Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Concepto de inteligencia
artificial
o IA, y en inglés Artificial Intelligence o AI, es una tecnología con capacidad de
hacer pensar por sí sola una máquina. La tecnología que emplea una maquina
artificial e inteligente está desarrollada por medio de una serie de algoritmos que
le proporcionan la capacidad de interpretación, decisión y resolución de
problemas de forma autónoma ante las señales que recibe.
Otra “Buena” definición:
Una buena definición de la misma sería la combinación de algoritmos, que
intentan simular algunas acciones de los humanos o mejor aún, ir más allá de la
inteligencia humana.
- Puede aportar soluciones, como en el caso de servicios de atención al cliente a
través del uso de chatbots
sistemas inteligentes
Se definen:
Como aquellos que presentan un comportamiento externo similar en
algún aspecto a la inteligencia humana o animal.
Se caracterizan:
Por su capacidad para representar, procesar y modificar de forma
explícita conocimiento sobre un problema, y para mejorar su
desempeño con la experiencia. Esto les permite resolver problemas
concretos determinando las acciones a tomar para alcanzar los objetivos
propuestos, a través de la interacción con el entorno y adaptándose a
las distintas situaciones.
ANTECEDENTES HISTORICOS-ORIGEN
(?)
La IA tiene sus raíces en la década de 1950, con figuras como Alan
Turing y John McCarthy. A lo largo de los años, ha experimentado
avances significativos, con hitos como el desarrollo de sistemas expertos
en la década de 1970 y el surgimiento de técnicas de aprendizaje
profundo en tiempos más recientes.
Enfoques
1. Sistemas que se comportan como humanos: Aquí la idea es desarrollar máquinas
capaces de realizar funciones para las cuales se requeriría un humano inteligente.
Dentro de este enfoque podemos encontrar la famosa Prueba de Turing. Para poder
superar esta prueba, la máquina debería poseer las siguientes capacidades:
Procesamiento de lenguaje natural, que le permita comunicarse
satisfactoriamente.
Representación del conocimiento, para almacenar lo que se conoce o se siente.
Razonamiento automático, para utilizar la información almacenada para responder
a preguntas y extraer nuevas conclusiones.
Aprendizaje automático, para adaptarse a nuevas circunstancias y para detectar y
extrapolar patrones.
Visión computacional, para percibir objetos.
Robótica, para manipular y mover objetos.
Enfoques
2. Sistemas que piensan como humanos: Aquí la idea es hacer que las
máquinas piensen como humanos en el sentido más literal; es decir,
que tengan capacidades cognitivas de toma de decisiones, resolución
de problemas, aprendizaje, etc. Dentro de este enfoque podemos
encontrar al campo interdisciplinario de la ciencia cognitiva, en el cual
convergen modelos computacionales de IA y técnicas experimentales
de psicología intentando elaborar teorías precisas y verificables sobre
el funcionamiento de la mente humana.
Enfoques
3-Sistemas que piensan racionalmente: Aquí la idea es descubrir los
cálculos que hacen posible percibir, razonar y actuar; es decir,
encontrar las leyes que rigen el pensamiento racional. Dentro de
este enfoque podemos encontrar a la Lógica, que intenta expresar
las leyes que gobiernan la manera de operar de la mente.
4 Enfoques
4. Sistemas que se comportan racionalmente: Aquí la idea es diseñar
agentes inteligentes. Dentro de este enfoque un agente racional es
aquel que actúa con la intención de alcanzar el mejor resultado o,
cuando hay incertidumbre, el mejor resultado esperado. Un
elemento importante a tener en cuenta es que tarde o temprano uno
se dará cuenta de que obtener una racionalidad perfecta (hacer
siempre lo correcto) no es del todo posible en entornos complejos. La
demanda computacional que esto implica es demasiado grande, por lo
que debemos conformarnos con una racionalidad limitada.
4 Enfoques
Como lo que se busca en este enfoque es realizar inferencias correctas, se
necesitan las mismas habilidades que para la Prueba de Turing, es decir,
es necesario contar con la capacidad para representar el conocimiento y
razonar basándonos en él, porque ello permitirá alcanzar decisiones
correctas en una amplia gama de situaciones. Es necesario ser capaz de
generar sentencias comprensibles en lenguaje natural, ya que el
enunciado de tales oraciones permite a los agentes desenvolverse en una
sociedad compleja. El aprendizaje no se lleva a cabo por erudición
exclusivamente, sino que profundizar en el conocimiento de cómo
funciona el mundo facilita la concepción de estrategias mejores para
manejarse en él.
AREAS DE APLICACIÓN DE LA
Medicina
INTELIGENCIA ARTIFICIAL
Apoyándose en las herramientas que proporciona la Inteligencia Artificial, los
doctores podrían realizar diagnósticos más certeros y oportunos, lo que llevaría a
mejores tratamientos y más vidas salvadas.
Autos autónomos
Utilizando Inteligencia Artificial podríamos crear autos autónomos que aprendan de
los datos y experiencias de millones de otros autos, mejorando el tráfico y
haciendo mucho más segura la conducción.
Bancos
Utilizando técnicas de Machine Learning los bancos pueden detectar fraudes antes
de que ocurran por medio de analizar los patrones de comportamiento de gastos e
identificando rápidamente actividades sospechosas.
AREAS DE APLICACIÓN DE LA
INTELIGENCIA ARTIFICIAL
Agricultura
En Agricultura se podría optimizar el rendimiento de los cultivos por medio
de la utilización de las técnicas de Inteligencia Artificial para analizar los
datos del suelo y del clima en tiempo real, logrando producir más alimentos
incluso con climas perjudiciales.
Educación
En la Educación se podrían utilizar las técnicas de la Inteligencia Artificial para
diseñar programas de estudios personalizados basados en datos que
mejoren el rendimiento y el ritmo de aprendizaje de los alumnos.
Un agente inteligente es un sistema capaz de acciones autónomas y flexibles en
algunos entornos.
Flexible significa (Wooldridge y Jennings, 1995):
reactivo
proactivo Agentes inteligentes(Diapo)
social
La reactividad es la capacidad de un agente para percibir su entorno, y para responder
de manera oportuna a los cambios que se producen en el mismo, con el fin de cumplir
sus objetivos de diseño.
La proactividad es la capacidad de un agente para tomar la iniciativa con el fin de
satisfacer sus objetivos de diseño.
La sociabilidad es la capacidad de un agente para interactuar con otros agentes con el
fin de satisfacer sus objetivos de diseño.
Interactuar significa cooperar, coordinar, negociar.
Diapositivas de agentes
agentes y su entorno
Un agente es cualquier cosa capaz de percibir su mediambiente con la
ayuda de sensores y actuar en ese sentido utilizando actuadores.
Razonamiento probabilístico
El razonamiento probabilístico se encarga de lidiar con la incertidumbre inherente de
todo proceso de aprendizaje. El problema para crear una Inteligencia Artificial
entonces se convierte en encontrar la forma de trabajar con información ruidosa,
incompleta e incluso muchas veces contradictoria. Estos algoritmos están
sumamente ligados a la estadística bayesiana; y la principal herramienta en la que se
apoyan es en el teorema de Bayes.
Razonamiento
1. Razonamiento monotónico: es el tipo de razonamiento que sigue un enfoque
diferente hacia el proceso de pensamiento, utiliza hechos, información y
conocimiento para llegar a una conclusión sobre el problema, pero el punto
principal es que su conclusión permanece fijada permanentemente una vez que
se decide porque incluso si agrega nueva información o hechos a la existente, la
conclusión sigue siendo la misma, no cambia. El razonamiento monotónico se
utiliza principalmente en los sistemas de razonamiento convencionales y en los
sistemas basados en la lógica. Algunos ejemplos de monótono son:
El desierto del Sahara del mundo es uno de los desiertos más
espectaculares.
Uno de los ríos más largos del mundo es el río Nilo.
Razonamiento
El razonamiento lógico no monótono es una forma de razonamiento en la que las
conclusiones no son necesariamente definitivas y pueden revisarse o modificarse a
medida que se adquiere nueva información. A diferencia del razonamiento lógico
clásico, donde las conclusiones son finales y no cambian, el razonamiento no
monótono permite ajustes en función de la introducción de nuevos datos o
conocimientos.
Regla de Inferencia:
Definición: Una regla de inferencia es una regla o principio lógico que describe
cómo se puede llegar a una conclusión a partir de ciertas premisas o hechos
dados.
Ejemplo: En lógica proposicional, el Modus Ponens es una regla de inferencia
que establece que si tenemos una afirmación condicional "Si A, entonces B" y
sabemos que A es verdadero, entonces podemos inferir que B es verdadero.
Uso: Las reglas de inferencia son esenciales en el razonamiento lógico y son
utilizadas para derivar nuevas afirmaciones o conclusiones basadas en
información previa.
Regla de Producción:
Definición: Una regla de producción es una declaración condicional en la forma
"Si ciertas condiciones se cumplen, entonces realiza una acción o produce un
resultado específico".
Ejemplo: En sistemas basados en reglas de producción, una regla podría ser "Si
la temperatura es superior a 30 grados y la humedad es alta, entonces enciende
el ventilador". Aquí, las condiciones son la temperatura y la humedad, y la acción
es encender el ventilador.
Uso: Las reglas de producción son comúnmente utilizadas en sistemas de
inteligencia artificial, sistemas expertos y lógica difusa para modelar el
razonamiento y la toma de decisiones. Estas reglas capturan conocimientos
expertos en forma de "si-entonces", permitiendo que el sistema tome decisiones
basadas en la información disponible.
Heurística
La capacidad heurística es un rasgo típico de los humanos. Consiste en la capacidad
de realizar innovaciones positivas para conseguir los fines que se pretenden.
También podemos definirla como la solución de problemas en los cuales, las
soluciones se descubren por la evaluación del progreso logrado en la búsqueda del
resultado final.
La base de la heurística surge de la experiencia de resolver problemas y ver cómo
otros lo hacen. De lo anterior podemos deducir que un método heurístico aplicado
correctamente puede devolver soluciones falsas, positivas o negativas.
Heurística
En las ciencias de la computación, el método heurístico es usado en determinadas
circunstancias, cuando no existe una solución óptima bajo las restricciones dadas. En
general la manera de actuar de los programas heurísticos consiste en encontrar
algoritmos con buenos tiempos de ejecución y buenas soluciones.