REPÚBLICA BOLIVARIANA DE VENEZUELA

MINISTERIO DEL PODER POPULAR PARA LA

EDUCACIÓN UNIVERSITARIA
INSTITUTO UNIVERSITARIO POLITÉCNICO
“SANTIAGO MARIÑO”
EXTENSIÓN MATURÍN

Modelo Simbólico

Autor:
Br. Baralt Luis
CI: V-25.398.612
Br. González Stephanie
CI: V- 28.474.618
Docente de la asignatura:
Angel Figueroa

Maturín, Diciembre 2022

 Introducción

En primer lugar, los modelos simbólicos son programas informáticos que se

originan en una rama de la investigación informática denominada inteligencia artificial
(IA). El objetivo científico de la inteligencia artificial es comprender la inteligencia.
Examina los conceptos y técnicas del razonamiento simbólico o razonamiento
computacional, y cómo se representará en las máquinas el conocimiento utilizado para
construir estos razonamientos, en esta orden de ideas, estos modelos se discutirán en
futuros estudios con exclusión de cualquier cosa relacionada con la IA.

Adicional a ello, también se habla de lo los programas de IA que brindan la

capacidad de expertos para resolver problemas mediante la aplicación de tareas de
conocimiento específicas se denominan sistemas basados en el conocimiento o sistemas
expertos. En general, el término sistema experto se reserva para programas que
incorporan conocimientos aplicados por expertos humanos, en lugar de conocimientos
extraídos de libros de texto, los términos sistema experto (ES) y sistema basado en
conocimiento (KBS) son sinónimos. Juntos, representan la gama más amplia de
aplicaciones de IA.
 Identificar los tipos de conocimiento en el contexto de la inteligencia artificial.

Inteligencia Artificial es un concepto paraguas que abarca cualquier tecnología

que permite a las computadoras imitar habilidades humanas. En este sentido, áreas
como la Robótica, la Computación Paralela, el Procesamiento del Lenguaje Natural, el
Aprendizaje Automático, el Aprendizaje Profundo, forman parte de la IA. Todas estas
áreas buscan, a su modo, automatizar actividades que los seres humanos las hacen de
manera natural e intuitiva.

Los avances en el campo de IA han permitido lograr cosas antes inimaginables.

Soluciones que incorporan la inteligencia artificial están siendo aplicado para acelerar
procesos, gestionar los recursos de manera más eficaz dentro de una organización y
generar respuestas más informadas e inteligentes a necesidades específicas. Al mismo
tiempo que las aplicaciones están ampliándose, las herramientas se están abriendo para
que estas tecnologías son cada vez más accesibles y adaptables a nuevos usos y
contextos.

Conocimiento automático

El aprendizaje o conocimiento automático es uno de los tipos de inteligencia

artificial al que más acostumbrados estamos, sobre todo a nivel de series o películas. Se
basa en la capacidad que un software o dispositivo tiene de aprender por su cuenta. El
aprendizaje automático sigue tres pasos fundamentales, como cualquier otro método:
aprendizaje, entrenamiento y resultados. Puede estar supervisado por una persona o
hacerse de manera autónoma gracias a la propia IA, que opera según las normas
diseñadas por el programador. Este tipo de IA lo vemos en los asistentes virtuales o en
los videojuegos, entre otros lugares.

Conocimiento profundo

El conocimiento profundo es un tipo de aprendizaje que va más allá del

automático, ya que engloba y procesa más datos e información al mismo tiempo. Utiliza
otro de los tipos de inteligencia artificial, las redes neuronales, para desenvolverse entre
un mayor volumen de información. Está estrechamente ligado con otros de los términos
del momento, el Big Data. Este tipo de IA se usa, por ejemplo, para el reconocimiento
facial o para las traducciones automáticas de textos, entre otros muchos usos (y cada
vez, más).
 Redes neuronales

Las redes neuronales, como su propio nombre indica, es un tipo de IA que

intenta imitar el comportamiento de las neuronas. A partir de una red de neuronas
artificiales, se crea un sistema por el que reciben y procesan datos. Las Redes
Neuronales Artificiales (RNA) están formadas por millones de neuronas artificiales
trabajando de manera coordinada, con capacidad de operar con acciones de aprendizaje.
Este tipo de IA es muy útil para actividades como el reconocimiento de imágenes y
textos o para controlar robots, uno de los máximos exponentes de la inteligencia
artificial.

Sistema experto

El sistema experto funciona a partir de una lógica racional que intenta imitar a
un humano con dominio de una materia concreta. Este tipo de IA la podemos encontrar,
por ejemplo, en los chats automáticos que muchos servicios de atención al cliente ya
tienen implantados. Se usan en muchos ámbitos destinados al cliente.

La Inteligencia Artificial es una realidad mucho más allá de las películas de

ciencia ficción que podíamos ver cuando éramos niños. Es un avance de la tecnología
que no solo ha llegado para quedarse, sino que ya forma parte de nuestras vidas y está
en constante evolución. Durante la pandemia que azota al mundo desde principios de
2020 se ha podido comprobar su eficacia y versatilidad.

Sistemas basados en conocimiento.

Un sistema basado en el conocimiento (KBS) es un sistema informático que

genera y utiliza el conocimiento de diferentes fuentes, datos e información. Estos
sistemas ayudan a resolver problemas, especialmente los complejos, utilizando
conceptos de inteligencia artificial. Estos sistemas se utilizan principalmente en
procedimientos de resolución de problemas y para apoyar el aprendizaje humano, la
toma de decisiones y las acciones.

Características importantes:

1. Representación explícita del conocimiento.

2. Capacidad de razonamiento independiente de la aplicación específica.
 3. Capacidad de explicar sus conclusiones y el proceso de razonamiento.
4. Alto rendimiento en un dominio específico.
5. Uso de heurísticas vs. modelos matemáticos.
6. Uso de inferencia simbólica vs. algoritmo numérico.

Arquitecturas, mecanismos de control.

Los sistemas de inteligencia artificial en arquitectura pueden hacer lo mismo con

la experiencia actual, por ejemplo, en estimaciones de costes, en el diseño o en la
preparación de la documentación necesaria para la construcción, las obras o la
rehabilitación y, además, sin descanso. Un ejemplo de IA que está basado en un sistema
de diseño y arquitectura regenerativa que permite al arquitecto crear una solución a un
problema de diseño a través de unas limitaciones y objetivos que nosotros indicamos.
Este software desempeña un papel participativo y activo en la invención de la forma.

Tomando en cuenta los requisitos de funcionalidades, estructuras, métodos de

fabricación, tipos de materiales, recepción de costes…etc. Y el programa CAD no solo
se encarga de mostrarnos la mejor opción (Por ejemplo, la más barata) sino que también
nos describe posibles alternativas viables.

La capacidad de aprendizaje del IA es enorme, podemos aprender un poco más

en distintos medios de aprendizaje que nutran los conocimientos en el área de la
inteligencia artificial, y además, si utilizamos aplicaciones inmersas en los móviles
donde la información se almacena por usuarios. Aquí la tecnología es capaz de recopilar
y analizar hábitos para poder satisfacer unas necesidades concretas por usuarios.

Mecanismos de control

Un marco efectivo puede ayudar a las organizaciones a generar confianza en su

tecnología de IA. Dicho enfoque debería ahondar profundamente en la IA a nivel del
modelo de la compañía y a nivel individual para asegurarse de que las obligaciones de
confianza clave queden integradas y controladas. Se debería evaluar y mantener el
control sobre los algoritmos sofisticados y en desarrollo al implementar métodos,
controles y herramientas que aseguren los anclajes de confianza en todo el ciclo de vida
desde la estrategia hasta el desarrollo. También deberían aportar lineamientos claros
para que la organización –partes de interés en diferentes funciones de la gerencia y
supervisión- puedan gestionar claramente y a conciencia el ciclo de vida de la IA. Los
ejemplos de cómo se puede lograr esto y algunas consideraciones son:

Estrategia

El gobierno de la IA comienza al principio. Una estrategia adecuada para

establecer la IA corporativa o para un modelo específico comienza con una clara visión
y aspiración y con resultados esperados. Aquí nos encontramos con los conceptos de
ética y responsabilidad.

Diseño

Ayuda a que el objetivo propuesto de los algoritmos quede claramente definido

y que los modelos sean diseñados para lograr ese objetivo propuesto a través de la
ingeniería de características, la determinación del sesgo de los datos y la evidencia
empírica. El diseño debe alinearse con los principios (valores y ética), con los
estándares y las pautas de seguridad y calidad y con los requerimientos de
cumplimiento.

Modelo y capacitación

Una vez que se cumplen los criterios de diseño, se inicia la construcción del
modelo y la capacitación. En esta fase, para mantener la integridad, razonabilidad y
posibilidad de explicación y resiliencia del modelo, se deberán considerar la detección
de los sesgos, los híper-parámetros, la procedencia de las características, entre otras
variables. Las características y los datos del modelo deben cumplir con los principios
organizacionales, las políticas, los requerimientos del negocio y la normativa vigente.

Evaluar

Éste es un paso clave en el ciclo de vida de la IA, y tiene que ver con la
capacidad de verificar que los modelos de IA y los resultados que producen cumplan
con los requisitos de integridad, equidad, claridad y resiliencia. Se trata de saber qué
preguntas hacer, qué indicadores clave de rendimiento y riesgo buscar, y de tener la
capacidad para ejecutarlos. La efectividad e integridad de la capacidad de evaluación y
monitoreo de la IA afectará directamente la confianza que una organización (o
regulador externo) tenga en la IA empresarial.

Desarrollar & Evaluar

 Los modelos de IA y ML no son estáticos y continuarán evolucionando, incluso
después de haber pasado a producción, a través de la interacción con nuevos conjuntos
de datos u otros modelos. Por lo tanto, los factores clave a considerar en esta fase
incluyen el monitoreo en tiempo de ejecución y la presentación de informes sobre
controles, cumplimiento, indicadores clave de rendimiento y riesgo, y métricas para
determinar la precisión, integridad, equidad, claridad y resiliencia de un modelo. La
capacidad de la empresa para reaccionar ante estos indicadores (incluida la calibración
dinámica del modelo) también es una capacidad necesaria.

Sistemas expertos.

Son sistemas basados en computadoras, interactivos y confiables, que pueden

tomar decisiones y resolver problemas complejos. La toma de decisiones se considera el
más alto nivel de inteligencia y experiencia humana. La IA simula estos procesos y
cuando hablamos de sistemas expertos nos referimos a la resolución de los problemas
más complejos en un dominio específico.

En otras palabras, el software de IA tiene el suficiente conocimiento almacenado

como para resolver problemas complejos que solo un experto humano podría resolver.
Pero estos sistemas también son capaces de expresar y razonar una idea sobre algún
dominio del conocimiento. Los sistemas expertos fueron los antecesores de los sistemas
actuales de inteligencia artificial, aprendizaje profundo y aprendizaje automático. Por
otro lado, los sistemas expertos se identifican a través de una variedad de características
como por ejemplo el alto nivel de experiencia que proporciona eficiencia, precisión y
resolución imaginativa de problemas. Además, reacciona a tiempo justo, es decir,
interactúa en un período de tiempo muy razonable con el usuario.

Componentes de sistemas expertos

Base de conocimiento: en este componente se representan los hechos y reglas.

Aquí se almacena el conocimiento en un dominio particular, así como en las reglas para
resolver un problema, procedimientos y datos intrínsecos relevantes para el dominio. Es
el repositorio de los hechos, es decir, un gran contenedor de conocimiento que se
obtiene de diferentes expertos de un campo específico.

Motor de inferencia: es el cerebro del sistema experto. Su función es obtener el

conocimiento relevante de la base de conocimientos, interpretarlo y encontrar una
solución relevante para el problema del usuario. Contiene las reglas de su base de
conocimiento y las aplica a los hechos conocidos para inferir nuevos hechos.

Aplicaciones y ejemplos de sistemas expertos

MYCIN: es uno de los primeros sistemas expertos basados en el encadenamiento

hacia atrás.

Este sistema es capaz de identificar varias bacterias que pueden causar

infecciones agudas y también puede recomendar medicamentos según el peso del
paciente.

DENDRAL: es un sistema experto basado en inteligencia artificial utilizado para

el análisis químico.

Herramientas para el desarrollo de sistemas basados en conocimiento.

Para el desarrollo de sistemas basados en el conocimiento se han venido

utilizando tanto lenguajes de programación específicos de la inteligencia artificial (LISP
y PROLOG) como de propósito general (C, PASCAL, etc.).

LISP

El lenguaje LISP es uno de los más utilizados desde los comienzos de la I.A. Se
trata de uno de los lenguajes de alto nivel más antiguos. Es un lenguaje cuya principal
estructura de datos son las listas, aún cuando se han ido incorporando otras estructuras
más sofisticadas como pueden ser los objetos. Tiene como ventaja el manejo de sus
estructuras a muy alto nivel lo que facilita la implementación rápida de los modelos y su
facilidad de modificación. Como desventaja está su relativa lentitud frente a lenguajes
de propósito general como C. La mayoría de las primeras

PROLOG

Es un lenguaje declarativo que, a partir de los datos introducidos deduce nuevos

hechos y resuelve el problema automáticamente. PROLOG tiene incluido, por tanto, un
motor de inferencia que se encarga de realizar búsquedas en su base de hechos.
Programar con PROLOG, por tanto, consiste en insertar hechos sobre objetos y
preguntar al sistema sobre sus relaciones. Este lenguaje, aun cuando se le reconocen sus
bondades, no ha tenido una gran utilización (si se exceptúa Francia, Gran Bretaña y
Japón con el proyecto de 5ª generación, en el que se adoptó como lenguaje de
programación PROLOG) siendo su principal aplicación el manejo de bases de datos
relacionales junto con lenguajes de bases de datos de 4ª generación asociados a éstas.
(Walter et al, 06)

CLIPS

CLIPS es un acrónimo de C Language Integrated Production System (Sistema de

Producción Integrado en Lenguaje C). En la actualidad, entre los paradigmas de
programación que soporta CLIPS se encuentran la Programación lógica, la
Programación imperativa y la Programación Orientada a Objetos. CLIPS probablemente
es el sistema experto más ampliamente usado debido a que es rápido, eficiente y
gratuito.

Shell

Un Shell es un Sistema Experto que contiene la máquina de inferencia, la

interface con el usuario y la base de conocimiento vacía y, puede ser empleado en la
creación de diversos SE .Un Shell de SE (conocido como interprete) también es visto
como un grupo de paquetes y herramientas de software utilizados para diseñar,
desarrollar, poner en operación y mantener un S.E, donde el usuario introduce los datos
o parámetros apropiados y el SE proporciona el resultado para el problema o situación.

Existen otros Shell como: ART, LOOPS, KEE, EMYCIN, KAS, ARIES y el
CLIPS, que además de ser un lenguaje de programación para S.E es un Shell.

Aplicaciones

Procesamiento de lenguaje natural

Los denominados chatbots (charlas virtuales entre un cliente humano y una

máquina) son una de las aplicaciones de la Inteligencia Artificial que ya se utiliza
ampliamente hoy en día. Gracias al procesamiento de lenguaje natural, podemos
relacionarnos con una de estas Inteligencias Artificiales casi del mismo modo que lo
haríamos con cualquier ser humano.

Incremento de los robots no físicos

Aunque al pensar en robots siempre suele venirnos a la mente la imagen de un

androide (robot con apariencia humana), la mayoría de robots actuales no son físicos. Al
menos, muchos de ellos funcionan con un hardware bastante limitado, mientras que su
principal activo reside en el software que manejan y que constituye realmente la
Inteligencia Artificial que hay detrás. Estos robots no físicos están conectados a
múltiples robots que sí que son físicos y que son los que actúan por ellos (puertas
automáticas, sistemas de transporte, electrodomésticos enlazados a sistemas domóticos,
etc).

Automatización de procesos industriales

Otra de las principales aplicaciones de la Inteligencia Artificial consiste en la

automatización de procesos. Esta tecnología permite agilizar múltiples procesos
productivos, además de eliminar de ellos el factor de error humano. Actualmente se
utilizan en la mayoría de procesos industriales, así como en procesos relacionados con
la logística y la distribución de mercancías que sigue a los procesos de producción.

Selección de contenidos

Una de las aplicaciones de la Inteligencia Artificial que más auge ha tenido en

los últimos años es la selección de contenidos, lo que se aplica, sobre todo, en los
entornos de redes sociales. Gracias al análisis de datos y el Big Data, las Inteligencias
Artificiales seleccionan los contenidos que más se ajustan a nuestros gustos y
preferencias. A continuación, seleccionan estos contenidos para que aparezcan como
sugerencias en nuestras redes sociales y así conseguir mostrar contenidos que sean más
relevantes según nuestros propios intereses.

Asistentes personales virtuales.

1. Finanzas.
2. Educación.
3. Comercial.
4. Climáticas.
5. Agrícolas.
6. Logística y transporte.
7. Sanidad.
 Conclusión

En este orden de ideas, la inteligencia artificial (IA) permite que las máquinas
aprendan de la experiencia, se adapten a nuevos insumos y realicen tareas similares a las
humanas. La mayoría de los ejemplos de inteligencia artificial de los que se habla hoy
en día, desde computadoras que juegan al ajedrez hasta automóviles autónomos,
dependen en gran medida del aprendizaje profundo y el procesamiento del lenguaje
natural. Para finalizar con este trabajo, la inteligencia artificial simbólica imita
mecanismos e intenta representar el conocimiento humano utilizando símbolos o reglas
legibles por humanos que permiten la manipulación de esos símbolos, usando estas
técnicas, las computadoras pueden ser entrenadas para realizar tareas específicas
procesando grandes cantidades de datos y reconociendo patrones en los datos.