UNIVERSIDAD DE AQUINO BOLIVIA

INTRODUCCIÓN A LA
INTELIGENCIA ARTIFICIAL

Ing. Sandro Gutierrez

Todos hemos oído hablar de la
inteligencia artificial y hemos visto
películas como Matrix, IA, Robot
en la que la inteligencia artificial
se manifiesta, pero realmente
sabemos ¿Qué es la inteligencia
artificial?
Sistemas que piensan como humanos
 ¿Cómo piensan los humanos?
 Introspección (observación)
 Experimentos
 Ciencia cognitiva
Combina técnicas de IA y psicología para
construir teorías sobre el modo de pensar
de los humanos
 Una vez establecidas teorías sobre la
forma de pensar humana, se traduce a un
programa
 Sistemas expertos, a través de pasos del
razonamiento (GPS General Problem
Solver de Newell y Simon) que deberían
ser análogos (semejante-parecidos) a la
traza del pensamiento humano cuando
resuelve los mismos problemas
Sistemas que actúan humanos

 Fundamental cuando se desea que un

sistema inteligente interactúe con
humanos
° Dialogar
° Ofrecer explicaciones
 Convenios de mínimos para facilitar el
entendimiento
 La representación subyacente
(conocimiento real que se encuentra
oculto o no se manifiesta)no tiene por qué
seguir modelos humanos
Sistemas que piensan racionalmente
Aproximación de las leyes del pensamiento
 Aristóteles. Silogismos (patrones de
estructuras argumentales correctas)
» Se suponía que estas leyes
gobernaban las operaciones de la mente
» Primeros desarrollos en el campo de la
lógica
 Desarrollo de la lógica (s. XIX y XX)
» Notación precisa
» Programas lógicos
 Dificultades
» Es difícil formalizar mediante lógica
» Recursos computacionales excesivos
Sistemas que actúan racionalmente
 Agente Inteligente
 Deben cumplir dos objetivos:
Ser capaces de percibir su entorno.
Actuar racionalmente de acuerdo con el
entorno percibido
» requiere razonar (lógicamente),
» actuar a partir de las conclusiones
obtenidas,
» no siempre usan inferencia(deducción)
lógica (actos reflejos)
 Es más general que la lógica
No es la única forma de actuar
racionalmente
¿Será posible crear sistemas capaces
de generar conocimiento por si
mismas?
¿Qué tomen decisiones?
¿Qué tengan la capacidad de tener
criterio propio?
¿Qué sean inteligentes?
Primera aproximación:
Organismo o ente capaz
de tomar una decisión
Segunda Aproximación
Organismo o ente capaz de
recordar sucesos de su entorno,
con el objetivo de usarlos para
tomar decisiones.
Definición Inteligente

Organismo o ente que, con el paso del tiempo,

aprende de su entorno, acumulando experiencia
y que es usada en nuevas situaciones que le
presenta el entorno.

La inteligencia se puede ver como una

“medida” que indica cuan fácil logra un
sistema sus objetivos(habilidad de razonar,
adquirir y aplicar conocimiento, percibir y
manipular objetos,)
Un sistema inteligente
(SI) es un conjunto de
datos que aprende
durante su existencia
como actuar para
alcanzar sus objetivos
La inteligencia artificial es una
rama de la ciencia de la
computación, que a través de
procedimientos automatizados
enfoca la elaboración de
procedimientos basados en
comparaciones con la
eficiencia del hombre,
contribuyendo a un mayor
entendimiento del
conocimiento humano.
La inteligencia artificial (Artificial
Intelligence, o AI) es la simulación
de procesos de inteligencia humana
por parte de máquinas,
especialmente sistemas
informáticos. Estos procesos incluyen
el aprendizaje (la adquisición de
información y reglas para el uso de
la información), el razonamiento
(usando las reglas para llegar a
conclusiones aproximadas o
definitivas) y la autocorrección.

Las aplicaciones particulares de la

AI incluyen sistemas expertos,
reconocimiento de voz y visión
artificial.
 Humanidad
Sistemas que piensan como humanos
 Racionalidad
Sistemas que actúan de manera
racional
 Razonamiento
Sistemas que actúan con criterio
inteligente
 Comportamiento
Sistemas que actúan y se comportan
como humanos
CARACTERISTICAS DE LA INTELIGENCIA
ARTIFICIAL
1.-Una característica fundamental que
distingue a los métodos de Inteligencia
Artificial de los métodos numéricos es el
uso de símbolos no matemáticos, aunque
no es suficiente para distinguirlo
completamente. Otros tipos de
programas como los compiladores y
sistemas de bases de datos, también
procesan símbolos y no se considera que
usen técnicas de Inteligencia Artificial.
Las conclusiones de un programa
declarativo no son fijas y son
determinadas parcialmente por las
conclusiones intermedias alcanzadas
durante las consideraciones al problema
específico. Los lenguajes orientados al
objeto comparten esta propiedad y se
han caracterizado por su afinidad con la
Inteligencia Artificial.
CARACTERISTICAS DE LA INTELIGENCIA ARTIFICIAL

2.-El comportamiento de los programas no es descrito explícitamente

por el algoritmo (partirá de un estado de total desconocimiento).
La secuencia de pasos seguidos por el programa es influenciado por el
problema particular presente.
El programa especifica cómo encontrar la secuencia de pasos
necesarios para resolver un problema dado (programa declarativo: Un
paradigma de computación en el que se definen los objetivos y es el
sistema el que debe hallar la sucesión de tareas para afrontarlo. Para
ello, se recurren a abstracciones matemáticas que permitan expresar y
abarcar de un modo declarativo las casi infinitas situaciones físicas con
las que se podrían encontrar). En contraste con los programas que no
son de Inteligencia Artificial, que siguen un algoritmo definido, que
especifica, explícitamente, cómo encontrar las variables de salida para
cualquier variable dada de entrada.
CARACTERISTICAS DE LA INTELIGENCIA
ARTIFICIAL

3.-El razonamiento basado en el

conocimiento, implica que estos
programas incorporan factores y
relaciones del mundo real y del ámbito
del conocimiento en que ellos operan.
Al contrario de los programas para
propósito específico, como los de
contabilidad y cálculos científicos; los
programas de Inteligencia Artificial
pueden distinguir entre el programa de
razonamiento o motor de inferencia y
base de conocimientos dándole la
capacidad de explicar discrepancias
entre ellas.
CARACTERISTICAS DE LA INTELIGENCIA ARTIFICIAL

4.-Aplicabilidad a datos y problemas mal estructurados, sin las

técnicas de Inteligencia Artificial los programas no pueden
trabajar con este tipo de problemas. Un ejemplo es la resolución
de conflictos en tareas orientadas a metas como en
planificación, o el diagnóstico de tareas en un sistema del mundo
real: con poca información, con una solución cercana y no
necesariamente exacta.
Dos aspectos básicos:

1.Entender y modelar sistemas

inteligentes(ciencia).
2.Construir máquinas
inteligentes(ingeniería).
Se ha dado en hablar de Gran IA y
Pequeña IA

• La Pequeña IA trata de resolver

problemas específicos de forma
inteligente y de generalizar las técnicas
para aplicarlas a otros problemas.
1.Producir máquinas que exhiban
comportamiento inteligente
2.Comprender la inteligencia humana en el
contexto social
3.Dar paso a “formas de vida” artificiales
4.Incrementar el conocimiento científico
• La Gran IA persigue:
Construir robots de inteligencia
igual a la humana o programas
que imiten la inteligencia
humana (enfoque cognitivo)
¿Cómo conseguir que un ordenador actúe con
inteligencia?

Utilizando la lógica
Deducción formal
Imitando el razonamiento humano
Sistemas expertos, planificación, razonamiento,
aprendizaje, procesamiento de lenguaje natural
Imitando la actividad biológica del cerebro
Redes de neuronas artificiales
Usando los fundamentos de la evolución
Algoritmos genéticos, robótica basada en
comportamiento
Construyendo agentes que cooperen/compitan
entre ellos
Sistemas multiagente
Modelos computacionales basados en fuerza .
El objeto de las metodologías es mejorar la planificación o
los procedimientos de una R/CS (Red/Cadena) en la
acertada toma de decisiones en tiempo y forma.

Estas decisiones, necesitan herramientas que les permitan

visualizar de un modo general, las fortalezas y debilidades
de su R/CS, así como las áreas de oportunidad que
pudieran llegar a presentarse. Además necesitan sistemas
que les ayuden a mejorar la calidad de las decisiones que
se toman día a día y/o en todo momento.
Actualmente se está trabajando con sistemas de decisiones
basados en Inteligencia Artificial (IA), los cuales se han
aplicado en una gran variedad de tareas, desde la
enseñanza hasta la automatización de procesos productivos.

Además estos sistemas pueden analizar volúmenes muy

grandes de información a muy alta velocidad, lo que permite
obtener indicadores puntuales de las operaciones de la R/CS
(Red/Cadena).
Vamos a exponer tres
metodologías de IA
para el estudio de la
Incertidumbre
subdivididas en:
Simbolismo,
conexionismo y
conductismo.
Simbolismo.
La metodología del Simbolismo está
basado en la hipótesis de un sistema de
símbolo físico, es decir, un sistema de
operadores simbólicos y una teoría de
racionalidad limitada.
Simbolismo.
Se origina a partir de la Cognición Computacional. El propósito de la
Cognición Computacional es dar como pauta el estudio de la cognición
humana para entrar en una fase científica de investigación regular.

La Cognición Computacional llego a ser el principio de una línea de la

Inteligencia Artificial, psicología cognoscitiva y lingüística matemática,
ayudando enormemente al avance de la IA. El simbolismo en términos
de cognición es el procesamiento de símbolos y en que el proceso del
pensamiento humano puede ser descrito por ciertas clases de símbolos.

En otras palabras, el pensamiento es la computación (o la cognición es

la computación). Esta ideología constituye una de las bases filosóficas
para la inteligencia artificial.
Lenguajes de programación
lógica
En 1959, basándose en el cálculo de
Alonzo Church ““list structure”; Simon
y Newell, John McCarthy introdujeron
el desarrollo la famosa LISP (Lista de
Procesamiento de Lenguaje), que
más tarde fue el lenguaje que más ha
ayudado en la investigación de
Inteligencia Artificial. LISP es un
lenguaje funcional de procesamiento
simbólico, que trata de un programa
hecho de subfunciones funcionales.
Lenguajes de programación lógica
Su estructura funcional es análoga a la
estructura de la función recurrente en
matemáticas, siendo capaz de construir
nuevas funciones desde unas funciones
básicas de ciertos medios. Por lo tanto, es
un lenguaje de programación funcional.

También es un lenguaje de programación

lógico, porque su cálculo está basado en
símbolos más bien que números y esto
realiza deducciones por medio del cálculo
simbólico.
Lenguajes de programación
lógica
PROLOG (Programador de Lógica) es
otro famoso lenguaje de programación
lógico, puesto en práctica en 1972 por el
grupo de investigación de Alain
Colmerauer de la Universidad de
Marsella en Francia.(Colmerauer, A.,
1990).
Más Tarde, Pillipe Roussel introdujo el
intérprete de PROLOG; y David Warren
contribuyó con el primer compilador de
PROLOG.
Sistemas expertos
La base matemática para el simbolismo, fue
mejorada día a día por el
perfeccionamiento, en sistemas
matemáticos o sistemas lógicos, los cuales
han sido diseñados con alguna clase de
sistema de regla de producción.

La mayor parte de categorías del

conocimiento han sido representadas por
reglas de producción basadas en el cálculo
de predicado y el principio de resolución, los
cuales han proporcionado una base teórica
para el desarrollo de sistemas expertos, en
diferentes campos del conocimiento en este
siglo de tecnologías de la información(TIC).
Sistemas expertos
Es sobre la base de tal Sistema de
Producción(representación de patrones que
usan implicaciones) que el sistema experto
es desarrollado. Y los lenguajes de
programación lógicos como LISP y PROLOG
han ayudado al diseño del sistema como
una herramienta poderosa. Hablando en
general, un sistema experto es un sistema
que trabaja a través de experiencia y
conocimiento.
Sistemas expertos
Esto hace una inferencia y simulación
a los procesos de toma de decisiones
para resolver problemas complejos
que por lo general toman a un experto
en el campo para su solución, usando
tecnología de IA; también basándose
en el conocimiento de uno o más
expertos.
Conexionismo.
Concierne a los sistemas de Redes
Neuronales Artificiales (ANN) y
Computación Evolutiva.
McCulloch W. S., y Pitts, W., pioneros del
conexionismo. Tenían en cuenta que para
simular la inteligencia humana, es
necesario construir un modelo cerebral con
la ayuda de la biónica. Y también que la
unidad básica del pensamiento humano
son las neuronas, más bien que los
símbolos y que la inteligencia es el
resultado de la competición de las
neuronas interconectadas y coordinadas.
Conexionismo.
Sosteniendo vistas diferentes de la
hipótesis de un sistema de símbolo físico,
creyendo que el cerebro humano no es lo
mismo que un ordenador. Cuando el
ordenador es usado para simular el cerebro
humano, debería hacerse énfasis que la
simulación estructural, es decir, simular la
estructura de una red de sistema neuronal
humano biológico.
Conexionismo.
McCulloch W. S., y Pitts, W., también
creen que las funciones, las estructuras, y
el comportamiento están estrechamente
relacionadas y que las diferentes funciones
y comportamientos son representados por
estructuras diferentes.
Modelo de Red Neuronal de
Hopfield
En el enfoque Conexionista, su
representación típica es el Modelo
de Redes Neuronales Hopfield
(NNH), desempeñando un rol
importante en el resurgimiento de la
investigación en las ANN.
Modelo de Red Neuronal de Hopfield
La NNH se compone de una sola capa, un modelo de
retroalimentación completo; con las siguientes características
técnicas:
1. La NNH es una conexión completa de una sola capa y de un sistema
de retroalimentación completo compuesto de componentes no lineales.
Cada neurona de la red esta interconectada desde su salida a otras
neuronas a través de conexiones, y al mismo tiempo, recibe la
información enviada de otras neuronas.
2. Un rasgo importante de la NNH es su estabilidad. Cuando la función
de energía alcanza mínimos, esto es un estado estable para la red. Aquí
la función de energía representa una tendencia de transición en el
estado de la red. El estado varía con las reglas de operación Hopfield y
es finalmente capaz de alcanzar la función objetivo de un valor mínimo.
Modelo de Red Neuronal de Hopfield

3. Mientras la NNH es puesta en marcha, la conexión entre pesos de

cada neurona permanecen fijos, sólo el estado de salida es actualizado.
Para la red de la misma estructura, con el cambio e parámetros de la
red (pesos y umbrales), el número de mínimos de la función de energía
en la red (llamado “punto de equilibrio para la estabilización del
sistema”) y los valores de mínimos también son cambiados. Por lo tanto,
la necesidad de un patrón de memoria puede ser diseñado con un punto
de equilibrio estabilizado en un estado de red fijo.
Modelo de Red Neuronal Back
Propagation
Este modelo es otro tipo de estructura
del conexionismo propuesto por Werbos,
P. J., (1974).
Poco después Parker, D., (1982) y
Rumelhart, D., (1986) llegaron al
algoritmo Back-Propagation,
solucionando el problema de aprendizaje
en los valores de pesos de conexiones
en unidades de capas ocultas en una
Red Neuronal Multicapa.
Modelo de Red Neuronal
Back Propagation
En un modelo de propagación feed-
forward, las señales de entrada son
procesadas desde una capa a la
siguiente por capas ocultas múltiples
y después de esto, se propagan a la
capa de salida. Cada neurona de
salida en una capa sólo afecta el
estado de la siguiente capa.
Modelo de Red Neuronal Back Propagation
Un modelo back-propagation consiste en minimizar el tipo de error en el
aprendizaje, cuyo proceso de aprendizaje es realizado en dos partes:
propagación feed-forward de entrada y propagación feed-back de error.
El error es propagado hacia atrás cuando aparece entre la entrada y la
salida esperada durante el proceso feed-forward.

Durante se efectúa el back-propagation, los valores de los pesos en cada

conexión entre cada capa de neuronas son corregidos y gradualmente
ajustados hasta que el error de salida mínimo sea alcanzado.
Algoritmos genéticos
Los algoritmos genéticos requieren
para su aplicación de
representaciones codificadas como
un cromosoma. Cada cromosoma
tiene varios genes que
corresponden a los parámetros del
problema en cuestión.
Algoritmos genéticos
En la naturaleza, los
cromosomas se encuentran
ubicados en parejas en el
interior del núcleo celular, y los
genes son una secuencia de
nucleótidos, es decir, fragmentos
de ADN en una determinada
localización del cromosoma.
Algoritmos genéticos
Para poder trabajar con estos genes en el programa, es necesario
representarlos en una cadena n elementos (genes), es decir, una
secuencia donde cada gen puede tomar cualquier valor dentro de un
conjunto de longitud finita:

Este conjunto θ, formará el genotipo del individuo (cromosoma), que se

manifestará también como un fenotipo. El fenotipo representa las
características tangibles u observables del individuo, es decir, los rasgos
morfológicos.
Algoritmos genéticos
Posteriormente, para evaluar la
adaptación del fenotipo al entorno se
emplea la función objetivo y las
restricciones. Como se ha comentado, los
cromosomas están constituidos por genes
que son las N variables del problema, a
su vez cada gen puede estar constituido
por n dígitos cuyo valor representa un
alelo. Alelo significa literalmente la forma
alternativa, es decir, la variación
alternativa de un determinado gen y por lo
tanto de un rasgo característico.
Conductismo.
Metodología que se enfatiza en particular, en
las relaciones entre la percepción y la acción.
Es una de las más usadas por la investigación
en la I.A. Los conductistas creen que la
inteligencia depende del comportamiento y la
percepción, proponiendo un modelo
“comportamiento-percepción” de
comportamiento intelectual, usualmente
llamado conductismo.
El enfoque del conductismo se basa en
funciones y comportamientos intelectuales
humanos en el proceso del control tales como
auto-optimización, auto-adaptación, auto-
ajustador, auto-calma, auto-organización y auto
aprendizaje,y en el desarrollo también llamado
"animats30".
Lógica difusa
La Lógica Difusa se adapta mejor al mundo real en el que vivimos, e
incluso puede comprender y funcionar con nuestras expresiones, del tipo
"hace mucho calor", "no es muy alto", "el ritmo del corazón está un poco
acelerado", etc.
La Lógica Difusa utiliza expresiones que no son ni totalmente ciertas ni
completamente falsas, es decir, es la lógica aplicada a conceptos que
pueden tomar un valor cualquiera de veracidad dentro de un conjunto de
valores que oscilan entre dos extremos, la verdad absoluta y la falsedad
total.
Lógica difusa
La clave de esta adaptación al lenguaje, se
basa en comprender los cuantificadores de
nuestro lenguaje (en los ejemplos de arriba
"mucho", "muy" y "un poco").
Lógica difusa
En la teoría de conjuntos difusos se
definen también las operaciones de unión,
intersección, diferencia, negación o
complemento, y otras operaciones sobre
conjuntos (y también los subconjuntos
difuso), en los que se basa esta lógica.
Para cada conjunto difuso, existe
asociada una función de pertenencia para
sus elementos, que indican en qué
medida el elemento forma parte de ese
conjunto difuso. Las formas de las
funciones de pertenencia más típicas son
la trapezoidal, lineal y curva.
Control de robot
La teoría de control es una rama importante
de la investigación en la robótica. Los
problemas tratados son los sistemas
sensoriales, movimientos óptimos de
brazos, y planificación de métodos para la
implementación de secuencia en la
ejecución de un robot, del cual el control es
una parte importante para estas
investigaciones. Analógicamente a la
psicología “la estimulación” hace a un robot
hacer y tomar determinadas acciones a
través del control, una vez que cada
condición realizada es satisfecha.
Control de robot
El desarrollo rápido de la investigación en la robótica es gracias al avance
en la automatización industrial y a la investigación en la IA. La
combinación de automatización e intelectualización probablemente fue
empleada para simular estados de procesamiento de automatización
industrial, describir la transformación de un estado de producción a otro, y
de programas de como la secuencia de acción son llevados a cabo y de
como la ejecución de planes son supervisados.
Con la ayuda del ordenador, el proceso de información y el control de
actividades son generalizados como actividades intelectuales y de
producción ,intelectualizada.
Control Inteligente
La metodología de teoría de control
tradicional se basa en la relación entrada y
salida del objeto a controlar el cual se
expresará por una función de transferencia
a partir de un modelo matemático exacto,
que es a menudo difícil de realizar.
Algunos investigadores han trabajado en
el mecanismo de control de auto-
aprendizaje y auto-organización;
introduciendo tecnología de inteligencia
artificial en el sistema de control.
Control Inteligente
El control inteligente se refiere a una amplia categoría de la estrategia de
control con algunos dispositivos con características intelectuales apery
(constante matemática ξ (3)= 1 + ½^3+1/3^3+….).

Esto concierne al objeto controlado cuyos parámetros de modelos, hasta

estructuras, son variables duras para ser descritas exactamente en
métodos matemáticos, por tener propiedades no lineales, inciertas y
variables en el tiempo. Cuando el control inteligente se encuentra en un
ambiente externo es difícil que sea restrictivo con parámetros matemáticos,
por lo cual requiere ser capaz de autoorganizarse, auto-aprender y auto-
adaptarse, en pocas palabras tener comportamiento inteligente.
 Manipulación simbólica
 Aprendizaje
 Razonamiento
 Búsqueda heurística
 Manejo de incertidumbre

Este tipo de técnicas se puede

resolver a través de diferentes tipos
de lenguajes ya sea simbólicos(lisp)
y lógicos(prolog)
Representaciones básicas:
 Reglas de producción
 Redes semánticas
 Frames (prototipos)
 Lógica de predicados
¿Qué es un Agente?
Un agente es todo aquello
que:
 Percibe su ambiente
mediante sensores
 Responde o actúa en
tal ambiente por medio
de efectos
Por ejemplo
Los agentes humanos
(ojos, oídos, y otros
órganos)
Los Robots (sensores
electrónicos)
¿Qué es un Agente?
Es una entidad física o virtual
que:
 Es capaz de percibir el
entorno
 Posee una representación
parcial del entorno
 Es capaz de actuar sobre
el entorno
 Puede comunicarse
 Posee un conjunto de
objetivos que gobiernan su
comportamiento
 Posee recursos propios
Percepciones y Acciones
El comportamiento de un
agente esta determinado por
sus percepciones
¿Cómo modelar las
percepciones?
Formas de Modelar:
 Tablas Percepción ->
Acción
 Teoría de Autómatas
Teoría de Agentes
Campo
Interdisciplinario
 IA, Sistemas
Distribuidos, Teoría
de juegos, Ciencias
multidisciplinarias,
POO, Ing. Software
Porqué la IA es
multidisciplinaria y
distribuida?
 El mundo esta
compuesto por
entidades autónomas
 Las entidades
interactúan entre si a
través del entorno
(ambiente)
 Los problemas están
físicamente distribuidos
 Los agentes interactúan
y producen un
comportamiento general
del sistema multiagente.
Sistemas Multiagentes (MAS)
Un sistema multiagente tiene
las siguientes características
básicas:
 Un entorno (E)
 Un conjunto de objetos O
en E
 Un conjunto de agentes A,
A⊆O
 Un conjunto de relaciones
en O
 Un conjunto de
operaciones
¿Cómo deben actuar los
agentes?
Un agente racional es aquel
que realiza la acción
correcta
 Acción correcta = acción
que lleva al agente a
tener éxito en su tarea
¿Cómo evaluarlo? (medida
de desempeño)
 No existe una medida
válida fija para cualquier
agente
¿En que momento o tiempo?
 Toma de decisiones
Se tiene que
considerar:
 Percepciones
Posibles
 Acciones Posibles
 Medida de
desempeño u
objetivos que debe
lograr
 Tipos de entorno en
los que va a operar
MOTOR DE INFERENCIA.
Un motor de inferencia interpreta y
evalúa los hechos en la base de
conocimientos para proveer una
respuesta. Este debe ser
independiente del conocimiento y de
los hechos.
IDENTIFICACIÓN DE PATRONES.
Esta operación determina cuáles son
las reglas potencialmente aplicables
en un estado dado de la base de
datos.
IDENTIFICACIÓN DE PATRONES.
Hay ciertos métodos típicos para resolver
problemas mediante
 Inteligencia Artificial como: descomposición
de problemas, inferencia deductiva,
deducción lógica, etc.
 Ejecución de las reglas.
 La fase de restricción.
 La fase de selección.
 La inferencia o extracción de conclusiones:
 Encadenamientos de reglas:
hacia delante y hacia atrás:
Las tecnologías de
inteligencia artificial (IA) se
encuentra en un espacio de
pleno surgimiento y
desarrollo , la misma que
está revolucionando los
diversos ámbitos de la vida
cotidiana.
Por lo que en todos ámbitos
y espacios se han
comenzado a invertir en
inteligencia artificial para
hacer diversos tipos de
mercado y negocios.
1. Generación de lenguaje natural.

Es un sub-campo de la inteligencia artificial que consiste en crear

texto a partir de datos obtenidos. Esto permite que las computadoras
puedan comunicar ideas con gran precisión y exactitud.
Se utiliza actualmente en servicio al cliente, generación de reportes
y en el resumen de hallazgos de inteligencia de mercado.
Algunos proveedores que brindan este servicio son: Attivio,
Automated Insights, Cambridge Semantics, Digital Reasoning,
Lucidworks, Narrative Science, SAS, Yseop.
2. Reconocimiento de voz.

Es un sub-campo de la inteligencia
artificial que consiste en sistemas que
incorporan la transcripción y
transformación del lenguaje humano a
formatos útiles para las computadoras.
Siri no es el único agente que te entiende.
Actualmente se implementa en sistemas
interactivos voice response
(reconocimiento de voz) y en
aplicaciones móviles.
Algunos ejemplos de proveedores son:
NICE, Nuance Communications,
OpenText, Verint Systems.
3. Agentes virtuales.

Un agente virtual es una computadora

o programa capaz de interactuar con
humanos. El ejemplo más común de
esta tecnología son los chatbots. “La
diva actual de los medios”, según
Forrester.
Actualmente se utiliza en servicio y
atención al cliente y para la
administración de las smart
homes(casas inteligentes).
Algunos ejemplos de proveedores son:
Amazon, Apple, Artificial Solutions,
Assist AI, Creative Virtual, Google, IBM,
IPsoft, Microsoft, Satisfi.