Ingeniería en sistemas.

Trabajo de investigación.

Cuestionario de introducción
Universidad O&M – Recinto Santiago

Alumno:
Osvaldo Martinez Aybar

Matricula:
21-SIST-7-006

Sección:
IS-712

Materia:
Inteligencia Artificial

Tema:
Adquisición del conocimiento

Docente:
Lucas Caonabo Reyes Salas

pág.- 1
Tema 2: Adquisición del conocimiento
Definición del conocimiento
El conocimiento es la comprensión de una cosa o la capacidad de usarla. Es la información que se
ha adquirido a través de la experiencia, la educación o la investigación. El conocimiento puede ser
factual, como los hechos de la historia o las matemáticas, o puede ser conceptual, como las teorías
científicas o las ideas filosóficas.
Las IA se basan en el conocimiento para aprender y actuar. El conocimiento se puede proporcionar a
las IA de varias maneras, como a través de datos de entrenamiento, reglas explícitas o modelos de
aprendizaje automático.
Métodos y técnicas de adquisición del conocimiento
La adquisición del conocimiento es el proceso de obtener, organizar y representar el conocimiento
para que pueda ser utilizado por las IA. Existen diferentes métodos y técnicas para la adquisición del
conocimiento, que se pueden clasificar en dos categorías principales: métodos manuales y métodos
automáticos.
Métodos manuales
Los métodos manuales son aquellos que requieren la intervención humana para recopilar y organizar
el conocimiento. Los métodos manuales más comunes incluyen:
• Entrevistas: Las entrevistas son una forma de obtener información de expertos humanos.
• Observación: La observación es una forma de recopilar información sobre el comportamiento
de los humanos o de los sistemas.
• Análisis de documentos: El análisis de documentos es una forma de obtener información de
documentos escritos.
Métodos automáticos
Los métodos automáticos son aquellos que pueden recopilar y organizar el conocimiento sin la inter-
vención humana. Los métodos automáticos más comunes incluyen:
• Aprendizaje automático: El aprendizaje automático es un campo de la IA que se centra en el
desarrollo de algoritmos que pueden aprender de los datos sin ser explícitamente programa-
dos.
• Minería de datos: La minería de datos es un campo de la estadística que se centra en el des-
cubrimiento de patrones en los datos.
• Procesamiento del lenguaje natural: El procesamiento del lenguaje natural es un campo de
la informática que se centra en la comprensión y generación del lenguaje humano.

pág.- 2
Enfoques para la extracción y verificación del conocimiento
La extracción y verificación del conocimiento son dos procesos importantes en el campo de la inteli-
gencia artificial (IA). La extracción del conocimiento se refiere al proceso de obtener conocimiento de
datos o fuentes existentes. La verificación del conocimiento se refiere al proceso de garantizar que el
conocimiento extraído sea preciso y completo.
Los enfoques para la extracción del conocimiento se pueden clasificar en dos categorías principales:
métodos basados en reglas y métodos basados en aprendizaje automático.

Métodos basados en reglas

Los métodos basados en reglas utilizan reglas explícitas para extraer conocimiento de los datos. Las
reglas pueden ser proporcionadas por un experto humano o pueden ser descubiertas automática-
mente por el sistema de IA.
Métodos basados en aprendizaje automático
Los métodos basados en aprendizaje automático utilizan algoritmos de aprendizaje automático para
extraer conocimiento de los datos. Los algoritmos de aprendizaje automático aprenden de los datos
sin ser explícitamente programados.

Ejemplos de métodos basados en reglas para la extracción del conocimiento

• Reglas de asociación: Las reglas de asociación se utilizan para encontrar relaciones entre va-
riables. Por ejemplo, una regla de asociación podría indicar que las personas que compran le-
che también tienden a comprar pan.
• Reglas de decisión: Las reglas de decisión se utilizan para tomar decisiones. Por ejemplo, una
regla de decisión podría indicar que un paciente tiene una enfermedad si presenta ciertos sín-
tomas.
Ejemplos de métodos basados en aprendizaje automático para la extracción del conocimiento
• Clasificación: La clasificación se utiliza para asignar objetos a categorías. Por ejemplo, un sis-
tema de clasificación podría utilizarse para clasificar imágenes de flores en diferentes tipos de
flores.
• Regresión: La regresión se utiliza para predecir valores continuos. Por ejemplo, un sistema de
regresión podría utilizarse para predecir el precio de una casa en función de sus característi-
cas.

pág.- 3
Transferencia de la experiencia
La transferencia de experiencia, en el contexto de la inteligencia artificial (IA), se refiere a la ca-
pacidad de un modelo o sistema de IA para aplicar el conocimiento o habilidades adquiridos en
una tarea específica a otra tarea relacionada pero diferente. Esto implica que un modelo de IA
que ha aprendido de una experiencia previa puede utilizar ese conocimiento para mejorar su ren-
dimiento en una tarea nueva, sin necesariamente tener que aprender desde cero. La transferen-
cia de experiencia es una forma eficiente de mejorar la eficacia y la eficiencia del aprendizaje de
máquinas.

El aprendizaje
El aprendizaje, en el contexto general, se refiere al proceso mediante el cual un sistema o entidad
adquiere conocimientos, habilidades o experiencias a través de la observación, la práctica o la in-
teracción con su entorno. En el campo de la inteligencia artificial (IA), el aprendizaje es una parte
fundamental y se refiere a la capacidad de las máquinas o sistemas de IA para mejorar su rendi-
miento en tareas específicas a medida que se les proporciona más información o experiencia.
Existen varios tipos de aprendizaje en el ámbito de la IA:
1. Aprendizaje supervisado: En este enfoque, un modelo de IA se entrena utilizando un conjun-
to de datos etiquetado, que contiene ejemplos de entrada y la salida deseada. El modelo
aprende a hacer predicciones o clasificaciones basadas en esta información. Por ejemplo, se
puede entrenar un modelo de IA para reconocer imágenes de gatos y perros a partir de imá-
genes etiquetadas previamente.
2. Aprendizaje no supervisado: En este caso, un modelo se entrena con datos que no están
etiquetados y se le pide que encuentre patrones o estructuras en los datos por sí mismo. Esto
puede incluir técnicas como el clustering o la reducción de dimensionalidad para descubrir re-
laciones ocultas en los datos.
3. Aprendizaje por refuerzo: En el aprendizaje por refuerzo, un agente de IA interactúa con un
entorno y aprende a tomar decisiones para maximizar una recompensa o minimizar una pena-
lización. El agente toma acciones basadas en su conocimiento previo y la retroalimentación
recibida del entorno. Esto se utiliza comúnmente en aplicaciones como juegos, robótica y con-
trol automatizado.
4. Aprendizaje auto-supervisado: En lugar de depender completamente de datos etiquetados o
interacciones con el entorno, el aprendizaje auto-supervisado implica que un modelo de IA
genera sus propias etiquetas o supervisión a partir de los datos disponibles. Es útil en tareas
como el procesamiento del lenguaje natural, donde se pueden utilizar técnicas como el entre-
namiento con máscara de lenguaje (BERT) para aprender representaciones de palabras.
5. Aprendizaje profundo: Este es un subconjunto del aprendizaje automático que se centra en
el uso de redes neuronales profundas (redes neuronales con múltiples capas) para aprender
representaciones de datos complejos. El aprendizaje profundo ha sido especialmente exitoso
en aplicaciones como la visión por computadora, el procesamiento de lenguaje natural y el re-
conocimiento de voz.

pág.- 4