INTELIGENCIA ARTIFICIAL

CÓDIGO: 90169A_611

UNIDAD 1- FASE 1 – TECNICAS, HERRAMIENTAS DE LA INTELIGENCIA

ARTIFICIAL

Presentado a:
FERNANDO ROJAS
Tutor

Entregado por:

JONATAN STIVE HERRAN ARIAS – Código:

JHONNY CAICEDO VELARDE – Código: 94329937
DAVID BURBANO – Código:
ALVARO GALVIS – Código:
HECTOR DAVID MORALES – Código: 1113624878

Grupo: 90169_21

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA - UNAD

ESCUELA DE CIENCIAS BÁSICAS TECNOLOGÍA E INGENIERÍA
MARZO 2019
PALMIRA

1
 CONTENIDO

INTRODUCCIÓN............................................................................................................................4
TECNICAS Y HERRAMIENTAS DE LA INTELIGENCIA ARTIFICIAL...................................5
Aprendizaje Automático (Machine Learning)..............................................................................5
Ingeniería del Conocimiento (Knowledge Engineering)..............................................................5
Redes Bayesianas (Bayesian Networks).......................................................................................5
Vida Artificial (Artificial Life).....................................................................................................5
Técnicas de Representación de Conocimiento.............................................................................5
Redes Semánticas:........................................................................................................................6
Frames...........................................................................................................................................6
Lógica Difusa:...............................................................................................................................6
Sistemas Reactivos:......................................................................................................................6
Sistemas Basados en Reglas:........................................................................................................6
Razonamiento Basado en Casos:..................................................................................................7
Sistemas Expertos:........................................................................................................................7
Visión Artificial.............................................................................................................................7
Vida Artificial:..............................................................................................................................7
Transducción.................................................................................................................................7
Aprendizaje multi-tarea................................................................................................................7
Lingüística Computacional...........................................................................................................8
Procesamiento del lenguaje natural (Natural Language Processing)............................................8
Minería de Datos (DataMining)....................................................................................................8
AGENTES INTELIGENTES.........................................................................................................10
TECNICA A UTILIZAR EN EL PROYECTO..............................................................................11
MACHINE LEARNING................................................................................................................11
TIPOS DE ALGORITMOS............................................................................................................13
Aprendizaje Automático:............................................................................................................13
Aprendizaje supervisado.............................................................................................................13

2
 Aprendizaje no supervisado........................................................................................................13
Aprendizaje semisupervisado.....................................................................................................13
Aprendizaje por refuerzo............................................................................................................13
TÉCNICAS DE CLASIFICACIÓN...............................................................................................15
Árboles de decisiones.................................................................................................................15
Reglas de asociación...................................................................................................................15
Algoritmos genéticos..................................................................................................................15
Redes neuronales artificiales......................................................................................................15
Máquinas de vectores de soporte................................................................................................15
Algoritmos de agrupamiento......................................................................................................16
Redes bayesianas........................................................................................................................16
CONOCIMIENTO.........................................................................................................................17
Crecimiento.................................................................................................................................17
Reestructuración.........................................................................................................................17
Ajuste..........................................................................................................................................17
CONCLUSIONES..........................................................................................................................18
REFERENCIAS BIBLIOGRÁFICAS...........................................................................................19

3
 INTRODUCCIÓN

El presente documento consolida los aportes individuales de cada estudiante para conformar así
el trabajo colaborativo de las técnicas y herramientas de la inteligencia artificial, tiene por
objetivo establecer las técnicas y herramientas que se usaran para el desarrollo del prototipo
propuesto el cual será un sistema inteligente que tenga la capacidad de diagnosticar una
enfermedad basado en una serie de síntomas y en el aprendizaje adquirido de diagnósticos
realizados anteriormente.

4
 TECNICAS Y HERRAMIENTAS DE LA INTELIGENCIA ARTIFICIAL

Aprendizaje Automático (Machine Learning)

Es una rama de la IA cuyo objetivo es desarrollar técnicas que permitan a las computadoras
aprender, el Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo motores
de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis
del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del
lenguaje escrito, juegos y robótica.

Ingeniería del Conocimiento (Knowledge Engineering)

La ingeniería del conocimiento es aquella disciplina moderna que forma parte de la Inteligencia
Artificial y cuyo fin es el diseño y desarrollo de Sistemas Expertos (o Sistemas Basados en el
Conocimiento SS.BB.CC). La ingeniería del conocimiento engloba a los científicos, tecnología y
metodología necesarios para procesar el conocimiento. Su objetivo es extraer, articular e
informatizar el conocimiento de un experto.

Redes Bayesianas (Bayesian Networks)

Es un modelo probabilístico multivariado que relaciona un conjunto de variables aleatorias
mediante un grafo dirigido que indica explícitamente influencia causal. Una red bayesiana se
utiliza para representar el conocimiento y el razonamiento probabilístico de una forma gráfica.

Vida Artificial (Artificial Life).

Es el estudio de la vida y de los sistemas artificiales que exhiben propiedades similares a los seres
vivos, a través de modelos de simulación. La Vida Artificial está dentro de las Ciencias de la
Complejidad, que estudian los fenómenos subyacentes y comunes a todos los sistemas complejos,
como ecosistemas, economías y culturas, modelizándolos mediante la interacción de elementos
simples.

Técnicas de Representación de Conocimiento

Es un área de la inteligencia artificial cuyo objetivo fundamental es representar el conocimiento
de una manera que facilite la inferencia (sacar conclusiones) a partir de dicho conocimiento. Se

5
usa algún tipo de lógica para proveer una semántica formal de como las funciones de
razonamiento se aplican a los símbolos del dominio del discurso, además de proveer operadores
como cuantificadores, operadores modales, etc.

Redes Semánticas:
Es una forma de representación de conocimiento lingüístico en la que los conceptos y sus
interrelaciones se representan mediante un grafo. Las redes semánticas con usadas, entre otras
cosas, para representar mapas mentales y conceptuales.

Frames
Se denomina en inglés, a un fotograma o cuadro, una imagen particular dentro de una sucesión de
imágenes que componen una animación. Es un elemento que permite dividir la pantalla en varias
áreas independientes unas de otras, y por tanto con contenidos distintos, aunque puedan estar
relacionados. Cada una de estas zonas es capaz de mostrar código HTML.

Lógica Difusa:
Se basa en lo relativo de lo observado como posición diferencial. Esta lógica toma dos valores
aleatorios, pero contextualizados y referidos entre sí. Por ejemplo cuando una persona mide 2
metros, se dice que es una persona alta, esto se puede deducir mientras se haya tomado una
medida de una persona baja de por lo menos un metro.

Sistemas Reactivos:
Son aplicaciones críticas, en las cuales una falla o mal funcionamiento puede acarrear
consecuencias graves, tales como poner en juego vidas humanas y/o grandes inversiones
económicas. El comportamiento de estos sistemas, llamados sistemas de tiempo real, no está
determinado únicamente por la sucesión de acciones que se ejecutan, sino también por el
momento en que las mismas ocurren y son procesadas. El tiempo de ejecución es el parámetro
fundamental en el comportamiento de estas clases de sistemas y una gran parte, quizás la más
importante, de los requerimientos de los mismos son temporales: tal acción debe de realizarse en
un tiempo determinado, el tiempo transcurrido entre dos eventos o señales debe estar acotado por
un valor constante.

Sistemas Basados en Reglas:

Son modelos de representación del conocimiento ampliamente utilizados. Esto se debe a que
resultan muy apropiados en situaciones en las que el conocimiento que se desea representar surge
de forma natural con estructura de reglas.

6
Razonamiento Basado en Casos:
Es el proceso de solucionar nuevos problemas basando en las soluciones de problemas anteriores.
El razonamiento basado es casos es una manera de razonar haciendo analogías. Se ha
argumentado que el razonamiento basado en casos no es solo un método poderoso para el
razonamiento de computadoras, sino que es usado por las personas para solucionar problemas
cotidianos. Más radicalmente se ha sostenido que todo razonamiento es basado en casos porque
está basado en la experiencia previa.

Sistemas Expertos:
Es un sistema de información basado en el conocimiento que usa un área de aplicación compleja
y específica a fin de actuar como un consultor experto para los usuarios finales. Los sistemas
expertos proporcionan respuestas sobre un área problemática muy específica al hacer inferencias
semejantes a las humanas sobre los conocimientos obtenidos en una base de conocimientos
especializados.

Visión Artificial
Es programar un computador para que "entienda" una escena o las características de una imagen.
En la detección, segmentación, localización y reconocimiento de ciertos objetos en imágenes (por
ejemplo, caras humanas) La evaluación de los resultados (por ejemplo, segmentación, registro).
Búsqueda de imágenes digitales por su contenido.

Vida Artificial:
Es el estudio de la vida y de los sistemas artificiales que exhiben propiedades similares a los de
los seres vivos, a través de modelos de simulación. El científico Christopher Langton fue el
primero en utilizar el término a fines de los años 1980 cuando se celebró la “International
Conference on the synthesis and Simulation off Living Systems” (“Primera Conferencia
Internacional de la Síntesis y Simulación de Sistemas Vivientes”) también conocida como
“Artificial Life I” (“Vida Artificial I”) en los Alamos National Laboratory en 1987.

Transducción
Similar al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de
predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus
respectivas categorías y los ejemplos nuevos al sistema.

Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a
enfrentarse a problemas parecidos a los ya vistos.

7
El análisis computacional y de rendimiento de los algoritmos de aprendizaje automático es una
rama de la estadística conocida como teoría computacional del aprendizaje.
El aprendizaje automático las personas lo llevamos a cabo de manera automática ya que es un
proceso tan sencillo para nosotros que ni nos damos cuenta de cómo se realiza y todo lo que
implica. Desde que nacemos hasta que morimos los seres humanos llevamos a cabo diferentes
procesos, entre ellos encontramos el de aprendizaje por medio del cual adquirimos
conocimientos, desarrollamos habilidades para analizar y evaluar a través de métodos y técnicas
así como también por medio de la experiencia propia. Sin embargo, a las máquinas hay que
indicarles cómo aprender, ya que si no se logra que una máquina sea capaz de desarrollar sus
habilidades, el proceso de aprendizaje no se estará llevando a cabo, sino que solo será una
secuencia repetitiva. También debemos tener en cuenta que el tener conocimiento o el hecho de
realizar bien el proceso de aprendizaje automático no implica que se sepa utilizar, es preciso
saber aplicarlo en las actividades cotidianas, y un buen aprendizaje también implica saber cómo y
cuándo utilizar nuestros conocimientos.
Para llevar a cabo un buen aprendizaje es necesario considerar todos los factores que a este le
rodean, como la sociedad, la economía, la ciudad, el ambiente, el lugar, etc. Por lo tanto, es
necesario empezar a tomar diversas medidas para lograr un aprendizaje adecuado, y obtener una
automatización adecuada del aprendizaje. Así, lo primero que se debe tener en cuenta es el
concepto de conocimiento, que es el entendimiento de un determinado tema o materia en el cual
tú puedas dar tu opinión o punto de vista, así como responder a ciertas interrogantes que puedan
surgir de dicho tema o materia.

Lingüística Computacional
Se considera una disciplina de la lingüística aplicada y la IA, y tiene como objetivo la realización
de aplicaciones informáticas que imiten la capacidad humana de hablar y entender. Sus
aplicaciones son, por ejemplo, los programas que reconocen el habla, los traductores automáticos.

Procesamiento del lenguaje natural (Natural Language Processing)

Es la disciplina encargada de producir sistemas informáticos que posibiliten dicha comunicación,
por medio de la voz o del texto. Es aquella orientada a facilitar la comunicación hombre-
computadora por medio del lenguaje humano, o lenguaje natural.

Minería de Datos (DataMining)

Es el conjunto de técnicas y tecnologías que permiten explorar grandes bases de datos, de manera
automática o semiautomática, con el objetivo de encontrar patrones repetitivos, tendencias o
reglas que expliquen el comportamiento de los datos en un determinado contexto. Se presenta

8
como una tecnología emergente, con varias ventajas, resulta un buen punto de encuentro entre los
investigadores y las personas de negocios. Ahorra grandes cantidades de dinero a una empresa y
abre nuevas oportunidades de negocios.

9
 AGENTES INTELIGENTES

Podemos definir al agente inteligente como una entidad software que, basándose en su propio
conocimiento, realiza un conjunto de operaciones destinadas a satisfacer las necesidades de un
usuario o de otro programa, bien por iniciativa propia o porque alguno de éstos se lo requiere.

Todos los agentes inteligentes son programas, pero no todos los programas que realizan
búsquedas son agentes inteligentes. Los agentes en sí mismos pueden ser considerados como
entidades individuales (partes de programa que tienen control sobre sus propias vidas y
movimientos). Continuamente están realizando procesos que les indican qué hacer y cómo. Se
comunican con otros agentes para resolver de forma adecuada su trabajo.

De acuerdo con el punto de vista de la inteligencia artificial un agente posee las siguientes
propiedades: autonomía, sociabilidad, capacidad de reacción, iniciativa, benevolencia y
racionalidad (Wooldridge y Jennings, 1995).
Es capaz de percibir su medioambiente con la ayuda de sensores y actuar en ese medio utilizando
actuadores (elementos que reaccionan a un estímulo realizando una acción).
Un agente inteligente es más que un simple sistema de búsqueda de información. El agente puede
operar sin la intervención del usuario aun si éste está desconectado. Los agentes inteligentes
incorporan funciones procedentes de la inteligencia artificial.

Tres características fundamentales de los agentes inteligentes:

 1. La inteligencia: el agente sabe razonar y aprende a partir de la información que recoge

 2. La interactividad: el agente puede interactuar con su entorno y otros agentes con el
propósito de realizar una tarea
 3. La autonomía: el agente puede tomar decisiones de manera autónoma.

10
 TECNICA A UTILIZAR EN EL PROYECTO

MACHINE LEARNING

(Aprendizaje automático)
Hoy en día, las computadoras pueden aprender fácilmente ¡y algunas son increíblemente
inteligentes!
El Machine Learning (ML) es una subdisciplina de las ciencias de la computación y una rama de
inteligencia artificial (IA). Su objetivo es desarrollar técnicas que permitan a las computadoras
aprender.
Proporcionando algoritmos, APIs (interfaz de programación de aplicaciones), herramientas de
desarrollo y de capacitación, big data, aplicaciones y otras máquinas, las plataformas de ML están
ganando cada día más fuerza.
Actualmente, están siendo utilizadas, principalmente, para predicción y clasificación.
Algunas de las compañías que venden plataformas ML incluyen Amazon, Fractal Analytics,
Google, H2O.ai, Microsoft, SAS, Skytree y Adext.
Esta última es particularmente interesante por una simple razón: Adext es el primer y único
Audience Management as a Service (AMaaS) en el mundo que aplica IA real y Machine Learning
a la publicidad digital para encontrar la audiencia o grupo demográfico más redituable para
cualquier anuncio.
El Machine Learning es una rama de la IA cuyo objetivo es desarrollar técnicas que permitan a
las computadoras aprender, el Aprendizaje Automático tiene una amplia gama de aplicaciones,
incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas
de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento
del habla y del lenguaje escrito, juegos y robótica.
Machine Learning es una aplicación que se basa en algoritmos de I.A. que provee a un software
con la capacidad de aprender y mejorar en experiencia. Un software provisto con esta aplicación
accede a los datos y aprende de ellos por sí mismo.
Existe una gran controversia con el tema de Machine Learning en el campo de la salud y se ha
guiado más por lo ético ya que debe de haber un trato humano y la responsabilidad de la vida no
se puede dejar en manos de una máquina. Lo que hace que no sea muy bien visto por los médicos
y la gente en particular.
11
En cuanto a los que se encuentran a favor de la tecnología en la salud, argumentan que se tiene
grandes ventajas en eficiencia, certeza, costos y alcances de la práctica médica, pero que no se
puede sustituir al médico humano por completo.

En la actualidad Machine Learning se utiliza para la identificación del cáncer en los ojos y la piel
en edades tempranas y los software de historias clínicas pueden pre-diagnosticar y sugerir
tratamientos al médico con los datos iniciales de consulta.

12
 TIPOS DE ALGORITMOS

Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de

la salida de los mismos. Algunos tipos de algoritmos son:

Aprendizaje Automático:
Su objetivo es desarrollar técnicas que permitan a las computadoras aprender. Se trata de crear
programas capaces de generalizar comportamientos a partir de una información no estructurada,
suministrada en forma de ejemplos.

Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las
salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de
clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores
utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada
por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en
problemas de investigación biológica, biología computacional y bioinformática.

Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por
entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Por lo tanto,
en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas
entradas.

Aprendizaje semisupervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera
adecuada. Se tiene en cuenta los datos marcados y los no marcados.

Aprendizaje por refuerzo

El algoritmo aprende observando el mundo que le rodea. Su información de entrada es el
feedback o retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por
lo tanto, el sistema aprende a base de ensayo-error.
El aprendizaje por refuerzo es el más general entre las tres categorías. En vez de que un instructor
indique al agente qué hacer, el agente inteligente debe aprender cómo se comporta el entorno
mediante recompensas (refuerzos) o castigos, derivados del éxito o del fracaso respectivamente.

13
El objetivo principal es aprender la función de valor que le ayude al agente inteligente a
maximizar la señal de recompensa y así optimizar sus políticas de modo a comprender el
comportamiento del entorno y a tomar buenas decisiones para el logro de sus objetivos formales.
Los principales algoritmos de aprendizaje por refuerzo se desarrollan dentro de los métodos de
resolución de problemas de decisión finitos de Markov, que incorporan las ecuaciones de
Bellman y las funciones de valor. Los tres métodos principales son: la Programación Dinámica,
los métodos de Monte Carlo y el aprendizaje de Diferencias Temporales.2
Entre las implementaciones desarrolladas está AlphaGo, un programa de IA desarrollado por
Google DeepMind para jugar el juego de mesa Go. En marzo de 2016 AlphaGo le ganó una
partida al jugador profesional Lee Se-Dol que tiene la categoría noveno dan y 18 títulos
mundiales. Entre los algoritmos que utiliza se encuentra el árbol de búsqueda Monte Carlo,
también utiliza aprendizaje profundo con redes neuronales. Puede ver lo ocurrido en el
documental de Netflix “AlphaGo”.

14
 TÉCNICAS DE CLASIFICACIÓN

Árboles de decisiones
Este tipo de aprendizaje usa un árbol de decisiones como modelo predictivo. Se mapean
observaciones sobre un objeto con conclusiones sobre el valor final de dicho objeto.
Los árboles son estructuras básicas en la informática. Los árboles de atributos son la base de las
decisiones. Una de las dos formas principales de árboles de decisiones es la desarrollada por
Quinlan de medir la impureza de la entropía en cada rama, algo que primero desarrolló en el
algoritmo ID3 y luego en el C4.5. Otra de las estrategias se basa en el índice GINI y fue
desarrollada por Breiman, Friedman et alia. El algoritmo de CART es una implementación de
esta estrategia.3

Reglas de asociación
Los algoritmos de reglas de asociación procuran descubrir relaciones interesantes entre variables.
Entre los métodos más conocidos se hallan el algoritmo a priori, el algoritmo Eclat y el algoritmo
de Patrón Frecuente.

Algoritmos genéticos
Los algoritmos genéticos son procesos de búsqueda heurística que simulan la selección natural.
Usan métodos tales como la mutación y el cruzamiento para generar nuevas clases que puedan
ofrecer una buena solución a un problema dado.

Redes neuronales artificiales

Las redes de neuronas artificiales (RNA) son un paradigma de aprendizaje automático inspirado
en las neuronas de los sistemas nerviosos de los animales. Se trata de un sistema de enlaces de
neuronas que colaboran entre sí para producir un estímulo de salida. Las conexiones tienen pesos
numéricos que se adaptan según la experiencia. De esta manera, las redes neurales se adaptan a
un impulso y son capaces de aprender. La importancia de las redes neurales cayó durante un
tiempo con el desarrollo de los vectores de soporte y clasificadores lineales, pero volvió a surgir a
finales de la década de 2000 con la llegada del aprendizaje profundo.

Máquinas de vectores de soporte

Las MVS son una serie de métodos de aprendizaje supervisado usados para clasificación y
regresión. Los algoritmos de MVS usan un conjunto de ejemplos de entrenamiento clasificado en

15
dos categorías para construir un modelo que prediga si un nuevo ejemplo pertenece a una u otra
de dichas categorías.

Algoritmos de agrupamiento
El análisis por agrupamiento (clustering en inglés) es la clasificación de observaciones en
subgrupos —clusters— para que las observaciones en cada grupo se asemejen entre sí según
ciertos criterios.
Las técnicas de agrupamiento hacen inferencias diferentes sobre la estructura de los datos; se
guían usualmente por una medida de similaridad específica y por un nivel de compactamiento
interno (similaridad entre los miembros de un grupo) y la separación entre los diferentes grupos.
El agrupamiento es un método de aprendizaje no supervisado y es una técnica muy popular de
análisis estadístico de datos.

Redes bayesianas
Una red bayesiana, red de creencia o modelo acíclico dirigido es un modelo probabilístico que
representa una serie de variables de azar y sus independencias condicionales a través de un grafo
acíclico dirigido. Una red bayesiana puede representar, por ejemplo, las relaciones probabilísticas
entre enfermedades y síntomas. Dados ciertos síntomas, la red puede usarse para calcular las
probabilidades de que ciertas enfermedades estén presentes en un organismo. Hay algoritmos
eficientes que infieren y aprenden usando este tipo de representación.

16
 CONOCIMIENTO

En el aprendizaje automático podemos obtener 3 tipos de conocimiento, que son:

Crecimiento
Es el que se adquiere de lo que nos rodea, el cual guarda la información en la memoria como si
dejara huellas.

Reestructuración
Al interpretar los conocimientos el individuo razona y genera nuevo conocimiento al cual se le
llama de reestructuración.

Ajuste
Es el que se obtiene al generalizar varios conceptos o generando los propios.
Los tres tipos se efectúan durante un proceso de aprendizaje automático pero la importancia de
cada tipo de conocimiento depende de las características de lo que se está tratando de aprender.
El aprendizaje es más que una necesidad, es un factor primordial para satisfacer las necesidades
de la inteligencia artificial.
Distinción entre Aprendizaje supervisado y no supervisado
El aprendizaje supervisado se caracteriza por contar con información que especifica qué
conjuntos de datos son satisfactorios para el objetivo del aprendizaje. Un ejemplo podría ser un
software que reconoce si una imagen dada es o no la imagen de un rostro: para el aprendizaje del
programa tendríamos que proporcionarle diferentes imágenes, especificando en el proceso si se
trata o no de rostros.
En el aprendizaje no supervisado, en cambio, el programa no cuenta con datos que definan qué
información es satisfactoria o no. El objetivo principal de estos programas suele ser encontrar
patrones que permitan separar y clasificar los datos en diferentes grupos, en función de sus
atributos. Siguiendo el ejemplo anterior un software de aprendizaje no supervisado no sería capaz
de decirnos si una imagen dada es un rostro o no pero sí podría, por ejemplo, clasificar las
imágenes entre aquellas que contienen rostros humanos, de animales, o las que no contienen. La
información obtenida por un algoritmo de aprendizaje no supervisado debe ser posteriormente
interpretada por una persona para darle utilidad.

17
 CONCLUSIONES

Realizando las respectivas investigaciones sobre las técnicas y herramientas que utiliza la I.A.
puedo observar que cada día esta ciencia hace parte de nuestras vidas y como van interfiriendo
con el desarrollo mundial, cuando utilizamos el termino de I.A. ya no es tan desconocido y se
puede observar en noticias como existen aplicaciones para asistencia personal y que son
comandadas por voz, también que las empresas están apostando más hacia esta ciencia.
Entonces vamos comprendiendo que las maquinas son capaces de hacer cosas, las cuales
dependen de cómo se utiliza la tecnología y cuáles son las ventajas y beneficios que estas nos
puede dar.

18
 REFERENCIAS BIBLIOGRÁFICAS

 slideshare.net (2019). Técnicas y campos de la Inteligencia Artificial. [Página Web]

Es.slideshare.net. Recuperado de: https://es.slideshare.net/beshi/tecnicas-y-
camposdelaiabzjh

 Elprofesionaldelainformacion.com. (2019). Agentes inteligentes: definición y tipología.

Los agentes de información - El profesional de la información. [Página Web] Recuperado
de:
http://www.elprofesionaldelainformacion.com/contenidos/1999/abril/agentes_inteligentes
_definicion_y_tipologia_los_agentes_de_informacion.html

 CCM. (2019). Los agentes inteligentes. [Página Web] Recuperado de:

https://es.ccm.net/faq/4474-los-agentes-inteligentes

 Wooldridge, M. and Jennings, N.R. (1995) Intelligent Agents: Theory and Practice. The
Knowledge Engineering Review, 10, 115-152.
http://dx.doi.org/10.1017/S0269888900008122

19