Paradigmas de la IA

Existen varios paradigmas en la IA que definen la forma de representar los conocimientos

y cómo estos son utilizados para lograr un determinado objetivo. Algunos de estos paradigmas son
brevemente presentados a continuación.

Inteligencia Artificial Simbólica (IAS)

La IA simbólica fue el paradigma dominante de la investigación en IA desde mediados
de los cincuenta hasta finales de los años ochenta. Después, se introdujeron enfoques sub-
simbólicos más recientes a la IA, basado en redes neuronales, estadística, optimización
numérica y otras técnicas.

Representación del 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. Analiza cómo pensar formalmente - cómo usar un sistema de
símbolos para representar un dominio del discurso (aquello de lo que se puede
hablar), junto con funciones que permitan inferir (realizar un razonamiento formal)
sobre los objetos.

Inteligencia Artificial Conexionista (IAC)

La IAC se inspira en la estructura neuronal del cerebro para implementar sistemas con capacidad
de reconocer patrones, clasificar, aprender, etc. A partir de la interconexión de unidades
elementales, llamadas neuronas, se obtienen las llamadas Redes Neuronales Artificiales
(RNA), las que presentan un comportamiento emergente. La IAC se aplica en
situaciones donde existe imprecisión, principalmente desde el punto de vista del
raciocinio (o sea, no seconoce con exactitud cómo se resuelve el problema). El
principio central del conexionismo es que los fenómenos mentales pueden ser descritos por
redes de unidades sencillas y frecuentemente iguales que se interconectan. La forma de las
conexiones y de las unidades varía de un modelo a otro. Por ejemplo, las unidades de
la red podrían representar neuronas y las conexiones podrían representar sinapsis. Otro
modelo podría hacer cada unidad de la red una palabra, y cada conexión una indicación
desimilitud semántica. Las bases de las ideas conexionistas se pueden remontar a finales del
siglo XIX, cuandoSantiago Ramóny Cajalestableció las bases para los estudios de redes
neuronales, cuando describió la estructura de las neuronas y su forma de interconexión.2Más
tarde, en1949,Donald Hebb propuso su postulado de aprendizaje según el cual la conexión entre
dos neuronas se hará más fuerte si se disparan al mismo tiempo. Pero no fue hasta la década de
1980 cuando el conexionismo se convirtió en un punto de vista popular entre los científicos.
Inteligencia Artificial Evolutiva (IAE)

La computación evolutiva (en adelante CE) es una de las ramas de la Inteligencia Artificial que se
aplica párala resolución de problemas de optimización combinatoria. La CE está inspirada en los
mecanismos de evolución biológica propuestos por Darwin, Medel y Lamark.

Darwin propuso la “Selección natural de los más adaptados “

Medel propuso la “Teoría corpuscular de la herencia”
Lamark propuso la “Herencia de caracteres adquiridos “.

La elección de una codificación (representación de las variables del problema en el

algoritmo evolutivo) tiene un gran efecto en el tamaño del Espacio de búsqueda y por
ende, en el tiempo y dificultad de resolución.

La función de desempeño (fitness function), la cual considera en la función objetivo o función de la

cual se desea obtener el valor óptimo

Los algoritmos evolutivos poseen diversos parámetros los cuales deben ser cuidadosamente
elegidos para obtener un buen desempeño y evitar problemas tales como la Convergencia
prematura.
Logica:
aprende apartir de leyes ya establecidas
SE: software que emula un comprtamineto, funciona con lógica proposicional

Simbolismo: preceso de entendimiento de información

Cognicion computacional

Conexiomismo: estudia el comportamienot de las neuronas

Modelo de hoppan:
Back-propagacion: minimizar errores en las salidas
Algoritmos genéticos:
Conductismo: estudia el compartamiento del ser humano hacia su exterior
Logica difusa: se basa en lo relativo de lo observado
Control inteligente: se enfoca en la mejora y en los procesos que realiza un robot
Auto-aprendizaje
Auto-organización
Características intelectuales