Está en la página 1de 13

Erwin Alan Frías Martínez

60203

K030

Tecnologías de la Información

Mtra. Alma Nidya Cuautle Rodríguez

Actividad de Aprendizaje 3. Sistemas Expertos

Tehuacán, Puebla a 10 de diciembre de 2017


1. Define con tus propias palabras los componentes de un proyecto haciend
o énfasis en sus principales características:

 ¿Qué es la inteligencia artificial, y cuáles son sus principales componentes?

La Inteligencia Artificial es una combinación de la ciencia del computador, fisiología


y filosofía, tan general y amplio como eso, es que reúne varios campos (robótica,
sistemas expertos, por ejemplo), todos los cuales tienen en común la creación de
máquinas que pueden pensar.

La de idea construir una máquina 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, traducción de idiomas,
comprensión de idiomas, diagnóstico de fallas, robótica, suministro de asesoría
experta en diversos temas.

La Inteligencia Artificial trata de conseguir que los ordenadores simulen en cierta


manera la inteligencia humana. Se acude a sus técnicas cuando es necesario
incorporar en un sistema informático, conocimiento o características propias del
ser humano.

Podemos interrogar a algunas bases de datos de Internet en lenguaje natural, o


incluso charlar con ellas nuestro idioma, porque por detrás se está ejecutando un
programa de Inteligencia Artificial.

Características de la Inteligencia Artificial

I. Una característica fundamental que distingue a los métodos de Inteligencia


Artificial de los métodos numéricos es el uso de símbolos no matemáticos,
aunque no es suficiente para distinguirlo completamente. Otros tipos de
programas como los compiladores y sistemas de bases de datos, también
procesan símbolos y no se considera que usen técnicas de Inteligencia
Artificial.

II. El comportamiento de los programas no es descrito explícitamente por el


algoritmo. La secuencia de pasos seguidos por el programa es influenciada por
el problema particular presente. El programa especifica cómo 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, explícitamente,
cómo encontrar las variables de salida para cualquier variable dada de entrada
(programa de procedimiento).

III. Las conclusiones de un programa declarativo no son fijas y son determinadas


parcialmente por las conclusiones intermedias alcanzadas durante las
consideraciones al problema específico. Los lenguajes orientados al objeto
comparten esta propiedad y se han caracterizado por su afinidad con la
Inteligencia Artificial.

IV. El razonamiento basado en el conocimiento, implica que estos programas


incorporan factores y relaciones del mundo real y del ámbito del conocimiento
en que ellos operan. Al contrario de los programas para propósito específico,
como los de contabilidad y cálculos científicos; los programas de Inteligencia
Artificial pueden distinguir entre el programa de razonamiento o motor de
inferencia y base de conocimientos dándole la capacidad de explicar
discrepancias entre ellas.

V. Aplicabilidad a datos y problemas mal estructurados, sin las técnicas de


Inteligencia Artificial los programas no pueden trabajar con este tipo de
problemas. Un ejemplo es la resolución de conflictos en tareas orientadas a
metas como en planificación, o el diagnóstico de tareas en un sistema del
mundo real: con poca información, con una solución cercana y no
necesariamente exacta.

 ¿Qué son los sistemas expertos y sus capacidades fundamentales?

Los Sistemas Expertos, rama de la Inteligencia Artificial, son sistemas informáticos


que simulan el proceso de aprendizaje, de memorización, de razonamiento, de
comunicación y de acción en consecuencia de un experto humano en cualquier
rama de la ciencia.

Estas características le permiten almacenar datos y conocimiento, sacar


conclusiones lógicas, tomar decisiones, aprender de la experiencia y los datos
existentes, comunicarse con expertos humanos, explicar el porqué de las
decisiones tomadas y realizar acciones como consecuencia de todo lo anterior.

Técnicamente un sistema experto, contiene una base de conocimientos que


incluye la experiencia acumulada de expertos humanos y un conjunto de reglas
para aplicar ésta base de conocimientos en una situación particular que se le
indica al programa. Cada vez el sistema se mejora con adiciones a la base de
conocimientos o al conjunto de reglas.

¿Por qué utilizar un Sistema Experto?

1) Con la ayuda de un Sistema Experto, personas con poca experiencia pueden


resolver problemas que requieren un "conocimiento formal especializado".
2) Los Sistemas Expertos pueden obtener conclusiones y resolver problemas de
forma más rápida que los expertos humanos.
3) Los Sistemas Expertos razonan, pero en base a un conocimiento adquirido y
no tienen sitio para la subjetividad.
4) Se ha comprobado que los Sistemas Expertos tienen al menos, la misma
competencia que un especialista humano.
5) El uso de Sistemas Expertos es especialmente recomendado en las siguientes
situaciones:
a. Cuando los expertos humanos en una determinada materia son
escasos.
b. En situaciones complejas, donde la subjetividad humana puede llevar a
conclusiones erróneas.
c. Cuando es muy elevado el volumen de datos que ha de considerarse
para obtener una conclusión.

Ventajas

o Permanencia: A diferencia de un experto humano un SE (sistema experto)


no envejece, y por tanto no sufre pérdida de facultades con el paso del
tiempo.
o Replicación: Una vez programado un SE lo podemos replicar infinidad de
veces.
o Rapidez: Un SE puede obtener información de una base de datos y realizar
cálculos numéricos mucho más rápido que cualquier ser humano.
o Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la
capacidad de duplicación el coste finalmente es bajo.
o Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o
dañinos para el ser humano.
o Fiabilidad: Los SE no se ven afectados por condiciones externas, un
humano sí (cansancio, presión, etc.).
o Consolidar varios conocimientos.
o Apoyo Académico.

 ¿Qué es la realidad virtual? Resalta sus características y coloca un ejemplo.

La realidad virtual se podría definir como un sistema informático que genera en


tiempo real representaciones de la realidad, que de hecho no son más que
ilusiones ya que se trata de una realidad perceptiva sin ningún soporte físico y que
únicamente se da en el interior de los ordenadores.

La simulación que hace la realidad virtual se puede referir a escenas virtuales,


creando un mundo virtual que sólo existe en el ordenador de lugares u objetos que
existen en la realidad. También permite capturar la voluntad implícita del usuario
en sus movimientos naturales proyectándolos en el mundo virtual que estamos
generando, proyectando en el mundo virtual movimientos reales.

Además, también nos permite hundirnos completamente en un mundo virtual,


desconectando los sentidos completamente de la realidad teniendo la sensación la
persona que está dentro de que la realidad corresponde en el mundo virtual.

Las aplicaciones que en la actualidad encontramos de la realidad virtual a


actividades de la vida cotidiana son muchas y diversas. Hay que destacar: la
reconstrucción de la herencia cultural, la medicina, la simulación de multitudes y la
sensación de presencia.

Evaluación y rehabilitación del equilibrio

Tradicionalmente, la falta de equilibrio (ya sea por la edad o por un trastorno) se ha


rehabilitado usando un sistema compuesto por tres péndulos.

El ejercicio que se realiza es muy sencillo, se lanzan las bolas del final del péndulo
lentamente hacia el paciente, que debe esquivarlas y volver a su posición original.
El uso de tres péndulos impide que el paciente pueda predecir por dónde va a
venir la siguiente bola.

Este sistema tiene una serie de limitaciones, en primer lugar, debe adaptarse a las
características morfológicas del paciente (altura y anchura) y, en segundo lugar,
hay que controlar la velocidad con la que las bolas van a ser lanzadas, este
aspecto depende de lo rápido que sea el paciente en esquivar la pelota.

Estos ajustes deben hacerse manualmente, lo cual puede resultar tedioso y poco
preciso.

2. Con base a la teoría de las redes neuronales, realiza un ejemplo de red


neuronal, teniendo presente los siguientes aspectos:

 El ejercicio se puede realizar de algún problema o situación de la vida diaria.


 Puede tratarse de un evento orientado a algún sistema informático; por ejemplo, la
toma de decisiones en una empresa.
 Entregar el diagrama de la red neural, desarrollando una explicación de cómo se a
plicaría.

Consideremos una red neuronal formada por 2 capas:

 Una capa de entradas formada por 2 neuronas: 1 y 2.

 Una capa de salidas formada por una sola neurona: 3.

Las conexiones entre las dos neuronas de entrada y la neurona de salida


presentan pesos sinápticos ajustables mediante el entrenamiento. Y a su vez, el
valor umbral (U) de la neurona 3 puede ser ajustado como un peso sináptico más, al
considerar U = -W0 asociado a una neurona bias (siempre activa: X0 = 1).

El esquema de este modelo seria el presentado en la figura 4:


Y la condición de activación de la neurona 3 sería:

Además, en este modelo, cada neurona de una capa "transmite" su estado de activación
(0 o 1) a la siguiente capa de neuronas, y después deja de estar activa.

Ahora, entrenaremos la red de manera que la neurona 3 se active sólo si las neuronas 1 y
2 están activas, y permanezca inactiva en caso contrario. Hay así cuatro posibles casos:

X1 X2 Capa de salida (X3)


Caso 1 0 0 0
Caso 2 0 1 0
Caso3 1 0 0
Caso 4 1 1 1

Para entrenar esta red, usaremos una regla de aprendizaje derivada del método
de aprendizaje Hebbiano.

- Regla de aprendizaje de Hebb:


También llamada aprendizaje de coincidencia o aprendizaje Hebbiano. Y fue sugerida
por Donald Hebb en 1949, a partir de estudios con neuronas reales.

Hebb observó que la sinapsis (conexión entre 2 neuronas reales) se reforzaba sí la


neurona de entrada (o presináptica) y la neurona de salida (o postsináptica)
eran activadas de manera continua. De esta forma, las conexiones que se usan son las
que se refuerzan.

Así, según este método de aprendizaje aplicado a las


redes neuronales artificiales, las conexiones entre las
neuronas de entrada activas y las neuronas de
salida activas se refuerzan durante el
entrenamiento: coincidencias entre actividad de entrada
y actividad de salida se intensifican. Mientras que las
conexiones entre neuronas de entrada inactivas y
neuronas de salida (activas o inactivas) no se refuerzan.

Este método de aprendizaje puede ser tanto supervisado como no supervisado.


Cuando es supervisado, la respuesta correcta para el dato de entrada es introducida para
cada neurona de salida, y los pesos sinápticos entre las neuronas activas se incrementan,
mientras que los pesos entre neuronas que no estén activas simultáneamente
permanecen igual que estaban.

El problema de este método es que no tiene en cuenta la eficacia de la red. Así, aunque la
red ya este entrenada y los valores de entrada generen valores de salida correctos, la
regla de aprendizaje continúa incrementando los pesos sinápticos entre neuronas
activas.

- Entrenamiento de la red:
Debido al problema de la regla de aprendizaje de Hebb, usaremos una regla de
aprendizaje derivada, y que si tenga en cuenta la eficacia de la red en cada momento:

1. Si la salida generada por la neurona 3 (para los valores de las otras dos neuronas)
es la correcta, no se realizan ajustes de los pesos sinápticos.

2. Si la salida es 1 pero debería ser 0, se reducen sólo los pesos de las conexiones
activas según una constante C.

3. Si la salida es 0 pero debería ser 1, entonces se aumentan sólo los pesos de las
conexiones activas según la misma constante C.

Así, en cada ciclo de entrenamiento:

 Se presenta un dato de entrada (formado por los valores de las neuronas 1 y 2)


del conjunto de datos de entrenamiento.

 La red, a partir del dato de entrada generará un dato de salida.

 Se aplica la regla anterior, que mide la eficiencia de la red y actúa en


consecuencia.

Y se realizan diferentes ciclos de entrenamiento con los valores de entrenamiento hasta


que la red responda correctamente a todos los datos de entrada (en todos los casos de
entrenamiento) o hasta que la red ya no pueda aprender más.

De esta forma, si partimos de unos pesos sinápticos iguales a 0 (W1 = W2 = W0 = 0) y de


una constante de refuerzo igual a 1 (C = 1):

 Introducimos el dato de entrada del caso 1: (X1, X2) = (0, 0).

 Puesto que todos los pesos valen 0:


 Así el valor de salida de la neurona 3 es 0, y como el valor de la neurona 3 tenia
que ser 0 (según el caso 1 de entrenamiento), no se realizan ajustes de los pesos.

 Introducimos el dato de entrada del caso 4: (X1, X2) = (1, 1).

 Puesto que todos los pesos valen 0:

 Pero, como el valor de salida de la neurona 3 es 0, y tenia que ser 1 (según


el caso 4 de entrenamiento), los pesos de las conexiones activas se aumentan en
un valor de C (tal como indica el apartado 3 de al regla de aprendizaje):

o W1 = W1 + C = 0 + 1 = 1

o W2 = W2 + C = 0 + 1 = 1

o W0 = W0 + C = 0 + 1 = 1

Y se continuaría de esta manera hasta terminar el entrenamiento, en cuyo caso


obtendríamos los siguientes pesos sinápticos ajustados:

Peso sináptico Valor


W1 1
W2 2
W0 -2

- Modelo del Perceptrón:

Este modelo de red simple, seria un modelo reducido del modelo del Perceptrón,
desarrollado por Rosenblatt entre 1958 y 1962, a partir de los modelos de red
de McCullough-Pitts.
En el ojo, la imagen proyectada sobre la retina es convertida en señales eléctricas gracias
a las células sensitivas a la luz (conos y bastones). Estas señales, a través de los axones
de las células ganglionares, son transmitidas al cerebro, que interpreta la imagen.

El modelo del Perceptrón está basado en esta idea del ojo: las células sensibles de la
retina serian detectores conectados con neuronas de la capa de entrada; estas neuronas
se activan (1) cuando se activa el detector correspondiente. Cada neurona de la capa de
entrada está conectada con diferentes neuronas de la capa de detección de
características. Y cada neurona de esta capa estaría conectada a su vez con diferentes
neuronas de la capa de salidas del Perceptrón (figura 6).

Y la regla de aprendizaje usada para entrenar la red es una versión simplificada de la


regla de aprendizaje del Perceptrón.

- Limitaciones del modelo:

El modelo simple de red neuronal (al igual que el modelo del Perceptrón en el que se
basa), presenta bastantes limitaciones en las tareas que puede llegar a aprender.

Así, por ejemplo, el modelo serio incapaz de aprender a realizar la


operación XOR (O exclusivo): no puede ser entrenado con éxito para que la neurona 3 se
active si las neuronas 1 o 2 están activas, pero nolas dos a la vez.

Esto es debido a que el método de entrenamiento lo que hace es mover la siguiente recta
sobre un plano:
De manera que los puntos (X1, X2) del plano por encima de la recta hacen que la neurona
3 se active, y los que quedan por debajo de la recta hacen que la neurona 3 permanezca
inactiva:

Y no se puede dividir el plano en 2 partes de manera que solo los puntos (0,1) y (1,0)
queden en la zona de activación de la neurona 3.

Conclusión
Un sistema inteligente es un programa de computación que reúne características y
comportamientos asimilables al de la inteligencia humana o animal.

La expresión "sistema inteligente" se usa a veces para sistemas inteligentes incompletos,


por ejemplo, para una casa inteligente o un sistema experto.

Un sistema inteligente completo incluye "sentidos" que le permiten recibir información de


su entorno. Puede actuar, y tiene una memoria para archivar el resultado de sus acciones.
Tiene un objetivo e, inspeccionando su memoria, puede aprender de su experiencia.
Aprende cómo lograr mejorar su rendimiento y eficiencia.

Referencias
E.Cox, "Fuzzy Fundamentals", IEEE Spectrum, pp.58-61, Oct.1992.

Cohen Karen, Daniel. (2000). “Sistemas expertos en los negocios” en Sistemas de


Información para los negocios Un enfoque para la toma de decisiones. México Mc Graw
Hill, pp. 275 – 289..pdf

Laudon, Kenneth C. (2008). “Técnicas inteligentes” en Sistemas de información gerencial


Administración de la empresa digital. México Pearson Educación, pp. 451 - 461..pdf

J.Yen, R.Langari, L.A.Zadeh (eds.), "Industrial Applications of Fuzzy Logic and Intelligent
Systems", IEEE Press, New York, USA, 1995. (Adquirido por Dr. B. Leon de la Barra, está
en biblioteca DIE)

D.G.Schwartz, G.J.Klir, H.W.Lewis, Y.Ezawa, "Applications of Fuzzy Sets and Approximate


Reasoning", Proceedings of the IEEE, vol.82, pp.482-498, Apr.1994.