Introducción a la

Inteligencia Artificial
Jorge Aguilar J.

Modificado de Padhraic Smyth –Universidad de California

Que veremos:

 ¿Qué es la inteligencia? ¿Qué es la inteligencia artificial?

 Una muy breve historia de la IA

 Éxitos modernos: Stanley el robot de conducción

 AI en la práctica
 aplicaciones exitosas

 La visión del agente racional de la IA

¿Qué es la inteligencia?

 Inteligencia:
 "Capacidad de entender o comprender" (Diccionario RAE y webster)
 En particular,
 la capacidad de resolver problemas nuevos
 la capacidad de actuar racionalmente
 la capacidad de actuar como seres humanos

 Inteligencia artificial
 construir y comprender las entidades o agentes inteligentes
 2 enfoques principales: la "ingeniería" frente a "la modelización cognitiva"
¿Qué es la Inteligencia Artificial ?
(John McCarthy, Universidad de Stanford)

¿Qué es la inteligencia artificial?

Es la ciencia y la ingeniería de hacer máquinas inteligentes, especialmente los programas informáticos inteligentes.
Se relaciona con la tarea similar de usar las computadoras para comprender la inteligencia humana, pero la IA no
tiene que limitarse a métodos que son biológicamente observables.

Sí, pero ¿qué es la inteligencia?

La inteligencia es la parte computacional, de la habilidad de alcanzar metas en el mundo. Diferentes tipos y grados
de inteligencia ocurren en personas, muchos animales y algunas máquinas.

¿Existe una definición sólida de inteligencia que no dependa de la relación con la inteligencia
humana?
Aún no. El problema es que aún no podemos caracterizar en general, qué tipo de procedimientos computacionales
queremos llamar inteligente. Entendemos algunos de los mecanismos de la inteligencia y otros no.

 Más en: http://www-formal.stanford.edu/jmc/whatisai/node1.html

¿Qué está involucrado en la Inteligencia?

 Habilidad para interactuar con el mundo real

 para percibir, comprender y actuar
 por ejemplo, el reconocimiento de voz su comprensión y síntesis
 por ejemplo, la comprensión de las imágenes
 por ejemplo, la capacidad de tomar acciones, tienen un efecto
 Razonamiento y Planificación
 modelar el mundo exterior, dada las entradas
 la solución de nuevos problemas, la planificación y la toma de decisiones
 La capacidad para hacer frente a problemas inesperados, incertidumbres
 Aprendizaje y Adaptación
 Estamos aprendiendo continuamente y adaptándonos
 Nuestros modelos internos están siempre siendo "actualizados"
 Por ejemplo, un bebé aprendiendo a clasificar y reconocer animales
 Disciplinas relevantes a la IA
filosofía Lógica, métodos de razonamiento, la mente como un sistema físico, bases del aprendizaje, lenguaje,
racionalidad.

Matemáticas Representación formal y demostraciones, algoritmos, computación, (des) decidibilidad, (in)

tratabilidad

Probabilidad / Estadística Modelar la incertidumbre, el aprendizaje a partir de datos

Ciencias económicas Utilidad, teoría de la decisión, los agentes económicos racionales

Neurociencia neuronas como unidades de procesamiento de información.

Psicología / Ciencia Ciencia de cómo se comportan las personas, percepción, procesos cognitivos, información,
Cognitiva representación del conocimiento.

Ingeniería de la La construcción de ordenadores rápidos

Computación
Diseño Sistemas que maximizan una función objetivo en el tiempo
la teoría de control
Representación del conocimiento,
Lingüística gramáticas
Historia de la IA
 1943: inicios
 McCulloch y Pitts: modelo de circuito booleano de cerebro
 1950: Turing
 "Computing Machinery and Intelligence”
 1956: Nacimiento de la IA
 Reunión Dartmouth: se adoptó el nombre de "Inteligencia Artificial"
 1950: promesa inicial
 Los primeros programas de IA, incluyendo
 Programa del juego de damas de Samuel
 Newell y Simon: Logic Theorist
 1955-1965: "gran entusiasmo“
 Newell y Simon: GPS, general problem solver
 Gelertner: Geometry Theorem Prover
 McCarthy: invención del LISP
 1966-1973: amanece la realidad
 Se cayó en cuenta de que muchos problemas de IA son intratables
 Historia de la IA (2)
 1966-1973: amanece la realidad ..
 La investigación de redes neuronales casi desaparece

 1969-1985: Adición del dominio del conocimiento.

 Desarrollo de sistemas basados en el conocimiento

 El éxito de los sistemas expertos basados en reglas,

 Por ejemplo, DENDRAL, MYCIN

 Pero eran frágiles y no escalaban bien, en la práctica

 1986– El ascenso del aprendizaje automático

 Las redes neuronales regresan a la popularidad

 Los principales avances en los algoritmos de aprendizaje automático y sus aplicaciones

 1990-- El papel de la incertidumbre

 Redes bayesianas como un marco de representación del conocimiento

 1995-- IA como Ciencia

 Integración del aprendizaje, el razonamiento, la representación del conocimiento

 Métodos de IA utilizados en la visión, el lenguaje, la minería de datos, etc.

¿Podemos construir hardware tan
complejo como el cerebro?
 ¿Qué tan complicado es nuestro cerebro?
 una neurona o célula nerviosa, es la unidad básica de procesamiento de información
 En el cerebro humano se estima que existen del orden de 1012 neuronas
 muchos más sinapsis (1014) que conectan estas neuronas
 tiempo de ciclo: 10-3 segundos (1 milisegundo)
 ¿Qué tan complejo podemos hacer el computador?
 109 o más transistores por CPU
 superordenador: cientos de CPUs, 1013 bits de memoria RAM
 tiempos de ciclo: orden de 10-9 segundos
 Conclusión
 SÍ: en un futuro próximo podemos tener equipos con la mayor cantidad de elementos de procesamiento básicos como
nuestro cerebro, pero con
 muchos menos interconexiones (cables o sinapsis) que el cerebro
 actualizaciones mucho más rápidas que el cerebro

 pero la construcción del hardware es muy diferente de que un equipo se comporte como un cerebro!
¿Pueden las Computadoras hablar?
 Esto se conoce como "la síntesis de voz“
 traducir el texto de forma fonética
 por ejemplo, "ficticia" -> fic-ti-cia

 utilizar reglas de pronunciación para mapear los fonemas a sonido real

 por ejemplo, “fic" -> secuencia de sonidos de audio básicos

 Dificultades
 Los sonidos emitidos por este enfoque de "búsqueda" sonaran naturales
 sonidos no son independientes
 por ejemplo, "actuar" y "acción“
 sistemas modernos (por ejemplo, AT & T) pueden manejar esto bastante bien

 un problema más difícil es el énfasis, las emociones, etc.

 los seres humanos entienden lo que están diciendo
 máquinas no lo hacen: por lo que el sonido suena poco natural

 Conclusión:
 NO, para oraciones completas
 Sí, para las palabras individuales
¿Pueden los ordenadores reconocer el
habla?
 Reconocimiento De Voz:
 mapeo de los sonidos de un micrófono en una lista de palabras
 problema clásico en la IA, muy difícil
 " La inteligencia artificial es la ciencia de imitar las facultades mentales humanas en un
ordenador "

 Reconociendo palabras sueltas de un pequeño vocabulario

 Los sistemas pueden hacer esto con una alta precisión (del orden del 99%)
 por ejemplo, consultas de directorios
 vocabulario limitado (códigos de área, nombres de la ciudad)

 ordenador intenta reconocer por primera vez, si no tiene éxito se necesita de un operador humano

 Ahorra millones de dólares al año a las empresas de telefonía

¿Pueden los ordenadores reconocer el
habla? (2)
 Reconociendo el habla normal es mucho más difícil
 El discurso es continuo: ¿dónde están los límites entre las palabras?
 por ejemplo, "el coche de Juan tiene un neumático pinchado“
 grandes vocabularios
 puede haber muchos miles de palabras posibles
 podemos usar el contexto para ayudar a determinar lo que alguien dijo
 por ejemplo, hipótesis y prueba
 trate de decirle a un camarero en un restaurante: "Me gustaría algún sueño y azúcar en mi café“

 ruido de fondo, otros oradores, diferentes acentos, resfriados, etc.

 En el habla normal, los sistemas modernos son precisos en alrededor del 60 al 70%.
 Conclusión:
NO, el habla normal es demasiado compleja para reconocer con precisión
 Sí, para los problemas restringidos (vocabularios pequeños, solo los altavoces)
¿Pueden los ordenadores entender el
habla?
 La comprensión es diferente al reconocimiento:
 "El tiempo vuela como una flecha“
 Asumimos que el ordenador puede reconocer todas las palabras
 ¿cuántas interpretaciones diferentes hay?
 El tiempo vuela como una flecha
 Comando: sólo el tiempo que vuela es semejante a una flecha
 "tiempo-vuelo" son aficionados de las flechas

 1. Sólo una tiene algún sentido,

 pero ¿cómo podría un ordenador resolver esto?
 los humanos claramente utilizamos una gran cantidad de conocimiento común implícito en la
comunicación?

 Conclusión: no, en la actualidad, gran parte de lo que decimos está más allá de las
capacidades de lo que una computadora pueda entender.
¿Pueden los ordenadores aprender y
adaptarse?
 Aprendizaje y Adaptación
 considere un aprendizaje informático para conducir en la autopista
 podríamos enseñar un montón de reglas acerca de qué hacer
 o podríamos dejarlo conducir y dirigir de nuevo a su curso cuando se dirige hacia el
terraplén
 “Today’s ‘autonomous’ cars still require a great deal of human judgment and skill to operate
safely, and that’s unlikely to change for some time.”—David Mindell, MIT, 2015
 Aprendizaje Automático permite que las computadoras aprender a hacer las cosas sin
necesidad de programación explícita
 muchas aplicaciones exitosas:
 requiere un poco de "set-up": no significa que su PC puede aprender a pronosticar el mercado de valores o
convertirse en un cirujano del cerebro.

 Conclusión: sí, los ordenadores pueden aprender y adaptarse, cuando se le presenta la

información en la forma adecuada.
Pueden las computadoras reconocer el
lenguaje
 Reconocimiento versus entendimiento (como en el lenguaje)
 El reconocimiento y la comprensión de los objetos en una escena
 Ver alrededor de esta sala
 se puede reconocer fácilmente los objetos
 cerebro humano puede mapear imagen visual 2D en una “mapa” 3D
 Por qué el reconocimiento visual es un problema difícil

 Conclusión:
 Normalmente NO: Las computadoras sólo pueden "ver" ciertos tipos de objetos en
circunstancias limitadas
 SÍ para ciertos problemas restringidos (por ejemplo, el reconocimiento de rostros)
¿Pueden las computadoras tomar
decisiones óptimas?
 Inteligencia
 implica la resolución de problemas y la toma de decisiones y la planificación.
 por ejemplo, usted desea tomar unas vacaciones en Brasil
 que necesita para decidir sobre las fechas, vuelos

 que necesita para llegar al aeropuerto, etc.

 implica una secuencia de decisiones, planes y acciones?

 ¿Qué hace de la planificación algo difícil?

 el mundo no es predecible:
 su vuelo es cancelado o hay una alarma de seguridad en su vuelo

 hay una enorme cantidad potencial de detalles

 ¿considera todos los vuelos? ¿todas las fechas?

 no: el sentido común limita sus soluciones

 Sistemas de IA sólo tienen éxito en problemas de planificación limitados?

 Conclusión: no, la planificación del mundo real y la toma de decisiones sigue estando más allá de las capacidades de las
computadoras modernas
 excepción:, problemas con restricciones muy bien definidos
Resumen del Estado de los Sistemas de
IA en la Práctica
 La síntesis de voz, el reconocimiento y la comprensión
 muy útil para aplicaciones de vocabulario limitado
 la comprensión del habla sin restricciones es todavía demasiado difícil
 visión por computador
 funciona para problemas con restricciones (códigos postales escritas a mano)
 la comprensión del mundo real, escenarios naturales sigue siendo demasiado difícil
 Aprendizaje
 sistemas adaptativos se utilizan en muchas aplicaciones: tienen sus límites

 Planificación y Razonamiento
 sólo funciona para problemas con restricciones: por ejemplo, ajedrez
 en el mundo real es demasiado complejo para los sistemas generales?

 En general:
 muchos de los componentes de los sistemas inteligentes son "factibles“
 hay muchos problemas restantes de investigación interesantes
Diferentes tipos de Inteligencia Artificial

1. Modelando exactamente, cómo los seres humanos realmente piensan

2. Modelado exactamente, cómo los seres humanos realmente actúan
3. Modelado, cómo un agentes ideal "debe pensar“
4. Modelado, cómo un agentes ideal "debe actuar"

La IA moderna se centra en la última definición

 también la IA normalmente se centra en este enfoque de "ingeniería“
 el éxito es juzgado por lo bien que “trabaja” el agente
Actuar humanamente: El test de Turing.
 Turing (1950) ""Computing machinery and intelligence“
 "¿ Las máquinas pueden pensar?"
 "¿ Las máquinas pueden comportarse de manera inteligente?”
 La prueba funcional de la conducta inteligente: el Juego de imitación

 Sugiere los principales componentes necesarios para la IA:

- La representación del conocimiento
- Razonamiento,
- La comprensión del lenguaje / imagen,
- aprendizaje
* Pregunta: ¿es importante que un sistema inteligente actúe como un humano?
Pensar humanamente
 Enfoque desde las Ciencias Cognitivas
 Tratar de hacerlo desde "dentro" de nuestras mentes
 Por ejemplo, realizar experimentos con la gente para tratar de hacer
"ingeniería inversa" , la forma en que la razonamos, como se da el
aprendizaje, como recordamos y hacemos predicaciones.
 Problemas
 Los seres humanos no se comportan racionalmente
 por ejemplo, la política, la religión, . . .
 La ingeniería inversa es muy difícil de realizar
 El hardware del cerebro es muy diferente a un programa de ordenador
Pensar racionalmente

 Representar los hechos sobre el mundo a través de la lógica

 Utilizar la inferencia lógica, como base para el razonamiento sobre estos
hechos
 Puede ser un enfoque muy útil para la IA
 Por ejemplo, la demostración de teoremas
 Limitaciones
 No tiene en cuenta la incertidumbre que tiene un agente sobre el mundo
 Por ejemplo, es difícil de acoplar a los sistemas de visión o el habla
 No tiene forma de representar las metas, los costos, etc (Aspectos importantes
de los entornos del mundo real)
Actuar Racionalmente

 Teoría de la decisión / Economía

 Conjunto de estados futuros del mundo
 Conjunto de posibles acciones que un agente puede tomar
 Utilidad = ganancia a un agente para cada par estado/acción
 Un agente actúa racionalmente si se selecciona la acción que maximiza su
"utilidad“
 O la utilidad esperada si hay incertidumbre

 El énfasis está en los agentes autónomos que se comportan racionalmente

(tomar las mejores predicciones, tomar las mejores acciones)
 Sobre el promedio de tiempo
 dentro de las limitaciones computacionales ("racionalidad limitada")
Resumen

 Inteligencia Artificial implica el estudio de:

 el reconocimiento y la comprensión automática de señales, el razonamiento, la
planificación y la toma de decisiones
 aprendizaje y adaptación
 La IA ha hecho progresos sustanciales en
 reconocimiento y aprendizaje
 algunos problemas de planificación y razonamiento
 ... Pero quedan muchos problemas de investigación abierta
 Aplicaciones AI
 mejoras en hardware y algoritmos => aplicaciones de IA en la industria, las finanzas, la
medicina y la ciencia.?
 Visión del a IA del agente racional