Está en la página 1de 53

La inteligencia est vinculada a saber elegir las mejores opciones para resolver

algn tipo de problema. Existen diversos tipos de inteligencia segn sus atributos y
procesos, como la inteligencia operativa, la inteligencia biolgica o la inteligencia psicolgica.

Artificial, por otra parte, es un adjetivo que seala aquello hecho por
mano, arte o ingenio del hombre. Lo artificial tambin permite nombrar a lo no
natural o falso.
La nocin de inteligencia artificial fue desarrollada en referencia a ciertos sistemas creados
por los seres humanos que constituyen agentes racionales no vivos. La racionalidad, en
este caso, es entendida como la capacidad para maximizar un resultado esperado.
La inteligencia artificial, por lo tanto, consiste en el diseo de procesos que, al ejecutarse
sobre una arquitectura fsica, producen resultados que maximizan una cierta
medida de rendimiento. Estos procesos se basan en secuencias de entradas que son
percibidas y almacenadas por la mencionada arquitectura.
Los dispositivos que cuentan con inteligencia artificial pueden ejecutar distintos procesos
anlogos al comportamiento humano, como la ejecucin de una respuesta por cada entrada
(similar a los actos reflejos de los seres vivos), la bsqueda de un estado entre todos los posibles
segn una accin o la resolucin de problemas mediante una lgica formal.
Inteligencia artificial tambin es una pelcula dirigida por Steven Spielberg que fue
estrenada en 2001. Su argumento se basa en la historia de un robot que, creado para
reemplazar a un nio humano, demuestra que tiene sentimientos. La pelcula est basada en
un relato de Brian Aldiss e incluye elementos tomados de Pinocho.

Lee todo en: Definicin de inteligencia artificial - Qu es, Significado y


Concepto http://definicion.de/inteligencia-artificial/#ixzz2eiLfuic6

DEFINICIN DE

PENSAMIENTO

DIVERGENTE
Lo que existe a travs de la actividad intelectual forma parte del pensamiento. Este es
un producto de la mente que surge a partir de la actividad racional del intelecto o de las
abstracciones de la imaginacin.

Es posible distinguir entre diversos tipos de pensamiento, segn la


operacin mental en cuestin. El pensamiento deductivo, el pensamiento inductivo,

el pensamiento sistemtico, el pensamiento crtico y el pensamiento analtico son


algunos de ellos.
Divergente, por su parte, es aquello que diverge (que discrepa, discorda o se separa).
El pensamiento divergente o pensamiento lateral, por lo tanto, consiste en
la bsqueda de alternativas o posibilidades creativas y diferentes para la resolucin
de un problema.
Se puede incluir al pensamiento divergente dentro del pensamiento creativo, relacionado
ms con la imaginacin que con el pensamiento lgico-racional. La nocin fue acuada por el
psiclogo malts Edward De Bono, quien afirm que el pensamiento divergente es una
forma de organizar los procesos de pensamiento a travs de estrategias no ortodoxas. El
objetivo, pues, es generar ideas que escapen de los lineamientos del pensamiento habitual.
Para De Bono, el pensamiento lateral puede desarrollarse con el entrenamiento de tcnicas
que ayuden a mirar un mismo objeto desde diferentes puntos de vista. El
pensamiento divergente supone un motor de cambio personal y social ya que aporta nuevas
respuestas a problemas conocidos.
El psiclogo malts reconoce tres grandes tipos de obstrucciones del pensamiento: la falta
de informacin, el bloqueo mental y el peso de lo obvio. Este ltimo caso, cuando lo obvio del
problema impide advertir una mejor opcin, puede ser superado a travs del pensamiento
divergente.

Lee todo en: Definicin de pensamiento divergente - Qu es, Significado y


Concepto http://definicion.de/pensamiento-divergente/#ixzz2eiLrOWSE

nteligencia artificial
IA redirige aqu. Para otras acepciones, vase IA (desambiguacin).

TOPIO, un robot que juega tenis de mesa

TOPIO, un robot humanoide, jugando tenis de mesa en


TokioInternational Robot Exhibition (IREX) 2009.

Otros nombres

IA

Campo de

Desarrollo de agentes racionales no

aplicacin

vivos

Subrea de

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 yreconocimiento 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.

1.

La inteligencia: Diferentes teoras y definiciones

2.

Inteligencias mltiples

3.

Futuro de la IA.

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 AI 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".
Una de las grandes razones por la cuales se realiza el estudio de la IA es l poder aprender ms acerca de
nosotros mismos y a diferencia de la psicologa y de la filosofa que tambin centran su estudio de la
inteligencia, IA y sus esfuerzos por comprender este fenmeno estn encaminados tanto a la construccin de
entidades de inteligentes como su comprensin.
El estudio de la inteligencia es una de las disciplinas ms antiguas, por ms de 2000 aos los filsofos no han
escatimado esfuerzos por comprender como se ve, recuerda y razona junto con la forma en que estas
actividades deberan realizarse. Segn John Mc Carthy la inteligencia es la "capacidad que tiene el ser
humano de adaptarse eficazmente al cambio de circunstancias mediante el uso de informacin sobre esos
cambios", pero esta definicin resulta muy amplia ya que de acuerdo con esta, el sistema inmunolgico del
cuerpo human resultara inteligente ya que tambin mediante el uso de informacin este logra adaptarse al
cambio. Otra interesante manera de ilustrar la inteligencia seria recurrir a la teorasocietal de la mente
de Marvin Minsky donde cada mente humana es el resultado del accionar de un comit de mentes de menor
poder que conversan entre s y combinan sus respectivas habilidades con el fin de resolver problemas.
La llegada de las computadoras a principios de los 50, permiti el abordaje sin especulacin de estas
facultades mentales mediante una autentica disciplina terica experimental. Es a partir de esto que se
encontr que la IA constituye algo mucho ms complejo de lo que se pudo llegar a imaginar en principio ya
que las ideas modernas que constituyen esta disciplina se caracterizan por su gran riqueza, sutileza e inters;

en la actualidad la IA abarca una enorme cantidad de subcampos que van desde reas de propsito general
hasta tareas especificas.
Una de las definiciones que se han dado para describir la IA la sita dentro de una disciplina que tiene que ver
con las ciencias de la computacin que corresponden al esfuerzo por parte de gran cantidad de cientficos que
durante los ltimos treinta aos han realizado con el fin de dotar a las computadoras de inteligencia, a partir
de esta definicin encontramos que una de las tcnicas de IA es aquella que se utiliza con el fin de lograr que
un determinado programa se comporte de forma inteligente sin pretender tener en cuenta la " forma de
razonamiento "empleada para lograr ese comportamiento.
Luego, aqu surge un dilema, ya que segn esto cualquier problema resoluble por un computador, sin
complicaciones y tambin como un ser humano podra encuadrarse en el campo de la inteligencia artificial
acudiendo solamente a la aplicacin de reglas consecutivas al pie de la letra o lo que encontramos con el
nombre de Algoritmos dentro del lenguaje de IA; este termino fue acuado en honor al matemtico
rabe AL-KWARIZMI que copil una serie de estos para ser aplicados a diferentes problemas algebraicos.

Cuando se aplican algoritmos a la solucin de los problemas aunque no se est actuando inteligentemente si
esta siendo eficaz pero los problemas realmente complicados a los que se enfrenta el ser humano son
aquellos en los cuales no existe algoritmo conocido as que surgen de reglas que tratan de orientarnos hacia
las soluciones llamadas Heursticas en las cuales nunca nada nos garantiza que la aplicacin de una de
estas reglas nos acerque a la solucin como ocurre con los anteriores.
A partir de estos datos; Farid Fleifel Tapia describe a la IA como: "la rama de la ciencia de la computacin
que estudia la resolucin de problemas no algortmicos mediante el uso de cualquier tcnica de
computacin disponible, sin tener en cuenta la forma de razonamiento subyacente a los mtodos que
se apliquen para lograr esa resolucin.
Para completar esa definicin, algunas definiciones no tan formales emitidas por diferentes investigadores de
la IA que consideran otros puntos de vista son:
La IA es el arte de crear maquinas con capacidad de realizar funciones que realizadas por personas
requieren de inteligencia. ( Kurzweil, 1990)

La IA es el estudio de cmo lograr que las computadoras realicen tareas que, por el momento, los
humanos hacen mejor. (Rich, Knight, 1991).

La IA es la rama de la ciencia de la computacin que se ocupa de la automatizacin de


la conducta inteligente. (Lugar y Stubblefied, 1993).

La IA es el campo de estudio que se enfoca a la explicacin y emulacin de la conducta inteligente


en funcin de procesos computacionales. (Schalkoff, 1990).
En la IA se puede observar dos enfoques diferentes:
1.
La IA concebida como el intento por desarrollar una tecnologa capaz de proveer al ordenador
capacidades de razonamiento similares a los de la inteligencia humana.
2.

La IA en su concepcin como investigacin relativa a los mecanismos de la inteligencia humana que


se emplean en la simulacin de validacin de teoras.

El primer enfoque se centra en la utilidad y no en el mtodo como veamos anteriormente con los algoritmos,
los temas claves de este enfoque son la representacin y gestin de conocimiento, sus autores ms
representativos son McCrrthy y Minsky.

John McCarthy
En el segundo enfoque encontramos que este se orienta a la creacin de un sistema artificial capaz de
realizar procesos cognitivos humanos haciendo importante ya no la utilidad como el mtodo, los aspectos
fundamentales de este enfoque se refieren al aprendizaje y adaptabiliada y sus autores
son Newell y Simon de la Carnegie Mellon University.
La IA al tratar de construir maquinas que se comporten aparentemente como seres humanos han dado lugar
al surgimiento de dos bloques enfrentados: el enfoque simblico o top-down, conocido como la IA clsica y el
enfoque subsimbolico llamado a veces conexionista.
Los simblicos simulan directamente las caractersticas inteligentes que se pretenden conseguir o imitar y lo
mejor que tambin se tiene a la mano es el hombre; para los constructores de los sistemas expertos resulta
fundamental la representacin del conocimiento humano donde gracias a estos avances se han encontrado
dos tipos de conocimiento: conocimiento acerca del problema particular¨ y conocimiento a cerca de
cmo obtener mas conocimiento a partir del que ya tenemos. El ejemplo ms representativo de esta corriente
es el proyecto de Cyc de Douglas B. Lenat sobre un sistema que posee en su memoria millones de hechos
interconectados.
Dentro de la otra corriente: la subsimbolica; sus esfuerzos se orientan a la simulacin de los elementos de
mas bajo nivel dentro de los procesos inteligentes con la esperanza de que estos al combinarse permitan que
espontneamente surja el comportamiento inteligente. Los ejemplos mas claros que trabajan con este tipo de
orientacin son las redesneuronales y los algoritmos genticos donde estos sistemas trabajan bajo la
autonoma, el aprendizaje y la adaptacin, conceptos fuertemente relacionados.

Uno de los grandes seguidores de la IA; Marvin Minsky, ha dado una clasificacin para los lenguajes
de programacin que se utilizan en esta disciplina:

Marvin Minsky

Haga ahora: Donde el programador surte de instrucciones a la maquina para realizar una tarea
determinada donde todo queda especificado excepto quizs l numero de repeticiones.

Haga siempre que: Aqu se permite escribir un programa que le sirva a la computadora para
resolver aquello problemas que el programador no sabe resolver pero conoce que tipo de soluciones se
pueden intentar.

"De constreimiento": se escriben programas que definen estructuras y estados que se


condicionan y limitan recprocamente.

Pero Minsky, admite que an ser necesario desarrollar dos tipos de lenguajes ms para obtener una IA
comparable a la inteligencia humana; y estos podran ser.
"Haga algo que tenga sentido: Donde se permite al programa aprender del pasado y en una
nueva situacin aplicar sus enseanzas.
"Mejrense a s mismo": All se podr permitir escribir programas que tengan en adelante la
capacidad de escribir programas mejores que ellos mismos.
Otro punto desde luego tiene que ver con el tema que aqu estamos tratando es por supuesto el concepto de
lo que es creatividad, que a simple vista es algo que no podemos explicar porque es resultado de un don
especial pero que los estudios sobre IA han comenzado hacer posible dar explicacin satisfactoria: nos dicen
que en la medida que se logre escribir programas que exhiban propiedad, en esa misma medida se empezara
a explicar la creatividad.
Otra propiedad que se espera ver asociada a la IA es la autoconciencia; que de acuerdo con los resultados
de las investigaciones psicolgicas hablan por una parte de que como es bien sabido, el pensamiento humano
realiza gran cantidad de funciones que no se pueden calificar de conscientes y que por lo tanto la
autoconciencia contribuye en cierto sentido a impedir el proceso mental eficiente; pero por otro lado es de
gran importancia poder tener conocimiento sobre nuestras propias capacidades y limitaciones siendo esto de
gran ayuda para el funcionamiento de la inteligencia tanto de la maquina como del ser humano.
Pero seria imposible tratar de contemplar el tema de la IA sin recurrir a la cuestin de la complejidad; donde
el comportamiento inteligente es el resultado de la interaccin de muchos elementos y que con seguridad es
una de las ms valiosas contribuciones al tratar de simular en la maquina los
fenmenos intelectuales humanos.
La IA se ha desarrollado como disciplina a partir de la concepcin de la inteligencia que se realizo al interior
de la psicologa y a partir de la cual se elaboraron diferentes categoras.
La inteligencia: Diferentes teoras y definiciones.
En 1904 el ministerio de instruccin publica de Francia pidi al psiclogo francs Alfred Binet y a un grupo de
colegas suyos que desarrollan un modo de determinar cuales alumnos de la escuela primaria corran
el riesgo de fracasar para que estos alumnos reciban una atencin compensatoria. De sus esfuerzos nacieron
las primeras pruebas de inteligencia. Importadas a los EEUU varios aos despus las pruebas se difundieron
ampliamente as como la idea de que existiera algo llamado " inteligencia" que poda medirse de manera
objetiva y reducirse a un numero o puntaje llamado " coeficiente intelectual" desde entonces s a definido la
inteligencia en trminos de "habilidad para resolver problemas".
I.INTELIGENCIAS MULTIPLES
Un psiclogo de Harvard llamado Howard Garden, sealo que nuestra cultura haba definido la inteligencia de
manera muy estrecha y propuso en su libro " estructura de la mente", la existencia de por lo menos siete
inteligencias bsicas:
Inteligencia lingstica: capacidad de usar las palabras de modo efectivo ( ya sea hablando,
escribiendo, etc). Incluye la habilidad de manipular la sintaxis o escritura del lenguaje, la fontica o los sonidos
del lenguaje, la semntica o significado de lenguaje o divisin, pragmtica o los husos prcticos.
Inteligencia lgico matemtica: capacidad de usar los nmeros de manera efectiva y de razonar
adecuadamente ( pensamiento vertical).

Inteligencia espacial: la habilidad para percibir la manera exacta del mundo visual-espacial y de
ejecutar transformaciones sobre esas percepciones ( decorador, artistas, etc).

Inteligencia corporal kintica: la capacidad para usar el cuerpo para expresar ideas y
sentimientos y facilidad en el uso de las propias manos para producir o transformar cosas.

Inteligencia musical: capacidad de percibir, discriminar, trasformar y expresar las formas musicales.

Inteligencia interpersonal: la capacidad de percibir y establecer distinciones entre los estados de


nimo, las intenciones, motivaciones, sentimientos, de otras personas.

Inteligencia intrapersonal: el conocimiento de s mismo y la habilidad para adaptar las propias


maneras de actuar a partir de ese conocimiento.

Ms all de la descripcin de las inteligencias y de sus fundamentos tericos hay ciertos aspectos que
convienen destacar:
Cada persona posee varios tipos de inteligencias.

La mayora de las personas pueden desarrollar cada inteligencia hasta un nivel adecuado
de competencia.

Las inteligencias por lo general trabajan juntas de manera compleja, sea, siempre interactan entre
s para realizar la mayora de las tareas se precisan todas las inteligencias aunque en niveles diferentes hay
muchas maneras de ser inteligentes en cada categora.
Inteligencia emocional: existe una dimensin de la inteligencia personal que esta ampliamente mencionada
aunque poco explorada en las elaboraciones de Gadner: el papel de las emociones.
Daniel Goleman; toma este desafo y comienza a trabajar sobre el desarrollo de Gadner llevando a un plano
ms pragmtico y centrado en las emociones como foco de la inteligencia.

FUTURO DE LA IA.
El empleo de la IA esta orientado a aquellas profesiones que, ya sea por lo incomodo, peligroso o complicado
de su trabajo necesitan apoyo de un experto en la materia. Las ventajas que trae el disponer de un asistente
artificial no son mas que las de solucionar los errores y defectos propios del ser humano; es decir, el
desarrollo de sistemas expertos que hoy en da se estn utilizando con xito en los campos de
la medicina, geologa y aeronutica aunque todava estn poco avanzados en relacin con el ideal
del producto IA completo.

Leer ms: http://www.monografias.com/trabajos16/la-inteligencia-artificial/la-inteligenciaartificial.shtml#ixzz2eiMXa5i7

nteligencia artificial, por Josep Llus Costa


Defina inteligencia.
Si le ha costado no debe extraarle, alguna razn tendr que haya sido una de las palabras
cuya interpretacin ms ha variado en su historia. De hecho, en la actualidad se incluyen
hasta 8 acepciones diferentes en el diccionario de la RAE, y ninguna de ellas es la
comnmente aceptada entre los cientficos, quienes, actualmente, la cuantifican prcticamente
en relacin al tamao del cerebro, aunque empiezan a sopesar que en realidad no se
encuentre distribuida por todas las clulas del cuerpo, algo que me parecera muy lgico, pues
le dara al cerebro la funcin que le corresponde, la de CPU o reloj.
Extrado de la RAE en una Redaccin propuesta para un Artculo enmendado en un
Avance de la vigsima tercera edicin:
1. f. Capacidad de entender o comprender.
2. f. Capacidad de resolver problemas.
3. f. Conocimiento, comprensin, acto de entender.
4. f. Sentido en que se puede tomar una proposicin, un dicho o una expresin.
5. f. Habilidad, destreza y experiencia.
6. f. Trato y correspondencia secreta de dos o ms personas o naciones entre s.
7. f. Sustancia puramente espiritual.
8. f. servicio de inteligencia.
Parece que su definicin haya ido adaptndose a los tiempos a medida que creca el
desconcierto, puesto que, cada una de ellas ha ido refutndose al encontrarnos con animales
que cumplan con la definicin, pues, segn el creacionismo, somos los nicos dotados con
ese don. Esto es falso, la inteligencia no es una propiedad, sino una magnitud, y como tal,
todos los seres vivos la tienen, en mayor o menor medida.
Estamos ante una de aquellas palabras destinadas a no describir ms que la profundidad de
nuestra ignorancia. Al igual que geocentrismo, nace de nuestra demostrada incapacidad
para dar sentido a lo que nos rodea; una utpica descripcin basada en el egosmo y que no
llegaremos nunca a definir por inexistente. Una palabra que explica aquello que no

comprendemos como si lo hiciramos, sustituyendo de forma digna y elegante, la desidia del


aprendizaje.
La sociedad actual est supeditada a las mquinas, tenemos que reconocer que sin ellas
perderamos una extensin importante de nuestro carcter y habilidades. Socialmente, la
tecnologa es nuestro hijo intelectual. Nuestra dependencia, ms que importante, se est
convirtiendo en fundamental. Su avance nos lleva a plantear una cuestin: Qu ocurrir
cundo las mquinas alcancen una inteligencia, por definicin, superior a la de la especie
humana?
Es evidente que las mquinas carecen de sentimientos, la pregunta es: los necesitan? Un
juez se basa en una serie de acontecimientos estructurados para tomar una decisin, de
forma que, en ella, no puedan influir sus sentimientos. Por lo tanto podemos suponer que para
dirigir el mundo los sentimientos no son tomados en cuenta, basndonos exclusivamente en
datos objetivos, en realidad es el mismo proceder que el de la naturaleza, aunque un tanto
magnnimo.
En la actualidad se trabaja en el ordenador cuntico, se trata de una mquina que aprovecha
el estado cuntico de un electrn para almacenar la informacin, esto se traduce en tres
variables en lugar de las dos actuales. De tener unos y ceros, pasamos a tener unos, ceros y
ambos simultneamente (tres estados), convirtiendo el bit en qubit y proporcionando una
capacidad de operaciones exponencial con respecto al nmero de qubits.
Para hacerse una idea del gran avance, un computador cuntico de 30 qubits equivaldra a un
procesador convencional de 10 teraflops (10 millones de millones de operaciones en coma
flotante por segundo), cuando actualmente las computadoras trabajan en el orden de gigaflops
(miles de millones de operaciones).
En muy poco tiempo, cunto este tipo de mquinas est funcionando, estaremos frente a una
inteligencia muy superior a la nuestra, cuya capacidad de proceso oscila entre los 1.000 y los
100.000 teraflops. Nuestros ordenadores actuales estn prcticamente a nuestra altura y no
indican signos de haber adquirido conciencia, o s? Tal vez no atisbemos su forma de sentir,
pero no podrn discutirme que adoptan cierto comportamiento.
Qu ocurrir cundo le preguntemos a un ordenador cuntico si el calentamiento global
viene provocado por el comportamiento humano? Mucho me temo que, en lugar de asumir su
respuesta, dedicaremos todo el tiempo a buscar una avera inexistente.
No deben preocuparse, si las mquinas toman alguna conciencia, no podr ser diferente a la
nuestra, y si deciden hacernos dao, ser por nuestro propio bien, tal como nosotros hacemos
con nuestros semejantes.
La inteligencia artificial es el estudio de ideas que permite a las computadoras desarrollar
actividades que hacen ver a los usuarios inteligentes

La robotica

La robtica es la ciencia y la tecnologa de los robots. Se ocupa del diseo, manufactura y


aplicaciones de los robots La robtica combina diversas disciplinas como son: la mecnica, la
electrnica, la informtica, la inteligencia artificial y la ingeniera de control. Otras reas
importantes en robtica son el lgebra, los autmatas programables y las mquinas de estados.
Inteligencia :
La inteligencia es el trmino global mediante el cual se describe una propiedad de la mente en la
que se relacionan habilidades tales como las capacidades del pensamiento abstracto, el
entendimiento, la comunicacin, el raciocinio, el aprendizaje, la planificacin y la solucin de
problemas.
El diccionario de la Real Academia Espaola de la lengua define la inteligencia (del latn
intellegenta), entre otras acepciones como la "capacidad para entender o comprender" y como
la "capacidad para resolver problemas".
La inteligencia parece estar ligada a otras funciones mentales como la percepcin, o capacidad
de recibir informacin, y la memoria, o capacidad de almacenarla.
La palabra inteligencia se define como la capacidad que se tiene para razonar , solucionar
probemas razonar , y artificial se define como algo no matural.
Por lo tanto, y de manera ms especfica la inteligencia artificial es la disciplina que se encarga
de construir procesos que al ser ejecutados sobre una arquitectura fsica producen acciones o
resultados que maximizan una medida de rendimiento determinada, basndose en la secuencia
de entradas percibidas y en el conocimiento almacenado en tal arquitectura.
hasta la fecha algunos de los sistemas de algoritmos han podido superar al ser humano como en
las sumas ,recuperacion y almacenamiento de datos etc .pero las maquinas todavian no pueden
superrar al hombre como las lenguas usadas, el reconocimiento de formas , la vision ,etc .
Definir la inteligencia
Definir qu es la inteligencia es siempre objeto de polmica; ante un escenario tan diversificado
de opiniones Vernon (1960) sugiri una clasificacin de las principales definiciones. La misma se
hizo en base a tres grupos: las psicolgicas, mostrando la inteligencia como la capacidad
cognitiva, de aprendizaje, y relacin; las biolgicas, que consideran la capacidad de adaptacin a
nuevas situaciones; y las operativas, que son aquellas que dan una definicin circular diciendo
que la inteligencia es "...aquello que miden las pruebas de inteligencia".

Adems, el concepto de inteligencia artificial gener hablar de sistemas, y para que se pueda
aplicar el adjetivo inteligente a un sistema, ste debe poseer varias caractersticas, tales como la
capacidad de razonar, planear, resolver problemas, pensar de manera abstracta, comprender
ideas y lenguajes, y aprender.
Tal diversidad indica el carcter complejo de la inteligencia, la cual slo puede ser descrita
parcialmente mediante enumeracin de procesos o atributos que, al ser tan variados, hacen
inviable una definicin nica y delimitada, dando lugar a singulares definiciones, tales como: la
inteligencia es la capacidad de adquirir capacidad, de Woodrow, o la inteligencia es lo que
miden los test de inteligencia, de Bridgman.

Qu es la inteligencia?

La inteligencia es la capacidad de relacionar conocimientos que poseemos para resolver una


determinada situacin. Si indagamos un poco en la etimologa de la propia palabra encontramos
en su origen latino inteligere, compuesta de intus (entre) y legere (escoger).

Por lo que podemos deducir que ser inteligente es saber elegir la mejor opcin entre las que se
nos brinda para resolver un problema.
Por ejemplo, si a una persona se le plantea subir al tejado de una casa, la persona seleccionar
los instrumentos que cree necesario para subir, pues con los conocimientos que ya posee
(lgicos, matemticos, ...) ha ideado una forma para ejecutar una accin que le permitir subir al
tejado. Unos dirn que con una escalera, otros con una cuerda, otros necesitarn una serie de
instrumentos, ... Una persona ms inteligente que otra escoger una opcin mejor que otra.
Cmo se mide la inteligencia? Tristemente la mayora de los test que miden la inteligencia de un
ser humano slo tienen en cuenta las capacidades lgica-matemtica y lingisticas. Segn la
teora de las inteligencias mltiples segn Howard Gardner podemos distinguir tipos diferentes
de inteligencia formal:

* Inteligencia Lgica-Matemtica: Es la habilidad que poseemos para resolver problemas


tanto lgicos como matemticos. Comprende las capacidades que necesitamos para manejar
operaciones matemticas y razonar correctamente.
Nuestra procesamiento aritmtico, lgico, razonado, ... va ligado a ella.
* Inteligencia Lingistica-Verbal: Es la fluidez que posee una persona en el uso de la palabra.
Destreza en la utilizacin del lenguaje, haciendo hincapi en el significado de las palabras, su
orden sintctico, sus sonidos, ...
Esta inteligencia nos capacita para escribir poemas, historias, ...
* Inteligencia Visual-Espacial: Es la habilidad de crear un modelo mental de formas, colores,
texturas, ... Est ligada a la imaginacin. Una persona con alta inteligencia visual est capacitada
para transformar lo que crea en su mente en imgenes, tal como se expresa en el arte grfico.
Esta inteligencia nos capacita para crear diseos, cuadros, diagramas y construir cosas.
* Inteligencia Corporal-Cintica: Es la habilidad para controlar los movimientos de todo el
cuerpo para realizar actividades fsicas. Se usa para efectuar actividades como deportes, que
requiere coordinacin y ritmo controlado.
* Inteligencia Musical: Es la habilidad que nos permite crear sonidos, ritmos y melodas. Nos
sirve para crear sonidos nuevos para expresar emociones y sentimientos a travs de la msica.
* Inteligencia Interpersonal: Consiste en relacionarse y comprender a otras personas. Incluye
las habilidades para mostrar expresiones faciales, controlar la voz y expresar gestos en
determinadas ocasiones. Tambin abacar las capacidades para percibir la afectividad de las
personas.

* Inteligencia Intrapersonal: Es nuestra conciencia. Entender lo que hacemos nosotros


mismos y valorar nuestras propias acciones.
* Inteligencia Naturalista: Consiste en el entendimiento del entorno natural y la observacin
cientfica de la naturaleza como la biologa, geologa o astronoma.
Ejemplos donde la separacin de las inteligencias se manifiesta pueden encontrarse en personas
con trastornos mentales que sorprendentemente poseen extraordinarias habilidades para
realizar clculos o componer msica.
Como deca anteriormente, la mayora de los test que calculan el coeficiente intelectual no hacen
un estudio exhaustivo de todas las distintas inteligencias que posee el ser humano.
Los resultados de la medida de las mltiples inteligencias de una persona le puede servir para su
orientacin profesional, pues podra saber cules seran las actividades dnde se desenvolvera
mejor, o qu inteligencia debera de desarrollar.
Y digo yo, la inteligencia de una persona se puede desarrollar?
Muchos dicen que no, que una persona nace con una determinada inteligencia, incluso
rematando la faena afirmando que es hereditaria (en mi opinin eso es una burrada). Un profesor
de biologa una vez nos comentaba en clase una ancdota:
En una ocasin Albert Einstein conoci a una exuberante actriz, la cual le propuso casarse y
tener hijos, pues con la inteligencia de Einstein y la belleza de la actriz, tendran hijos tan guapos
como ella y tan listos como l.
Lamentablemente la actriz no contempl la opcin que Einstein le respondi: Y si nuestros hijos
saliesen tan feos como yo y tan idiotas como t?. Fue algo ameno en una clase de herencia
mendeliana.
En cambio, otros piensan que la inteligencia se desarrolla durante el nacimiento y muerte de la
vida de un ser vivo.
An as est demostrado que muchos nios aprenden ms rpido que otros, aunque pienso que
la adquisicin de conocimientos y tcnicas no es cuestin de inteligencia (aunque est
relacionado).
Tambin cabe mencionar la diferencia entre una persona inteligente y una persona sabia. Es lo
mismo ser sabio que inteligente? Pues no. La sabidura es la posesin de conocimiento, el saber
cosas.

En la inteligencia se utiliza las cosas que sabemos, an as podemos saber muchas cosas y no
ser capaces de resolver un determinado problema. Es el caso de mucha gente, pueden saber
mucho y ser unos autnticos imbciles.
Otro trmino que se confunde con la inteligencia al igual que ocurre con la sabidura es la
cultura. Una persona culta es una persona inteligente?.
Antes de nada tenemos que comprender que significa cultura en el sentido de la reflexin que
estamos tratando. Segn la RAE (Real Academia Espaola) un individuo culto es una persona que
posee un conjunto de conocimientos.
Por lo tanto una persona culta, no implica que sea ms inteligente que otra inculta (sin estudios,
sin conocimientos culturales). Por otro lado tampoco hay que confundir inteligencia con
memoria.
Existen muchas personas con grandes capacidades mnemotcnicas y que pueden recordar
muchos conceptos, aunque sin la necesidad de comprenderlos.
An as est comprobado que definir la inteligencia es muy complicado, pues existen muchas
teoras y muchos puntos de vistas en los que creer, algunos muy dispares.
Sin embargo, si no quieres calentarte el coco demasiado cuando te pregunten qu es la
inteligencia? responde sutilmente: una palabra.
Inteligencia Artificial :
Se denomina inteligencia artificial (IA) a la rama de las ciencias de la Computacin dedicada al
desarrollo de agentes racionales no vivos.
Para explicar la definicin anterior, 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 la caracterstica que posee una
eleccin de ser correcta, ms especficamente, de tender a maximizar un resultado esperado.
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.
Por lo tanto, y de manera ms especfica la inteligencia artificial es la disciplina que se encarga
de construir procesos que al ser ejecutados sobre una arquitectura fsica producen acciones o
resultados que maximizan una medida de rendimiento determinada, basndose en la secuencia
de entradas percibidas y en el conocimiento almacenado en tal arquitectura.

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.
Tambin se distinguen varios tipos de procesos vlidos para obtener resultados racionales, que
determinan el tipo de agente inteligente.
De ms simples a ms complejos, los cinco principales tipos de procesos son:
* Ejecucin de una respuesta predeterminada por cada entrada (anlogas a actos reflejos en
seres vivos).
* 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.

Temas de inters en los que investigamos constantemente, no solamente por inters propio sino
tambin por solicitud de nuestros clientes.

Visin Artificial

La Visin artificial, tambin conocida como Visin por Computador (del ingls
Computer Vision) o Visin tcnica, es un subcampo de la inteligencia artificial. El
propsito de la visin artificial es programar un computador para que "entienda" una
escena o las caractersticas de una imagen.

Esquema de relaciones entre visin por computadora y otras reas afines. Los
objetivos tpicos de la visin artificial incluyen: La deteccin, segmentacin,
localizacin y reconocimiento de ciertos objetos en imgenes (por ejemplo, caras
humanas). La evaluacin de los resultados (ej.: segmentacin, registro). Registro de
diferentes imgenes de una misma escena u objeto, i.e., hacer concordar un mismo
objeto en diversas imgenes. Seguimiento de un objeto en una secuencia de
imgenes. Mapeo de una escena para generar un modelo tridimensional de la
escena; tal modelo podra ser usado por un robot para navegar por la escena.
Estimacin de las posturas tridimensionales de humanos. Bsqueda de imgenes
digitales por su contenido. Estos objetivos se consiguen por medio de reconocimiento
de patrones, aprendizaje estadstico, geometra de proyeccin, procesado de
imgenes, teora de grficos y otros campos. La visin artificial cognitiva est muy
relacionada con la psicologa cognitiva y la computacin biolgica.

AUTOMOTIVE

Oct 10, 2011


No Comments

Visin artificial
Los elevados requisitos de control de calidad y automatizacin industrial que el sector de la
automocin se impone a si mismo, hacen de este sector un gran consumidor de soluciones
de visin artificial.
Como disciplina tecnolgica, la visin artificial busca aplicar sus teoras y modelos para la
construccin de sistemas de visin por computador. Ejemplos de aplicaciones:
- Control de procesos (un robot industrial o de un vehculo autnomo).
- Deteccin de eventos (vigilancia visual o conteo de personas).
- Organizacin de la informacin (indexacin de imgenes y secuencias de imgenes).
- Modelado de objetos o entornos (anlisis de imgenes mdicas o de modelado topogrfico).
- Interacciones (entrada a un dispositivo HMI).
La visin artificial es, en cierto modo, el inverso de la infografa. Mientras que la infografa produce
datos de imagen a partir de modelos 3D, la visin artificial a menudo produce modelos 3D a partir
de datos de imagen. Tambin hay una tendencia hacia una combinacin de las dos disciplinas, por
ejemplo, como se analiza en la realidad aumentada.

Fuente: Ribinerf

Ingeinnova Automotive desarrolla proyectos integrales de implantacin de visin artificial en lneas


productivas. Desde el lanzamiento de proyecto, incluyendo la definicin del cuaderno de cargas, el
anlisis de las alternativas y la seleccin de proveedores, hasta la implantacin propia de las
clulas devisin artificial.
El diseo de las clulas de experimentacin completas (cmaras de visin artificial, robots, utillajes)
se ajusta a satisfacer las necesidades particulares de cada empresa, incluyendo la instalacin de
los equipos en los laboratorios con las normativas de seguridad necesarias para el uso de las
tecnologas y la formacin en el manejo de la tecnologa de forma que se obtengan personas
totalmente autnomas para la realizacin de cualquier prueba en los equipos.
Anlogamente se testea la clula diseada analizando las piezas y especificaciones definidas, se
elabora un informe de viabilidad especfico para cada empresa de acuerdo a los resultados
obtenidos y se elabora un cuaderno de cargas de los equipos a incorporar en las lneas de
produccin.
Este procedimiento convierte a Ingeinnova en una empresa referente en el marco de una
tecnologa innovadora y que aporta competitividad como la visin artificial.
Los sistemas de visin artificial integrados en clulas robotizadas son implementados con gran
xito en diferentes campos por empresas de diferentes sectores:
Medicin: Mide las dimensiones de una pieza, sus dimetros, la planitud de superficies, niveles
Guiado: Inteligencia artificial, guiado de robots para localizar y/o ensamblar piezas.
Identificacin: Identificacin de piezas o productos por su perfil., realizacin de reconocimiento
ptico de caracteres OCR, anlisis de imgenes, procesado de seal y de imgenes
Inspeccin: Detecta la presencia-ausencia de piezas en ensamblaje, realiza la orientacin de
piezas, las inspecciones de defectos superficiales, la comprobacin de la fecha en un lote de
productos o su caducidad, los defectos en la superficie en productos producidos de forma
continua

Introduccin.
La Inteligencia Artificial comenz como el resultado de la investigacin en psicologa cognitiva
y lgica matemtica. Se ha enfocado sobre la explicacin del trabajo mental y construccin de algoritmos de
solucin a problemas de propsito general. Punto de vista que favorece la abstraccin y la generalidad.
La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y
amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales
tienen en comn la creacin de mquinas que pueden "pensar".
La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia
humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista
incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica, suministro de
asesora experta en diversos temas.
Es as como los sistemas de administracin de base de datos cada vez ms sofisticados,
la estructura de datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el
intento de crear mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la
inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956.

Trabajos tericos fundamentales fueron el desarrollo de algoritmos matemticos por Warren McCullock y
Walter Pitts, en 1943, necesarios para posibilitar el trabajo de clasificacin, o funcionamiento en sentido
general, de una red neuronal. En 1949 Donald Hebb desarroll un algoritmo de aprendizaje para
dichas redes neuronales creando, en conjunto con los trabajos de McCullock y Pitts, la escuela creacionista.
Esta escuela se considera hoy como el origen de la Inteligencia Artificial, sin embargo se trat poco por
muchos aos, dando paso al razonamiento simblico basado en reglas de produccin, lo que se conoce como
sistemas expertos.
I. Nociones y Antecedentes Histricos de Inteligencia Artificial.
Definiciones sobre Inteligencia Artificial:
Disciplina cientfico-tcnica que trata de crear sistemas artificiales capaces de comportamientos que,
de ser realizados por seres humanos, se dira que requieren inteligencia.
Estudio de los mecanismos de la inteligencia y las tecnologas que lo sustentan. (Newell, 91)
Intento de reproducir (modelar) la manera en que las personas identifican, estructuran y resuelven
problemas difciles (Pople, 84)
Son ciertas herramientas de programacin, entendiendo por herramientas:

Lenguajes: LISP, PROLOG

Entornos de desarrollo: shells

Arquitecturas de alto nivel: nodo y arco, sistemas de producciones

Desde sus comienzos hasta la actualidad, la Inteligencia Artificial ha tenido que hacer frente a una serie de
problemas:
Los computadores no pueden manejar (no contienen) verdaderos significados.

Los computadores no tienen autoconciencia (emociones, sociabilidad, etc.).

Un computador slo puede hacer aquello para lo que est programado.

Las mquinas no pueden pensar realmente.


En 1843, Lady Ada Augusta Byron, patrocinadora de Charles Babbage plante el asunto de si la mquina de
Babbage poda "pensar".
Los primeros problemas que se trat de resolver fueron puzzles, juegos de ajedrez, traduccin de textos a
otro idioma.
Durante la II Guerra Mundial Norbert Wiener y John Von Neumann establecieron los principios de
la ciberntica en relacin con la realizacin de decisiones complejas y control de funciones en mquinas.
La teora de la retroalimentacin en mecanismos, como por ejemplo un termostato que regula
la temperatura en una casa, tuvo mucha influencia. Esto an no era propiamente Inteligencia Artificial. Se hizo
mucho en traducciones (Andrew Booth y Warren Weaver), lo que sembr la semilla hacia el entendimiento
del lenguaje natural.
En el ao 1955 Herbert Simon, el fsico Allen Newell y J.C. Shaw, programador de la RAND Corp. y
compaero de Newell, desarrolla el primer lenguaje de programacin orientado a la resolucin de problemas
de la Inteligencia Artificial, el IPL-11. Un ao ms tarde estos tres cientficos desarrollan el primer programa de
Inteligencia Artificial al que llamaron Logic Theorist, el cual era capaz de demostrar teoremas matemticos,
representando cada problema como un modelo de rbol, en el que se seguan ramas en busca de la solucin

correcta, que result crucial. Este programa demostr 38 de los 52 teoremas del segundo captulo
de Principia Mathematica de Russel y Whitehead.
En 1956, con la ahora famosa conferencia de Dartmouth, organizada por John McCarthy y en la cual se utiliz
el nombre de inteligencia artificial para este nuevo campo, se separ la Inteligencia Artificial de la ciencia del
computador, como tal. Se estableci como conclusin fundamental la posibilidad de simular inteligencia
humana en una mquina.
En 1957 Newell y Simon continan su trabajo con el desarrollo del General Problems Solver (GPS). GPS era
un sistema orientado a la resolucin de problemas; a diferencia del Logic Theorist, el cual se orient a la
demostracin de teoremas matemticos, GPS no estaba programado para resolver problemas de un
determinado tipo, razn a la cual debe su nombre. Resuelve una gran cantidad de problemas de sentido
comn, como una extensin del principio de retroalimentacin de Wiener.
Diversos centros de investigacin se establecieron, entre los ms relevantes estn, la Universidad Carnegie
Mellon, el Massachusetts Institute of Technologie (MIT), encabezado por Marvin Minsky, la Universidad de
Standford e IBM. Los temas fundamentales eran el desarrollo de heursticas y el aprendizaje de mquinas.
En 1957 McCarthy desarroll el lenguaje LISP. La IBM contrat un equipo para la investigacin en esa rea y
el gobierno de USA aport dinero al MIT tambin para investigacin en 1963.
A finales de los aos 50 y comienzos de la dcada del 60 se desarrolla un programa orientado a la lectura de
oraciones en ingls y la extraccin de conclusiones a partir de su interpretacin, al cual su autor, Robert K.
Lindsay, denomina "Sad Sam". Este poda leer oraciones del tipo "Jim es hermano de John" y "La madre de
Jim es Mary", a partir de ella el sistema conclua que Mary deba ser tambin la madre de John. Este sistema
represent un enorme paso de avance en la simulacin de inteligencia humana por una mquina, pues era
capaz de tomar una pieza de informacin, interpretarla, relacionarla con informacin anteriormente
almacenada, analizarla y sacar conclusiones lgicas.
En el mismo perodo de tiempo hay trabajos importantes de Herbert Gelernter, de IBM, quien desarrolla un
"Demostrador Automtico de Teoremas de la Geometra", Alex Bernstein desarrolla un programa para
el juego de ajedrez que se considera el antecedente para "Deep Blue".
En 1961 se desarrolla SAINT (Simbolic Automatic INTegrator) por James Slagle el cual se orienta a la
demostracin simblica en el rea del lgebra.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de
comprender oraciones en ingls.
A continuacin un ejemplo, traducido, de interaccin entre SIR y un usuario:
Usuario: Todos somos personas
SIR: Comprendo
Usuario: Un dedo es una parte de la mano
SIR: Comprendo
Usuario: Cada persona tiene dos manos
SIR: La oracin anterior es ambigua. Por favor reconstryala.
Usuario: En cada persona hay dos manos
SIR: Comprendo
Usuario: Cuantos dedos tiene John?
SIR: La oracin anterior es ambigua, pero asumo que TIENE significa TIENE COMO PARTES. No se si los
dedos forman parte de John.
Usuario: John es un chico
SIR: Comprendo
Usuario: Cuntos dedos tiene John?
SIR: La oracin anterior es ambigua, pero asumo que TIENE significa TIENE COMO PARTES, cuntos
dedos por mano?.
Usuario: Cada mano tiene cinco dedos.
SIR: Comprendo
Usuario: Cuntos dedos tiene John?
SIR: La respuesta es diez.
En la dcada del 60 se comienza en el MIT el estudio de la visin artificial, lo cual implica no solo
captar imgenes a travs de una cmara, sino tambin la comprensin, de lo que estas imgenes
representan.

Un resultado importante en este trabajo lo constituye el "mundo de micro-bloques", en el cual un robot era
capaz de percibir un conjunto de bloques sobre una mesa, moverlos y apilarlos; el xito se debi a los
investigadores Larry Roberts, Gerald Sussman, Adolfo Guzman, Max Clowes, David Huffman, David Waltz,
Patrick Winston, y Berthold Horn.
Posteriormente se obtuvieron resultados importantes entre ellos el de mayor resonancia fue el sistema
SCHRDLU de Terry Winograd, pues permita interrogar y dar rdenes a un robot que se mova dentro de un
mundo de bloques.
A continuacin mostramos un ejemplo traducido:

Usuario: Toma un bloque rojo.


SCHRDLU: Ok.
Usuario: Busca un bloque ms pequeo que el que tienes y ponlo dentro de la caja.
SCHRDLU: Asumo que PONLO se refiere al bloque ms pequeo que el que tengo.
Usuario: Qu contiene la caja?
SCHRDLU: La pirmide azul y el bloque azul.
Usuario: Qu sostiene a la pirmide?
SCHRDLU: La caja.
Usuario: Cuntos bloques no estn sobre la mesa?
SCHRDLU: Cuatro.
Usuario: Es al menos uno de ellos ms estrecho que aquel que te dije que recogieras?
SCHRDLU: S, el cubo rojo.
Usuario: Lo sostiene algo?
SCHRDLU: S, la mesa.
Usuario: Puede la mesa recoger bloques?
SCHRDLU: No.
Usuario: La pirmide azul es ma.
SCHRDLU: Comprendo.
Usuario: Todos los bloques que no son rojos son mos, pero no poseo nada que sostenga una pirmide.
SCHRDLU: Comprendo.
Usuario: Poseo una caja?
SCHRDLU: No
Usuario: Poseo algo de la caja?
SCHRDLU: Si, dos cosas: El bloque azul y la pirmide azul.
Aunque parezca impresionante la capacidad del sistema para razonar y ejecutar acciones, no se debe perder
de vista el hecho que el robot se mueve en un mundo muy simple de figuras geomtricas, y que las relaciones
entre ellas son muy limitadas. En el mundo real existen tantos objetos diferentes y relaciones entre ellos, que
tratar de llevar este sistema a un entorno real resulta prcticamente imposible.
En los primeros aos de la dcada del 60 Frank Rosemblatt desarrolla, en la Universidad de Cornell, un
modelo de la mente humana a travs de una red neuronal y produce un primer resultado al cual llama
perceptrn. Este sistema era una extensin del modelo matemtico concebido por McCullock y Pitts para las

neuronas, y funcionaba basndose en el principio de "disparar" o activar neuronas a partir de un valor de


entrada el cual modifica un peso asociado a la neurona, si el peso resultante sobrepasa un cierto umbral la
neurona se dispara y pasa la seal a aquellas con las que est conectada. Al final, en la ltima capa de
neuronas, aquellas que se activen definirn un patrn el cual sirve para clasificar la entrada inicial.
Este trabajo constituye la base de las redes neuronales de hoy en da, sin embargo a raz de su desarrollo
sufri fuertes crticas por parte de Marvin Minsky
y Seymour Papert lo cual provoc que la mayora de los investigadores interesados en el tema lo
abandonarn, y este no se retomara hasta los aos 80.
En 1965-70, comenzaron a aparecer los programas expertos, que predicen la probabilidad de una solucin
bajo un set de condiciones, entre esos proyectos estuvo: DENDRAL, que asista a qumicos
en estructuras qumicas complejas euclidianas; MACSYMA, producto que asista a ingenieros y cientficos en
la solucin de ecuaciones matemticas complejas, etc.
En la dcada 1970-80, creci el uso de sistemas expertos, muchas veces diseados para aplicaciones
mdicas y para problemas realmente muy complejos como MYCIN, que asisti a mdicos en el diagnstico y
tratamiento de infecciones en la sangre. Otros son: R1/XCON, PIP, ABEL, CASNET, PUFF,
INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy.
De 1975 en adelante, comienza la era de los lenguajes expertos (shells) como EMYCIN, EXPERT, OPSS, etc.
para luego tratar de que stos sean ms amigables y funcionales.
Las definiciones de Inteligencia Artificial son muchas, pero podra decirse que son programas que realizan
tareas que si fueran hechas por humanos se consideraran inteligentes.
Estos programas obviamente corren en un computador y se usan, como por ejemplo, en control robtico,
comprensin de lenguajes naturales, procesamiento de imgenes basado en conocimientos
previos, estrategias de juegos, etc. reproduciendo la experiencia que un humano adquirira y de la forma en
que un humano lo hara.
Para clasificar las mquinas como "pensantes", es necesario definir qu es inteligencia y qu grado de
inteligencia implica resolver problemas matemticos complejos, hacer generalizaciones o relaciones, percibir y
comprender. Los estudios en las reas del aprendizaje, del lenguaje y de la percepcin sensorial han ayudado
a los cientficos a definir a una mquina inteligente. Importantes desafos han sido tratar de imitar
el comportamiento del cerebro humano, con millones de neuronas y extrema complejidad.

Leer ms: http://www.monografias.com/trabajos12/inteartf/inteartf.shtml#ixzz2eiSaizuY

Caractersticas de la Inteligencia Artificial.


1.
Una caracterstica fundamental que distingue a los mtodos de Inteligencia Artificial de los mtodos
numricos es el uso de smbolos no matemticos, aunque no es suficiente para distinguirlo
completamente. Otros tipos de programas como los compiladores y sistemas de bases de datos, tambin
procesan smbolos y no se considera que usen tcnicas de Inteligencia Artificial.

2.

3.

Las conclusiones de un programa declarativo no son fijas y son determinadas parcialmente por las
conclusiones intermedias alcanzadas durante las consideraciones al problema especfico. Los lenguajes
orientados al objeto comparten esta propiedad y se han caracterizado por su afinidad con la Inteligencia
Artificial.
El comportamiento de los programas no es descrito explcitamente por el algoritmo. La secuencia de
pasos seguidos por el programa es influenciado por el problema particular presente. El programa
especifica cmo encontrar la secuencia de pasos necesarios para resolver un problema dado (programa
declarativo). En contraste con los programas que no son de Inteligencia Artificial, que siguen un algoritmo
definido, que especifica, explcitamente, cmo encontrar las variables de salida para cualquier variable
dada de entrada (programa de procedimiento).
El razonamiento basado en el conocimiento, implica que estos programas incorporan factores y
relaciones del mundo real y del mbito del conocimiento en que ellos operan. Al contrario de los

programas para propsito especfico, como los de contabilidad y clculos cientficos; los programas de
Inteligencia Artificial pueden distinguir entre el programa de razonamiento o motor de inferencia y base de
conocimientos dndole la capacidad de explicar discrepancias entre ellas.
4.

Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de Inteligencia Artificial los
programas no pueden trabajar con este tipo de problemas. Un ejemplo es la resolucin de conflictos en
tareas orientadas a metas como en planificacin, o el diagnstico de tareas en un sistema del mundo real:
con poca informacin, con una solucin cercana y no necesariamente exacta.

La Inteligencia Artificial incluye varios campos de desarrollo tales como: la robtica, usada principalmente en
el campo industrial; comprensin de lenguajes y traduccin; visin en mquinas que distinguen formas y que
se usan en lneas de ensamblaje; reconocimiento de palabras y aprendizaje de mquinas; sistemas
computacionales expertos.
Los sistemas expertos, que reproducen el comportamiento humano en un estrecho mbito del conocimiento,
son programas tan variados como los que diagnostican infecciones en la sangre e indican un tratamiento, los
que interpretan datos sismolgicos en exploracin geolgica y los que configuran complejos equipos de alta
tecnologa.
Tales tareas reducen costos, reducen riesgos en la manipulacin humana en reas peligrosas, mejoran el
desempeo del personal inexperto, y mejoran el control de calidad sobre todo en el mbito comercial.
Diferentes teoras:
1.
Construir rplicas de la compleja red neuronal del cerebro humano (bottom-up).
2.

Intentar imitar el comportamiento del cerebro humano con un computador (top-down).

Diferentes metodologas:
1.
La lgica difusa: permite tomar decisiones bajo condiciones de incerteza.
2.

Redes neuronales: esta tecnologa es poderosa en ciertas tareas como la clasificacin y el


reconocimiento de patrones. Est basada en el concepto de "aprender" por agregacin de un gran
nmero de muy simples elementos.

Este modelo considera que una neurona 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 sinapsis.
Segn el signo, la sinapsis es excitadora o inhibidora.
El perceptrn est constituido por las entradas provenientes de fuentes externas, las conexiones y la salida.
En realidad un perceptrn es una Red Neuronal lo ms simple posible, es aquella donde no existen capas
ocultas.
Para cada configuracin de los estados de las neuronas de entrada (estmulo) la respuesta del perceptrn
obedece a la siguiente dinmica: se suman los potenciales sinpticos y se comparan con un umbral de
activacin. Esta suma ponderada es tambin llamada campo. Si el campo es mayor que un umbral, la
respuesta de la neurona es activa, si no, es inactiva.
Con una arquitectura tan simple como la del perceptrn no se puede realizar ms que una clase de funciones
"booleanas" muy simples, llamadas linealmente separables. Son las funciones en las cuales los estados de
entrada con salida positiva pueden ser separados de aquellos a salida negativa por un hiperplano. Un
hiperplano es el conjunto de puntos en el espacio de estados de entrada, que satisfacen una ecuacin lineal.
En dos dimensiones, es una recta, en tres dimensiones un plano, etc.
Si se quieren realizar funciones ms complejas con Redes Neuronales, es necesario intercalar neuronas entre
las capas de entradas y de salida, llamadas neuronas ocultas. Una red multicapas puede ser definida como
un conjunto de perceptrones, ligados entre si por sinapsis y dispuestos en capas siguiendo diversas
arquitecturas. Una de las arquitecturas ms comnmente usada es llamada feedforward: con conexiones de
la entrada a las capas ocultas y de stas hacia la salida.
El funcionamiento de una Red Neuronal es gobernado por reglas de propagacin de actividades y de
actualizacin de los estados.

I.1. Objetivos de la Investigacin en Inteligencia Artificial.


Los investigadores en inteligencia artificial se concentran principalmente en los sistemas expertos, la
resolucin de problemas, el control automtico, las bases de datos inteligentes y la ingeniera del software
(diseos de entornos de programacin inteligente).
Otros investigadores estn trabajando en el reto del reconocimiento de patrones donde se espera un rpido
progreso en este campo que abarca la comprensin y la sntesis del habla, el proceso de imgenes y la visin
artificial.
Finalmente, la fundamental investigacin sobre la representacin del conocimiento, la conceptualizacin
cognoscitiva y la comprensin del lenguaje natural.
Uno de los principales objetivos de los investigadores en inteligencia artificial es la reproduccin automtica
del razonamiento humano.
El razonamiento de un jugador de ajedrez no siempre es el mismo que el de un directivo que se pregunta la
viabilidad de fabricar un nuevo producto. Un nio jugando con bloques de madera en una mesa no tiene idea
de la complejidad del razonamiento necesario para llevar a cabo la construccin de una pirmide, e intentar
que un robot hiciera lo mismo que el nio requerira un largo programa de computador.
Formas de considerar situaciones complejas son:
deduccin, que permite obtener conclusiones de reglas cuyas premisas hemos comprobado
induccin que produce reglas a partir de observaciones parciales.
Estos dos tipos principales pueden utilizarse de un modo analtico (el razonamiento se divide en submdulos
que son ms difciles de manejar, o de un modo sinttico (inverso del proceso anterior, juntando elementos
que se separaron anteriormente).
La induccin puede tener lugar cuando se comparan situaciones que son casi similares, con parmetros
desconocidos en una situacin dada asignndole los valores que tienen ya en una situacin de referencia;
este es un razonamiento por analoga.
Los mtodos para razonar son variados. La iteracin significa repetir la misma secuencia de razonamiento
hasta que se alcance una condicin de final; la recursin consiste en una forma particular del razonamiento
que se llama a s misma, como aquellas muecas rusas que estn unas dentro de otras, hasta llegar a un
problema simple que es fcil de resolver.
Las estrategias para el razonamiento pueden hacer uso de la especializacin, la reduccin al absurdo, de la
eliminacin de caminos poco prometedores y de la reduccin de las diferencias.
En todos los casos, la organizacin jerrquica del conocimiento y la segmentacin de los problemas son
mtodos que se emplean siempre al intentar resolver un problema complejo.
La funcin asignada a los sistemas expertos es la de razonar.
I.2. Smbolos vs. Mtodos Numricos.
El primer perodo de la Inteligencia Artificial, llamado sub-simblico, data de aproximadamente 1950 a 1965.
Este perodo utiliz representaciones numricas (o sub-simblicas) del conocimiento. Aunque la mayor parte
de los libros de Inteligencia Artificial enfatizan el trabajo realizado por Rosenblatt y Widrow con redes
neuronales durante este perodo, la realidad es que otra importante escuela sub-simblica data tambin de la
misma poca y estos son los algoritmos evolutivos.
La escuela clsica dentro de la Inteligencia Artificial, utiliza representaciones simblicas basadas en un
nmero finito de primitivas y de reglas para la manipulacin de smbolos. El perodo simblico se considera
aproximadamente comprendido entre 1962 y 1975, seguido por un perodo dominado por los sistemas
basados en el conocimiento de 1976 a 1988. Sin embargo, en este segundo perodo las representaciones
simblicas (por ejemplo, redes semnticas, lgica de predicados, etc.) siguieron siendo parte central de
dichos sistemas.
La Programacin Lgica tiene sus orgenes ms cercanos en los trabajos de J. A. Robinson que propone en
1965 una regla de inferencia a la que llama resolucin, mediante la cual la demostracin de un teorema puede
ser llevada a cabo de manera automtica.
En la actualidad, la Inteligencia Artificial empieza a extender sus reas de investigacin en diversas
direcciones y trata de integrar diferentes mtodos en sistemas a gran escala, tratando de explotar al mximo
las ventajas de cada esquema.

La resolucin es una regla que se aplica sobre cierto tipo de frmulas del Clculo de Predicados de Primer
Orden, llamadas clusulas y la demostracin de teoremas bajo esta regla de inferencia se lleva a cabo por
reduccin al absurdo.
Otros trabajos importantes de esa poca que influyeron en la programacin lgica, fueron los de Loveland,
Kowalski y Green, que disea un probador de teoremas que extrae de la prueba el valor de las variables para
las cuales el teorema es vlido.
Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una poca, pero, por su
ineficiencia, fueron relegados hasta el nacimiento de Prolog, que surge en 1971 en la Universidad de
Marsella, Francia.
Actualmente, la programacin lgica ha despertado un creciente inters que va mucho ms all del campo de
la Inteligencia Artificial y sus aplicaciones. Los japoneses, con sus proyectos de mquinas de la quinta
generacin, dieron un gran impulso a este paradigma de programacin.
La Lgica de Primer Orden, es uno de los formalismos ms utilizados para representar conocimiento en
Inteligencia Artificial. La Lgica cuenta con un lenguaje formal mediante el cual es posible representar
frmulas llamadas axiomas, que permiten describir fragmentos del conocimiento y, adems consta de un
conjunto de reglas de inferencia que aplicadas a los axiomas, permiten derivar nuevo conocimiento.
El Alfabeto del Lenguaje de la Lgica de Primer Orden contiene dos tipos de smbolos:
a.
Smbolos lgicos, entre los que se encuentran los smbolos de constantes proposicionales true y
false; los smbolos de operadores proposicionales para la negacin, la conjuncin, la disyuncin y las
implicaciones (=>, <=); los smbolos de operadores de cuantificacin como el cuantificador universal; el
cuantificador existencial; y los smbolos auxiliares de escritura como corchetes [,], parntesis (,) y coma.
b.

Smbolos no lgicos, agrupados en el conjunto de smbolos constantes; el conjunto de smbolos de


variables individuales; el conjunto de smbolos de funciones n-arias; y el conjunto de smbolos de
relaciones n-arias.

A partir de estos smbolos se construyen las expresiones vlidas en el Lenguaje de Primer Orden: los
trminos y las frmulas.
Un trmino es cualquiera de las tres expresiones siguientes: una constante, por ejemplo, el nmero "100", la
palabra "alfredo" y la letra "c"; o una variable, por ejemplo, "X" o bien una expresin de la forma "f(t1,...,tn)"
donde "f" es un smbolo de funcin n-aria y t1,...,tn son trminos. Ejemplos de funciones son: f(100,X),
padre(Y) y sucesor(X).
Las frmulas atmicas o elementales son expresiones de la forma R(t1,...,tn) donde R es un smbolo de
relacin n-aria y t1,...,tn son trminos.
Ejemplos de frmulas son:
positivo(3),not(igual(4,doble(2))), recetar(X,aspirina)<=tiene(X,fiebre), tiene(X,cefalea).
Esta ltima establece una regla que dice que, si X tiene fiebre y cefalea (dolor de cabeza), X debe tomar una
aspirina.
El Lenguaje de Primer Orden posee un amplio poder de expresin, los trminos permiten nombrar los objetos
del universo, mientras que las frmulas permiten afirmar o negar propiedades de stos o bien establecen las
relaciones entre los objetos del universo.
Puede decirse que la Programacin Lgica utiliza la Lgica de Primer Orden como lenguaje de programacin.
Prolog es un ejemplo de lenguaje basado en la Lgica de Primer Orden y aunque toma su nombre de este
trmino ("PROgramming in LOGic"), no abarca toda la riqueza de la Lgica de Primer Orden para resolver
problemas, pues est restringido al uso de cierta clase de frmulas denominadas clusulas definidas o
clusulas de Horn.
Un programa lgico est formado por un conjunto finito de clusulas de programa que son hechos o reglas.
Por ejemplo:
padre(luis,miguel). hecho
padre(miguel,jose). hecho
padre(jose,juan). hecho
abuelo(X,Y):-padre(X,Z), padre(Z,Y). regla

Este programa est formado por cuatro clusulas de programa, las tres primeras son del tipo hecho y definen
la relacin padre/2 y la cuarta una regla que define la relacin abuelo/2. Ntese el uso de las variables X,Y y Z
en esta clusula, las cuales permiten definir de manera general en Prolog la relacin "ser abuelo de", pues la
lectura declarativa de dicha clusula es la siguiente: "Para cualesquiera X,Y,Z se cumple que: X abuelo de Y,
si X padre de Z y Z padre de Y".
En Prolog es posible hacer preguntas sobre objetos y relaciones del dominio y estas preguntas se formulan
como objetivos o metas, que son evaluadas por el intrprete de Prolog utilizando su mecanismo de inferencia
interno, el cual determina si la meta a demostrar es una consecuencia lgica del programa, aplicando reglas
de deduccin para obtener la respuesta.
Por ejemplo, del programa anterior, utilizando la clusula de tipo meta ?abuelo(X,juan), para preguntar quin
es el abuelo de Juan? o bien quines son los abuelos de Juan?, es posible deducir que Luis es abuelo de
Juan, aunque implcitamente no existe en el programa ningn hecho que as lo afirme.
En este caso la ejecucin del programa, para dicha meta, arrojara como resultado que X=luis.
El mtodo de deduccin utilizado por Prolog, para dar respuesta a los objetivos planteados, se basa en el uso
de una nica regla de inferencia: el Principio de Resolucin.
Los primeros trabajos de prueba automtica de teoremas utilizaban la resolucin, aplicada a clusulas
cualesquiera, pero el problema de las deducciones con clusulas generales es el gran nmero de
combinaciones posibles para llevar a cabo las resoluciones.
Por ello Prolog restringe el conjunto de clusulas, lo que le permite llevar a cabo una prueba dirigida y, en la
mayora de los casos, con un universo de posibilidades explorable en tiempo de ejecucin.
Realmente, en Prolog se hace uso de una estrategia de refinamiento de dicho principio, denominada
Resolucin-SLD, la cual se aplica a clusulas definidas.
I.3. Algoritmos.
Cuando una tarea se realiza por medio de un algoritmo perfectamente definido de almacenamiento,
clasificacin o clculo, lo puede hacer un computador. Este concepto de algoritmo, secuencial, fijo y de
determinadas operaciones, es incapaz de manejar problemas donde el camino del razonamiento es variable y
donde deben afrontarse situaciones diversas sin haber sido especificadas.
La Inteligencia Artificial hace uso de un tipo de lenguaje diferente como es el caso de LISP y PROLOG.
En 1932, Cannon visualiz la evolucin natural como un proceso de aprendizaje. Alan Turing reconoci, en
1950, que debe haber una conexin obvia entre el aprendizaje de mquina y la evolucin, y seal que se
podran desarrollar programas para jugar ajedrez usando esta tcnica. Campbell conjetur en 1960 que en
todos los procesos que llevan a la expansin del conocimiento, se involucra un proceso ciego de variacin y
supervivencia selectiva.
Los primeros intentos de aplicar de manera formal la teora de la evolucin, a problemas prcticos de
ingeniera, apareci en las reas de control de procesos estadsticos, aprendizaje de mquina y optimizacin
de funciones. Tal vez el primer intento serio de este tipo se dio en el trabajo que realizaron Box y sus colegas
en 1957, en el desarrollo de una tcnica que denominaron operacin evolutiva, la cual se aplic a una planta
de manufactura, y que se implanto sobre la base de los votos de un comit de jefes tcnicos. Bajo este
esquema, la calidad del producto avanzaba a travs de mutaciones aleatorias y la seleccin era determinada
por el comit.
Por su parte, Friedberg intent, en 1958, hacer que un programa en lenguaje mquina se mejorara a s
mismo, seleccionando instrucciones que se asociaran ms frecuentemente con un resultado exitoso. Aunque
Friedberg nunca mencion explcitamente estar simulando la evolucin natural, esa es la interpretacin ms
comnmente aceptada de su trabajo, y a pesar de que tuvo cierto xito evolucionando manipuladores de bits
y determinando las interconexiones de una caja negra de 1400 terminales, la comunidad de Inteligencia
Artificial de la poca prest poca atencin a su trabajo. Por ejemplo, Minsky lo critic duramente,
argumentando que una bsqueda puramente aleatoria era mucho mejor que el algoritmo de Friedberg.
El trabajo de Bremermann, en 1958, se enfoc ms a la optimizacin, introduciendo el importante manejo de
un valor de aptitud, y definiendo a un individuo como una cadena de smbolos binarios (unos y ceros).
Bremermann advirti, acertadamente, que la mutacin jugaba un papel importante en la evolucin, pues
impeda el estancamiento en mnimos locales. Aunque muchas de sus ideas se usan hoy en da, Bremermann
cometi el error de tratar de optimizar funciones lineales y convexas, obteniendo resultados decepcionantes,
pues sus algoritmos evolutivos tenan que ser complementados con otras heursticas para converger en una

solucin. Hoy sabemos que los algoritmos evolutivos difcilmente pueden competir con las tcnicas
tradicionales de optimizacin en esos dominios.
Barricelli ofreci, en 1954, una de las primeras simulaciones que usaba principios evolutivos, utilizando los
mismos procedimientos generales que se usan hoy en da en la disciplina conocida como vida artificial. Sin
embargo, en este trabajo, as como el que Reed realiz posteriormente en 1967, se concluy que la cruza no
pareca mejorar la velocidad de la adaptacin selectiva, y el operador primordial era la mutacin.
Fue Fogel el que introdujo la primera tcnica evolutiva que realmente funcion ms o menos dentro de los
lineamientos actuales de la computacin evolutiva. Su programacin evolutiva consista en hacer evolucionar
autmatas de estados finitos por medio de mutaciones. Fogel introdujo los importantes conceptos de
poblacin y seleccin, y aunque las revisiones iniciales de su trabajo fueron favorables, algunos
investigadores, como Solomonoff, enfatizaron que el mtodo de Fogel no deba verse en su estado actual (en
1966) como algo particularmente til para resolver problemas, a excepcin de los ms simples posibles.
Solomonoff vio a la programacin evolutiva como una especie de bsqueda escalando la colina modelada
mediante autmatas, y otros investigadores como Holland, Kieras, Rada y Lenat compartieron esa opinin.
Otra tcnica evolutiva dirigida particularmente a la optimizacin de funciones continuas de alta complejidad se
desarroll en Alemania, en 1965, por Rechenberg y Schwefel. Esta tcnica, llamada estrategia evolutiva, se
utiliz inicialmente para resolver problemas de ingeniera que desafiaban a los mtodos de optimizacin
tradicionales, como el gradiente conjugado, y se basa en la modificacin sistemtica de un vector de nmeros
reales (representando las variables de decisin del problema) mediante operadores probabilsticos, usando
ciertos criterios para decidir en qu direccin dirigir la bsqueda. La estrategia evolutiva utiliza como operador
principal a la mutacin, y en su versin ms reciente usa la cruza como operador secundario.
Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento muy similar al que John
Holland llam planes evolutivos a fines de los 60, es al segundo al que se le suele atribuir la creacin de la
tcnica que se conoce como algoritmo gentico, a raz de que Holland publicara el libro "Adaptation in Natural
and Artificial Systems" en 1975.
La principal diferencia del algoritmo gentico con las tcnicas antes mencionadas, es que utiliza la cruza como
operador principal y a la mutacin como operador secundario (e incluso opcional). El algoritmo gentico, al
igual que las redes neuronales, funciona como una caja negra que recibe ciertas entradas y produce (tras una
cantidad de tiempo indeterminada) las salidas deseadas. Sin embargo, a diferencia de stas, los algoritmos
genticos no necesitan entrenarse con ejemplos de ningn tipo, sino que son capaces de generar sus propios
ejemplos y contraejemplos que guen la evolucin a partir de poblaciones iniciales totalmente aleatorias.
Los mecanismos de seleccin del ms apto y de reproduccin sexual del algoritmo gentico, son los
encargados de preservar las caractersticas ms adecuadas de cada individuo a fin de hacer converger a la
poblacin en soluciones ptimas.
Los algoritmos genticos se distinguen tambin por no quedar atrapados fcilmente en mnimos locales, como
la mayor parte de las tcnicas de bsqueda clsicas, adems de usar operadores probabilsticos ms
robustos que los operadores determinsticos, que las otras tcnicas suelen usar.
No obstante, siendo una heurstica, tampoco pueden garantizar encontrar siempre la solucin ptima, si bien
la experiencia acumulada hasta la fecha parece demostrar que, cuando se utilizan apropiadamente, pueden
proporcionar soluciones muy aceptables y, en la mayora de los casos, superiores a las encontradas con otras
tcnicas de bsqueda y optimizacin.
Aunque an atacados por algunos sectores de la comunidad de Inteligencia Artificial, los algoritmos genticos,
al igual que las redes neuronales, se han ido ganando poco a poco, y sobre la base de la efectividad de sus
resultados en aplicaciones prcticas, el reconocimiento de los investigadores como una tcnica efectiva en
problemas de gran complejidad, como lo demuestra un nmero creciente de conferencias y publicaciones
especializadas alrededor del mundo, en los ltimos aos.
I.4. Base de Conocimiento. Sistemas Basados en Conocimiento.
Los mtodos generales desarrollados para la resolucin de problemas y tcnicas de bsqueda al inicio de la
era de la Inteligencia Artificial demostraron no ser suficientes para resolver los problemas orientados a las
aplicaciones, ni fueron capaces de satisfacer los difciles requerimientos de la investigacin.
A este conjunto de mtodos, procedimientos y tcnicas, se lo conoce como Inteligencia Artificial Dbil. La
principal conclusin que se deriv de este trabajo inicial fue que los problemas difciles slo podran ser
resueltos con la ayuda del conocimiento especfico acerca del dominio del problema.

La aplicacin de estas ideas dio lugar al desarrollo de los denominados Sistemas Basados en Conocimiento
(Knowledge Based Systems) y al aparecimiento de la Ingeniera Cognoscitiva, como una rama de la
Inteligencia Artificial, que estudia los sistemas basados en el conocimiento. La definicin de un sistema
basado en conocimiento puede ser la siguiente:
Es un sistema computarizado capaz de resolver problemas en el dominio en el cual posee
conocimiento especfico.
La solucin es esencialmente la misma que hubiera dado un ser humano confrontado con idntico problema,
aunque no necesariamente el proceso seguido por ambos puede ser igual.
El simple concepto dado, puede causar confusin ya que muchos sistemas basados en programas
convencionales podran ser incorrectamente categorizados como sistemas basados en conocimiento. Esta
inconsistencia puede ser aclarada, sobre la base de tres conceptos fundamentales que distinguen a los
sistemas basados en conocimiento de los programas algortmicos convencionales y de los programas
generales basados en bsqueda:
Inteligencia Artificial dbil.
Primero, la separacin del conocimiento y el modo en que es usado.

Segundo, la naturaleza del conocimiento empleado (heurstica antes que algortmica).

Tercero, El uso de conocimiento especfico de un determinado dominio.

Las caractersticas principales son:


amplia difusin del conocimiento

fcil modificacin

respuestas coherentes

disponibilidad casi completa

conservacin del conocimiento

capacidad de resolver problemas disponiendo de informacin incompleta

capacidad de explicar los resultados y la forma de obtenerlos

Los principales problemas asociados a este mtodo son:


las soluciones no siempre son las mejores o correctas

conocimiento limitado frente al dominio de un experto

carecen del sentido comn o criterio que puede tener un experto

es difcil extraer todo el conocimiento que maneja un experto.


I.4.1 Experiencia, Habilidades y Conocimiento.
Los tipos de experiencia que son de inters en los sistemas basados en conocimiento, pueden ser
clasificados en tres categoras: asociativa, motora y terica.
Los sistemas basados en conocimiento son excelentes para representar conocimiento asociativo. Este tipo
de experiencia refleja la habilidad heurstica o el conocimiento que es adquirido mayoritariamente, a travs de
la observacin.

Puede ser que no se comprenda exactamente lo que ocurre al interior de un sistema (caja negra), pero se
pueden asociar entradas o estmulos con salidas o respuestas, para resolver problemas que han sido
previamente conocidos.
La experiencia motora es ms fsica que cognitiva. La habilidad se adquiere fundamentalmente a travs del
ejercicio y la prctica fsica constante. Los sistemas basados en conocimiento no pueden emular fcilmente
este tipo de experiencia, principalmente por la limitada capacidad de la tecnologa robtica.
La experiencia terica y el conocimiento profundo permite que los humanos puedan resolver problemas que
no se han visto antes, es decir, no existe una posibilidad asociativa. El conocimiento terico y profundo se
adquiere a travs de estudio y entrenamiento formal, as como por medio de la resolucin directa de
problemas.
Debido a su naturaleza terica, este conocimiento se puede olvidar fcilmente, a no ser que se use en forma
continua. Al momento, los sistemas convencionales basados en conocimiento tienen muchas dificultades para
duplicar este tipo de experiencia. Sin embargo, los Sistemas de Razonamiento Basado en
Modelos representan un notable intento de encapsular este conocimiento profundo y razonar con l.
Estructura de los Sistemas Basados en Conocimiento.
La arquitectura de un sistema basado en conocimiento de alguna manera refleja la estructura cognitiva y los
procesos humanos. La primera parte es la memoria de largo plazo, en la que guarda los hechos (Base de
Hechos) y los conocimientos (Base de Conocimientos) acerca del dominio en el que tiene experiencia.

Estructura de un sistema basado en conocimiento


La segunda parte es el sistema que realiza la funcin de razonamiento para resolver problemas (Motor de
Inferencia). Finalmente, la tercera parte la conforman las unidades de entrada y salida que permiten la
comunicacin entre el sistema y su entorno.
La representacin del conocimiento determina el desarrollo de un sistema experto e influye en las estrategias
de control. Es muy verstil, hay muchas formas de hacerlo y es complicada la eleccin. Generalmente la
eleccin est basada en la intuicin o en las especiales circunstancias del problema.
La primera fase es la adquisicin del conocimiento desde un experto y depende de la cantidad y de su
adecuada representacin. Se deben conocer los lmites, pues slo llegan hasta donde son capaces de
resolver un problema. Esto implica, que tiene que circunscribirse a un dominio homogneo.
El lenguaje de programacin debe ser adecuado, se usan principalmente el LISP y PROLOG, que difieren de
los lenguajes clsicos en que sus reglas (que tambin contienen hechos) entran masivamente, y que el
programa, es decir, el motor de inferencia, encontrar el camino a travs de reglas.
Por otra parte, la programacin procedural consiste en una cuidadosa descripcin de los algoritmos que
marcan el camino de los diferentes procedimientos y funciones en los programas.
Estos dos modos de programacin son tericamente iguales, pero en la prctica difieren.
La programacin declarativa es un tipo de programacin implantada en los sistemas expertos y por ciertos
lenguajes. La principal diferencia es que en la declarativa las reglas se formulan independientemente de su

secuencia de aplicacin. El modo en que se ejecutan las reglas corresponde al motor de inferencia y es
independiente de las reglas en s mismas. En la programacin procedural, las reglas se implantan y ejecutan
en un orden establecido.
Las ventajas en los sistemas expertos es la modularidad, no hay un solo camino para responder a un
problema y son fciles de leer, lo que simplifica comprobar su consistencia.
La representacin del conocimiento es esencial en inteligencia artificial y es la base de la construccin de un
sistema experto.
Fases en la adquisicin del conocimiento:
identificacin del problema.

Estructuracin del conocimiento.

La arquitectura del sistema y la maqueta.

El prototipo y terminacin del sistema.

Tecnologa de los Sistemas Basados en Conocimiento.


Desde el punto de vista tecnolgico, los Sistemas Basados en Conocimiento pueden presentar varias formas
de aplicacin:
Aislada: un Sistema Basado en Conocimiento nico se relaciona con el entorno.

Integrada: varios Sistemas Basados en Conocimiento conectados a bases de conocimiento


comunes. Tipo Front-End cuando todos los hechos y datos estn fsicamente en la base comn. Tipo BackEnd cuando los hechos y datos necesarios que no estn en las bases comunes, pueden obtenerse de otros
SBC.

Embebida: un Sistema Basado en Conocimiento est integrado con otros sistemas y no se lo


distingue.

I.5. Motor de Inferencia.


Un motor de inferencia interpreta y evala los hechos en la base de conocimientos para proveer una
respuesta. Este debe ser independiente del conocimiento y de los hechos. Se puede caracterizar por:
El lenguaje en que ha sido escrito.
La velocidad de trabajo: Inferencias / segundo.
Las estrategias de bsqueda de soluciones:
No Ordenada: aleatoria, heurstica.
Ordenada: Encadenamiento hacia adelante (guiado por los datos, deductivo), encadenamiento hacia
atrs (guiado por los objetivos, inductivo).
La forma en que elige el conocimiento.

La posibilidad de incorporar metaconocimiento.

El tipo de lgica que emplea en el razonamiento:

Booleana, trivalente, multivalente, difusa.


Monotnica o no monotnica.
Atemporal o temporal.
Lgica de orden 0, orden 0+, orden 1.
El mtodo que utiliza para la evaluacin del conocimiento incompleto o incierto:

Determinstico.
Probabilstico.
Aproximado.
Difuso.
En un sistema experto, dado un estado particular de la base de datos, se deben reconocer las reglas
aplicables y esto se llama filtrado o identificacin de patrones, operacin especialmente larga, ya que muchos
sistemas realizan una preseleccin de las reglas antes de que comience la identificacin propiamente tal. Es
decir, se considera un subconjunto de reglas y entre stas, las aplicables. Esto, es lo que se llama restriccin.
Adicionalmente puede existir una Base de Datos con informacin puntual sobre problemas especficos
anteriormente resueltos por el sistema, y que se usa como informacin adicional en el proceso de inferencia.
Una vez que las reglas han sido reconocidas deben ser elegidas, dependiendo de la estrategia de control, que
es la seleccin.
Una vez que las regla han sido elegida ha de ejecutarse.
Al mdulo central del sistema experto que maneja estas tres operaciones se le denomina motor de inferencia
o intrprete de reglas. Hay diversos tipos de motores de inferencia segn los mtodos con que se manejan las
tres operaciones precedentes.
Identificacin de patrones.
Esta operacin determina cules son las reglas potencialmente aplicables en un estado dado de la base de
datos.
Hay ciertos mtodos tpicos para resolver problemas mediante Inteligencia Artificial como: descomposicin de
problemas, inferencia deductiva, deduccin lgica, etc.
No es necesario que la bsqueda se aplique a todas las reglas, el sistema de control puede decidir cules no
son necesarias a ese nivel.
El filtrado significa tener el conocimiento para encontrar las reglas cuya precondicin se satisfaga. Se debe
comparar por tanto la precondicin con la base de datos. Si es una regla deductiva "si premisa entonces
conclusin", la parte a ser probada de la regla, se llama disparador o activador (tigger) es siempre una frmula
bien formada ya sea de lgica proposicional o de lgica de primer orden. Puede aplicarse a cualquier hecho.
El nico lenguaje que est totalmente basado en el clculo de predicados es el PROLOG.
Los procesos de identificacin de patrones pueden mejorarse examinando, dentro del activador de cada regla,
primero los predicados con ms restricciones, es decir, los que tienen el menor nmero de variables libres.
Otra forma de proceder es que, para cada regla o parte de su activador, se guarda en la memoria el resultado
de las posibles unificaciones para cada parte del activador. Despus de cada ciclo del motor de inferencia,
esta memoria se actualiza y se denomina filtrado por propagacin.
Ejecucin de las reglas.
Despus de la fase de filtrado, cuando una regla est reconocida como aplicable, teniendo en cuenta la base
de datos existente, solo resta ejecutarla. Si hay varias posibles reglas, la eleccin la realiza la estrategia de
control.
La conclusin de la regla tiene por objeto modificar la base de conocimiento, creando, modificando o
suprimiendo un hecho.
La fase de restriccin.
En un sistema dirigido por los datos, el filtrado consiste en retener todas las reglas cuyas premisas son
verdaderas teniendo en cuenta los hechos (verdaderos) presentes en la base de datos. Este sistema funciona
en encadenamiento hacia delante.
Si el sistema es a la vez dirigido por los datos y por los objetivos, se denomina mixto.
La restriccin tambin puede estar especificado explcitamente por el experto para utilizar reglas dentro de las
reglas, es decir, meta reglas. Indica qu grupo de reglas debe ser retenido, por prioridad, o definir un orden en
los subconjuntos de las reglas.
El conocimiento puede organizarse en forma de red como en las redes semnticas utilizadas en el anlisis
sintctico del lenguaje. Su posicin dentro de la red dirige las restricciones utilizando heursticas. Esta
formulacin es particularmente eficiente si se establece vlidamente una organizacin jerrquica del
conocimiento, en este caso existira una taxonoma de los hechos.
Otro modo de gobernar las restricciones es organizar las reglas en paquetes o esquemas, lo que genera una
estructura de rbol en reglas, lo que es una ventaja.
Todos estos modos dependen de la forma en que est representado el conocimiento.

La fase de seleccin.
Como despus de las fases anteriores quedan varias reglas se debe seleccionar una y luego de procesada el
programa debe saber dnde volver.
Cuando hay una o ms reglas, se usan dos estrategias:
- La bsqueda en anchura, que elige una, generalmente la primera y se van ejecutando por turno antes de
comprobar que se ha alcanzado la condicin final. Si no es as se inicia otro ciclo del motor de inferencia. Este
tipo de bsqueda es exhaustiva y la usa el sistema experto MYCIN.
Otra estrategia es la de elegir una regla entre las aplicables por medio de una heurstica, procesarla y
modificar la base de datos. Si no se alcanza la condicin final, comienza otro ciclo del motor de inferencia. Es
por lo tanto, una estrategia en profundidad.
Cada una de las estrategias pueden ser irrevocables o avanzar por prueba y error.
Muchos sistemas efectan marcha atrs, si no hay regla aplicable, pero si el sistema est bajo un control
irrevocable se detendr.
Visto en la prctica, las reglas poseen la siguiente estructura:
SI (CONJUNTO_DE_PREMISAS) ENTONCES CONSECUENCIA
o bien:
(CONJUNTO_DE_PREMISAS) CONSECUENCIA
El CONJUNTO_DE_PREMISAS contiene las clusulas, o simplemente condiciones, que deben cumplirse
para que la regla pueda ejecutarse, y la CONSECUENCIA representa el resultado de la ejecucin de dicha
regla.
Un ejemplo sencillo que ilustra cmo representar conocimiento a travs de reglas:
Afirmacin:
Todos los catedrticos son doctores.
Representacin Lgica - Matemtica:
Para ver la frmula seleccione la opcin "Descargar" del men superior
En esta representacin la variable x constituye el conjunto de todas las personas posibles, CATEDRTICO
representa la relacin "SER CATEDRTICO" y DOCTOR la de "SER DOCTOR". De esta manera la regla
anterior representa el hecho: Para toda persona x, Si x es catedrtico entonces x es doctor.
Representacin en SE:
Para ver la frmula seleccione la opcin "Descargar" del men superior
o bien:
SI (x ES CATEDRTICO) ENTONCES (x ES DOCTOR)
En este caso CATEDRTICO y DOCTOR representan de nuevo relaciones que deben estar representadas
sobre el sistema.
Cmo representar estas nuevas relaciones?:
Como todo sistema informtico los SE pueden operar sobre un conjunto finito de elementos, para esto es
necesario definir el universo de trabajo dentro del cual probaremos nuestras reglas. Sobre esta base la
definicin de la relacin SER CATEDRTICO o CATEDRTICO, segn sea la representacin usada, debe
hacerse puntualmente para cada individuo del universo, por ejemplo:
CATEDRTICO("Mario Prez")
CATEDRTICO("Manuel Fernndez")
CATEDRTICO("Maria Gonzlez")
Los componentes de la relacin SER DOCTOR se deducen a partir de la relacin SER CATEDRTICO y la
regla anterior, por lo que no es necesario una representacin o definicin explcita.
La inferencia o extraccin de conclusiones:
Para extraer una conclusin, o inferencia, se hace necesario, antes que nada, saber el objetivo a satisfacer, o
problema a resolver. Este problema se plantea en forma de objetivo que se toma por el Motor de Inferencia el
cual a travs de la activacin y encadenamiento de reglas trata de llegar a una solucin. Al seguir con el
ejemplo:
Objetivo:
"Es Mario Prez Doctor"?
Solucin:
Al aplicar la regla: SI (x ES CATEDRTICO) ENTONCES (x ES DOCTOR)

Se debe chequear, como precondicin de activacin, el cumplimiento de la relacin:


CATEDRTICO("Mario Prez")
Se debe chequear la base de Axiomas o Afirmaciones:
CATEDRTICO("Mario Prez") existe en la base de axiomas, por lo que la precondicin es verdadera.
Se dispara la consecuencia y se llega a la conclusin que Mario Prez es doctor.
Encadenamientos de reglas:
Existen dos mecanismos fundamentales de encadenamiento de reglas:
1. Encadenamiento hacia delante:
Se produce cuando el objetivo propuesto al sistema hace que se ejecute una regla, y la conclusin obtenida
permite que se ejecute otra, y as sucesivamente hasta llegar a una respuesta, positiva o negativa. El punto
final se detecta cuando no se pueden producir ms encadenamientos, por ejemplo cuando se llega a un
axioma.
Por ejemplo:
(1). SI (x ES JEFE_DPTO) ENTONCES (x ES CATEDRTICO)
(2). CATEDRTICO("Mario Prez")
(3). CATEDRTICO("Manuel Fernandez")
(4). CATEDRTICO("Maria Gonzalez")
Al evaluar el objetivo: "Mario Prez es Jefe_Dpto"?, se dispara la regla (1), la cual a su vez se encadena con
la (2), en este momento no se pueden producir ms encadenamientos pues la regla (2) es un axioma. Llegado
a este punto el Motor de Inferencia retrocede y da una respuesta positiva a la pregunta.
2.
3.

Encadenamiento hacia atrs:

Consiste en, dado un objetivo, buscar una regla que permita establecer dicha conclusin, el proceso se repite
hasta encadenar con la regla cuya conclusin satisfaga el objetivo propuesto, o se detecte que dicho
problema no se puede resolver positivamente. Por ejemplo para averiguar si "Mario Prez es doctor" se busca
un regla que tenga esta afirmacin en sus consecuencias. Analizando las reglas anteriores vemos que la
regla:
(5). SI (x ES CATEDRTICO) ENTONCES (x ES DOCTOR)
Satisface estas condiciones; siguiendo esta regla hacia atrs tenemos que buscar una nueva que permita
validar si "Mario Prez" es catedrtico, lo cual se hace con el axioma (2).
Los encadenamientos constituyen, de esta manera, una de las herramientas fundamentales del Motor de
Inferencia; el Lenguaje PROLOG solamente soporta el encadenamiento hacia atrs, el cual constituye el ms
frecuentemente implementado.
II.
Sistemas Expertos como Sistemas de Informacin Orientados al Servicio.
En la Conferencia de Dartmouth en 1956 donde Newell, Shaw y Simon presentaron sus programas para
demostrar las proposiciones lgicas (Logical Theorist). La expresin de Inteligencia Artificial la invent en
aquel mismo ao John McCarthy.
En 1959-60, aparece un programa demostrador de teoremas basado en la lgica proposicional (General
Problem Solver, por Newell, Shaw y Simon).
La dcada comprendida entre 1960-70 vio sentar los principios bsicos de la investigacin en las estructuras
en rbol as como el movimiento de ideas empleadas actualmente en la resolucin de problemas y los
sistemas expertos. Los textos de Newell y Simon (1972) y Nillson (1971) marcan el final de este periodo.
Los principales mtodos de bsqueda en estructuras en rbol, que todava se emplean hoy en los programas
de sistemas expertos, estaban ya disponibles en esos aos.
Las primeras aplicaciones se hicieron en problemas fciles de describir, pero complejos de resolver, como por
ejemplo: juego de ajedrez y demostracin de teoremas matemticos.
Los sistemas expertos orientados al servicio derivaron de la necesidad de resolver problemas cada vez ms
complejos, con poca informacin estructurada y con resultados probables, donde uno de los caminos era
encontrar la mejor solucin a un problema, no necesariamente la nica posible.

Los hechos para una base de conocimiento deben ser adquiridos a partir de experiencias humanas a travs
de entrevistas y observaciones. Este conocimiento es usualmente representada en la forma de reglas "ifthen" (reglas de produccin): " si alguna condicin es verdadera, entonces la siguiente inferencia puede ser
hecha (o alguna accin tomada)". La base de conocimientos de un sistema experto mejor incluye miles de
reglas. Un factor de probabilidad es con frecuencia unido a las conclusiones de cada regla de produccin,
porque la conclusin no es una certeza.
Por ejemplo, un sistema para el diagnstico de enfermedades del ojo debe indicar, basado en informacin que
apoye esto, un 90% de probabilidad de que una persona tiene glaucoma, y este puede tambin listar
conclusiones con ms bajas posibilidades.
Un sistema experto puede desplegar la secuencia de reglas a travs de las cuales ste llega a su conclusin.
Trazar el flujo ayuda al usuario para apreciar la credibilidad de su recomendacin y es til como una
herramienta de aprendizaje para estudiantes.
Los expertos humanos frecuentemente emplean las reglas heursticas, o "regla del pulgar", adems de la
simple produccin de reglas. Por ejemplo, un administrador de crdito puede saber que un solicitante con una
historia pobre de crdito, con un registro limpio desde que adquiri un nuevo empleo, puede actualmente ser
un buen sujeto de crdito.
Los sistemas expertos han incorporado tales reglas heursticas e incrementndolas tienen la habilidad de
aprender a partir de la experiencia. Sin embargo, los sistemas expertos son ms bien soporte o apoyo ms
que reemplazos para los expertos humanos.
II.1. Definicin y Antecedentes.
Los sistemas de informacin proveen apoyo para las operaciones o servicios que organizaciones realizan
para la sociedad. Los sistemas son orientados verticalmente a sectores especficos e industrias, ej.
Manufactura, servicios financieros, publicidad, educacin, salud y entretenimiento. Ms que direccin
administrativa y funciones administrativas, ellos apoyan actividades y procesos que son la razn para una
existencia organizacional (en muchos casos, algn tipo de actividad manufacturera o el desarrollo de
servicios.
Los sistemas de este tipo varan enormemente, pero ellos tienden a caer dentro de tres tipos principales:
manufactura, transacciones y Sistemas Expertos.
La meta conceptual de la industria moderna es la manufactura integrada por computador (CIM). Involucra
diseo y desarrollo de ingeniera, manufactura, marketing y ventas, y todo el campo de soporte y servicios.
El diseo asistido por computador (CAD) fue aplicado primero en la industria electrnica. Hoy ellos dan forma
a las tcnicas de modelacin tridimensional para dibujo y manipulacin de objetos slidos en una pantalla y
para derivar stos a programas de diseo de piezas y conjuntos, modelacin estructural y trmica, fabricacin
en mquinas CNC (control numrico).
Una vez que un producto es diseado, su proceso de produccin puede ser delineado usando sistemas de
planificacin de procesos asistidos por computador (CAPP) que ayuden a seleccionar secuencias de
operaciones y condiciones de maquinado. Los modelos del sistema de manufactura pueden ser simulado por
computadores antes de que sean construidos. Las funciones bsicas de la manufacturacin: maquinado,
formado, unin, ensamble e inspeccin, son apoyados por el sistema de manufactura asistida por computador
(CAM) y sistemas de manejo de material automatizado. El sistema de control de inventario busca mantener un
ptimo stock de partes y materiales para controlar el movimiento del inventario, predecir los requerimientos e
iniciar procedimientos de rdenes de compra.
La sofisticacin tecnolgica de los sistemas de informacin de manufactura es impresionante y esto incluye
incrementadamente aplicaciones robticas, visin de computador y sistemas expertos. Lo central en el
concepto de CIM es una base de datos integrada que apoya a las empresas manufactureras y es conectada a
otras bases de datos administrativas.
En organizaciones de servicio no-manufacturero el tipo de sistemas de informacin que prevalece es el que
apoya los procesos de transaccin.
Transacciones son sets de entradas discretas, suministradas por usuarios en impredecibles intervalos, los
cuales llaman a la base de datos buscando, analizando y modificando. El procesador evala el requerimiento
y ejecuta ste inmediatamente. Partes de la funcin de procesamiento pueden ser llevadas a un terminal
inteligente que distribuye el requerimiento en la carga computacional. El tiempo de respuesta (el lapso de
tiempo entre el final de un requerimiento y el comienzo de la respuesta) es una caracterstica importante de
este tipo de sistema de teleproceso en tiempo real.

Los sistemas de transaccin por teleproceso constituyen la base de las industrias de servicio tales como
bancarios, seguros, seguridad, transporte y bibliotecas. Ellos estn reemplazando el piso del mayor
intercambio comercial de stock del mundo, conectando la ms amplia va de telecomunicaciones en lnea en
un mercado financiero global. De nuevo, lo central en un sistema de transaccin es su base de datos
integrada.
El foco del sistema es el recipiente de servicios ms que el operador del sistema. Debido a esto, un agente
viajero local es capaz de planear un itinerario completo de un viajero: incluyendo las reservaciones en
aerolneas, hoteles, arriendo de autos, programas culturales y deportivos, e incluso restaurantes, en cualquier
continente y ajustar stos al programa y presupuesto del viajero.
II.2. Componentes: software de interfaz, base de datos, programa computacional.
Una relativamente nueva categora de sistemas de informacin orientada al servicio es el sistema experto,
llamado as porque su base de datos guarda una descripcin de habilidades en la toma de decisiones de
experiencias humanas en un estrecho dominio de procedimientos, tales como interpretacin mdica de
imagen, impuestos, diseo de piping, configuracin de hardware en un sistema de computadores,
equipamiento para reparar malfuncionamientos o, en la preparacin de cerveza.
La motivacin para construir sistemas expertos es el deseo de replicar el escaso, in estructurado y quizs el
pobremente documentado conocimiento emprico de especialistas que de este modo puede ser rpidamente
usado por otros.
Un programa computacional que usa inteligencia artificial resuelve problemas en un dominio especializado
que ordinariamente requiere experiencia humana.
El primer sistema experto fue desarrollado en 1965 por Edward Feigenbaum y Joshua Lederberg de la
Universidad de Standford en California, USA. Dendral fue diseado para analizar componentes qumicos.
Los sistemas expertos ahora tienen aplicaciones comerciales en campos tan diversos como diagnstico
mdico, ingeniera petrolera e inversin financiera.
Para realizar tareas de aparente inteligencia, un sistema experto recurre a tres componentes: un software de
interfaz, una base de conocimiento y un motor de inferencia.
1) El software de interfaz, mediante el cual el usuario formula preguntas a ste, el sistema experto solicita
ms informacin desde el usuario y ste le explica al usuario el proceso de razonamiento empleado para
llegar a una respuesta.
2) La base de datos, llamada la base de conocimiento que consiste de axiomas (hechos) y reglas para hacer
inferencias a partir de esos hechos acerca del dominio del sistema.
En el transcurso de las tres dcadas pasadas, la tecnologa para soportar el desarrollo de aplicaciones
intensivas de datos tuvo una evolucin de cuatro generaciones, sistemas de archivos, sistemas de bases de
datos jerrquicos, sistemas de bases de datos en red y sistemas de bases de datos relacionales. En todos los
casos, la transicin de una generacin a otra, ha sido motivada por la necesidad de minimizar los costos de
desarrollo (que escalan rpidamente), as como los de mantenimiento y mejora de programas de aplicacin.
Los sistemas convencionales (relacionales y prerrelacionales) han servido para satisfacer las necesidades de
aplicaciones del ambiente para el cual fueron diseadas, es decir, de procesamiento de datos en negocios,
tales como control de inventario, nminas, cuentas por cobrar, etc. Sin embargo, tan pronto como esta
tecnologa abandon los laboratorios de investigacin y registr su marca en el mercado, serias limitaciones
comenzaron a ser expuestas.
Una variedad de aplicaciones comenz a ser identificada como difcil para implantarse con el uso de sistemas
de bases de datos relacionales. Estas nuevas aplicaciones incluyen diseo asistido por computador,
ingeniera de software, gestin y administracin de procesos (CAD, CAE, CASE y CAM), sistemas basados en
conocimiento (sistemas expertos y "shell" para sistemas expertos), sistemas multimedia que manejan
imgenes, grficas, voz y documentos textuales; modelos estadsticos y cientficos y anlisis de programas, y
sistemas de informacin geogrfica, entre otras.
Con este nuevo esquema se presentan algunas dificultades atribuibles al modelo de datos que es una
representacin lgica de datos, relaciones e interaccin entre los datos . Un lenguaje de base de datos es una
sintaxis para representar un modelo y operaciones con una semntica definida sobre el modelo de datos.
Las aplicaciones requieren, muchas veces: a) facilidades para modelar y manejar entidades anidadas
complejas (tales como diseo de objetos y documentos compuestos); b) un conjunto sofisticado de tipos de
datos, por ejemplo, tipos de datos definidos por el usuario, y tipos grandes pero sin estructura (tales como
imgenes, audio y documentos textuales); c) representacin de conceptos semnticos (tales como relaciones

de generalizacin y agregacin); d) el concepto de evolucin temporal de datos (por ejemplo, dimensin


temporal de datos y mantener versiones de datos); etc.
Por otra parte, tambin se presentan importantes dificultades que no estn relacionadas con el modelo de
datos. Algunas de estas aplicaciones requieren de cmputo altamente intensivo, con un gran volumen de
datos en memoria residente, e imponen demandas de ejecucin que no pueden reunir los sistemas
administradores de datos relacionales y de datos prerrelacionales. El ambiente de algunas de las aplicaciones
tambin requiere de transacciones de larga duracin (por ejemplo, el objeto es tan grande que su
actualizacin toma mucho tiempo), transacciones interactivas y cooperativas.
Existen dos razones principales por las que la metodologa orientada a objetos es un slido fundamento para
la nueva generacin de tecnologa de base de datos.
Primero, un modelo de datos orientado a objetos puede representar no solamente los datos, las relaciones y
la interaccin de datos de modelos de datos convencionales, sino tambin permite encapsular los datos y
programas que operan datos con un protocolo definido y proporcionan una estructura uniforme para el trato de
tipos de datos arbitrarios definidos por el usuario. Algunas relaciones en el modelo de datos, que son difciles
en sistemas de bases de datos convencionales, son inherentes a un modelo de datos basados en objetos.
Una segunda razn, es que a travs de la nocin de encapsulamiento y herencia, esta metodologa est
fundamentalmente diseada para reducir la dificultad de desarrollo y evolucin de sistemas complejos de
"software". Esto fue, precisamente, la meta que motiv a la tecnologa de administracin de datos, a
transformar sistemas de archivos hacia sistemas de bases de datos relacionales.
Un modelo de datos orientado a objetos satisface el objetivo de facilitar el diseo y desarrollo de bases de
datos complejas, sofisticadas y muy grandes.
Pero, muchos de los productos comerciales comunes poseen distintos grados de calidad en cuanto a
desempeo y funcionalidad. Con frecuencia, los proveedores ofrecen solamente motores (mquinas) de
Bases de Datos con interfaces propietarias para desarrollo de aplicaciones por los programadores; la inclusin
de herramientas de desarrollo est comenzando a surgir.
Segundo, la fuerza de un modelo de datos orientado a objetos es tambin su debilidad. La riqueza de este
modelo hace posible la generacin de unos ms complejos y sus relaciones con las aplicaciones de
procesamiento de datos, introducen aspectos complejos que el usuario debe manejar.
Tercero, no obstante el alto grado de desarrollo y experimentacin en lenguajes de programacin orientados a
objetos y aplicaciones, todava no hay un consenso en la industria sobre la semntica de su paradigma que
vaya ms all de un conjunto de conceptos de alto nivel sobre la programacin orientada a objetos, por lo que
an no existen estndares en esta tecnologa.
3) El programa computacional, llamado el motor de inferencia, ejecuta el proceso de hacer inferencias,
interpreta y evala los hechos en la base de conocimiento para proveer una respuesta.
La base de conocimiento es una estructura de reglas conectadas que aplica experiencias humanas, con
frecuencia intuitivas, en la solucin de problemas.
El proceso de adquisicin de tal conocimiento tpicamente tiene tres fases:
Un anlisis funcional del ambiente, usuarios, y las tareas desarrolladas por el experto.
Identificacin de los conceptos del dominio de experiencias y su clasificacin de acuerdo a varias
relaciones.
Una entrevista, por tcnicas humanas o automatizadas del o los expertos en el tema.
Los resultados de estos pasos son traducidos en una llamada produccin de reglas (de la forma "si la
condicin x existe, entonces la accin y sigue) y es guardado en la base de conocimiento.
Cadenas de produccin de reglas forman las bases para las capacidades deductivas automatizadas del
sistema experto y para su capacidad para explicar sus acciones a los usuarios.
Los sistemas expertos son una variedad comercial de una clase de programas computacionales llamados
sistemas basados en conocimiento. El conocimiento en sistemas expertos es altamente in estructurado, esto
es, el proceso de solucionar problemas de un dominio no es manifiesto. Y es establecido explcitamente en
relaciones o deductivamente inferidos desde la cadena de proposiciones.

Dado que cada condicin que puede ser encontrada puede ser descrita por una regla, los sistemas expertos
basados en reglas no pueden manejar eventos no anticipados, pero pueden evolucionar con el uso, y
permanece limitado a un estrecho dominio de problemas.
Otra variante de sistemas expertos, uno que no posee esta limitacin, emplea una base de conocimiento que
consiste de descripciones estructuradas de situaciones, de problemas del mundo real y de decisiones
actualmente hechas por expertos humanos.
En medicina, por ejemplo, el registro de un paciente contiene descripciones de datos personales, exmenes
fsicos y de laboratorio, diagnstico clnico, tratamiento propuesto, y los resultados de tales tratamientos.
Dada una gran base de datos con tales registros en una especialidad mdica, el mdico puede indagar acerca
de eventos anlogos a los relacionados con el paciente. Esto en contraste con el sistema que idealmente
intenta reemplazar al ser humano, ya que en casos como estos slo podra usarse este tipo de conocimiento
como una herramienta que ayuda en la toma de decisiones.
El software requerido para este tipo de sistemas se ha ido complicando con el tiempo ya que su desarrollo
demanda tiempo, un buen equipo de programadores y un buen producto final.
Se percibe este trabajo como una tarea para el ingeniero y consiste de:
Identificacin y anlisis de los requerimientos del usuario.

Desarrollo de las especificaciones del sistema (software y hardware).

Diseo del software.

Implementacin

Testeo

Mantencin
Tareas tpicas para sistemas expertos involucran clasificacin, diagnstico, monitoreo, diseo, inventario y
planificacin para esfuerzos especializados.
II.2.1. Tecnologas Involucradas.
Lenguajes de Programacin
En principio, cualquier lenguaje de programacin puede ser utilizado. Siendo as de amplio el espectro en el
cual se puede escoger un lenguaje para programar un sistema experto. Atendiendo a la forma de estructurar
sus instrucciones, se los puede dividir en:
IMPERATIVOS: PASCAL, C/C++.
FUNCIONALES: LISP.
DECLARATIVOS: PROLOG, CHIP, OPS5.
ORIENTADOS A OBJETOS: SmallTalk, Hypercard, CLOS.
Tradicionalmente LISP y PROLOG han sido los lenguajes que se han utilizado para la programacin de
sistemas expertos.
Estos lenguajes ofrecen caractersticas especialmente diseadas para manejar problemas generalmente
encontrados en Inteligencia Artificial. Por este motivo se los conoce como lenguajes de inteligencia Artificial.
Una de las principales caractersticas que comparten los lenguajes LISP y PROLOG, como consecuencia de
su respectiva estructura, es que pueden ser utilizados para escribir programas capaces de examinar a otros
programas, incluyendo a ellos mismos. Esta capacidad se requiere, por ejemplo, para hacer que el programa
explique sus conclusiones.
Esto slo puede hacerse si el programa tiene la capacidad de examinar su propio modo de operacin.
Lisp
Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simblico. John
McCarthy lo desarroll en 1958, en el Instituto de Tecnologa de Massachusetts (MIT), inicialmente como un
lenguaje de programacin con el cual los investigadores pudieran implementar eficientemente programas de
computadora capaces de razonar.

Rpidamente LISP se hizo popular por su capacidad de manipular smbolos y fue escogido para el desarrollo
de muchos sistemas de Inteligencia Artificial.
Actualmente, LISP es utilizado en varios dominios que incluyen la escritura de compiladores, sistemas para
diseo VLSI, sistemas para diseo mecnico asistido por computadora (AUTOCAD), animaciones grficas y
sistemas basados en conocimiento.
Prolog
PROgramming in LOGic (PROLOG), es otro de los lenguajes de programacin ampliamente utilizados en IA.
PROLOG fue desarrollado en Francia, en 1973 por Alain Colmenauer y su equipo de investigacin en la
Universidad de Marseilles.
Inicialmente fue utilizado para el procesamiento de lenguaje natural, pero posteriormente se populariz entre
los desarrolladores de aplicaciones de IA por su capacidad de manipulacin simblica. Utilizando los
resultados del grupo francs, Robert Kowalski de la Universidad de Edimburgo, en Escocia, desarroll la
teora de la programacin lgica. La sintaxis propuesta por Edimburgo, se considera el estndar de facto del
PROLOG.
A partir de 1981 tuvo una importante difusin en todo el mundo, especialmente porque los japoneses
decidieron utilizar PROLOG para el desarrollo de sus sistemas de computacin de quinta generacin.
Actualmente existen varios dialectos del PROLOG para diferentes plataformas.
OPS5
Official Production System 5 (OPS5), es un lenguaje para ingeniera cognoscitiva que soporta el mtodo de
representacin del conocimiento en forma de reglas.
Incorpora un mdulo unificador, un intrprete que incluye un mecanismo de encadenamiento progresivo, y
herramientas para edicin y depuracin de los programas.
OPS5 es un miembro de la familia de lenguajes de programacin desarrollados en la Universidad Carnegie Mellon. Varias compaas han desarrollado implementaciones comerciales de OPS5, para diferentes
plataformas.
Sistemas de Desarrollo
Histricamente, los primeros Sistemas Basados en Conocimiento fueron desarrollados utilizando lenguajes de
programacin como el LISP y el PROLOG. A medida que el desarrollo de Sistemas Basados en Conocimiento
iba aumentado en cantidad y complejidad, la comunidad cientfica comenz a buscar formas de desarrollar los
sistemas en menor tiempo y con menor esfuerzo.
Esto dio lugar al aparecimiento, en primer lugar a sistemas vacos como el EMYCIN, a los que denomin
shells, ya que ofrecen toda la arquitectura de un Sistema Basado en Conocimiento a la que hay que
incorporar la base de conocimientos.
Posteriormente ingresaron al mercado otras herramientas que incorporaron, adems de opciones de
representacin del conocimiento, esquemas de inferencia y control. Estas herramientas tomaron el nombre de
Entornos de Desarrollo de Sistemas Basados en Conocimiento.
A continuacin se dan algunos ejemplos de sistemas comerciales:
Sistemas Vacos (shells): EMYCIN, Crystal, Leonardo, XiPlus, EXSYS, VP-Expert, Intelligence
Compiler.
Entornos hbridos de desarrollo: CLIPS, KEE, ART, EGERIA, Kappa, Nexpert Object, Goldworks,
LOOPS, Flavors.
Plataformas de Computacin
ntimamente asociado a los Sistemas Expertos, estn los sistemas computacionales (Hardware). Actualmente
el software disponible para el desarrollo de Sistemas Basados en Conocimiento, cubre todo el rango de
computadoras y sistemas operativos, desde PCs hasta mquinas especialmente dedicadas para
procesamiento simblico:
Computadoras Personales (DOS, OS, Mac, WINDOWS, UNIX, LINUX).

Estaciones de trabajo (VMS, UNIX).

Mquinas simblicas (LISP, PROLOG).

Mquinas de arquitectura paralelo.


II.2.2. Redes Neuronales.
Las Redes Neuronales surgieron del movimiento conexionista, que naci junto con la Inteligencia Artificial
simblica o tradicional. Esto fue hacia los aos 50, con algunos de los primeros ordenadores de la poca y las
posibilidades que ofrecan.
La Inteligencia Artificial simblica se basa en que todo conocimiento se puede representar mediante
combinaciones de smbolos, derivadas de otras combinaciones que representan verdades incuestionables o
axiomas.
As pues, la Inteligencia Artificial tradicional asume que el conocimiento es independiente de la estructura que
maneje los smbolos, siempre y cuando la 'mquina' realice algunas operaciones bsicas entre ellos. En
contraposicin, los 'conexionistas' intentan representar el conocimiento desde el estrato ms bsico de la
inteligencia: el estrato fsico. Creen que el secreto para el aprendizaje y el conocimiento se halla directamente
relacionado con la estructura del cerebro: concretamente con las neuronas y la interconexin entre ellas.
Trabajan con grupos de neuronas artificiales, llamadas Redes Neuronales.
La estructura bsica de una neurona natural es:
Para ver el grfico seleccione la opcin "Descargar" del men superior
stas funcionan como sigue:
Cada neurona puede tener infinitas entradas llamadas Dendritas que condicionan el estado de su nica
salida, el Axn. Este Axn puede ir conectado a una Dendrita de otra neurona mediante la Sinapsis
correspondiente, de la siguiente manera:

El Axn da un nivel elctrico correspondiente a sus entradas y a la importancia que les da a cada una de ellas.
De esta forma, una neurona puede no reaccionar ante un nivel muy alto de una de sus entradas, o dar una
salida muy favorable cuando otra de ellas est mnimamente activa.
En las primeras etapas de nuestra vida, cuando realizamos el aprendizaje de nuestros cerebros, entrenamos
nuestras neuronas mediante el xito o fracaso de una accin a unos estmulos sensoriales.
Cuando cierta accin realizada en respuesta a alguna entrada sensorial es exitosa (por ejemplo, al beber
agua calmamos la sed), las conexiones sinpticas entre un grupo de neuronas se fortalecen, de manera que
cuando tengamos una sensacin sensorial parecida, la salida ser la correcta. De esta forma se forman
fuertes conexiones entre grupos de neuronas, que pueden servir para realizar otras acciones complejas.
El esquema de una neurona artificial es:
Para ver el grfico seleccione la opcin "Descargar" del men superior
Esta neurona funciona de la siguiente manera:
cada entrada x tiene su peso asociado w, que le dar ms o menos importancia en la activacin de la
neurona. Internamente se calcula la suma de cada entrada multiplicada por su peso:
Para ver la frmula seleccione la opcin "Descargar" del men superior
Con este valor de suma ponderada se calcula una funcin de activacin, que ser la salida que dar la
neurona. Las dos funciones de activacin ms usada son el Escaln y la Sigmoidea:
Para ver el grfico seleccione la opcin "Descargar" del men superior

Principalmente se diferencian en que la Sigmoidea (llamada as por su forma de S) es diferenciable en todos


sus puntos y la Escaln no.
El Perceptrn unicapa.
Un Perceptrn unicapa no es ms que un conjunto de neuronas no unidas entre s, de manera que cada una
de las entradas del sistema se conectan a cada neurona, produciendo cada una de ellas su salida individual:
Para ver el grfico seleccione la opcin "Descargar" del men superior
Como se ha dicho, un conjunto de neuronas no sirve para nada si previamente no se le ensea qu debe
hacer.
Existen tres mtodos de aprendizaje para un Perceptrn: Supervisado, Por Refuerzo y No Supervisado.
En el Aprendizaje Supervisado se presentan al Perceptrn unas entradas con las correspondientes
salidas que se quiere ste aprenda. De esta manera la red primero, calcula la salida que da ella para esas
entradas y luego, conociendo el error que est cometiendo, ajusta sus pesos proporcionalmente al error que
ha cometido (si la diferencia entre salida calculada y salida deseada es nula, no se varan los pesos).

En el Aprendizaje No Supervisado, solo se presentan al Perceptrn las entradas y, para esas


entradas, la red debe dar una salida parecida.

En el Aprendizaje Por Refuerzo se combinan los dos anteriores, y de cuando en cuando se


presenta a la red una valoracin global de como lo est haciendo.
El Perceptrn multicapa.
Esta estructura naci con la intencin de dar solucin a las limitaciones del Perceptrn clsico o unicapa, y
supuso el resurgimiento del movimiento conexionista. Como su nombre indica, se trata de un unos cuantos
(dos o tres) perceptrones unicapa conectados en cascada, como en la siguiente figura:
Para ver el grfico seleccione la opcin "Descargar" del men superior
El problema de este tipo de Perceptrn est en su entrenamiento, ya que es difcil modificar correctamente los
pesos de la capa oculta (la capa 1 en el ejemplo anterior). Para poder hacer aprender cosas a un Perceptrn
de este tipo, se implement el algoritmo de BackPropagation, que tal como su nombre indica tiene la funcin
de ir propagando los errores producidos en la capa de salida hacia atrs.
El proceso de aprendizaje tiene un gran coste de tiempo. Debido a eso, todava no se ha estudiado a fondo.
Las redes neuronales todava se han de desarrollar mucho. An se debe estudiar para qu sirven realmente,
conocer en qu tareas pueden resultar realmente tiles, ya que por ejemplo, es difcil saber cunto tiempo
necesita una red para aprender cierta tarea, cuntas neuronas se necesitan como mnimo para realizar cierta
tarea, etc.
Las redes neuronales pueden llegar a ser algo realmente importante, pero todava hace falta tiempo para
estudiar cmo almacenan el conocimiento para desarrollar el hardware paralelo especfico que requieren.
En la robtica, las redes neuronales tambin parecen prometer mucho, sobre todo en su sensorizacin, para
que el robot sea capaz de generalizar lo que siente como estmulos individuales a considerar.
II.3. Algunos Casos y Antecedentes Histricos.
Los hitos ms importantes en el desarrollo de los sistemas expertos son:
1928. John Von Neuman desarrolla su teorema "mnimos y mximos" utilizado posteriormente en juegos.
1943. McCullock y Pitts proponen la arquitectura de redes neuronales para la simulacin de la inteligencia.
1945. Vannevar Bush publica "As we may think ...", o "Cabra imaginar ... ", en Atlantic Monthly el cual sienta
las bases de lo que hoy se conoce como Hipertexto, Multimedia e Hipermedia.
1949. Shannon desarrolla la Teora de la Informacin base fundamental de la Informtica y varias de sus
reas.
1950. Shannon propone el primer programa de ajedrez .
1950. Turing publica "Computing machinery and Intelligence".
1956. Newell, Shaw, y Simon crean "IPL-11" el primer lenguaje de programacin para IA.
1956. Newell, Shaw, y Simon crean "The Logic Theorist" para la resolucin de problemas matemticos.
1957. Chomsky escribe "estructuras Sintcticas".
1957. Newell, Shaw, y Simon crean GPS.
1958. McCarthy introduce el lenguaje "LISP", para procesamiento simblico de la informacin.

1959. Rosenblatt introduce el Perceptron.


1959. EL programa de ajedrez de Samuel gana juegos contra grandes jugadores.
1963. ARPA da un fondo de investigacin de dos millones de dlares al laboratorio de IA del MIT.
1963. Quillian desarrolla las redes semnticas como modelo de representacin del conocimiento.
1963. Minsky escribe "Steps toward Artificial Intelligence".
1964. Bobrow desarrolla STUDENT.
1964. Se comienza el desarrollo de BBNLisp en BBN.
1965. Buchanan, Feigenbaum y Lederberg comienzan el proyecto DENDRAL, el primer Sistema Experto.
1965. Iva Sutherland hace demostracin del primer monitor en forma de casco para realidad virtual.
1965. Dreyfus argumenta en contra de la IA.
1968. Minsky publica "Semantic Information Processing".
1969. Minsky y Papert critican el Perceptron.
1970. Colmerauer desarrolla PROLOG quizs el lenguaje de Inteligencia Artificial ms popular actualmente.
1970. Winograd crea SCHRDLU.
1972. Dreyfus publica "What Computers Can't Do".
1972. Se desarrolla el lenguaje SmallTalk en Xerox PARC.
1973. Shank y Abelson desarrollan los guiones, o scripts, base de muchas tcnicas actuales de la Inteligencia
Artificial y la Informtica en general.
1974. Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos ms conocidos.
1974. Minsky publica "A Framework for Representing Knowledge".
1974. Se establece la red SUMEX-AIM para aplicaciones de la Inteligencia Artificial en medicina.
1975. La DARPA lanza un programa de financiacin para el procesamiento y comprensin de imgenes.
1976. Greenblatt crea "CONS" el primer ordenador con arquitectura para LISP.
1976. Lenat introduce su "Automated Matematician".
1978. Xerox comienza a desarrolla ordenadores LISP.
1979. Raj Reddy funda el Instituto de Robtica en la Universidad Carnegie Mellon.
1980. Primera conferencia de la AAAI (American Association on Artificial Intelligence) en Stanford, y primera
Conferencia de Lisp y programacin funcional de la ACM.
1981. Kazuhiro Fuchi anuncia el proyecto japons de quinta generacin de computadores.
1981. El PSL (Portable Standard Lisp) se puede ejecutar sobre varias plataformas.
1981. Se construyen mquinas LISP por Xerox, LMI y Simbolics, las cuales soportan Programacin Orientada
a Objetos.
1981. Se sientan las bases del Common Lisp con aspectos comunes de las familias: Lisp machine Lisp,
MacLisp, NIL, S-1 Lisp, Spice Lisp y Scheme.
1982. John Hopfield resucita las redes neuronales.
1983. Feigenbaum y McCorduck publican "The Fifth Generation".
1984. Steele publica "Common Lisp the Language".
1984. La comunidad europea comienza el programa ESPRIT.
1984. Gold Hill crea el Golden Commom Lisp.
1985. General Motors y Campbell's Soup dejan de usar Lisp para sus Sistemas Expertos.
1985. Se funda el Media Lab en el MIT.
1985. Minsky publica "The Society of Mind".
1985. Teknowledge, una compaa dedicada al desarrollo de sistemas en Inteligencia Artificial, abandona Lisp
y Prolog por el lenguaje C.
1986. Primera conferencia de la OOPSLA sobre programacin orientada a objetos, en la cual se presenta
CLOS, Lisp Orientado a Objetos, como lenguaje independiente de la comunidad de Lisp e IA.
1986. IBM desarrolla shells para Lisp, Prolog y Sistemas expertos y entra a la AAAI.
1986. McClelland y Rumelhart's publican "Parallel Distributed Processing" (Redes Neuronales).
1986. Aparecen compaas dedicadas al desarrollo de Redes Neuronales.
1987. Existen alrededor de 1900 Sistemas Expertos en el mundo.
1987. Sistema experto XCON de DEC capaz de configurar ordenadores realizando el trabajo de 300
personas, basndose para esto en 10.000 reglas.
1987. Japn establece su sistema AFIS para la identificacin automtica de huellas digitales.
1988. El chip del 386 ofrece una velocidad a los PCs comparable a la de las mquinas Lisp.

1988. Minsky y Papert publican una revisin de "Perceptrons".


1988. Se establecen los lenguajes Orientados a Objetos.
1988. La compaa TI anuncia microExplorer una mquina Lisp con tecnologa Macintosh.
1990. Steele publica la segunda edicin de "Common lisp the Language".
1992. Apple Computer introduce el lenguaje Dylan, de la familia Lisp, como su visin del futuro en la
programacin.
1992. X3J13 crea una propuesta para la Sociedad Americana de Common Lisp.
1994. La versin para tiempo real del lenguaje CLOS, Lisp con Objetos, de Harlequin se utiliza en sistema de
intercambio de AT&T.
II.4. Aplicaciones.
Agentes Autnomos
Un agente autnomo es un sistema situado en un entorno y es parte de ese entorno que siente, acta sobre
l, a travs del tiempo, persiguiendo sus propios objetivos de forma que afecte lo que siente en el futuro. Su
autonoma se puede definir por dos caractersticas:
primero, que son proactivos, no slo actan respondiendo a una accin del usuario, sino que
tambin actan siguiendo sus propios objetivos.
segundo, que son persistentes, no se pueden apagar; aun cuando el usuario no est
interaccionando con ellos, los agentes siguen funcionando, recolectando informacin, aprendiendo y
comunicndose con otros agentes.
Esta autonoma implica que sean agentes situados, es decir, que haya una clara diferencia entre el agente y
su entorno. Y la persistencia e independencia del entorno permite que algunos agentes sean mviles, llevando
su bagaje de informacin all donde van, y siguiendo quizs a su usuario .
Algunas aplicaciones.
Un agente, tal como se ha definido anteriormente, puede ser usado de mltiples maneras en el entorno
empresarial actual, por ejemplo:
. Este programa recupera datos especficos.
Cuando el usuario indica el tipo de informacin que le interesa, Newstracker comprende el mensaje y,
despus de revisar durante horas miles de artculos en peridicos, agencias de noticias o revistas conectadas
a Internet, cada maana "edita" un peridico personalizado.
Si la seleccin de noticias no satisface por completo al lector, Newstracker toma nota, rectifica y es capaz de
aprender de sus errores. Una vez que haya estudiado durante cierto tiempo los hbitos de lectura del usuario,
le proporciona informacin a su medida.
Los expertos definen a este sofisticado programa como un "asistente polivalente" de la primera generacin.
Mind-it. Este servicio gratuito de Internet enva un mensaje por correo electrnico cada vez que una pgina
web (u otro documento) ha sido actualizado.
Permite seleccionar una parte de la pgina web para saber si ha sido actualizada.
Notifica al usuario, de forma automtica, cundo un documento ha sido trasladado a otra direccin. Otro
servicio parecido es Informant.
Eliza. En 1966, Joseph Weizenbaum, del Instituto de Tecnologa de Massachusetts, cre un programa para
estudiar el lenguaje de comunicacin entre el hombre y el computador. Fue programado para simular a un
psicoterapeuta y contestar preguntas.
El sistema Eliza es muy simple: analiza cada pregunta y proporciona una respuesta adecuada al contexto
solicitado.
Express. Este programa permite realizar mltiples bsquedas simultneas en diferentes buscadores, y
localizar informacin en Internet de manera fcil y rpida a travs de una interfaz sencilla.
BargainFinder, representado en la red como una esfera amarilla con un casco de minero, se dedica a buscar
Compact Disc baratos en Internet.
Pero si el vendedor descubre que se trata de un agente en lugar de un ser humano, puede burlarlo. Est
adems, Shopbot que es ms inteligente, aprende de su errores para burlar al vendedor.
Mencin aparte merece Letizia, un knowbot ms sofisticado desarrollado por el investigador Henry
Lieberman.

Leticia, bautizada as en homenaje a un texto de Jorge Luis Borges, est dotada de un talento especial:
dispone del suficiente grado de autonoma como para introducir en sus acciones una cierta dosis de azar e
improvisacin.
III.Robtica.
Los robots son dispositivos compuestos de censores que reciben datos de entrada, una computadora que al
recibir la informacin de entrada, ordena al robot que efecte una determinada accin.
Hoy en da una de las finalidades de la construccin de robots es su intervencin en los procesos de
fabricacin, encargados de realizar trabajos repetitivos en las cadenas de proceso de fabricacin, como por
ejemplo: pintar al spray, moldear a inyeccin, soldar carroceras de automvil, trasladar materiales, etc,
entregando rapidez, calidad y precisin.
III.1. Nociones y Antecedentes Histricos.
La investigacin en esta rea naci en la dcada de 1950 asegurando rpidos avances, pero se estanc por
problemas aparentemente sencillos:
En 1960 se construy un robot que poda mirar una torre de cubos y copiarla, pero la falta de sentido comn
lo llev a hacer la torre desde arriba hacia abajo, soltando los bloques en el aire. Hoy, los intentos por
construir mquinas inteligentes continan... y prometen maravillas.
Hans Moravec, director de Moville Robot Laboratory de la Universidad Carnegie Mellon clasifica la evolucin
de los robots como sigue:
Primera generacin (2000-2010): Robot con cerebro de lagarto. Requerirn un poder de clculo de
1000 MIPs y sern los robots "mayordomo", experto en desenvolverse en el hogar.

Segunda generacin (2010-2020): Robots con cerebro de mamfero. Capacidad de clculo de 30.000
MIPs. Su caracterstica ms notoria ser el aprendizaje, a diferencia de los rgidos programas de la primera
generacin.

Tercera generacin (2020-2030): Robots con cerebro de mono. Capacidad de clculo de 1.000.000
MIPs (un billn de operaciones por segundo). Sern robots capaces de simular las acciones de forma
abstracta antes de realizarlas en su propia mente.

Cuarta generacin (2030-2040): Robots con mente humana. Capacidad de clculo de 30.000.000
MIPs. Podrn extraer simulaciones del mundo y razonar sobre ellas simultneamente, gracias a su mayor
poder de computacin, un gigantesco banco de datos y programas de razonamiento.

Las tres leyes bsicas de la robtica enunciadas por Asimov, padre de esta ciencia, en 1950, son:
un robot no puede hacer dao a un ser humano, ni permitir, con su actitud pasiva, que lo sufra

un robot debe obedecer las rdenes que le den los seres humanos excepto cuando entren en
conflicto con la primera ley

un robot debe proteger su propia existencia siempre que ello no entre en conflicto con las dos leyes
anteriores.

Breve Historia de la Robtica.


A mediados del siglo XVIII: J. de Vaucanson construy varias muecas mecnicas de tamao
humano que ejecutaban piezas de msica.

J. Jacquard invent su telar, que era una mquina programable para la urdimbre.

1805 H. Maillardet construy una mueca mecnica capaz de hacer dibujos.

1946 El inventor americano O. C. Devol desarroll un dispositivo controlador que poda registrar
seales elctricas por medios magnticos y reproducirlas para accionar una mquina mecnica.

1951 Trabajo de desarrollo con teleoperadores (manipuladores de control remoto) para manejar
materiales radioactivos.

1952 Una mquina prototipo de control numrico fue objeto de demostracin en el Instituto de
Tecnologa de Massachusetts despus de varios aos de desarrollo. Un lenguaje de programacin de piezas
denominado APT (Automatically Programmed Tooling -Herramental Automticamente Programado) se
desarroll posteriormente y se public en 1961.

1954 El inventor britnico C. W. Kenward solicit una patente para diseo de robot.

1954 O. C. Devol desarrolla diseos para transferencia de artculos programada.

1959 Se introdujo el primer robot comercial por Planet Corporation. Estaba controlado por
interruptores de fin de carrera y levas.

1960 Se introdujo el primer robot Unimate, basado en la transferencia de artculos programada


de Devol. Utilizaba los principios del control numrico para el control del manipulador y era un robot de
transmisin hidrulica.

1961 Un robot Unmate se instal en la Ford Motor Company para atender una mquina de fundicin
en troquel.

1966 Tralfa, una firma noruega, construy e instal un robot de pintura por pulverizacin.

1968 Un robot mvil llamado Shakey se desarroll en SRI (Stanford Research Institute). Estaba
provisto de una diversidad de censores, incluyendo una cmara de visin y censores tctiles, y poda
desplazarse por el suelo.

1971 El Stanford Arm, un pequeo brazo de robot de accionamiento elctrico, se desarroll en


Stanford University.

1973 Se desarroll en SRI el primer lenguaje de programacin de robot del tipo de computadora para
la investigacin con la denominacin WAVE. Fue seguido por el lenguaje AL en 1974. Los dos lenguajes se
desarrollaron posteriormente en el lenguaje VAL comercial para Unimation por Victor Scheinman y Bruce
Simano.

1974 ASEA introdujo el robot IRb6 de accionamiento completamente elctrico.


1974 Kawasaki, bajo licencia de Unimation, instal un robot para soldadura por arco para estructuras
de motocicletas.
1974 Cincinnati Milacron introdujo el robot T3 con control por computadora.

1975 El robot Sigma de Olivetti se utiliz en operaciones de montaje, una de las primitivas
aplicaciones de la robtica al montaje.

1976 Un dispositivo de Remote Center Compliance (RCC) para la insercin de piezas en la lnea de
montaje se desarroll en los laboratorios Charles Stark Draper Labs en Estados Unidos.

1978 Se introdujo el robot PUMA (Programmable Universal Machine for Assembly) para tareas de
montaje por Unimation, basndose en diseos obtenidos en un estudio de la General Motors.

1978 El robot T3 de Cincinnati Milacron se adapt y program para realizar operaciones de taladrado
y circulacin de materiales en componentes de aviones, bajo el patrocinio de Air Force ICAM (Integrated
Computer-Aided Manufacturing).

1979 Desarrollo del robot del tipo SCARA (Selective Compliance Arm for Robotic Assembly) en la
Universidad de Yamanashi en Japn para montaje. Varios robots SCARA comerciales se introdujeron hacia
1981.

1980 Un sistema robtico de captacin de recipientes fue objeto de demostracin en la Universidad


de Rhode Island. Con el empleo de la visin de mquina, el sistema era capaz de captar piezas en
orientaciones aleatorias y posiciones fuera de un recipiente.

1981 Se desarroll en la Universidad Carnegie-Mellon un robot de impulsin directa. Utilizaba


motores elctricos situados en las articulaciones del manipulador sin las transmisiones mecnicas habituales
empleadas en la mayora de los robots.

1982 IBM introduce el robot RS-l para montaje, basado en varios aos de desarrollo interno. Se trata
de un robot de estructura de caja que utiliza un brazo constituido por tres dispositivos de deslizamiento
ortogonales. El lenguaje de robot AML, desarrollado por IBM, se introdujo tambin para programar el robot
RS-1.

1983 Informe emitido sobre la investigacin en Westinghouse Corp. bajo el patrocinio de National
Science Foundation sobre un sistema de montaje programable-adaptable (APAS), un proyecto piloto para
una lnea de montaje automatizada flexible con el empleo de robots.

1984 Varios sistemas de programacin fuera de lnea se demostraron en la exposicin Robots 8. La


operacin tpica de estos sistemas permita que se desarrollaran programas de robot utilizando grficos.

1985. Un robot de la Kawasaki mata a un mecnico japons en un mal funcionamiento.

1986. El robot jugador de tenis de mesa de Anderson le gana a un ser humano.

1986. La mquina de ajedrez HiTech de CMU compite en un torneo de nivel master.

1986. La polica de Dallas usa un robot para entrar en las casas.


Robots Impulsados Neumticamente.
La programacin de estos robots consiste en la conexin de tubos de plstico a unos manguitos de unin de
la unidad de control neumtico. Modificando las conexiones de los manguitos de unin se podrn programar
secuencias de pasos distintas.
Por su simpleza hay quienes opinan que a este tipo de mquinas no se les debera llamar robots; sin
embargo, en ellas se encuentran todos los elementos bsicos de un robot: son programables, automticas y
pueden realizar gran variedad de movimientos.
Robots Equipados con Servomecanismos.
Otro tipo de robots ms sofisticados son los que llevan servomecanismos, el uso de servomecanismos va
ligado al uso de censores, como los potencimetros, que informan de la posicin del brazo o la pieza que se
ha movido del robot para asegurar su correcta posicin.
Robots Punto a Punto.
Aadiendo a los servomecanismos una memoria electrnica capaz de almacenar programas y un conjunto de
circuitos de control digital, se obtienen robots ms potentes y de ms fcil manejo.
La programacin de este tercer tipo de robots se efecta mediante una caja de control que posee un botn de
control de velocidad, mediante el cual se puede ordenar al robot la ejecucin de los movimientos paso a paso.

Se clasifican, por orden de ejecucin, los pasos que el robot debe seguir, al mismo tiempo que se puede ir
grabando en la memoria la posicin de cada paso. Este ser el programa que el robot ejecutar. Una vez
terminada la programacin, el robot inicia su trabajo segn las instrucciones del programa. A este tipo de
robots se les llama punto a punto, porque el camino trazado para la realizacin de su trabajo est definido por
pocos puntos.
Algunas aplicaciones para estos robots: su uso en las cadenas de soldadura de carroceras de automviles.
Los robots estn programados para soldar automviles de varios modelos distintos. El programador, o un
censor, reconoce el tipo de automvil y decide el programa que se ha de aplicar en cada caso.
Robots Controlados por Computadora.
Un cuarto tipo de robots comprende aquellos que se pueden controlar mediante computadora. Con ella es
posible programar el robot para que mueva sus brazos describiendo cualquier figura geomtrica entre puntos
preestablecidos. El movimiento de sus brazos se especifica mediante varios sistemas de coordenadas segn
la referencia que se tome.
Robots con Capacidades Sensoriales.
An se pueden aadir a este tipo de robots capacidades sensoriales: sensores pticos, codificadores, etc. Los
que no poseen estas capacidades slo pueden trabajar en ambientes donde los objetos que se manipulan se
mantienen siempre en la misma posicin.
En el caso de la cadena de soldadura de carroceras de automviles, las carroceras estn en movimiento
hasta que llegan delante del robot, donde quedan inmviles hasta que ste termina su trabajo; en este
momento la cadena se vuelve a poner en movimiento hasta que vuelve a detenerse cuando otra carrocera
est delante del robot. Si estos robots tuvieran capacidades sensoriales, podran suprimirse las paradas en la
cadena.
Los robots con capacidades sensoriales constituyen la ltima generacin de este tipo de mquinas. El uso de
estos robots en los ambientes industriales es muy escaso debido a su elevado coste. A pesar de todo, la
investigacin sobre los aparatos sensoriales est en pleno apogeo, lo que conducir seguramente a un
abaratamiento de stos y a un aumento de su potencia y de sus capacidades. Se usan en cadenas de
embotellado para comprobar si las botellas estn llenas o si la etiqueta est bien colocada.
III.2. Aplicaciones Tecnolgicas.
Un problema bsico en robtica es la planificacin de los movimientos para resolver alguna tarea ya
especificada, y el control del robot mientras ejecuta las ordenes necesarias para lograr unos objetivos. Aqu,
planificar significa decidir en el transcurso de una accin antes de actuar. Esta parte de la sntesis de accin
del robot constituye un problema que puede ser solucionado por un sistema de resolucin de problemas que
alcanzar cualquier fin establecido cuando se le d alguna situacin inicial.
En la formulacin tpica de un problema relacionado con robot nos encontramos con uno que esta equipado
con censores y un conjunto de acciones bsicas que pueden ser llevadas a cabo en un mundo sencillo de
entender. Las acciones de los robot modifican el estado o la configuracin de este mundo.
Robots Mosquitos.
Descritos como una "cucaracha metlica" que se arrastra con gran destreza por la arena, un verdadero
insecto, Atila avanza a 2 km/h, tratando de no tropezar con las cosas, es gramo por gramo el robot ms
complejo del mundo, segn su creador, Rodney Brooks. En su estructura de 1,6 kg y 6 patas, lleva 24
motores, 10 computadores y 150 censores, incluida una cmara de video en miniatura.
Los descendientes de Atila, que Brooks comienza a disear en el Laboratorio de Inteligencia Artificial del
Massachusetts Institute of Technology (MIT), tendrn la forma de robots mosquitos mecanismos
semiinteligentes de 1 mm de ancho tallados en un nico pedazo de silicio -cerebro, motor y todo-, a un costo
de centavos de dlar por unidad.
Provistos de minsculos escalpelos, podrn arrastrarse por el ojo o las arterias del corazn para realizar
ciruga. Vivirn en las alfombras, sacando continuamente el polvo partcula a partcula. Infinidad de ellos
cubrirn las casas en vez de capas de pintura, obedeciendo la orden de cambiar cada vez que se quiera el
color.
Atila representa un quiebre con la rama tradicional de la Inteligencia Artificial, que por aos busc un sistema
computacional que razone de una manera matemticamente ordenada, paso a paso. Brooks incorpor la
arquitectura de substitucin que utiliza un mtodo de programacin de abajo hacia arriba en el que la
inteligencia surge por s sola a travs de la interaccin de elementos independientes relativamente simples, tal
como sucede en la naturaleza.

A la dcada de los ochenta pertenecen progresos en robtica verdaderamente notables. Una tarea tan simple
como la de quitar el polvo con una aspiradora y esquivar convenientemente los obstculos que haya, no se
programa tan fcilmente en un robot.
El punto importante es la deteccin de los obstculos (que no siempre son los mismos ni estn en el mismo
sitio) y la maniobra para eludirlos y seguir trabajando con la aspiradora.
En comparacin, los robots industriales, que realizan operaciones muy precisas y a veces complejas, no
plantean tanta dificultad en su diseo y fabricacin. La razn de ello estriba en la repeticin de sus respectivas
tareas: limpiar el polvo del suelo de un saln es ms difcil que ajustar piezas en una cadena de montaje de
automviles.
La experimentacin en operaciones quirrgicas con robots abre nuevos campos tan positivos como
esperanzadores. La ciruga requiere de los mdicos una habilidad y precisin muy calificadas. La asistencia
de ingenios puede complementar algunas de las condiciones que el trabajo exige. En operaciones
delicadsimas, como las de cerebro, el robot puede aportar mayor fiabilidad.
ltimamente, se ha logrado utilizar estas mquinas para realizar el clculo de los ngulos de incisin de los
instrumentos de corte y reconocimiento en operaciones cerebrales; as mismo, su operatividad se extiende a
la direccin y el manejo del trepanador quirrgico para penetrar el crneo y de la aguja de biopsia para tomar
muestras del cerebro.
Estos instrumentos se utilizan para obtener muestras de tejidos de lo que se suponen tumores que presentan
un difcil acceso, para lo que resulta esencial la intervencin del robot, disminuyendo el riesgo.
Una de las aplicaciones muchos ms aprovechadas de la robtica, y que ha seguido maravillando al hombre,
es la telerobtica en el espacio extraterrestre.
La organizacin ms importante dentro de este aspecto, y que ha marcado un rumbo muy avanzado en
cuanto a tecnologas e investigaciones, es la NASA (National Aeronautics and Space Administration).
El Programa de Telerobtica Espacial de la NASA, esta diseado para desarrollar capacidades en telerobtica
para la movilidad y manipulacin a distancia, uniendo la robtica y las teleoperaciones y creando nuevas
tecnologas.
Los requerimientos de tecnologa de la robtica espacial pueden ser caracterizados por la necesidad del
control manual y automtico, tareas no repetitivas, tiempo de espera entre el operador y el manipulador,
manipuladores flexibles con dinmicas complejas, nueva locomocin, operaciones en el espacio, y la
habilidad para recuperarse de eventos imprevistos.
La robtica ha invadido la mayora de las actividades cotidianas, muestra de ello, es la robtica en los medios
de esparcimiento, y como ejemplo est el fabuloso parque de diversiones Disneylandia.
En este parque de diversiones se pueden encontrar una gran variedad de aplicaciones de la robtica, desde
pjaros cantores, elefantes en movimiento, cocodrilos, osos, hasta simuladores de vuelo, androides,
submarinos, etc.
IV. Perspectivas Futuras.
Con poco ms de diez aos de antigedad, la Vida Artificial se ha convertido en un punto de referencia slido
de la ciencia actual.
En septiembre de 1987, 160 cientficos en informtica, fsica, biologa y otras disciplinas se reunieron en el
Laboratorio Nacional de Los lamos para la primera conferencia internacional sobre Vida Artificial. En aquella
conferencia se definieron los principios bsicos que han marcado la pauta desde entonces en la investigacin
de esta disciplina.
Un concepto bsico dentro de este campo es el de comportamiento emergente. El comportamiento emergente
aparece cuando se puede generar un sistema complejo a partir de reglas sencillas. Para que se d este
comportamiento se requiere que el sistema en cuestin sea iterativo, es decir, que el mismo proceso se repita
de forma continua y adems que las ecuaciones matemticas que definen el comportamiento de cada paso
sean no lineales.
Por otra parte, un autmata celular consiste en un espacio n-dimensional dividido en un conjunto de celdas,
de forma que cada celda puede encontrarse en dos o ms estados, dependiendo de un conjunto de reglas
que especifican el estado futuro de cada celda en funcin del estado de las celdas que le rodean.
Hay dos posturas dentro de la Vida Artificial: la fuerte y la dbil.
Para los que apoyan la postura dbil, sus modelos son solamente representaciones simblicas de los
sntomas biolgicos naturales, modelos ciertamente muy tiles para conocer dichos sistemas, pero sin
mayores pretensiones.

Para los que defienden la versin fuerte, dicen que se puede crear vida autntica a partir de un programa de
ordenador que reproduzca las caractersticas bsicas de los seres vivos.
Desde este punto de vista, la vida se divide en vida hmeda, que es lo que todo el mundo conoce como
vida, vida seca, formada por autmatas fsicamente tangibles, y vida virtual, formada por programas de
computador. Las dos ltimas categoras son las que integran lo que genricamente se conoce como Vida
Artificial.
Para defender un punto de vista tan radical, los defensores de la postura fuerte, aluden a un conjunto de
reglas que comparten las tres categoras anteriores:
La biologa de lo posible.

La Vida Artificial no se restringe a la vida hmeda tal como la conocemos, sino que "se ocupa de la vida tal
como podra ser". La biologa ha de convertirse en la ciencia de todas las formas de vida posibles.
- Mtodo sinttico.
La actitud de la Vida Artificial es tpicamente sinttica, a diferencia de la biologa clsica, que ha sido
mayoritariamente analtica. Desde este punto de vista, se entiende la vida como un todo integrado, en lugar
de desmenuzarlo en sus ms mnimas partes.
Vida real (artificial).

La Vida Artificial es tal porque son artificiales sus componentes y son artificiales porque estn construidos por
el hombre. Sin embargo, el comportamiento de tales sistemas depende de sus propias reglas y en ese sentido
es tan genuino como el comportamiento de cualquier sistema biolgico natural.
Toda la vida es forma.

La vida es un proceso, y es la forma de este proceso, no la materia, lo que constituye la esencia de la vida. Es
absurdo pretender que slo es vida genuina aquella que est basada en la qumica del carbono, como es el
caso de la vida hmeda.
Construccin de abajo hacia arriba.
La sntesis de la Vida Artificial tiene lugar mejor por medio de un proceso de informacin por computador
llamado programacin de abajo hacia arriba. Consiste en partir de unos pocos elementos constitutivos y unas
reglas bsicas, dejar que el sistema evolucione por s mismo y que el comportamiento emergente haga el
resto. Poco a poco el sistema se organiza espontneamente y empieza a surgir orden donde antes slo haba
caos.
Esta clase de programacin contrasta con el principio de programacin en la Inteligencia Artificial. En ella se
intenta construir mquinas inteligentes hechos desde arriba hacia abajo, es decir, desde el principio se intenta
abarcar todas las posibilidades, sin dejar opcin a que el sistema improvise.
El principio de procesamiento de informacin en la Vida Artificial se basa en el paralelismo masivo que
ocurre en la vida real. A diferencia de los modelos de Inteligencia Artificial en los que el procesamiento es
secuencial, en la Vida Artificial es de tipo paralelo, tal y como ocurre en la mayora de fenmenos biolgicos.
Granja de Evolucin.
La evolucin en la naturaleza fue la clave para mejorar los organismos y desarrollar la inteligencia. Michael
Dyer, investigador de Inteligencia Artificial de la Universidad de California, apost a las caractersticas
evolutivas de las redes neuronales (redes de neuronas artificiales que imitan el funcionamiento del cerebro) y
dise Bio-Land.
Bio-Land es una granja virtual donde vive una poblacin de criaturas basadas en redes neuronales.
Los biots pueden usar sus sentidos de la vista, el odo e incluso el olfato y tacto para encontrar comida y
localizar parejas. Los biots cazan en manadas, traen comida a su prole y se apian buscando calor.
Lo que su creador quiere que hagan es hablar entre ellos, con la esperanza de que desarrollen
evolutivamente un lenguaje primitivo.
A partir de ese lenguaje, con el tiempo podran surgir niveles ms altos de pensamiento.
V. Conclusiones.
Dentro del mbito de las Ciencias de la Computacin la Inteligencia Artificial es una de las reas que causa
mayor expectacin, incluso dentro de la sociedad en general, debido a que la bsqueda para comprender los

mecanismos de la inteligencia, ha sido la piedra filosofal del trabajo de muchos cientficos por muchos aos y
lo sigue siendo.
Dentro de las reas de la Inteligencia Artificial lo que ms ha atrado, es el aprendizaje de mquinas,
resultando vital el proceso de emular comportamientos inteligentes.
Que un sistema pueda mejorar su comportamiento sobre la base de la experiencia que recoge al efectuar una
tarea repetitiva y que adems, tenga una nocin de lo que es un error y que pueda evitarlo, resulta
apasionante.
Pueden los computadores aprender a resolver problemas a partir de ejemplos?
No hace tanto tiempo esta pregunta bordeaba la ciencia ficcin, pero ahora es objeto de profundos y
prometedores estudios.
Las redes de neuronas formales son mquinas que poseen esta capacidad de aprendizaje. Son mquinas
propuestas como modelos extremadamente simplificados del funcionamiento del cerebro que sienta las bases
de un modelo colectivo, donde el sistema global presenta propiedades complejas que no pueden predecirse a
partir del estudio individual de sus componentes.
Los estudios tericos de redes de neuronas reflejan estos dos aspectos: el de la modelizacin de fenmenos
cognitivos y el del desarrollo de aplicaciones.
Por ejemplo para una mquina, la clasificacin de rostros, datos mdicos o reconocimiento de letras son
tareas difciles, ms que para un ser humano. La mquina necesita del aprendizaje, donde el asunto consiste
en adaptar los parmetros de un sistema, en este caso artificial, para obtener la respuesta deseada.
Los mtodos tradicionales en Inteligencia Artificial que permitieron el desarrollo de los primeros sistemas
expertos y otras aplicaciones, ha ido de la mano de los avances tecnolgicos y las fronteras se han ido
expandiendo constantemente cada vez que un logro, considerado imposible en su momento, se vuelve
posible gracias a los avances en todo el mundo, generando incluso una nueva mentalidad de trabajo que no
reconoce fronteras fsicas ni polticas. Se entiende como un esfuerzo comn.
La comprensin de los mecanismos del intelecto, la cognicin y la creacin de artefactos inteligentes, se
vuelve cada vez ms una meta que sueo, a la luz de los enormes logros, tan solo en alrededor de medio
siglo de desarrollo de las ciencias de la computacin y de poner la lgica al servicio de la construccin de
sistemas.
Bibliografa.
1.
MIKELL P. Groover, Robtica Industrial. Mc Graw Hill. 199?.
2.

WINSTON, Patrick H., Inteligencia Artificial. Addison-Wesley Iberoamericana, 3 ed.,1994.

3.

WINOGRAD, T.A., FLORES, F. Understanding Computers and Cognition. Norwood, N.J. 1986.

4.

La Computacin Evolutiva en el Contexto de la Inteligencia Artificial. Coello, Carlos. LANIA, A.C.,


Mxico.

5.

Por Qu Necesitamos Algoritmos Eficientes? Estivill-Castro, Vladimir. LANIA, A.C., Mxico.

6.

La Programacin Lgica y el Prolog. Loyo, Cristina y Olga Padrn. LANIA, A.C., Mxico.

7.

Redes de Neuronas y Clasificacin. Torres, Juan Manuel. LANIA, A.C., Mxico.

8.

Principales Direcciones consultadas en WWW:

Leer ms: http://www.monografias.com/trabajos12/inteartf/inteartf2.shtml#ixzz2eiSiPTaH

Aplicaciones de visin artificial


INFAIMON durante todos estos aos ha suministrado ms de 30.000 componentes y sistemas a usuarios
finales, integradores de sistemas y fabricantes de maquinaria para resolver todo tipo de aplicaciones de visin
tanto industriales como no industriales. Estas ltimas se han visto incrementadas en el total de los sistemas
comercializados en los ltimos aos.

Estos ejemplos muestran solo algunos detalles del gran nmero de aplicaciones resueltas por nuestros
clientes, que han confiado en el know how y en los productos y sistemas de INFAIMON:

Entorno

Aplicacin

Aeroespacial

Medidas de stress en fuselaje

Agricultura

Robots de recoleccin de hortalizas

Alimentacin

Color y Medida de Fruta

Arte

Anlisis de pinturas con reflectometra

Automocin

Clasificacin y medida de autopartes

Biologa

Anlisis de formas y crecimiento

Biomecnica

Anlisis de movimiento en 3D

Biometra

Identificacin - Facial, Iris,

Cermica

Control de tonificacin y clasificacin

Comercio

Anlisis de trayectorias de clientes

Construccin

Fugas de calor en edificios mediante


cmaras trmicas

Corcho

Nivel de calidad de tapones

Crash

Cmaras de alta velocidad- Slow


Motion

Deporte

Anlisis de trayectoria Hawk Eye

Electrnica

Control de pantallas LCD

Envase

Medida de nivel y deteccin de


impurezas en lquidos

Farmacia

Trazabilidad con Cdigos Matriz 2D

Forense

Identificacin huellas dactilares

Impresin

Control de texto escrito-OCR

Logstica

Anlisis de desperfectos en palets

Materiales

Clasificacin de metales

Madera

Evaluacin de color y defectos

Medicina

Cmaras en sistemas de Oftalmologa

Microcopa

Cmaras para Florescencia

Minera

Control 3D de tamao de rocas

Multimedia

Sistemas de juegos interactivos

Ocio

Cmaras IP en Hoteles

Ortopedia

Medida de deformacin del pie

Packaging

Lectura de cdigos de Barras Trazabilidad

Parques temticos

Captura de imgenes alta definicin

Polica

Huellas dactilares/ Identificacin Facial

Postal/Bancos

Lectura de ID

Qumica

Proporciones en materias primas

Reciclaje

Clasificacin de plsticos Multiespectral


Infrarrojo

Seguridad/Vigilancia

Control de objetos abandonados en


Aeropuertos

Semiconductores

Inspeccin clulas solares

Teledeteccin

Anlisis multiespectral/hyperespectral

Textil

Determinacin de corte automtico

Trfico

Identificacin de Matrculas y Modelos

Transporte

Cmaras en automviles