ENFOQUE

El método es el punto de vista tomado al realizar análisis, investigación,

teorización, etc. Se deriva de un proceso físico que implica apuntar un haz de luz
específico en una dirección específica, o hacer lo mismo con una cámara. El
método también puede entenderse como una orientación temática específica
tomada en el desarrollo del discurso. Así, se puede decir que el tratamiento de un
determinado tema puede contener varias aristas, diferentes valoraciones y marcos
a considerar, y por distintas circunstancias, se debe privilegiar en base a otros. La
posibilidad de utilizar diferentes métodos es más evidente en las ciencias blandas,
donde es difícil establecer pruebas científicas rigurosas.
La ciencia es un proceso de generación de conocimiento que implica el diseño de
conjeturas plausibles sobre el funcionamiento de diferentes fenómenos, que luego
se prueban experimentalmente. Este proceso se lleva a cabo mediante la
elaboración de predicciones basadas en conjeturas que, si se implementan de
manera sistemática, darán cuenta de que la teoría tiene posibilidades de éxito; por
el contrario, si la predicción falla, la conjetura o teoría puede ser falsada.

ALCANCE
Alcance es la capacidad de abarcar una distancia o alcanzar algo (juntarse con
alguien o algo frente a usted, o tocarlo o golpearlo). Por ejemplo: "El misil tiene un
alcance de 750 kilómetros", "Esta radio tiene un alcance pequeño y no supera la
avenida". En este sentido, no podemos ignorar que alcance es un término muy
utilizado en el campo de la esgrima. Entonces, cuando se usa la palabra, se
refiere a la distancia que alcanza un arma blanca o un arma llamada arma negra,
es decir, un arma que no tiene borde, tiene un botón en la punta y es utilizada por
alguien que está estudiando lo anterior. asignaturas. En el campo de las armas,
también encontramos que muchas de ellas caen bajo la designación de largo
alcance, lo que, como su nombre indica, significa que pueden alcanzar sus
objetivos desde distancias mayores que otras. En este tipo de arma podemos
destacar Por ejemplo, varios rifles y misiles o ametralladoras. Esto también nos
lleva a referirnos al concepto de rango válido. Esto se usa en el campo militar y se
refiere a la distancia máxima que un soldado puede alcanzar en un objetivo.
 El Volumen de Datos Utilizado por la Inteligencia Artificial

Planteamiento del problema

La IA todavía tiene un largo camino por recorrer. Grandes empresas como Google
señalan que estamos en la primera era de la inteligencia artificial, ya que las
máquinas comienzan a realizar procesos de aprendizaje del habla y
reconocimiento de imágenes. En este momento, nuestros asistentes inteligentes
todavía hablan como máquinas, lo cual está lejos del propósito real de esta
tecnología. Un gran problema con la IA es la cantidad de datos que utiliza para
procesar.
Descripción del problema
Es bien sabido que la IA necesita usar datos para comprender su entorno, pero la
cantidad de datos involucrados no se tiene en cuenta regularmente. La IA no solo
requiere más datos que el cerebro humano para comprender conceptos y
características, sino que también requiere miles de veces más datos de los que
necesitan los humanos.
Neil Lawrence, profesor de la Universidad de Sheffield y miembro del equipo de IA
de Amazon, dijo: "Los resultados exitosos del aprendizaje profundo de IA se
consideran situaciones en las que las máquinas tienen acceso a grandes
cantidades de datos". Imágenes por cerebros artificiales. Un ejemplo exitoso de IA
podría ser Facebook y Google, empresas que tienen acceso a grandes cantidades
de datos de suscriptores, usuarios y toda la web, lo que les permite a estos
cerebros buscar de manera más eficiente y lógica para lograr mejores resultados.
Formulación del problema
Hay tres tipos de problemas en la inteligencia artificial, el primero es la cantidad de
datos, que requiere más datos que el cerebro humano para comprender conceptos
y funciones, y el segundo es la limitación de la multitarea, la falla es que puede
realizar muchas tareas porque se aplica a un El campo del conocimiento, y
finalmente la comprensión de sus conclusiones, solo puede determinar la red
neuronal, pero el cerebro artificial no reconoce la conclusión a la que ha llegado a
una determinada razón. En base a esto se formulo el problema de este trabajo.
Preguntas

¿Qué problema se prevé resolver con la inteligencia artificial?

¿Cómo podemos solucionar los problemas de inteligencia artificial?

¿Por qué es importante resolver los problemas de inteligencia artificial?

¿Qué beneficios nos da la inteligencia artificial?

¿Cuáles son las consecuencias de que falle la inteligencia artificial?

¿Cómo afectan los problemas de inteligencia artificial?

¿Qué beneficios tiene la inteligencia artificial?

¿Cómo podemos aumentar el volumen de datos?

¿Cuáles son los tipos de problemas?

¿Cómo podemos determinar las razones de los problemas?

 Hipótesis
En términos simples, la inteligencia artificial (IA) se refiere a sistemas o máquinas
que imitan la inteligencia humana para realizar tareas y pueden mejorar
iterativamente en función de la información recopilada. La inteligencia artificial se
manifiesta de varias maneras. Algunos ejemplos son: 1. El motor de
recomendación puede recomendar automáticamente series de TV de acuerdo con
los hábitos de visualización del usuario. La inteligencia artificial es una
combinación de algoritmos propuestos para crear máquinas con las mismas
capacidades que los humanos (un ejemplo podría ser la creación de robots,
teléfonos, computadoras, drones, etc.) La tecnología está lejos de nosotros y es
misteriosa, pero con el paso de los años siempre ha existido en nuestras vidas.
Sin embargo, tomemos en cuenta que, gracias al big data, estos datos se
transforman en información útil para el desarrollo de diversos sectores y
actividades. Un ejemplo que se puede citar son las ciudades inteligentes, que
facilitan la vida de los ciudadanos, el procesamiento y uso eficiente de los datos.
Pero ¿cómo se complementan el big data y la inteligencia artificial? Y, lo más
importante, ¿cómo pueden las personas beneficiarse de esta simbiosis
tecnológica?
En la actualidad se utilizan pocos canales para obtener información y eso genera
el problema sobre el volumen de datos, pero, si utilizamos varios canales para
capturar datos, como tu sitio web, centro de atención al cliente y leads de
marketing, entonces corres el riesgo de recopilar información duplicada. Para ello
existen herramientas que te pueden ayudar a eliminar datos duplicados. Por
ejemplo, si trabajas con Contactos de Google, puedes combinar tus contactos.

Objetivos
Generales:
Esta iniciativa tiene claro beneficio para las empresas, liberar a sus empleados de
tareas repetitivas y mecanizadas, por lo que los esfuerzos pueden centrarse en
actividades que requieran creatividad e innovación.
Esto es posible gracias a la incorporación de las herramientas de inteligencia
artificial en los procesos empresariales que analizan y procesan miles de datos de
forma automática y continua.
Específicos:
1. Nutrir de datos la inteligencia artificial y emplearlos para
desarrollar algoritmos y para constituir la ‘lógica’ de las máquinas.
2. utilizar el machine learning para que estos puedan definirse como el
aprendizaje automático de las máquinas.
3. Implementar a la IA fuerza laboral humana para hacer trabajos que
impliquen cualidades inimitables como la creatividad, el ingenio o la empatía.
 REFERENCIAS

La propuesta citada más arriba de la reunión organizada por J. McCarthy y sus

colegas incluye la que puede considerarse como la primera definición de
inteligencia artificial. El documento define el problema de la inteligencia artificial
como aquel de construir una máquina que se comporte de manera que, si el
mismo comportamiento lo realizara un ser humano, este sería llamado inteligente.

Existen, sin embargo, otras definiciones que no se basan en el comportamiento

humano. Son las cuatro siguientes.

1. Actuar como las personas. Esta es la definición de McCarthy, donde el

modelo a seguir para la evaluación de los programas corresponde al
comportamiento humano. El llamado Test de Turing (1950) también utiliza este
punto de vista. El sistema Eliza, un Bot (programa software) conversacional es
un ejemplo de ello.

2. Razonar como las personas. Lo importante es cómo se realiza el

razonamiento y no el resultado de este razonamiento. La propuesta aquí es
desarrollar sistemas que razonen del mismo modo que las personas. La ciencia
cognitiva utiliza este punto de vista.

3. Razonar racionalmente. En este caso, la definición también se focaliza en el

razonamiento, pero aquí se parte de la premisa de que existe una forma racional
de razonar. La lógica permite la formalización del razonamiento y se utiliza para
este objetivo.

4. Actuar racionalmente. De nuevo el objetivo son los resultados, pero ahora

evaluados de forma objetiva. Por ejemplo, el objetivo de un programa en un juego
como el ajedrez será ganar. Para cumplir este objetivo es indiferente la forma de
calcular el resultado.
Además de las definiciones mencionadas más arriba, hay aún otra clasificación de
la inteligencia artificial según cuáles son los objetivos finales de la investigación en
este campo. Son la inteligencia artificial fuerte y la débil.

Inteligencia artificial débil

Se considera que los ordenadores únicamente pueden simular que razonan, y
únicamente pueden actuar de forma inteligente. Las partidarias de la inteligencia
artificial débil consideran que no será nunca posible construir ordenadores
conscientes, y que un programa es una simulación de un proceso cognitivo, pero
no un proceso cognitivo en sí mismo.

Inteligencia artificial fuerte

En este caso se considera que un ordenador puede tener una mente y unos
estados mentales, y que, por tanto, un día será posible construir uno con todas las
capacidades de la mente humana. Este ordenador será capaz de razonar,
imaginar, etc.

Temas en la inteligencia artificial

Aunque existen puntos de vista diferentes sobre qué es la inteligencia artificial, hay
un acuerdo importante sobre cuáles son los resultados atribuibles a esta rama de
la Informática, así como a la clasificación de los métodos y técnicas desarrollados.
Repasamos a continuación los cuatro grandes temas de la inteligencia artificial.

1. Resolución de problemas y búsqueda. La inteligencia artificial tiene como

objetivo resolver problemas de índole muy diferente. Para poder cumplir este
objetivo, dado un problema es necesario formalizarlo para poderlo resolver. Este
tema se centra en cómo formalizarlo y las formas de resolución.
2. Representación del conocimiento y sistemas basados en el
conocimiento. Es frecuente que los programas en inteligencia artificial necesiten
incorporar conocimiento del dominio de aplicación (por ejemplo, en medicina) para
poder resolver los problemas. Este tema se centra en estos aspectos.

3. Aprendizaje automático. El rendimiento de un programa puede incrementarse

si el programa aprende de la actividad realizada y de sus propios errores. Se han
desarrollado métodos con este objetivo. Existen también herramientas que
permiten extraer conocimiento a partir de bases de datos.

4. Inteligencia artificial distribuida. Durante sus primeros años la inteligencia

artificial era monolítica. Ahora, con los ordenadores multiprocesador e Internet,
hay interés en soluciones distribuidas. Estas van desde versiones paralelas de
métodos ya existentes a nuevos problemas relacionados con los agentes
autónomos (programas software con autonomía para tomar decisiones e
interaccionar con otros).

Además de los cuatro temas mencionados más arriba, existen otros que están
fuertemente relacionados con la inteligencia artificial. Son los enumerados a
continuación:

a) El lenguaje natural.
b) La visión artificial.
c) La robótica.
d) El reconocimiento del habla.

Algunas aplicaciones
Hasta la fecha se han desarrollado muchas aplicaciones que utilizan algunos de
los métodos o algoritmos diseñados en el área de la inteligencia artificial. En esta
sección repasamos algunas de las aplicaciones existentes más vistosas o que han
tenido relevancia histórica. Sin embargo, estas no son las únicas aplicaciones
existentes, pues hay métodos desarrollados en esta rama de la Informática que se
utilizan en aparatos de uso cotidiano o en el software empleado por empresas y
corporaciones. Por ejemplo, por una parte, encontramos los algoritmos de
búsqueda citados más arriba en los sistemas que construyen horarios teniendo en
cuenta las restricciones de las entidades e individuos que participan en ellos. Por
otra parte, los métodos de aprendizaje se usan para recomendar productos en las
tiendas virtuales y para seleccionar los anuncios que se nos proporcionan al visitar
ciertas páginas web. Otro ejemplo es el de los sistemas difusos, uno de los
métodos de representación del conocimiento que han sido aplicados con éxito en
problemas de control de muy diversa índole. Existen tanto cámaras digitales como
lavadoras que incorporan en su interior un sistema difuso.

Todo lo que se habló hace referencia a los datos utilizados por la inteligencia
artificial.
 TEORIAS

Teoría #1: Inteligencia artificial convencional

La IA convencional o también conocida como IA general, está convencida de que

la mente humana se puede reproducir en una computadora, la IA débil, se dedica
a desarrollar programas que sean capaces de resolver actividades consideradas
inteligentes, y no les preocupa que la máquina, como tal, pueda considerarse
inteligente.

¿PORQUÉ ELEGIR LA INTELIGENCIA ARTIFICIAL CONVENCIONAL?

El objetivo original del campo de IA fue la construcción de “máquinas inteligentes”,

los sistemas informáticos con inteligencia similar a la humana. Desde hace
décadas la mayoría de los investigadores de la IA se han centrado en lo que se ha
llamado” la IA estrecha”, la producción de sistemas de IA que muestran la
inteligencia respecto a las tareas específicas, muy limitados.

Debido a la dificultad de esta tarea, en los últimos años, cada vez más los
investigadores han reconocido la necesidad -y la viabilidad- de volver a los
objetivos originales de la IA mediante el tratamiento de la inteligencia en su
conjunto. Cada vez más, hay una llamada a hacer frente a los problemas más
difíciles de la “inteligencia de nivel humano” y más ampliamente a la inteligencia
artificial general (IAG).

El evento principal donde se discute el tema de una IA general son las

conferencias AGI que desempeña un papel importante en este resurgimiento de la
investigación en inteligencia artificial en el sentido más profundo del término
original de la “inteligencia artificial”. Las conferencias buscan alentar la
investigación interdisciplinaria sobre la base de diferentes concepciones de la
inteligencia, y la exploración de diferentes enfoques.

Ahora, para que la máquina tenga todos los algoritmos que conforman la mente,
primero, hay que ir descubriendo los mecanismos de la mente, traducirlos en
algoritmos para incluirlos en la computadora, así sucesivamente hasta que se
haya reproducido totalmente la mente humana, y pueda funcionar en una
computadora.

Según sus creadores la IA general tiene las siguientes características:

Asume un punto de vista holístico o integral de la inteligencia

Cree que ha llegado el tiempo para construir una IA que sea comparable a la
inteligencia humana.

Lo que nos acerca a la idea original de la IA que debido a sus tropiezos se fue
separando de esos objetivos. Y retoma la idea de una IA fuerte (ver artículo
anterior).

La IA general al igual que la llamada IA estrecha, se propone convertirse en una

ciencia exacta y define su línea teórica en tres campos

Hasta el momento, las principales técnicas utilizadas en proyectos IA

general incluyen las técnicas de la IA clásica:

 Lógica matemática
 Teoría de la probabilidad (tratamiento de la incertidumbre)
 Sistema de producción (estrategias para las reglas)
 Base de conocimientos (representación del conocimiento)
 Algoritmos de aprendizaje (ahora se ha puesto de moda el aprendizaje
profundo)
 Robótica (sistemas de planificación)
 Redes neuronales
 Computación evolutiva (algoritmos genéticos)
 Sistema multi-agente (agentes inteligentes)

Teoría #2: Inteligencia artificial computacional

La inteligencia computacional (IC) es el estudio del diseño de agentes inteligentes.
Para entender el concepto hay que plantear la diferencia entre agente y agente
inteligente propiamente dicho.

Por su parte, un agente es cualquier cosa que actúa en un entorno (humanos,

animales, organizaciones, etcétera). Por otro lado, un agente inteligente es un
sistema que actúa con un razonamiento previo, es decir, se adecúa a las
circunstancias, es flexible a los ambientes y las metas cambiantes y, además,
aprende de la experiencia.

El propósito científico fundamental de la inteligencia computacional es comprender

los principios que posibilitan ese comportamiento inteligente en sistemas naturales
y artificiales y, a su vez, tomar decisiones adecuadas considerando las
limitaciones perceptivas y computacionales.

Los tres factores que han contribuido al desarrollo de la IC aplicada son:

 Los problemas no resueltos por la inteligencia artificial (IA).

 El incremento de la potencia de los ordenadores, aspecto que favorece la
aplicación del aprendizaje automático de las máquinas y de los algoritmos,
puesto que requieren recursos computacionales sin los cuáles no se
pueden resolver muchos problemas complejos.
 La gran expansión de los datos.

Elementos clave

La Inteligencia Computacional (IC) es una rama de la inteligencia artificial centrada

en el estudio de mecanismos adaptativos para permitir el comportamiento
inteligente de sistemas complejos y cambiantes.

Asimismo, se plantea como una alternativa a la GOFAI (“Good Old-Fashioned

Artificial Intelligence), tratando de no confiar en los algoritmos heurísticos
habituales de la inteligencia artificial tradicional.
Para ejercer sus procesos combina elementos de aprendizaje, razonamiento,
adaptación y evolución para crear algoritmos inteligentes capaces de clasificar
datos reales, predecir y controlar sistemas con comportamientos complejos,
extraer información de valor de bases de datos, etcétera.

Algunas de las técnicas utilizadas en inteligencia computacional son:

 Redes neuronales artificiales.

 Computación evolutiva.
 Inteligencia colectiva.
 Sistemas inmunes.
 Sistemas difusos.

Diferencias entre IA e IA Computacional

Habitualmente se tiende a entremezclar ambos conceptos. No obstante, sus

finalidades distan mucho entre sí.

La inteligencia artificial tiene por objetivo construir máquinas o sistemas

inteligentes que, utilizando estos conocimientos, podrán ser capaces de imitar o
superar las capacidades mentales de los humanos: razonamiento, comprensión,
imaginación, etcétera.

Por el contrario, la inteligencia computacional tiene una doble finalidad. Por un

lado, su objetivo científico es comprender los principios que posibilitan el
comportamiento inteligente (ya sea en sistemas naturales o artificiales) y, por otro,
su objetivo tecnológico consiste en especificar los métodos para diseñar sistemas
inteligentes.

Siguiendo este hilo, habría que recalcar que la inteligencia artificial utiliza métodos
de razonamiento simbólico mientras que la IC está basada en métodos numéricos.
Otra de las diferencias más latentes es que la inteligencia artificial trata de ajustar
el ambiente a las soluciones conocidas, que están representadas por bases de
conocimiento estáticas, mientras que la IC se retroalimenta del ambiente en el que
convive y partir de ahí, diseña conocimiento nuevo.

Áreas de aplicación

Los modelos y las técnicas de IC se han aplicado en múltiples áreas. Estas son
algunas de ellas:

Las ciencias relacionadas con la tierra y el medio ambiente, enfocadas sobre todo
al clima, los océanos y la hidrología. Las redes neuronales artificiales (RNA’s) se
han aplicado a la meteorología por satélite y oceanografía para reconocimiento de
patrones y clasificación.

En climatología, la IC sirve para desarrollar modelos numéricos del tiempo

atmosférico, analizar el cambio climático planteando predicciones sobre las
variaciones en la temperatura de los océanos y en hidrología para predecir las
precipitaciones, desbordamientos de ríos, etcétera.

Otro campo en el que la inteligencia computacional (IC) está siendo ampliamente

utilizado es la medicina. Los sistemas difusos se usan en diferentes áreas de
diagnóstico médico, como por ejemplo el control del oxígeno o de la anestesia
durante la intervención quirúrgica. También para la toma de decisiones médicas
mediante la lógica difusa en relación con cuidados intensivos o enfermedades
coronarias, etcétera.

Para el análisis de los mercados financieros, la IC también es una solución muy

efectiva. Por un lado, permite detectar mediante el aprendizaje los grupos de
nuevos clientes y sus perfiles más adecuados. En este sentido, la computación
evolutiva ayuda a generar modelos para gestionar la relación con los clientes y la
lógica difusa permite cuantificar la conducta de los clientes.
 MARCO TEORICO

Hoy en día no existe una definición totalmente aceptada sobre qué es la

Inteligencia Artificial sin embargo varios autores e interesados en el área han
creado sus propias definiciones sobre la IA y obviamente cada una de ellas es
válida para determinado enfoque. Algunas definiciones bastante aceptables sobre
el tema son las que se presentan a continuación. Rich & Knight en 1991 lanzaron
la siguiente definición de IA: "La inteligencia artificial es el estudio de cómo hacer
que las computadoras hagan cosas que por el momento los humanos hacen
mejor". Para Mark Fox la 1A es básicamente una teoría de cómo trabaja la mente
humana. Aunque es difícil encontrar una definición 100% completa sobre lo que es
la Inteligencia Artificial, la definición que presentamos nos ayuda a tener una idea
sobre en qué consiste la Inteligencia Artificial. Faltaría mencionar que la IA
también se encarga de problemas que no pueden ser resueltos adecuadamente ni
por máquinas ni por hombres, como aquellos en donde la explosión combinatoria
de los posibles caminos para obtener las soluciones es muy elevada y por tanto
sobrepasa las capacidades de los hombres y la velocidad de las computadoras.

La Inteligencia Artificial tiene dos enfoques, un enfoque científico y otro aplicado al

área de la Ingeniería. El enfoque científico es útil para los psicólogos, biólogos,
filósofos y lingüistas que utilizan la IA para tratar de entender los principios de la
inteligencia, ya que las teorías de IA derivadas pensando principalmente en las
computadoras en gran medida sugieren una guía útil para entender el
pensamiento humano y otros tipos más de inteligencia. El segundo enfoque es útil
para los ingenieros de la computación ya que se requiere que conozcan la IA para
aplicar sus técnicas, de manera que les permitan hacer que las computadoras
sean más eficientes en la resolución de problemas reales.

Las primeras incursiones dentro de la Inteligencia Artificial se enfocaron

principalmente a las tareas formales como la demostración de teoremas y juegos
tales como el juego de las damas y el ajedrez, ya que los juegos y la demostración
de teoremas son tareas en las que es necesaria la inteligencia para programar a la
computadora y que esta buscara todos los posibles caminos para solucionar los
problemas y de esta manera escoger el mejor, sin embargo esto es falso, ya que
no existen computadoras lo suficientemente rápidas para explorar la inmensa
cantidad de soluciones (Explosión Combinatoria) que generan la mayoría de estos
problemas.

En la clase de problemas en los que se requiere el sentido común para resolverlos

también la IA incursionó en un principio y dio como resultado los "resolvedores" de
problemas como el GPS (General Problem Solver), que resolvía problemas
tomando como base la forma en como los humanos lo hacemos, construido por
Newell, Shaw y Simon. El GPS finalmente solo podía resolver tareas muy simples.
La IA ha encontrado nuevas áreas de investigación de las cuales destacan: las
tareas de percepción como la vista y el habla, la comprensión de lenguaje natural,
agentes inteligentes y la minería de datos.