Watson (inteligencia artificial)

Ir a la navegaciónIr a la búsqueda

El superordenador Watson

Watson es un sistema basado en inteligencia artificial capaz de responder a preguntas formuladas

en lenguaje natural,1 desarrollado por la empresa estadounidense IBM. Forma parte del proyecto
del equipo de investigación DeepQA, liderado por el investigador principal David Ferrucci. Se le
asignó este nombre en honor del fundador y primer presidente de IBM, Thomas J. Watson.23

Watson responde a las preguntas gracias a una base de datos almacenada localmente.4 La
información contenida en esa base de datos proviene de multitud de fuentes, incluyendo
enciclopedias, diccionarios, tesauros, artículos de noticias, y obras literarias, al igual que bases de
datos externos, taxonomías, y ontologías (específicamente DBpedia, WordNet).5

Para probar sus capacidades reales participó durante tres días en febrero de 2011 en un partido
especial de dos juegos en el concurso de televisión estadounidense Jeopardy!, derrotando a sus
dos oponentes humanos: Brad Rutter, el ganador de la mayor cantidad de dinero en toda la
historia del programa, y Ken Jennings, el poseedor del récord por la racha más larga de
campeonatos (después de haber ganado 75 partidos).67 Watson recibió el primer premio de $1
000 000, mientras Ken Jennings y Brad Rutter recibieron $300 000 y $200 000, respectivamente.
Tanto Jennings como Rutter prometieron donar la mitad de sus ganancias respectivas a
organizaciones de caridad seleccionadas por ellos (Jennings eligió a VillageReach, y Rutter a
Lancaster County Community Foundation),8 mientras IBM dividió las ganancias de Watson entre
dos organizaciones (World Vision y World Community Grid).9

Watson superó a sus oponentes humanos constantemente con el dispositivo de señalización

empleado por el juego, pero tuvo problemas para responder a unas pocas categorías,
especialmente las compuestas por pistas cortas con pocas palabras. Para cada pista, las respuestas
más probables de Watson se mostraron por la pantalla de televisión. Watson tuvo acceso a 200
000 000 de páginas de contenido, estructurado y no estructurado, utilizando cuatro terabytes de
almacenamiento en disco,10 incluyendo el texto completo de la Wikipedia en inglés.11 Watson no
estaba conectado a Internet durante el juego.1213

Índice

1 Arquitectura del sistema

2 Funcionamiento

2.1 Introducción al sistema deepQA

2.2 Adquisición de contenido

2.3 Análisis de la pregunta

2.3.1 Clasificación de la pregunta

2.3.2 Detección del focus y los LATs

2.3.3 Detección de relaciones

2.3.4 Descomposición

2.4 Generación de hipótesis

2.4.1 Primera búsqueda

2.4.2 Generación de candidatos

2.5 Soft Filtering

2.6 Puntuación de las hipótesis

2.6.1 Recopilación de pruebas

2.6.2 Puntuación

2.7 Fusión de las respuestas

2.8 Ranking y estimación de la confianza

3 Operación

4 Historia

5 Usos en el futuro

6 Véase también

7 Referencias

8 Enlaces externos

Arquitectura del sistema

La arquitectura de alto nivel empleada por la tecnología DeepQA, que IBM utilizó específicamente
para Watson.14

Watson es un sistema informático para búsqueda de respuestas (question answering en inglés),

desarrollado por IBM.1 La corporación lo describe como "una aplicación de tecnologías avanzadas
diseñadas para el procesamiento de lenguajes naturales, la recuperación de información, la
representación del conocimiento, el razonamiento automático, y el aprendizaje automático al
campo abierto de búsquedas de respuestas," que es "construido en la tecnología DeepQA de IBM
para la generación de hipótesis, la recopilación de pruebas masivas, el análisis y la calificación."1

Según IBM, Watson es un sistema optimizado para trabajo que se diseña para analítica compleja,
que se hace posible por la integración de procesadores masivamente paralelos de POWER7 y el
software DeepQA desarrollado por la corporación. Su soporte de hardware para la competición en
Jeopardy! comprendía dos unidades con 5 bastidores de nodos controladores, con noventa
servidores IBM POWER 750, cada servidor utilizando un procesador de 3.5 GHz con 8 núcleos,
donde cada núcleo soporta por hardware 4 hilos de ejecución (threads en inglés). El sistema
cuenta con un total de 2880 núcleos de procesamiento POWER7, y un total de 16 Terabytes de
RAM.15 El hecho de que el procesador POWER7 es capaz de procesar en una manera
masivamente paralela lo convierte en un complemento ideal para el software DeepQA integrado
en Watson por IBM, que es embarazosamente paralelo (es decir, un trabajo que es fácilmente
dividido en múltiples tareas paralelas.)16

Según John Rennie, Watson puede procesar 500 giga bytes por segundo (el equivalente de un
millón de libros).17 El inventor principal y consultor sénior de IBM, Tony Pearson, estimó que el
costo total del hardware para Watson fue de cerca de $3.000.000.18 Rennie ha declarado que el
contenido de Watson fue almacenado en su RAM para el juego, porque los datos almacenados en
discos duros son demasiado lentos para acceder.17

El software incorporado en Watson fue escrito utilizando los lenguajes de programación Java y C+
+, y usa dos estructuras empleadas por la Apache Software Foundation — la estructura Hadoop
para computación distribuida, y el sistema UIMA (Unstructured Information Management
Architecture) para análisis de materiales impresos — así como el software DeepQA desarrollado
por IBM y el sistema operativo SUSE Linux Enterprise Server 11.101920 Según IBM, Watson usa
más de 100 técnicas diferentes para analizar el lenguaje natural, identificar fuentes, encontrar y
generar hipótesis, buscar y puntuar evidencias, combinar y clasificar hipótesis.21

Funcionamiento

Introducción al sistema deepQA

poder concursar en Jeopardy!, el equipo de IBM necesitaba desarrollar una tecnología de QA

(Question Answering en inglés) que tuviera un rendimiento muy parecido e incluso superior al de
los campeones del concurso. Necesitaban que Watson acertara más del 85% de las preguntas que
respondiera y tenía que ser más rápido que los otros dos concursantes en el 70% de las preguntas
totales.22Cuando empezó el desarrollo de Watson ya se había hecho investigación en el campo
del procesamiento del lenguaje natural, y existían otras tecnologías, como PIQUANT o
OpenEphyra.14 Éstas estaban entre las mejores de la Text Retrieval Conference (TREC), en la cual
se les daba unos documentos y unas preguntas para responder en un tiempo determinado.23 El
problema es que en Jeopardy! las pistas que se proporcionan son muy complejas, tienen un
lenguaje natural muy rico, con muchas expresiones, la mayoría de veces ambiguas, y de
muchísimos temas totalmente diferentes.22 En cambio, en la TREC, las preguntas eran muy
concretas y más estructuradas, del tipo ¿Dónde nació John Lennon?, en las que resulta más fácil
saber qué están preguntando. Además, el hecho de tener que responder el 70% de todas las
preguntas del concurso significaba que necesitaban que Watson fuera muy rápido en encontrar la
respuesta, pero eso no es suficiente, ya que hay que responderla bien para conseguir esa
precisión. Por lo tanto el sistema debía ser rápido también a la hora de estimar la confianza para
decidir si responder o no.

Aunque ya se había hecho investigación en el campo del QA, Jeopardy! suponía un reto mucho
mayor que el que se había tenido hasta el momento, de ahí que IBM desarrollara su propio
sistema, al que llamaron DeepQA.

Adquisición de contenido

Antes de poder responder cualquier pregunta, hay que establecer el contenido que usará el
sistema cuando necesite buscar información relacionada con la pregunta.14

Lo primero que hay que hacer es buscar ejemplos de preguntas para poder saber de qué tipo
serán las que el sistema tendrá que responder y el dominio de éstas. A partir de un análisis de
estas preguntas de ejemplo, hay que darle a DeepQA un conjunto de diferentes fuentes de
información (artículos, obras literarias, enciclopedias…). A partir de esta base inicial de datos, el
sistema buscará en otras fuentes en la web, extraerá diferentes recursos que tengan relación con
las fuentes iniciales, y les dará una puntuación en función de lo informativos que sean. Por último,
DeepQA fusionará las fuentes que haya encontrado con mayor puntuación con su conjunto inicial,
así tendrá mucha más información y recursos que consultar.14 Uno de los sistemas usados para
adquirir conocimiento de forma automática y guardarlos de manera estructurada es PRISMATIC.24

Watson tiene datos de muchos tipos, estructurados, semiestructurados (como bases de datos y
ontologías14) y no estructurados (mencionados anteriormente), de entre los cuales se encuentran
los siguientes: Wikipedia, Freebase, WordNet, DBPedia y la ontología Yago. 2225

Análisis de la pregunta

En este paso se recibe como entrada la pregunta que Watson debe responder, y por lo tanto lo
primero que hay que hacer es determinar qué es lo que se está preguntando para poder luego
buscar las respuestas. Para la realización de un buen análisis, DeepQA utiliza una gran variedad de
algoritmos y sistemas expertos.14 Esta fase está compuesta de diferentes pasos.
Clasificación de la pregunta

Para poder buscar qué tipo de respuesta necesitamos, primero hay que saber cuál es el tipo de
pregunta, si una definición, si una pregunta matemática, un puzle… A estas diferentes formas de
clasificar una pregunta se les llama Qclasses (Question classes).26 DeepQA tiene que determinar a
qué clase pertenece la pregunta, para hacerlo utiliza diferentes métodos independientes entre
ellos. Esto puede dar resultado a que diferentes técnicas detecten clases distintas para la misma
pregunta. En caso de encontrar dos o más clases incompatibles, se necesita de otro componente
que escoja la mejor opción. Una vez se tiene el tipo de pregunta, este resultado servirá para
determinar los métodos y modelos de machine learning que se usarán posteriormente.26

Detección del focus y los LATs

El llamado focus de una pregunta es la parte de ésta que es una referencia a la respuesta. Esto
quiere decir que si lo sustituimos por la respuesta, la pregunta se convierte en una afirmación o
hecho. En los ejemplos de preguntas de Jeopardy! siguientes, la parte en negrita es el focus:

Número de poemas a los cuales Emily Dickinson dio permiso para publicar.26

Ella se unió al Wild West show de Buffalo Bill Cody después de conocerlo en la Cotton Expo en
New Orleans.26

El LAT (lexical answer type) es una palabra o pequeña frase que nos dice cual es el tipo de
respuesta que se pide. Normalmente es una palabra que pertenece al focus, excepto algunos
casos. En los ejemplos anteriores, número es el primer LAT, y Ella es el segundo.26

Encontrar el LAT de una pregunta nos permite determinar si una respuesta encontrada es
instancia de este, es decir, si se corresponde con lo que nos pide la pregunta (si el LAT es ella, la
respuesta tiene que ser el nombre de una mujer). Por lo tanto, será útil para determinar si la
respuesta generada es válida o no.14

Detección de relaciones

Muchas preguntas contienen relaciones de todo tipo, sintácticas, o entre objetos dentro de la
frase. Estas se pueden aprovechar y buscarlas directamente en bases de datos relacionales, las
cuales están estructuradas en tablas. Por lo tanto podemos buscar si hay alguna en la que se
encuentra la relación que hemos hallado. Por ejemplo, en la pregunta Son los dos estados que
podrías estar re entrando si cruzas la frontera norte de Florida, podríamos buscar las fronteras de
Florida en alguna base de datos disponible y encontrar la respuesta directamente allí. El problema
es que en un estudio realizado con preguntas de Jeopardy! se observó que estos casos son muy
escasos y la mayoría de veces no sirve esta técnica.14
Descomposición

Una parte muy importante del análisis de una pregunta es descomponerla en diferentes preguntas
y responder cada una independientemente de las otras. De esta manera, cuanto más correcta sea
una respuesta en cada sub-pregunta, más probable será que sea la respuesta correcta a la
pregunta inicial.27

Hay dos tipos de sub-preguntas. Las primeras son las que se pueden analizar y responder en
paralelo, ya que no hay dependencias entre ellas. Las otras necesitan responderse
secuencialmente, ya que una pregunta requiere de la respuesta de otra para poder responderse.
Por ejemplo, en la pregunta Una polémica película de guerra de 1979 estuvo basada en el trabajo
realizado en 1902 por este autor es necesario saber a qué película se refiere (Apocalypse now)
para poder encontrar el autor que se está preguntando.27

Generación de hipótesis

En esta fase, se utiliza los resultados del análisis de la pregunta para buscar respuestas y generar
candidatos o hipótesis. Luego el sistema tendrá que demostrar que son correctos con un nivel de
confianza. Para conseguirlo, el proceso se divide en diferentes etapas.14

Primera búsqueda

Para empezar con la generación de hipótesis, se realiza una búsqueda con el objetivo de encontrar
cualquier contenido que pueda estar relacionada con la respuesta. Se utilizan técnicas de
búsqueda en textos, consultas en bases de datos e incluso búsqueda basada en el conocimiento de
la información.14

Generación de candidatos

Con los resultados de la búsqueda inicial se tienen que generar candidatos, que son posibles
respuestas. Se tienen que extraer de manera diferente para cada tipo de búsqueda, si se realiza
sobre una base de datos de nombres de personas, cada nombre encontrado puede ser un
candidato. En otros tipos donde los resultados de la búsqueda son más largos y complejos, se
requieren otras técnicas más avanzadas.14

En esta fase se generarán todos los candidatos que Watson analizará posteriormente para
validarlos y extraer el mejor. Esto significa que si la respuesta correcta no se encuentra entre los
candidatos, el sistema no podrá responder la pregunta.14

Soft Filtering
De la búsqueda inicial, se generan muchos candidatos, cada uno de los cuales tiene que ser
analizado y se le tiene que dar una puntuación para determinar lo correcto que es. Esto puede
causar problemas, ya que es un proceso costoso y consume muchos recursos. Por lo tanto, antes
de puntuar los candidatos, se realiza un análisis previo no muy exhausto y con menos consumo
para eliminar hipótesis y así ahorrar cálculos.14

El soft filtering (en inglés), consiste en aplicar un filtro a los candidatos. Éste le asigna una
puntuación, con algoritmos más ligeros, y según el resultado se decide si pasará a la siguiente
fase.14 Una de las maneras para calcular esta puntuación es determinar si un candidato es
instancia del LAT de la pregunta, es decir, el tipo del candidato es el mismo que pide la pregunta, si
es una persona el sistema descartará todo lo que no se corresponda con una. A este proceso se le
llama Type Coercion.28

Gracias a este método, de los cientos de candidatos que salen de la generación de hipótesis, solo
una parte pasará a la etapa de puntuación, y el resto se enviará directamente a la etapa de fusión
de los resultados.14

Puntuación de las hipótesis

A los candidatos que pasan el soft filtering, hay que analizarlos rigurosamente. Este análisis
consiste en buscar pruebas sobre la validez de cada candidato y evaluar estos resultados para
poder puntuar las hipótesis.14

Recopilación de pruebas

Para poder determinar si un candidato es correcto, hay que buscar pruebas que lo demuestren.
Una de las técnicas usadas consiste en realizar una búsqueda similar a la realizada en la etapa de
generación de hipótesis, pero un requisito es que el candidato se encuentre en el texto. De esta
manera las pruebas halladas contendrán la hipótesis en el contexto usado en la pregunta.1429

Puntuación

En esta fase es donde se calcula el grado de certeza con el que las pruebas apoyan a cada
candidato, usando múltiples técnicas. Éstas miden diferentes aspectos y dimensiones de la
pregunta, es decir, unos algoritmos más simples simplemente determinarán si la prueba se parece
a la pregunta, mientras que otros tendrán en cuenta otros aspectos, como si el candidato es el
objeto o el sujeto de la frase donde aparece, entre otros.14

Fusión de las respuestas

Antes de proceder a la etapa final y escoger la respuesta definitiva, DeepQA fusiona todas las
respuestas que sean equivalentes o estén muy relacionadas. Eso quiere decir que también tendrá
que fusionar las diferentes puntuaciones y pruebas encontradas en la etapa anterior. Por ejemplo,
si la pregunta pide el nombre de una persona, Watson fusionará todos los candidatos que sean
nombres de la misma persona. Esto se debe a que la siguiente etapa se usan técnicas basadas en
las diferencias relativas entre los candidatos.30

Ranking y estimación de la confianza

El último paso incluye estimar una confianza sobre lo correcta que es una hipótesis, según sus
puntuaciones, y colocar cada candidato en un ranking. Para realizar estas tareas, Watson utiliza
aprendizaje automático, el cual necesita que se le entrene con una serie de preguntas con
respuestas conocidas y un modelo de aprendizaje basado en las puntuaciones, para que así
empiece con una base de conocimiento válido.14

Una vez se obtiene el ranking con su confianza, Watson ya tiene lo necesario para determinar si
tiene que responder la pregunta y cuál usar de todas las que tiene.

Operación

Para cumplir con el requisito principal para todos los concursantes de Jeopardy!, Watson estaba
obligado a esperar hasta que el presentador, Alex Trebek, leyera cada pista en su totalidad, y en
ese momento, una luz se encendía como una señal para indicar que el sistema está listo. El primer
concursante que activa el botón en su zumbador gana la oportunidad de responder.1331 Watson
recibió las pistas en forma de textos electrónicos al mismo tiempo en que las mismas fueron
puestas a disposición de los participantes humanos.13 Luego analizaría las pistas en diferentes
palabras clave y fragmentos de oración para encontrar frases estadísticamente relacionadas.13 La
innovación principal de Watson no fue en la creación de un nuevo algoritmo para esta operación,
sino más bien en su capacidad de ejecutar rápidamente miles de algoritmos probados para análisis
del lenguaje natural al mismo tiempo para encontrar la respuesta correcta.1332 La probabilidad
de la corrección de Watson se mide por el número de algoritmos que encuentran la misma
respuesta independientemente.13 Una vez que Watson tiene un número pequeño de soluciones
posibles, es capaz de hacer comparaciones con su base de datos para determinar si la solución
tiene sentido.13 En una secuencia de 20 simulacros, los participantes humanos fueron capaces de
usar el tiempo medio de seis o siete segundos que Watson necesitó para escuchar la pista y decidir
si querían señalar una respuesta.13 Durante ese tiempo, Watson también debe evaluar la
respuesta y determinar si el resultado es correcto de una manera suficiente para señalar.13 Una
parte del sistema usado por Watson para ganar el concurso fueron los circuitos electrónicos que
recibieron la señal "listo" y luego examinaron si el nivel de confianza de Watson fue
suficientemente grande para activar el zumbador. Debido a la velocidad de estos circuitos en
comparación con la velocidad de los tiempos en que los seres humanos son capaces de responder,
el tiempo de reacción de Watson fue más rápido que el de los concursantes humanos excepto
cuando los humanos anticiparon (en vez de reaccionar a) la señal "listo."33 Después de la
señalización, Watson habló con una voz electrónica, sintetizada a partir de grabaciones hechas por
Jeff Woodman para un programa de texto a voz desarrollado por IBM en 2004,34 dando las
respuestas en el formato de "respuesta y pregunta" asociado con Jeopardy!13

Historia

Demostración de Watson desde una cabina de IBM en una demostración comercial.

Las circunstancias que condujeron al desarrollo de Watson se remontan a la victoria de la

computadora Deep Blue sobre Garri Kaspárov, un Gran Maestro Internacional del ajedrez, en el 11
de mayo de 1997. Desde entonces, IBM se encontraba en la búsqueda de un desafío nuevo, y en
2004, Charles Lickel, el gerente de investigaciones de IBM, había encontrado uno cuando vio la
racha ganadora de Ken Jennings en Jeopardy! mientras cenaba en un restaurante con sus
compañeros de trabajo. Intrigado por la posibilidad de la utilización del concurso como un desafío
para IBM, Lickel presentó la idea, y en 2005 Paul Horn, el ejecutivo de investigación de IBM, apoyó
a Lickel en persuadir a uno de los miembros de su departamento para asumir el desafío de jugar a
Jeopardy! con un sistema de IBM. A pesar de que inicialmente tuvo problemas en encontrar
miembros de su equipo de investigación que estuvieran dispuestos a asumir lo que parecía ser un
desafío mucho más complejo que el juego de ajedrez, finalmente David Ferrucci aceptó la
oferta.35 Watson fue precedido por un sistema llamado "Piquant," que participó en
competiciones logradas por el gobierno de los Estados Unidos, donde fue capaz de responder
correctamente solo un 35 por ciento de la cantidad total de pistas en el juego, y generalmente
requirió varios minutos para responder.363738 Para competir en Jeopardy! con éxito, Watson
necesitaría responder en un máximo de pocos segundos, y en ese tiempo, los problemas
planteados en el concurso fueron considerados como imposibles de resolver.13

En pruebas iniciales conducidas durante el año 2006 por David Ferucci, gerente del Departamento
de Análisis e Integración Semántica de IBM, se le proporcionó a Watson 500 pistas de episodios
pasados de Jeopardy! Aunque los mejores concursantes humanos fueron capaces de responder
correctamente a un máximo del 95 por ciento de las pistas, en su primera prueba Watson fue
capaz de responder correctamente a solo un 15 por ciento de las pistas. Durante 2007, el equipo
se dio de tres a cinco años y un equipo de 15 personas para resolver los problemas.13 En 2008, los
desarrolladores habían avanzado mucho, hasta tal punto que Watson fue capaz de competir con
campeones de Jeopardy!.13 En febrero de 2010, Watson derrotaba a campeones de Jeopardy! de
manera regular.39

Watson era principalmente un esfuerzo de IBM, pero su equipo de desarrollo incluye profesores y
estudiantes de la Universidad Carnegie Mellon, la Universidad de Massachusetts en Amherst, el
Instituto para Ciencias de Información de la Universidad del Sur de California, la Universidad de
Texas en Austin, el Instituto Tecnológico de Massachusetts, la Universidad de Trento, y el Instituto
Politécnico Rensselaer.14

En 2008, los representantes de IBM se comunicaron con Harry Friedman, el productor ejecutivo de
Jeopardy!, sobre la posibilidad de una competición entre Watson y dos de los concursantes más
exitosos del programa (Ken Jennings y Brad Rutter). Friedman estaba de acuerdo con esa
decisión.1340 Las diferencias entre Watson y los concursantes humanos habían generado
conflictos entre IBM y el personal de Jeopardy! durante la planificación de la competición.41 IBM
repetidamente expresó preocupaciones concernientes a que los guionistas del programa
explotaran las deficiencias cognitivas de Watson al escribir las pistas y, de este modo, convirtieran
el concurso en un test de Turing. Para soslayar esta preocupación, un tercero eligió
aleatoriamente las pistas de programas previamente escritos que no habían sido emitidos.41 El
personal de Jeopardy! también expresó preocupaciones por el tiempo de reacción con el
zumbador. Watson originalmente señaló por vía electrónica, pero el personal del programa pidió
que el sistema pulse el botón físicamente, como los concursantes humanos.42 Sin embargo,
Watson fue capaz de ser más rápido que sus competidores humanos, aun con su dedo robótico.

Para preparar a Watson para su competición, IBM construyó un simulacro del plató de Jeopardy!
en una sala de conferencias en uno de sus sitios de tecnología. Concursantes humanos, incluyendo
concursantes anteriores de Jeopardy!, también participaron en simulacros del concurso,
presentados por Todd Alan Crain de The Onion.13 Alrededor de 100 simulacros fueron
conducidos, con Watson ganando un 65 por ciento de los partidos.43

Los partidos oficiales fueron grabados en enero de 2011, y emitidos el siguiente mes.

Usos en el futuro

Según IBM, el objetivo para Watson es permitir que las computadoras comiencen a interactuar de
forma natural con humanos a través de una amplia gama de aplicaciones y procesos,
comprendiendo las preguntas de los seres humanos y dando respuestas que los seres humanos
pueden comprender y justificar.39

IBM y Nuance Communications Inc. se han unido para el proyecto de investigación para desarrollar
un producto comercial durante los próximos 18 a 24 meses que explotará las capacidades de
Watson como sistema de apoyo para decisiones clínicas para ayudar al diagnóstico y tratamiento
médico de pacientes. Los médicos de la Universidad de Columbia están ayudando a identificar
problemas críticos en la práctica de medicina donde la tecnología de Watson puede ser capaz de
contribuir, y los médicos de la Universidad de Maryland están trabajando para identificar la mejor
manera en que un sistema tecnológico como Watson podría interactuar con los médicos para
proporcionar la máxima asistencia.44 También se ha sugerido por Robert C. Weber, el consejero
general de IBM, que Watson se puede utilizar para investigaciones legales.45

Watson se basa en servidores comercialmente disponibles con la marca "IBM Power 750"
comercializados desde febrero de 2010. IBM también tiene la intención de comercializar el
software DeepQA a corporaciones grandes, a un precio de millones de dólares, lo cual refleja el
precio necesario de un millón de dólares para adquirir un servidor que cumpla con los requisitos
mínimos para operar Watson. IBM espera que el precio disminuirá considerablemente dentro de
una década cuando la tecnología mejore.13

Véase también

Deep Blue (computadora)

Blue Gene

Inteligencia artificial

Procesamiento de lenguajes naturales

IA Fuerte

Referencias

DeepQA Project: FAQ, IBM Corporation, consultado el 11 de febrero de 2011.

Hale, Mike (8 de febrero de 2011), Actors and Their Roles for $300, HAL? HAL!, The New York
Times.

The DeepQA Project, Research.ibm.com, consultado el 18 de febrero de 2011.

««Video Que es ‘Watson’ en ingles». Archivado desde el original el 17 de febrero de 2011.

Consultado el 18 de febrero de 2011.

http://www.aaai.org/Magazine/Watson/watson.php

Markoff, John (26 de abril de 2009), «Computer Program to Take On 'Jeopardy!'», The New York
Times, consultado el 27 de abril de 2009.

Loftus, Jack (26 de abril de 2009), IBM Prepping Soul-Crushing 'Watson' Computer to Compete on
Jeopardy!, Gizmodo, consultado el 27 de abril de 2009.

Jeopardy! And IBM Announce Charities To Benefit From Watson Competition, IBM Corporation,
13 de enero de 2011, consultado el 19 de febrero de 2011.

World Community Grid to benefit from Jeopardy! competition, World Community Grid, 4 de
febrero de 2011, consultado el 19 de febrero de 2011.
 Jackson, Joab (17 de febrero de 2011), IBM Watson Vanquishes Human Jeopardy Foes, PC World,
consultado el 17 de febrero de 2011.

Zimmer, Ben (17 de febrero de 2011), Is It Time to Welcome Our New Computer Overlords?, The
Atlantic, consultado el 17 de febrero de 2011.

Raz, Guy (28 de enero de 2011), Can a Computer Become a Jeopardy! Champ?, National Public
Radio, consultado el 18 de febrero de 2011.

Thompson, Clive (16 de junio de 2010). «Smarter Than You Think: What Is I.B.M.’s Watson?». The
New York Times Magazine. Archivado desde el original el 5 de junio de 2011. Consultado el 18 de
febrero de 2011.

Ferrucci, D., et al. (2010), Building Watson: An Overview of the DeepQA Project 31 (3), AI
Magazine, archivado desde el original el 26 de agosto de 2011.

FAQs sobre Watson (en ingles)

Is Watson the smartest machine on earth?, Computer Science and Electrical Engineering
Department, UMBC, 10 de febrero de 2011, consultado el 11 de febrero de 2011.

Rennie, John (14 de febrero de 2011), How IBM’s Watson Computer Excels at Jeopardy!, PLoS
blogs, archivado desde el original el 22 de febrero de 2011, consultado el 19 de febrero de 2011.

Lucas, Mearian (21 de febrero de 2011), Can anyone afford an IBM Watson supercomputer? (Yes),
Computerworld, consultado el 21 de febrero de 2011.

Takahashi, Dean (17 de febrero de 2011), IBM researcher explains what Watson gets right and
wrong, VentureBeat, consultado el 18 de febrero de 2011.

Novell (2 de febrero de 2011), Watson Supercomputer to Compete on 'Jeopardy!' -- Powered by

SUSE Linux Enterprise Server on IBM POWER7, The Wall Street Journal, archivado desde el original
el 21 de abril de 2011, consultado el 21 de febrero de 2011.

Watson – A System Designed for Answers (enlace roto disponible en Internet Archive; véase el
historial, la primera versión y la última).

Ferrucci, David; Levas, Anthony; Bagchi, Sugato; Gondek, David; Mueller, Erik T. (1 de julio de
2013). «Watson: Beyond Jeopardy!». Artificial Intelligence. 199-200: 93-105. ISSN 0004-3702.
doi:10.1016/j.artint.2012.06.009. Consultado el 26 de diciembre de 2016.

«Text REtrieval Conference (TREC) Overview». trec.nist.gov. Consultado el 26 de diciembre de

2016.

Fan, J.; Kalyanpur, A.; Gondek, D. C.; Ferrucci, D. A. (1 de mayo de 2012). «Automatic knowledge
extraction from documents». IBM Journal of Research and Development 56 (3.4): 5:1-5:10. ISSN
0018-8646. doi:10.1147/JRD.2012.2186519. Consultado el 26 de diciembre de 2016.

«Lifecycle of a Jeopardy Question Answered by Watson Deepqa - Semantic Scholar».

www.semanticscholar.org (en inglés estadounidense). Archivado desde el original el 27 de
diciembre de 2016. Consultado el 26 de diciembre de 2016.
Lally, A.; Prager, J. M.; McCord, M. C.; Boguraev, B. K.; Patwardhan, S.; Fan, J.; Fodor, P.; Chu-
Carroll, J. (1 de mayo de 2012). «Question analysis: How Watson reads a clue». IBM Journal of
Research and Development 56 (3.4): 2:1-2:14. ISSN 0018-8646. doi:10.1147/JRD.2012.2184637.
Consultado el 26 de diciembre de 2016.

Kalyanpur, A.; Patwardhan, S.; Boguraev, B. K.; Lally, A.; Chu-Carroll, J. (1 de mayo de 2012). «Fact-
based question decomposition in DeepQA». IBM Journal of Research and Development 56 (3.4):
13:1-13:11. ISSN 0018-8646. doi:10.1147/JRD.2012.2188934. Consultado el 26 de diciembre de
2016.

Welty, Chris; Murdock, J. William; Kalyanpur, Aditya; Fan, James (1 de enero de 2012). «A
Comparison of Hard Filters and Soft Evidence for Answer Typing in Watson». Proceedings of the
11th International Conference on The Semantic Web - Volume Part II. ISWC'12 (Springer-Verlag):
243-256. ISBN 9783642351723. doi:10.1007/978-3-642-35173-0_16. Consultado el 26 de
diciembre de 2016.

Murdock, J. W.; Fan, J.; Lally, A.; Shima, H.; Boguraev, B. K. (1 de mayo de 2012). «Textual
evidence gathering and analysis». IBM Journal of Research and Development 56 (3.4): 8:1-8:14.
ISSN 0018-8646. doi:10.1147/JRD.2012.2187249. Consultado el 26 de diciembre de 2016.

Gondek, D. C.; Lally, A.; Kalyanpur, A.; Murdock, J. W.; Duboue, P. A.; Zhang, L.; Pan, Y.; Qiu, Z. M.
et al. (1 de mayo de 2012). «A framework for merging and ranking of answers in DeepQA». IBM
Journal of Research and Development 56 (3.4): 14:1-14:12. ISSN 0018-8646.
doi:10.1147/JRD.2012.2188760. Consultado el 26 de diciembre de 2016.

Libresco, Leah Anthony (21 de febrero de 2011), A Non-Trivial Advantage for Watson, The
Huffington Post, consultado el 21 de febrero de 2011.

«Will Watson Win On Jeopardy?», Nova ScienceNOW (Public Broadcasting Service), 20 de enero
de 2011, archivado desde el original el 24 de enero de 2011, consultado el 27 de enero de 2011.

Gondek, David (10 de enero de 2011), «How Watson "sees," "hears," and "speaks" to play
Jeopardy!», IBM Research blog (IBM), consultado el 21 de febrero de 2011.

Avery, Lise (14 de febrero de 2011), «Actor Jeff Woodman, Voice of IBM's Watson Computer»
(MP3), Anything Goes!!, consultado el 15 de febrero de 2011. (entrevista de Jeff Woodman)

Baker, Stephen (2011). Final Jeopardy: Man vs. Machine and the Quest to Know Everything.
Boston, Nueva York: Houghton Mifflin Harcourt. pp. 6–8. ISBN 0547483163.

Baker, Stephen (2011). Final Jeopardy: Man vs. Machine and the Quest to Know Everything.
Boston, Nueva York: Houghton Mifflin Harcourt. p. 30. ISBN 0547483163.

Radev, Dragomir R. (2000). «Ranking potential answers to natural language questions». Archivado
desde el original el 26 de agosto de 2011. Consultado el 23 de agosto de 2011.

Prager, John (Julio de 2000). «Question-answering by predictive annotation». Archivado desde el

original el 23 de agosto de 2011. Consultado el 23 de agosto de 2011.
 Brodkin, Jon (10 de febrero de 2010), IBM's Jeopardy-playing machine can now beat human
contestants, Network World, archivado desde el original el 3 de junio de 2013, consultado el 19 de
febrero de 2011.

Stelter, Brian (14 de diciembre de 2010), I.B.M. Supercomputer 'Watson' to Challenge 'Jeopardy'
Stars, The New York Times, consultado el 14 de diciembre de 2010, «An I.B.M. supercomputer
system named after the company's founder, Thomas J. Watson Sr., is almost ready for a televised
test: a bout of questioning on the quiz show "Jeopardy." I.B.M. and the producers of "Jeopardy"
will announce on Tuesday that the computer, "Watson," will face the two most successful players
in "Jeopardy" history, Ken Jennings and Brad Rutter, in three episodes that will be broadcast Feb.
14–16, 2011.».

Needleman, Rafe (18 de febrero de 2011), Reporters' Roundtable: Debating the robobrains, CNET,
consultado el 18 de febrero de 2011.

Baker, Stephen (2011). Final Jeopardy: Man vs. Machine and the Quest to Know Everything.
Boston, Nueva York: Houghton Mifflin Harcourt. p. 171. ISBN 0547483163.

Sostek, Anya (13 de febrero de 2011), Human champs of 'Jeopardy!' vs. Watson the IBM
computer: a close match, Pittsburgh Post Gazette, consultado el 19 de febrero de 2011.

Wakeman, Nick (17 de febrero de 2011), IBM's Watson heads to medical school, Washington
Technology, consultado el 19 de febrero de 2011.

Weber, Robert C. (14 de febrero de 2011), Why 'Watson' matters to lawyers, The National Law
Journal, consultado el 18 de febrero de 2011.