La IA es el conjunto de técnicas, métodos, herramientas y
metodologías que nos ayudan a construir sistemas que se comportan de manera similar a un humano en la resolución de problemas concretos. En la creación de máquinas inteligentes es un deseo que ha existido en el hombre desde las primeras civilizaciones, aunque ha sido a partir del siglo XX, con la llegada d ellos computadores, cuando ha dejado d ser algo mitológico y se ha convertido en un asunto científico y, en parte, una realidad. A pesar de las distintas interpretaciones de IA, todas las técnicas y las metodologías que han sido desarrolladas y explotadas a lo largo de la historia de esta diciplina tienen en común un mismo problema y es la representación del conocimiento, como, por ejemplo, podemos representar formalmente el conocimiento.
Las características de la representación del conocimiento en la
inteligencia artificial seria, cobertura, en donde su significado seria la representación del conocimiento cubre la información en anchura y profundidad; comprensible por humanos en donde la representación del conocimiento es vista como un lenguaje natural, así que la lógica debería fluir libremente; la consistencia el cual siendo consistente, la representación del conocimiento puede eliminar conocimiento redundante o conflictivo; la eficiencia; la facilidad de modificación y actualización y por último el soporte de la actividad inteligente que usa la base de conocimiento.
Los tipos de conocimiento en inteligencia artificial son:
Conocimiento declarativo: Son hechos sobre objetos o situaciones lo
cual poseen mayor capacidad expresiva, menor capacidad creativa o computacional. Es conocimiento pasivo, expresado como sentencias acerca de los hechos del mundo que nos rodea (el saber que hacer). Puede ser representado con modelos relacionales y esquemas basados en lógica. Los modelos relacionales pueden representar el conocimiento en forma de árboles, grafos o redes semánticas. Los esquemas de representación lógica incluyen el uso de lógica proposicional y lógica de predicados. Los tipos de conocimiento declarativo son:
Conocimiento relacional: Conjunto de relaciones expresables
mediante tablas. Hemos de aportar procedimientos que lo enriquezcan motor de inferencia genera conocimiento a partir de información.
Conocimiento heredable: Estructuración jerárquica del conocimiento
(taxonomía jerárquica). Se trata de construir un árbol o grafo de conceptos basado en la generalización y/o especialización.
Conocimiento inferirle: Conocimiento descrito mediante lógica. Se
puede utilizar semántica los operadores y el Modus Ponens para inferir nuevo conocimiento.
Conocimiento procedimental: Es aquel conocimiento compilado que
se refiere a la forma de realizar una cierta tarea (el saber cómo hacerlo). Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son expresados como conocimiento procedimental. Los modelos procedimentales y sus esquemas de representación almacena conocimiento en la forma de cómo hacer las cosas. pueden estar caracterizados por gramáticas formales, usualmente implantadas por sistemas o lenguajes procedimentales y sistemas basados en reglas (sistema de producción). Por ejemplo, los pasos necesarios para resolver una ecuación algebraica son expresados como conocimiento procedimental.
Conocimiento Heurístico: Es un tipo especial de conocimiento usado
por los humanos para resolver problemas complejos. El adjetivo heurístico significa medio para descubrir. Está relacionado con la palabra griega heuriskein que significa descubrir, encontrar. Se entiende por heurístico a un criterio, estrategia, método o truco utilizado para simplificar la solución de problemas.
La representación del conocimiento en inteligencia artificial es de ser
capaz de captar generalizaciones, ser comprensible, fácilmente modificables, incrementable, ser usado en diversas situaciones y propósitos, permitir diversos grados de detalle, captar la incertidumbre, imprecisión, representar distinciones importantes, focalizar el conocimiento relevante. Todo problema es más sencillo de resolver si disponemos del conocimiento específico sobre él. Este conocimiento dependiente del dominio se combina con el conocimiento general sobre cómo resolver problemas. Este conocimiento ha de permitir guiar los mecanismos de inteligencia artificial para obtener soluciones de manera más eficientes.
Aprendizaje profundo
Para explicar el aprendizaje profundo “Deep Learning” y entender la
diferencia entre AP y otros enfoques del AA, primero necesitamos alguna idea de lo que hacen y cómo funcionan los algoritmos de AA. Donde las AA descubre reglas para ejecutar tareas de procesamiento de datos, dados los ejemplos de lo que se espera como respuesta o salida de dichos datos. Por lo tanto, para realizar AA necesitaremos de tres ingredientes fundamentales:
Datos de entrada: Por ejemplo, si la tarea es reconocimiento
de voz, estos datos de entrada serían archivos de sonido o grabaciones de gente hablando. Si la tarea es etiquetada de imágenes, estos datos podrían ser fotos o imágenes.
Ejemplos de lo que se espera como salida: En la tarea de
reconocimiento de voz, estos podrían ser transcripciones generadas por humanos de los archivos de audio. En la tarea de etiquetado de imágenes, las salidas esperadas pueden ser etiquetas tales como “perro”, “gato”, “persona”, etc.
Una forma de medir si el algoritmo está realizando un
buen trabajo: Este paso es necesario para determinar la distancia o desvío entre la salida actual generada por el algoritmo y la salida esperada. Esta medida es usada como señal de realimentación para ajustar la forma en la que el algoritmo trabaja y se actualiza. Este paso del ajustamiento es lo que llamamos “Aprendizaje”.
Estos ingredientes por si mismos son los fundamentales para todo
tipo de algoritmo de AA y AP. Con estos ingredientes exploraremos ahora que es lo que realmente hace un algoritmo de AA y de AP con ellos para producir resultados que parecen salidos de historias de ficción.
Aprendizaje automático
el Machine Learning o Aprendizaje Automático, los humanos pasamos
los datos como entrada al igual que las respuestas esperadas de dichos datos con el fin de obtener a la salida las reglas que nos permiten hacer el mapeo efectivo entre entradas y sus correspondientes salidas. Estas reglas pueden ser luego aplicadas a nuevos datos para producir respuestas originales, es decir, generadas automáticamente por las reglas que el sistema “aprendió” y no por reglas explícitamente codificadas por programadores.
Un sistema de Aprendizaje Automático es “entrenado” en vez de ser
explícitamente “programado”. A este sistema se le presentan muchos ejemplos relevantes para la tarea en cuestión y este encuentra la estructura estadística o patrones en dichos ejemplos que eventualmente permiten al sistema aprender las reglas para automatizar dicha tarea. Por ejemplo, si deseamos automatizar la tarea del etiquetado de nuestras fotos de vacaciones, lo que haríamos es pasar al sistema de AA muchos ejemplos de fotos ya etiquetadas por humanos y el sistema aprendería las reglas estadísticas que le permitirían asociar fotos específicas con sus respectivas etiquetas. Sin embargo, aunque el AA empezó a ser tenido en cuenta desde los años 90, este se ha convertido en el más popular y exitoso de los subcampos de la IA, una tendencia guiada por la disponibilidad de mejor hardware y gigantes conjuntos de datos. El AA está fuertemente relacionado a la estadística matemática, sin embargo, difiere de la estadística en varias formas. A diferencia de la estadística, el AA tiende a lidiar con grandes y complejos conjuntos de datos (los cuales pueden contener millones de imágenes cada una de ellas con miles de pixeles) para lo cual el clásico análisis estadístico (como el análisis bayesiano) sería totalmente impráctico. Como resultado, el AA, y en especial el Aprendizaje Profundo, muestra poca teoría matemática, comparada con el campo de la estadística, y son considerados más como campos orientados hacia la ingeniería. Es decir, el AA es una disciplina aplicada, en la cual las ideas son probadas mucho más a menudo de forma empírica que de forma teórica. Referencias Bibliográficas
Palma Méndez, J. T., & Marín Morales, R. (2008). Inteligencia
artificial: Métodos, técnicas y aplicaciones. España: McGraw- Hill. Pag.33-56. Obtenido de https://elibro- net.bibliotecavirtual.unad.edu.co/es/ereader/unad/50116
Rodríguez Lora, V. (2016) Taxonomías de técnicas y
herramientas para la ingeniería del Conocimiento. Chile: Revista de Ingeniería. Recuperado de https://www-proquest- com.bibliotecavirtual.unad.edu.co/docview/1321927237/ fulltextPDF/36C677A0ABD148D1PQ/1?accountid=48784
J. Escalona. (2015, 23 noviembre). Representación del
Terapia cognitivo-conductual (TCC) y terapia dialéctico-conductual (TDC): Cómo la TCC, la TDC y la ACT pueden ayudarle a superar la ansiedad, la depresión, y los TOCS
Libro de Trabajo DE LA TERAPIA DE ACEPTACIÓN Y COMPROMISO (ACT). UNA GUÍA COMPLETA PARA CAMBIAR EL MINDFULNESS Y RECUPERARSE DE LA ANSIEDAD, LA DEPRESIÓN, LOS ATAQUES DE PÁNICO Y LA IRA
Lee a las personas como un libro: Cómo analizar, entender y predecir las emociones, los pensamientos, las intenciones y los comportamientos de las personas