.
Un algoritmo gentico comienza generando un conjunto aleatorio de soluciones de prueba, cada
solucin es una suposicin. Cada solucin de prueba se llama cromosoma y cada componente del
cromosoma es una gen.
Como cada cromosoma inicial es una suposicin aleatoria, es muy poco probable que represente una solucin del problema a resolver. Por tanto, el algoritmo gentico genera un nuevo
conjunto de cromosomas (descendencia) en el que cada cromosoma es un hijo de dos cromosomas
del conjunto anterior (padres). Los padres tambin se eligen aleatoriamente, pero se asigna mayor
probabilidad a aquellos que aparentemente tienen mejor oportunidad de llevar a una solucin, de
esta forma emulan el principio evolutivo de supervivencia del ms apto: determinar qu cromosomas son los mejores candidatos es el paso ms problemtico en un algoritmo gentico. Cada
descendiente es una combinacin aleatoria de genes de los padres, adems, un descendiente puede
mutar de alguna forma. Eventualmente, si se repite este proceso muchas veces, se obtienen cada
vez mejores soluciones hasta llegar a una suficientemente buena. Desafortunadamente no se tiene
seguridad de que el algoritmo gentico encontrar una solucin al final de este proceso repetido,
pero investigaciones recientes han mostrado que los algoritmos genticos pueden ser muy efectivos
para resolver una gama sorprendemente amplia de problemas complejos.
Cuando se aplican al desarrollo de programas, el enfoque de algoritmos genticos se conoce
como programacin evolutiva. Aqu, el objetivo es desarrollar programas permitindoles que evolucionen, en lugar de escibirlos. La propuesta es iniciar con una gran coleccin de funciones: esta
coleccin conforma el conjunto de genes de los que las futuras generaciones de programas sern
construidos. Despus se permite que el proceso evolutivo se ejecute por varias generaciones esperando que cada generacin tenga mejor desempeo que la anterior hasta llegar a la mejor solucin
del problema propuesto.
Programa: mejor villano.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

11

Notas:
1. El programa crear la primera generacin de 100 villanos con cada habilidad como un nmero
aleatorio entre 0 y 9.
2. El programa elegir aleatoriamente a un villano por cada columna para tomar ese valor
como la habilidad de un nuevo villano (Megamente).
3. El programa repetir el paso 2 para generar otro villano (Sedusa).
4. Al tener a los dos nuevos supervillanos, el programa deber mezclar sus habilidades utilizando un nmero aleatorio entre 1 y 10, como se muestra en el ejemplo:

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

12

5. Repetir los pasos 2, 3 y 4 hasta obtener 10 nuevos supervillanos (Sedumente[0..9]).

6. Finalmente, aplicar los pasos 2, 3 y 4 sobre la nueva poblacin de 10 Sedumentes para
obtener al mejor supervillano.

1.2.4.

Sistemas expertos

Un sistema experto es un sistema computacional que contiene el conocimiento de uno o ms

humanos expertos sobre un tema especfico. Estos sistemas permiten guardar ms conocimiento
y extraerlo inteligentemente. La idea de los sistemas expertos surgieron en IA durante los 60s y
desde entonces se han desarrollado diversas aplicaciones.
Un sitema experto es un programa creado a partir de un conjunto de reglas (conocimiento)
proporcionado por los expertos del tema, el xito del sistema experto depende mucho de la calidad
de las reglas proporcionadas. Adems, incluye un componente para resolver problemas as como
recomendar el curso de accin ms apropiado. Es decir, el sistema experto tiene capacidad de
razonar para obtener conclusiones a partir de hechos que conoce. Es claro que el almacenamiento
del conocimiento y la estrategia de solucin de problemas son asuntos distintos.
Los sitemas expertos han sido un gran xito en la historia de la IA, se han empleado en diversas
reas como diagnsticos mdico, reparacin de equipo y anlisis de inversiones. Los sistemas
expertos, en general, se conforman de los siguientes componentes:

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

13

Componente
Base de conocimiento

Descripcin
La base de conocimiento es desarrollada por los expertos del
tema particular, el sistema ser tan bueno como sea el
conocimiento proporcionado por los expertos
Medio de comunicacin
Este componente permite al usuario comunicarse con el sistema
experto, permite al usuario hacer preguntas al sistema y recibir
respuestas (o viceversa)
Ayuda sensitiva al
Generalmente se muestra en cada pantalla y la ayuda es
contexto
apropiada de acuerdo a donde se encuentra actualmente el
usuario
Componente de solucin
Se encarga de analizar el problema y utiliza su motor de
de problemas
inferencia para deducir el curso de accin apropiado para
resolverlo; el motor de inferencia es un programa que interacta
con el usuario y las reglas de la base de conocimiento
El motor de inferencia se contruye sobre varias reglas de inferencia usadas para obtener conclusiones. Se pueden agregar o eliminar reglas con afectar otras reglas, esto refleja la actualizacin
normal de conocimiento humano: conocimiento obsoleto se elimina y no se utiliza en el razonamiento mientras que conocimiento nuevo se aplica en la obtencin de nuevas conclusiones.
Un sistema experto utiliza dos formas principales de razonamiento: hacia adelante y hacia
atrs. El razonamiento hacia adelante inicia con los datos disponibles y utiliza las reglas de inferencia para obtener conclsiones inmediatas, repite este procedimiento con estas conclusiones
hasta llegar al objetivo deseado. El razonamiento hacia atrs inicia con un conjunto de objetivos
y trabaja hacia atrs para determinar si alguno de sus objetivos se puede alcanzar con los datos
disponibles.

1.2.5.

Combinacin de estrategias

En la actualidad la IA utiliza diversas tcnicas combinadas para resolver problemas, es muy

comn que en la fase de entrenamiento de una red neuronal artificial se utilice un algoritmo
gentico para determinar los valores ptimos para los pesos asociados a valores de entrada en una
neurona y, a su vez es comn usar redes neuronales artificiales para que los motores de inferencia
de una sistema experto funcionen de mejor manera.

1.3.

Generalidades de aplicaciones desarrolladas y en desarrollo

Existen muchos ejemplos de aplicaciones que utilizan conceptos de IA para resolver problemas
especficos, a continuacin se mencionan algunos.

1.3.1.

Ajedrez

Claude Shannon (http://bit.ly/bhm9bX) consider el problema de tener un programa que

jugara ajedrez a finales de los 40s y distingui una estrategia de fuerza bruta en la que el programa podra buscar en todas las combinaciones de movimientos de otra estrategia en la que en
conocimiento sobre el ajedrez podra er usado para examinar slo un subconjunto de esas combinaciones. Alan Turing tambin desarrollo programas para que una computadora (an hipottica)

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

14

pudiera jugar ajedrez. La capacidad de jugar ajedrez es una caracterstica que se puede considerar
inteligente an cuando la mquina no tiene consciencia de que est jugando ajedrez?
Los primeros programas que jugaban ajedrez no eran muy sofisticados y se desempeaban
muy mal contra seres humanos, los programas modernos son bastante exitosos y han mostrado ser
mejores que sus competidores humanos. Garry Kasparov (http://bit.ly/2pO71o) fue el campen
mundial fue vencido por una computadora: Deep Blue (http://bit.ly/lKPt2f) de IBM en 1997.

1.3.2.

Sistemas expertos exitosos

Existen muchos ejemplos de sistemas expertos que se han desempeado bastante bien en
diversos campos.
1.3.2.1.

Dendral (Dendritic Algorithm) (http://bit.ly/124TtCk)

Desarrollado por la Universidad de Stanford a mediados de los 60s fue el primer uso de la
IA en investigacin mdica. Su objetivo era asistir en la identificacin de compuestos y molculas orgnicas desconocidas utilizando espectrometra computarizada. Fue escrito en LISP
(http://bit.ly/b1xDM) y mostr que un sistema experto puede emplear reglas, heursticas y juicios
para guiar a los cientficos en su trabajo.
1.3.2.2.

Mycin (http://bit.ly/124TO7Y)

Desarrollado tambin el Universidad de Stanford en los 70s utilizando como base Dendral, fue
diseado para diagnosticar enfermedades infecciosas de sangre y para recomendar los antibiticos
apropiados, as como las dosis correspondientes al peso del paciente. Tena un desempeo razonablemente bueno: cerca del 65 % de diagnsticos acertados; que es mejor que la mayoria de los
mdicos no especialistas, sin embargo, era menor que lo expertos: 80 %.
An cuando su rendimiento era bueno, nunca fue utilizado por razones legales y ticas: Si la
mquina daba un diagnstico equivocado, quin sera el responsable?
1.3.2.3.

Colossus (http://bit.ly/124TR3C)

Un sistema experto utilizado por compaias de seguros: ayuda a los ajustadores de seguros
a evaluar lesiones y mejorar la consistencia de los procesos de reclamos de seguros. Su objetivo
es hacer que los reclamos sean justos y objetivos guiando al ajustador mediante evaluaciones
objetivas de diversos parmetros. Fue desarrollado por la Computer Sciences Corporation (CSC).

1.3.3.

Watson: ganando Jeopardy (http://bit.ly/iSg56x)

Es un sistema computacional (Hardware + Software) desarrollado por el equipo DeepQA

(http://ibm.co/c3slR4) de IBM, tiene capacidad para responder preguntar planteadas en lenguaje
natural. Su nombre es en honor al primer presidente de IBM Thomas J. Watson (http://bit.ly/dxbCoN).
Es un sistema de preguntas y respuestas (QA), IBM lo describe como una aplicacin avanzada
de procesamiento de lenguaje natural, recuperacin de informacin, representacin de conocimiento
y razonamiento, as como tecnologa de aprendizaje de mquina en el campo de preguntas y
respuestas abiertas.
En la actualidad se est buscando aplicar sistemas como Watson en diversas reas: sistemas cognitivos como Watson pueden transformar lo forma en la que las organizaciones piensan,

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

15

actan y operarn en el futuro. Aprender mediante interacciones, entregan respuestas orientadas a mejores resultados basadas en evidencias. Por ejemplo, para realizar diagnsticos mdicos
(http://bit.ly/nCTo11).

1.3.4.

Verificacin de modelos

La verificacin de modelos (model checking o property checking: http://bit.ly/fGjrpu) se refiere

al siguiente problema: dado el modelo de un sistema, verificar de forma automticamente si ese
modelo cumple alguna especificacin de inters. Generalmente la especificacin contiene requerimientos de seguridad como la ausencia de deadlocks o estados crticos similares que pueden causar
que el sistema deje de funcionar. La verificacin de modelos es una tcnica para verificar de forma
automtica propiedades de correccin de un sistema de estados finitos.
Para poder resolver algortmicamente este tipo de problemas, tanto el modelo del sistema
como la especificacin se formulan en algn lenguaje matemtico preciso: se utiliza algn tipo de
lgica. Un problema sencillo de verificacin de modelos es comprobar si una frmula de la lgica
proposicional es satisfecha por cierta estructura.

Figura 1.7: state-of-the-art en IA [http://abstrusegoose.com/496] [http://what-if.xkcd.com/5]

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

1.4.

16

Subcampos de la inteligencia artificial

La IA actualmente tiene muchas reas de desarrollo, algunas de las ms conocidas son:

} Visin por computadora
} Reconocimiento de patrones
} Robtica
} Razonamiento automatizado
} Procesamiento de lenguaje natural
} Aprendizaje de mquina (machine learning), etc.

1.5.

Relaciones de la inteligencia artificial con otras disciplinas

Los fundamentos de la IA van de la mano con los fundamentos de la computacin e incluye

trabajos de cientficos, ingenieros y matemticos muy importantes; tales como Boole, Babbage,
Shannon, von Neuman y Turing. Es un campo multidisciplinario y algunas de sus ramas estn
ntimamente relacionadas con:
} Computacin y computabilidad
} Lgica y filosofa
} Lingistica
} Visin artificial
} Epistemologa y representacin de conocimiento
} Ciencia cognitiva
} Matemticas
} tica
El matemtico britnico Alan Turing contribuy al debate sobre mquinas pensantes, con consciencia e inteligencia (http://bit.ly/dVyfm9) a inicios de los 50s. Su artculo tuvo y an tiene
gran influencia al plantear la posibilidad de programar una computadora para que se comporte
de forma inteligente.
Tarea: Buscar al menos 3 aplicaciones desarrolladas a partir de la IA por integrante del equipo
y describirlas brevemente (una cuartilla en total).