Unidad 3 - Fase 3 - Representación del conocimiento en IA

Curso
Inteligencia artificial

Grupo
36

Tutor
Fernando rojas

Estudiante
Elmer Ovidio Lopez Aldana

Código
1193513821

Universidad nacional abierta y a distancia

Unad
Escuela de ciencias básicas, tecnología e ingeniería
Ecbti
2021
 Explicación trabajo individual

1. Explicar en el foro sobre las formas de representación del conocimiento en

IA.

La representación del conocimiento en inteligencia artificial es la transformación de este

a un lenguaje simbólico el cual se procesa mediante un computador.
Su objetivo principal consta de lograr representar el conocimiento de tal manera que
permita sacar conclusiones a partir de este, permite analizar un sistema de símbolos de
forma que domine claramente el discurso a lo que se desea hablar y con variedad de
funciones permita la inferencia sobre distintos objetos.

Metodología para la representación del conocimiento

Metodología estructural

• Red semántica: Es una de las formas más utilizadas en la inteligencia artificial

que permite la representación del conocimiento y existe gran variedad de
técnicas.
• Esquema de marcos: Es una estructura de datos compleja que es capaz de
representar una situación estereotipada.
• Frames: Es una estructura de datos compleja que permite la representación
estereotipada en la que se organiza el conocimiento junto con ciertas
características comunes al concepto, la situación o dícese del objeto.

Características de los Frames

Precisión: Se precisan todos los objetos, la relación entre los mismos y cada una de sus
propiedades debido a la ausencia contraria es posible la utilización de valores por
omisión.
Activación dinámica de procesos (Triggering): Es posible colocar los procedimientos
en un marco o alguno de sus componentes para ser llamado y ejecutado
automáticamente tras una comprobación, por ejemplo (if-needed, if-added).
Herencia por defecto no-monotónica: Todos los marcos están relacionados y permiten
que los atributos de los objetos puedan ser heredados de otros objetos predecesores en la
jerarquía.
Modularidad: La base del conocimiento en inteligencia artificial está organizada en
diferentes componentes bien diferenciados y especificados.
Reglas de producción o inferencia: Estos sistemas son los más utilizados, por su
simplicidad y similitud con el razonamiento humano puesto que son populares en
diferentes dominios.

Metodología declarativa

Lógica: Es un lenguaje de representación que permite expresar y razonar tanto con

sentencias verdaderas como falsas, toda la lógica que sea utilizada como mecanismo de
representación consta de 3 elementos fundamentales.
• Una sintaxis la cual explica claramente como construir los elementos del
lenguaje de representación del conocimiento mediante oraciones lógicas.
 • Una semántica la cual permite la asociación de los elementos del lenguaje con
los elementos reales del dominio realiza la interpretación de los símbolos.
• Un conjunto de reglas de inferencia que permiten inferir el conocimiento nuevo
a partir del que ya existe.

2. Explicar en el foro sobre aprendizaje profundo

El aprendizaje profundo (Deep Learning) es un campo perteneciente a la inteligencia

artificial cuyo objetivo es el estudio y construcción de sistemas de cómputo capaces de
"aprender" a partir de la experiencia, inspirándose ligeramente en algunos principios del
funcionamiento del cerebro animal (Vega, 2017).
Nosotros aprendemos con el tiempo por medio de la experiencia, en la inteligencia
artificial (IA) se le conoce como aprendizaje profundo. Las maquinas que contiene la IA
a través del tiempo adquieren experiencia y esto es grabado mediante datos y la calidad
junto con la cantidad definen en gran medida cuanto es posible que aprendan.
Podemos decir que el aprendizaje profundo es una rama del aprendizaje automático, los
sistemas de aprendizaje profundo permiten el mejoramiento de la capacidad de
aprendizaje debido a que acceden a una mayor cantidad de datos o el equivalente a una
mayor experiencia.
Con todo esto para una maquina le es muy fácil el realizar tareas específicas tales como
poder conducir un vehículo, detectar enfermedades, inspeccionar errores en maquinaria,
etc.

Como funciona el aprendizaje profundo

Las redes de aprendizaje profundo logran aprender mediante la detección de estructuras

complejas de datos de los cuales reciben, crean modelos computacionales los cuales se
componen de distintas capas en cuanto a procesamiento se refiere creando así niveles de
abstracciones los cuales representan los datos.
Un ejemplo del aprendizaje profundo son las redes convolucionales, este tipo de red
aprende de los pixeles que adquiere de las imágenes y le permite de acuerdo con unas
características específicas del elemento a verificar indicar si este elemento existe o no
dentro de las imágenes adquiridas.
Es de anotar que tanto el aprendizaje profundo como el automático son totalmente
distintos, es por ello por lo que si deseamos crear un sistema de aprendizaje automático
es necesario mucho tiempo dedicado. En el caso del aprendizaje profundo solo basta
con anexar imágenes de un objeto o elemento especial por ejemplo un gato y el mismo
sistema aprende autónomamente cada una de las características de representan el gatico.

Qué importancia tiene el aprendizaje profundo

En este momento por toda la situación que vive el mundo estamos en medio de una
oportunidad, con la tecnología de inteligencia artificial del aprendizaje profundo es
posible la consecución de grandes avances. Por ejemplo, mediante este fue posible el
descubrimiento de exoplanetas, fármacos, detectar enfermedades.
Un ejemplo claro es la combinación de las cámaras las cuales hacen de ojos artificiales
y las redes neuronales permiten el procesamiento de esa información, también es
posible el mejoramiento de las capacidades robóticas puesto que cada vez más podrán
conocer su entorno, les es posible la toma de decisiones además de ayudarnos en las
labores cotidianas.
 Ejemplos prácticos de aprendizaje profundo

• Robótica: En cuanto a la robótica ha habido un gran avance en la inteligencia

artificial debido a que gracias al aprendizaje profundo un robot es capaz de
desplazarse, ordenar elementos y manejar de forma autónoma elementos como si
fuese un humano además de lograr diferenciar un objeto de otro lo cual hasta
hace un tiempo era una tarea muy difícil de lograr. Entonces es posible que a
medida que haya avances a gran escala de la IA se mejoren los procesos y
funciones que logren hacer los robots.
• Agricultura: En la agricultura gracias a la IA y al aprendizaje profundo las
maquinas usadas por ejemplo para rociar herbicidas pueden identificar cual es el
cultivo y cuales es la maleza que creció en el para aplicar de manera selectiva y
no afectar el producto sembrado, también permite la reducción y el
aprovechamiento tanto de los herbicidas, fertilizantes, el riego y la recolección
de los productos.
• Exploración médica y servicios sanitarios: El aprendizaje profundo ha
permitido en gran medida mediante redes neuronales el análisis de gran cantidad
de información además de gran calidad y capacidad para clasificar imágenes
permitiendo así el poder lograr el análisis de imágenes y emitir un diagnóstico a
partir de ellas, puede también predecir que podría suceder a partir de un historial
médico.

Como será el futuro del aprendizaje profundo

En este momento utilizamos ordenadores digitales, pero al ritmo en que vamos pronto
seguramente también se dejaran de utilizar, así como se hizo con los ordenadores
mecánicos, posiblemente se utilizaran ordenadores cuánticos. Ya en el 2018 se había
celebrado una conferencia internacional en donde se hablaba del aprendizaje automático
cuántico y se logra pronosticar un buen futuro prometedor.

3. Explicar en el foro sobre aprendizaje automático

Machine Learning como bien se conoce se refiere al desarrollo de programas que

cuentan con la capacidad de identificar patrones entre millones de datos, la construcción
de modelos y la generación de predicciones a futuro, basados en toda la información
recogida.
Es bastante útil para el desarrollo de sistemas informáticos puesto que logran un
aprendizaje al identificar patrones en gran cantidad de datos, machine Learning es muy
utilizado por empresas que ya adoptan la IA, mejorando así los procesos, incrementando
la eficiencia y los ingresos además de disminuir en gran medida los costos.

Aplicaciones del aprendizaje automático (Deep Learning)

El Deep Learning se aplica principalmente en las maquinas que pueden proyectar

diferentes comportamientos, un ejemplo claro son las maquinas capaces de reconocer el
rostro de una persona, el aprendizaje de varios idiomas, el lograr realizar diagnósticos
médicos con un porcentaje elevado de eficacia, entre muchas otras.
También es posible analizar la insatisfacción del cliente por el préstamo de determinado
servicio y determinar si se irán con otro proveedor ya que no se le brinda un servicio
adecuado, también es posible el análisis de los datos de los clientes como por ejemplo la
edad, los productos que adquieren con recurrencia, etc.
También es posible la utilización del aprendizaje automático en las empresas para el
análisis de datos y que permiten la toma de decisiones de manera eficiente, este
aprendizaje es comúnmente incorporado a sus áreas por empresas de salud, seguros,
telecomunicaciones, tecnología entre otros.
 Conclusiones

• He logrado la comprensión de las formas de representación del conocimiento en

IA y sus características.
• El aprendizaje profundo es realizado a base de la experiencia en el caso de los
sistemas a partir de gran información almacenada como datos.
• El aprendizaje automático es basado en patrones y este analiza para poder
procesar y predecir un resultado a futuro en base al conocimiento adquirido.
 Bibliografía

equipoUFTsis2. (Desconocido). REPRESENTACIÓN DEL CONOCIMIENTO. Obtenido de

https://sitiointeligenciaa.wordpress.com/representacion-del-conocimiento/

NetApp. (2021). ¿Qué es el aprendizaje profundo? Obtenido de NetApp:

https://www.netapp.com/es/artificial-intelligence/what-is-deep-learning/

tatic. (11 de 10 de 2021). La diferencia entre inteligencia artificial, aprendizaje automático y

aprendizaje profundo. Obtenido de tatic: https://tatic.net/es/blog/la-diferencia-entre-
inteligencia-artificial-aprendizaje-automatico-y-aprendizaje-profundo/