Fase 3 - Representación del conocimiento en IA

TRABAJO INDIVIDUAL

Farley Giovanni González L.

Código: 98.713.087

Tutor: Fernando Rojas.

Universidad Nacional Abierta y a Distancia – UNAD

Ingeniería de Sistemas.

El Bagre (Ant)

2020
 Introducción

Este informe investigativo que tiene como temas principales el Aprendizaje Automático (AA, o

Machine Learning, por su nombre en inglés) es la rama de la Inteligencia Artificial que tiene como

objetivo desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata

de crear algortimos capaces de generalizar comportamientos y reconocer patrones a partir de una

información suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del

conocimiento, es decir, un método que permite obtener por generalización un enunciado general a partir

de enunciados que describen casos particulares.

1. Representación del conocimiento

La representación del conocimiento y el razonamiento

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. Generalmente, se usa algún tipo de lógica para

proveer una semántica formal de cómo las funciones de

razonamiento se aplican a los símbolos del dominio del

discurso, además de proveer operadores como

cuantificadores, operadores modales, etc. Esto, junto a

una teoría de interpretación, dan significado a las frases

en la lógica.

Cuando diseñamos una representación del conocimiento (y un sistema de representarían del

conocimiento para interpretar frases en la lógica para poder derivar inferencias de ellas) tenemos que

hacer elecciones a lo largo de un número de ámbitos de diseño. La decisión más importante que hay que

tomar es la expresividad de la representación del conocimiento. Cuanto más expresiva es, decir algo es

más fácil y más compacto. Sin embargo, cuanto más expresivo es un lenguaje, más difícil es derivar

inferencias automáticamente de él. Un ejemplo de una representación del conocimiento poco expresiva
es la lógica proposicional. Un ejemplo de una representación del conocimiento muy expresiva es la

lógica autoepistémica. Las representaciones del conocimiento poco expresivas pueden ser tanto

completas como consistentes (formalmente menos expresivas que la teoría de conjuntos). Las

representaciones del conocimiento más expresivas pueden ser ni completas ni consistentes.

El principal problema es encontrar una representación del conocimiento y un sistema de razonamiento

que la soporte, que pueda hacer las inferencias que necesita una aplicación dentro de los límites de

recursos del problema a tratar. Los desarrollos recientes en la representación del conocimiento han sido

liderados por la web semántica, y han incorporado el desarrollo de lenguajes y estándares de

representación del conocimiento basados en XML, que incluyen Resource Description Framework

(RDF), RDF Schema, DARPA Agent Markup Language (DAML), y Web Ontology Language (OWL).

Representar el conocimiento en Inteligencia Artificial es el proceso de transformación de éste a un

dominio o un lenguaje simbólico para ser procesado en un computador.

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.

Ejemplo de representación del conocimiento en prologo por medio de hechos y reglas

Imagen tomada de: https://sites.google.com/site/clasedeinteligenciaartificial

Historia de la representación del conocimiento y el razonamiento

En las ciencias de la computación, particularmente la inteligencia artificial, se han ideado un número de

representaciones para estructurar la información.

Representación del conocimiento es un término comúnmente usado para referirse a representaciones

pensadas para el procesamiento por ordenadores modernos, y en particular, para representaciones

compuestas por objetos explícitos (la clase que contiene a todos los elefantes, o Jacobo un individuo en

concreto), y de afirmaciones sobre ellos ('Jacobo es un elefante', o 'todos los elefantes son grises').

Representar el conocimiento en un a forma explícita como esta permite a los ordenadores sacar

conclusiones de conocimiento previamente almacenado ('Jacobo es gris').

Muchos métodos de representación del conocimiento fueron probados a lo largo de la década de 1970

hasta principios de los años 80, cómo responder a preguntas usando heurísticas, redes neuronales,
demostraciones de teoremas, y sistemas expertos, con un grado variable de éxito. La diagnosis médica

(por ejemplo Mycin) fue un área importante de aplicación, al igual que lo fueron juegos como el ajedrez.

En los años 80, surgieron lenguajes formales de programación y sistemas de representación del

conocimiento. Grandes proyectos se llevaron a cabo para intentar codificar grandes masas de

conocimiento general, por ejemplo, el proyecto "Cyc" (todavía activo) tomó un gran enciclopedia

codificando no la información en sí, sino la información que un lector necesitaría para poder entender la

enciclopedia: física elemental, nociones de tiempo, causalidad, motivación; objetos comunes y clases de

objetos.

A través de dicho trabajo, se apreció mejor la dificultad de la representación del conocimiento. En

lingüísticas computacionales, mientras tanto, se estaban construyendo bases de datos de información

lingüística mucho más grandes, y estas, junto con los grandes incrementos en velocidad y capacidad de

computación, hicieron las representación del conocimiento más profundas más factibles.

Se han desarrollado diversos lenguajes de programación orientados a la representación del

conocimiento. Prolog, desarrollado en 1972,3 pero popularizado mucho después, representa

proposiciones y lógica básica, y puede derivar conclusiones de premisas conocidas. KL-ONE (años 80)

está más orientado a la representación del conocimiento en sí. En 1995, se desarrolló el estándar de

metadata Dublin Core.

En el mundo de los documentos electrónicos, se estaban desarrollando lenguajes para representar la

estructura de los documentos, como el SGML (del que desciende el HTML) y más tarde XML. Estos

facilitaron los esfuerzos de recuperación de información y minería de datos, que en años recientes

comenzaron a relacionarse a la representación del conocimiento. El desarrollo de la web semántica, ha

incluido el desarrollo de lenguajes de representación del conocimiento y estándares basados en XML,

incluyendo RDF, RDF Schema, DARPA Agent Markup Language (DAML), y Web Ontology Language

(OWL).

2. Aprendizaje profundo

Hace algunos días el importante profesor y

científico computacional de la Universidad

de Montreal Yoshua Bengio, sorprendió con

su posición acerca del avance sobre

Inteligencia Artificial.

Yoshua Bengio es uno de los pioneros del

aprendizaje profundo y ha estudiado

ampliamente las redes neuronales artificiales contribuyendo a la investigación sobre Inteligencia

artificial. En entrevista concedida al Financial Times decía que el talento escasea en la academia gracias

a la gran fuga que se genera y aumenta por la demanda de conocedores del tema en las grandes empresas

de tecnología en el mundo. Lo cierto es que la gran industria se está llevando a los grandes talentos para

sus compañías brindándoles grandes puestos y altos sueldos dejando a la academía en una situación de

desventaja: se necesita más tiempo y mayores recursos para seguir avanzando en el tema de Inteligencia

Artificial y aprendizaje profundo.

Pero, ¿qué es el aprendizaje profundo?

Es una manera de analizar grandes datos que permite a las computadoras aprender. El aprendizaje

profundo se basa en teorías acerca de cómo funciona el cerebro humano, se fundamenta en ideas
sencillas y básicas para después basarse en ellas como por ejemplo cuando un bebé aprende algunos

sonidos, después reconoce palabras y finalmente construye oraciones y habla. Este conjunto de

algoritmos es parte de un conjunto más amplio de métodos de aprendizaje automático que se basan en

aprender representaciones de grandes datos.

Tiene una relevancia en el campo de la Inteligencia Artificial porque se trata del uso de redes neuronales

que mejoran la calidad de vida de los seres humanos. Por ejemplo: con reconocimiento de voz, con el

procesamiento del lenguaje natural y la visión por el computador. En los últimos años, el aprendizaje

profundo ha contribuido con grandes avances en la ciencia, logrando avanzar en áreas como la

percepción de los objetos, el reconocimiento de voz y la traducción automática, temas que desvelan a

los grandes científicos de la Inteligencia Artificial.

Y, ¿cuál es el panorama del aprendizaje profundo?

Bien lo decia Bengio, las grandes empresas tecnológicos van detrás de los grandes pensadores del tema

pero porque quieren generar el cambio y seguir a la vanguardia.

Tal es el caso de Google y Facebook, dos de los más grandes del mundo de la tecnología.

En el 2011, Google crea su ‘Google Brain Team’ y su lema nos explica cuál es el verdadero sentido de

este espacio: make machines intelligent. Improve people’s lives (Hacemos que las máquinas sean

inteligentes. Mejoramos la vida de las personas). El propósito es crear una red con libertad de

investigación y sobre todo con difusión abierta. Se centra en siete áreas principales de investigación y

dentro de su equipo se encuentra uno de los más grandes investigadores de Inteligencia Artificial:

Geoffrey E. Hinton.

En el caso de Facebook, creó en el 2013 su Unidad de Investigación para la Inteligencia Artificial –

Facebook Research AI (FAIR) Las investigaciones se concentran en crear soluciones que faciliten la
identificación de rostros en contenidos audiovisuales e imágenes que son publicadas diariamente en la

red social.

Recientemente el presidente de Facebook, Mark Zuckerberg, anunció que donaría 25 servidores para

contribuir con las investigaciones y trabajos sobre inteligencia artificial. Los equipos que cuentan con

ocho procesadores gráficos y permiten hacer cálculos complejos se repartirán por grandes centros de

investigación, los primeros cuatro llegarán al laboratorio de la Universidad Técnica de Berlín para

trabajar en la modelización molecular.

En cuestiones de aprendizaje profundo y reconocimiento de voz podemos nombrar a Microsoft que en el

2012 lanzó un software que traducía del inglés al mandarín casi al instante; también está Siri una

aplicación que ofrece interacción conversacional que nace en el 2007 pero reaparece adquirida por

Apple incluyéndola en su sistema iOS en el 2011.

IBM hizo lo suyo con WATSON, un sistema informático para la búsqueda de respuestas que es capaz de

responder preguntas formuladas en lenguaje natural. El objetivo de este sistema, según IBM, es que las

computadoras empiecen a interactuar con los humanos apoyándose en una gran cantidad de aplicaciones

y procesos que permitirán una interacción fluida.

¿Qué características presenta el aprendizaje profundo?

A continuación, me gustaría daros a conocer algunos de los rasgos o características que conforman la

esencia del aprendizaje profundo y que son:

Motivación intrínseca que fomenta el aprender como fuente de satisfacción.

 Aprendizaje centrado en el significado.

 Vinculación de un conocimiento nuevo con otras asignaturas.

 Conexión entre el conocimiento y la vida real.

 Fomento de espíritu crítico, el análisis y la metacognición.

Estas y otras características se alejan del modelo de aprendizaje superficial que se caracterizaría por:

 Motivación extrínseca, donde el principal objetivo es aprender para aprobar una asignatura.

 Aprendizaje centrado en la acumulación de datos que se adquieren de manera memorística.

 Escasa relación entre un conocimiento y su aplicación a la vida real.

 Ausencia de reflexión.

 Se centra en la intención de cumplir los requisitos de una tarea.

¿Qué estrategias promueven el el aula el aprendizaje profundo?

Ahora que sabemos qué es el aprendizaje profundo y qué características presenta, es el momento de dar

a conocer qué estrategias facilitan dicho aprendizaje. Entre las más importantes estarían:

 Aprender para comprender.

 Fijar unos objetivos claros, asumibles y realistas.

 Flexibilizar el proceso de apendizaje.

 Priorizar el aprendizaje útil y significativo.

  Entender la figura del docente como un facilitador del conocimiento en lugar de una

transmisor de información.

 Promover metodologías activas que promuevan la cooperación, el pensamiento crítico, la

ayuda muta o la inclusión, como, por ejemplo, aprendizaje cooperativo o el ABP.

 Enfocar el aprendizaje desde una perspectiva competencial, descubriendo y fomentando las

.habilidades y destrezas del alumnado.

 Centrarse en una evaluación formativa y lo calificadora.

 Entender el error como parte fundamental de cualquier aprendizaje.

 Promover el feedback o la retroalimentación.

 Promover estrategias de pensamiento que permitan evaluar, precisamente, la profundidad de

dicho pensamiento y la precisión en sus conclusiones.

3. Aprendizaje Automático

El aprendizaje automático se refiere al proceso por el cual los ordenadores desarrollan el reconocimiento

de patrones o la capacidad de aprender continuamente y hacer predicciones basadas en datos, tras lo cual

realizan ajustes sin haber sido programados específicamente para ello. Como forma de inteligencia

artificial, el aprendizaje automático automatiza el proceso de creación de modelos analíticos y permite

que las máquinas se adapten a nuevas situaciones de manera independiente.

Independientemente de que te entusiasme o no la

idea de que las redes neuronales artificiales

puedan un día ser lo suficientemente sofisticadas

como para reproducir la conciencia humana,

existen ventajas prácticas innegables para el

aprendizaje automático, principalmente:

Gestión inteligente de Big Data: sin la velocidad

y la sofisticación del aprendizaje automático sería

imposible procesar y extraer información del

enrome volumen y variedad de datos que se

generan a medida que los seres humanos y otras

fuerzas ambientales interactúan con la tecnología.

Dispositivos inteligentes: desde dispositivos

móviles que dan seguimiento a la salud y a los objetivos de bienestar, hasta vehículos de conducción

autónoma y "ciudades inteligentes" con infraestructura que puede reducir automáticamente el

desperdicio de tiempo y energía, el Internet de las cosas (IoT) es una gran promesa, y el aprendizaje

automático puede ayudar a dar sentido a este aumento significativo en los datos.

Valiosas experiencias del consumidor: el aprendizaje automático permite que los motores de

búsqueda, las aplicaciones web y otras tecnologías adapten los resultados y las recomendaciones para

que coincidan con las preferencias de los usuarios, creando experiencias personalizadas agradablemente

para los consumidores.

Las soluciones para servidores de Hewlett Packard Enterprise se fabrican para ayudar a que los clientes

logren un rendimiento en tiempo real para sus cargas de trabajo de inteligencia artificial. El sistema

HPE Apollo 6000 es una plataforma de aprendizaje profundo diseñada para ofrecer un rendimiento y

una escalabilidad sin precedentes en un espacio relativamente pequeño.

El aprendizaje profundo es un subconjunto del aprendizaje automático y ha demostrado recientemente

un rendimiento significativamente superior a algunos enfoques tradicionales de aprendizaje automático.

El aprendizaje profundo utiliza una combinación de redes neuronales artificiales de múltiples capas,

formación con uso intensivo de procesamiento y datos, inspirada en nuestra última comprensión del

comportamiento del cerebro humano. Este enfoque se ha vuelto tan eficaz que incluso ha comenzado a

superar las habilidades humanas en muchas áreas, como el reconocimiento de imágenes y del habla y el

procesamiento del lenguaje natural.

Aquí hay 20 ejemplos de aprendizaje automático en acción:

1. Disney

Los huéspedes de los parques de Disney usan las pulseras MagicBand como llaves de la habitación,

boletos y pago. La pulsera recopila información de dónde se encuentran los huéspedes en el parque para

recomendar experiencias e incluso encaminar a las personas por áreas concurridas.

2. Progresivo

La compañía de seguros utiliza la telemática para rastrear los hábitos e historial de conducción de sus

clientes, lo que ayuda a predecir el riesgo de sufrir un accidente y ofrece políticas más precisas y

personalizadas.
3. Burberry

Los accesorios de lujo de Burberry son algunos de los más falsificados del mundo. La compañía utiliza

el reconocimiento de imágenes para escanear solo una pequeña sección de un bolso y determinar su

autenticidad según el patrón, la textura y el tejido.

4. American Express

AmEx detecta el fraude en tiempo real al analizar rápidamente millones de transacciones para

determinar qué cargos no son reales. El servicio rápido significa que los clientes pueden resolver el

problema casi al instante.

5. Netflix

El gigante de la transmisión recomienda programas basados en las preferencias, los datos demográficos

y el historial de cada espectador. El setenta y cinco por ciento de lo que la gente ve proviene de

recomendaciones.

6. North Face

La marca de equipo para actividades al aire libre utiliza un comprador personal con aprendizaje

automático para ayudar a los clientes a encontrar el abrigo perfecto. Simplemente escriba a dónde va,

responda algunas preguntas y obtenga recomendaciones para el mejor equipo.

7. BMW

Cuanto más conduzcas un BMW mejorado por la IA, más aprenderá de ti. El automóvil utiliza el

aprendizaje automático para ajustar automáticamente los sistemas y la experiencia de cabina para cada

conductor.
8. Yelp

Los usuarios de Yelp pasan más tiempo mirando fotos que cualquier otra cosa. El sitio de revisión utiliza

el aprendizaje automático para clasificar sus imágenes de modo que los usuarios puedan ver fácilmente

qué es lo más importante para ellos.

9. HubSpot

HubSpot utiliza el aprendizaje automático para identificar los eventos desencadenantes de sus clientes

B2B, como nuevos líderes o cambios estructurales. Utiliza esos datos para lanzar servicios que

coinciden con el crecimiento y los cambios de cada cliente.

10. JPMorgan Chase

El banco agiliza la correspondencia con el aprendizaje automático que analiza documentos y extrae

información importante. En lugar de tomar horas para revisar documentos complicados, los clientes

ahora pueden tener información en segundos.

11. Starbucks

La aplicación recuerda las bebidas favoritas de cada cliente y se adapta a sus preferencias para que todos

tengan una experiencia única y conveniente. Los clientes pueden pedir fácilmente sus bebidas favoritas a

través del móvil.

12. Nike

Cuando los clientes diseñan sus propios zapatos en la tienda, están haciendo más que solo crear el par

perfecto de zapatillas. El programa también recopila información para recomendar otros estilos de

zapatos que les gusten.

13. Urban Outfitters

El proceso automatizado de identificación del producto de Urban Outfitters etiqueta cada producto en

función de características detalladas como la impresión, el escote y el ajuste, lo que facilita a los clientes

encontrar exactamente lo que están buscando.

14. MedWhat

En lugar de esperar a un médico, los usuarios pueden chatear con el MedWhat chatbot en cualquier

momento del día o de la noche. El bot utiliza el aprendizaje automático para proporcionar diagnósticos

precisos y opciones de tratamiento.

15. Instagram

El aprendizaje automático es enorme para la publicidad dirigida en Instagram, pero también ayuda a

eliminar comentarios ofensivos al buscar patrones y ciertas palabras. Eliminar spam y recomendar

imágenes relevantes mantiene la experiencia fresca y personalizada.

16. Uber

El servicio de paseo compartido está impulsado por datos. Los algoritmos utilizan datos de viajes

anteriores para hacer coincidir a los pasajeros y conductores y determinar cuánto tardarán en llegar los

conductores. El sistema se vuelve más inteligente cuanto más se utiliza.

17. TechCrunch

El chatbot de TechCrunch hace que sea fácil mantenerse al día con las noticias de tecnología. El bot

rastrea los artículos que cada persona lee y entrega nuevos artículos que les gustaría. Ayuda a reducir la

abrumadora cantidad de información disponible.

18. Amazon

Un asombroso 35% de las ventas de Amazon provienen de recomendaciones. El sitio web rastrea la

visualización y el historial de compras de cada cliente para encontrar los productos adecuados para

recomendar.

19. Pinterest

¿Tienes una receta para compartir o un arte para crear? Los algoritmos de Pinterest utilizan el

aprendizaje automático para conectar a los usuarios con otro contenido que pueda interesarles y, al

mismo tiempo, eliminar el spam y las publicaciones irrelevantes.

20. Wells Fargo

Los clientes pueden obtener fácilmente información rápida a través del chatbot de AI. En lugar de

completar formularios largos, un chat rápido con el bot puede conectarse a los detalles de la cuenta o al

mantenimiento.

Las muchas aplicaciones de Machine Learning lo convierten en una herramienta poderosa para crear

increíbles experiencias para los clientes.

 Conclusión.

Este informe logro comprender considerable por el aprendizaje automático y su gran importancia en

el mundo de la ciberseguridad, el desarrollo tecnológico y las automatización, como creemos que el

enfoque más eficiente en el mundo de la tecnología que se basa en un paradigma multinivel. Como se

ha comentado, ya estamos usando aunque pasen desapercibidos estos algoritmos en muchas de las

facetas de nuestra vida diaria, en aplicaciones totalmente integradas con nuestros dispositivos, pero su

uso va a ir mucho más allá, y los investigadores siguen trabajando en algoritmos cada vez más perfectos.

Con el acceso cada vez más fácil a estas tecnologías por parte de cualquiera, las ventajas competitivas

son tan importantes que ninguna empresa tecnológica podrá despreciar su utilización.
 Referencia Bibliográfica.

 Wikipedia (2020) - Representación del conocimiento. Recuperado de:

https://es.wikipedia.org/wiki/Representaci%C3%B3n_del_conocimiento

 equipoUFTsis2 (2012). Formas de representación del conocimiento. Recuperado de:

https://es.slideshare.net/equipoUFTsis2/formas-de-representacion-del-conocimiento

 Todoesciencia.minciencias.gov.co ¿Qué Es El Aprendizaje Profundo?. Recuperado de:

http://todoesciencia.minciencias.gov.co/aprende/innovacion/que-es-el-aprendizaje-profundo

 Hpe.com (2020) Definición De Aprendizaje Automático. Recuperado de:

https://www.hpe.com/lamerica/es/what-is/machine-learning.html

 tynmagazine.com (2019) 20 ejemplos de aprendizaje automático utilizado en la experiencia del

cliente. Recuperado de: https://www.tynmagazine.com/20-ejemplos-de-aprendizaje-automatico-

utilizado-en-la-experiencia-del-cliente/