¿Qué es Inteligencia Artificial?

Estudia como lograr que las máquinas

realicen tareas que son realizadas mejor
por los seres humanos.
Las tareas que han sido estudiadas desde este punto de vista
incluyen juegos, traducción y comprensión de idiomas, reconocimiento de
patrones, diagnóstico de fallas, robótica, suministro de asesoría experta en
diversos temas, etc.

Desde sus comienzos, la IA ha tenido que hacer frente a una serie de problemas:
• Los computadores no tienen autoconciencia.
• Un computador sólo puede hacer aquello para lo que está programado.
• Las máquinas no pueden pensar realmente.
 Un sistema inteligente debe:
• Estar habilitado para aprender
• Tener cierta autonomía, debe poder hacer cosas por
si mismo.
• Ser capaz de razonar, debe poder extraer nuevos
conocimientos a partir de conocimientos previos y
aplicando algún mecanismo de razonamiento.
• Estar capacitado para desarrollar autoconciencia.
Diferencias entre la programación mediante
técnicas de IA y la tradicional
PROGRAMACION EN IA PROGRAMACION CONVENCIONAL

BUSQUEDA HEURISTICA ALGORITMOS

(pasos de solución implícitos) (pasos de solución explícitos)

ESTRUCTURA DE CONTROL SEPARADA DEL INFORMACION Y CONTROL INTEGRADOS

CONOCIMIENTO

FACILIDAD DE MODIFICACION DIFICULTAD DE MODIFICACION

TOLERANCIA DE ALGUNAS RESPUESTAS REQUERIMIENTOS DE RESPUESTAS

INCORRECTAS CORRECTAS

ACEPTACION DE RESPUESTAS REQUERIMIENTOS DE RESPUESTAS OPTIMAS

SATISFACTORIAS
 Representación de un problema:
Es importante, para la resolución de un problema, establecer una
representación adecuada del conocimiento que poseemos del mismo.
Para esto, debemos definir dicha representación en base a una serie de
características:
CLARIDAD: Para facilitar la especificación e interpretación de los componentes del
problema, es importante que sea clara la relación entre el modelo y problema real.

EXACTITUD: El modelo debe representarse en forma precisa y debe ser una

representación suficientemente fiel de la realidad como para no distorsionarla.

COMPLETITUD: El modelo debe representar todos los aspectos pertinentes que

intervengan en la resolución del problema.

EFICIENCIA y CONCISION: La representación se debe usar en forma eficiente, las

características irrelevantes deben ser omitidas.

UTILIDAD: El modelo debe sugerir un buen método para resolver el problema.

 Heurística
Otra característica importante de los sistemas de IA es la
aplicación de heurísticas a la resolución de problemas.
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.
En general la manera de actuar de los programas
heurísticos consiste en encontrar algoritmos con buenos
tiempos de ejecución y buenas soluciones.
Muchos algoritmos en la inteligencia artificial son
heurísticos por naturaleza, o usan reglas heurísticas. 
 Búsqueda con restricciones
Un tipo de problema que trata la IA es la
búsqueda de soluciones a un problema con
restricciones.
Un problema que satisface restricciones(PSR)
es un tipo especial de problema que satisface
algunas propiedades estructurales adicionales
además de los requisitos básicos de los
problemas en general.
 Problemas con restricciones
• Ejemplos de problemas sencillos que pueden ser
modelados como problema de satisfacción de
restricciones:
– Problema de las ocho reinas
– Teorema de los cuatro colores Problema de coloración de
mapas
– Sudoku, Futoshiki, Kakuro (Cross Sums), Numbrix, Hidato y
muchos otros puzzles
 Algoritmos de IA
Los siguientes son algunos algoritmos para la
resolución de problemas en el ámbito de la
Inteligencia Artificial:
• Algoritmos Genéticos (AG).
• Búsqueda Tabú (TS).
• Ant Colony Optimization (ACO).
 Algoritmos Geneticos.
El algoritmo genético es una técnica de búsqueda basada en la
teoría de la evolución de Darwin.
Son métodos adaptativos que pueden usarse para resolver
problemas de búsqueda y optimización. Están basados en el
proceso genético de los organismos vivos.
A lo largo de las generaciones, las poblaciones evolucionan en la
naturaleza de acorde con los principios de la selección natural y
la supervivencia de los más fuertes, postulados por Darwin.
Por imitación de este proceso, los Algoritmos Genéticos son
capaces de ir creando soluciones para problemas del mundo
real.
 AG: Ventajas y Desventajas
• No necesitan conocimientos específicos sobre el problema que intentan resolver.
• Operan de forma simultánea con varias soluciones, en vez de trabajar de forma secuencial
como las técnicas tradicionales.
• Cuando se usan para problemas de optimización -maximizar una función objetivo- resultan
menos afectados por los máximos locales (falsas soluciones) que las técnicas tradicionales.
• Resulta sumamente fácil ejecutarlos en las modernas arquitecturas masivamente paralelas.
• Usan operadores probabilísticos, en vez de los típicos operadores determinanticos de las
otras técnicas.

• Pueden tardar mucho en converger, o no converger en absoluto, dependiendo en cierta

medida de los parámetros que se utilicen tamaño de la población, número de
generaciones, etc.-.
• Pueden converger prematuramente debido a una serie de problemas de diversa índole.
 Tabú Search
La búsqueda tabú es un método
de optimización matemática, perteneciente a
la clase de técnicas de búsqueda local. La
búsqueda tabú aumenta el rendimiento del
método de búsqueda local mediante el uso de
estructuras de memoria: una vez que una
potencial solución es determinada, se la marca
como "tabú" de modo que el algoritmo no
vuelva a visitar esa posible solución.
 TS: Ventajas y Desventajas
• Sencillo de implementar, con respecto a otras Meta-heurísticas.
• Utiliza de manera "inteligente" la memoria para salir de óptimos locales.
• Lleva un registro histórico de las soluciones visitadas, los cuales pueden ser
utilizadas posteriormente.
• Permite aplicar estrategias de intensificación y diversificación, para poder
encontrar una mejor solución al buscar en un espacio de soluciones diferente.

• La eficiencia depende principalmente de cómo esté modelado el problema.

• Al igual que en todas las técnicas heurísticas, no existe forma de saber que tan
cerca está de la solución óptima.
• La función objetivo es clave en esta Meta-heurística, pero no podemos saber si la
que está definida para un problema, es la óptima, por esta razón, la forma de
plantear esta "función objetivo es otro campo de estudio en esta Meta-heurística.
• Las estrategias de Intensificación y Diversificación, también son materia de
estudio, debido a que su eficiencia puede variar para cada problema.
 Ant Colony Optimization
El algoritmo de optimizacion por colonia de hormigas es una
técnica probabilística para solucionar problemas computacionales
que pueden reducirse a buscar los mejores caminos o rutas en
grafos.
Las hormigas (inicialmente) vagan de
manera aleatoria, al azar, y una vez
encontrada comida regresan a su colonia
dejando un rastro de feromonas. Si otras
hormigas encuentran dicho rastro, es
probable que estas no sigan caminando
aleatoriamente, puede que estas sigan el
rastro de feromonas, regresando y
reforzándolo si estas encuentran comida
finalmente.
 ACO: Ventajas
• La componente estocástica de ACO hace que las
hormigas construyan una amplia variedad de
soluciones.
• La información heurística guía a las hormigas hacia
soluciones mejores.
• La experiencia de las hormigas se puede utilizar para
construir soluciones mejores en futuras interaciones.
 Lógica Difusa
• Este tipo de lógica utiliza expresiones que no son totalmente
ciertas ni totalmente falsas, es una lógica aplicada a conceptos
que pueden tomar un valor indeterminado de veracidad dentro
de un conjunto de valores cuyos extremos son la verdad o la
falsedad absoluta.
• En Inteligencia artificial, la lógica difusa, o lógica borrosa se
utiliza para la resolución de una variedad de problemas,
principalmente los relacionados con control de procesos
industriales complejos y sistemas de decisión.
• La lógica difusa en inteligencia artificial consiste en la aplicación
de la lógica difusa con la intención de imitar el razonamiento
humano en la programación de computadoras.
 Redes Neuronales
Las redes de neuronas artificiales (denominadas habitualmente
como RNA) son un paradigma de aprendizaje y procesamiento
automático inspirado en la forma en que funciona el sistema
nervioso de los animales. Se trata de un sistema de interconexión de
neuronas que colaboran entre sí para producir un estímulo de salida. 
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona
recibe una serie de entradas a través de interconexiones y emite una salida
dada por tres funciones:

•Una función de propagación (también conocida como función de excitación)

•Una función de activación, que modifica a la anterior. Puede no existir, siendo

en este caso la salida la misma función de propagación.

•Una función de transferencia, que se aplica al valor devuelto por la función de

activación. Se utiliza para acotar la salida de la neurona y generalmente viene
dada por la interpretación que queramos darle a dichas salidas.
 Redes Neuronales
Pese al espectacular desarrollo de la electrónica e informática existen
tareas que no han conseguido resolver con suficiente eficacia

Las tareas que peor llevan a cabo nuestras computadoras y robot son aquellas que mas faci
resultan a los seres biológicos

La teoría de las RNA ha brindado una alternativa a la computación clásica, para aquellos
problemas, en los cuales los métodos tradicionales no han entregado resultados muy
convincentes, o poco convenientes.
Las aplicaciones más exitosas de las RNA son:
-Procesamiento de imágenes y de voz
-Reconocimiento de patrones
-Planeamiento
-Interfaces adaptivas para sistemas Hombre/máquina
-Predicción
-Control y optimización
-Filtrado de señales
 Minería de datos
El datamining (minería de datos), es el
conjunto de técnicas y tecnologías que
permiten explorar grandes bases de datos, de
manera automática o semiautomática, con el
objetivo de encontrar patrones repetitivos,
tendencias o reglas que expliquen el
comportamiento de los datos en un
determinado contexto.
 Minería de datos
El proceso de datamining se suele componer de cuatro etapas principales:
• Determinación de los objetivos. Trata de la delimitación de los objetivos que el cliente
desea bajo la orientación del especialista en datamining.
• Preprocesamiento de los datos. Se refiere a la selección, la limpieza, el
enriquecimiento, la reducción y la transformación de las bases de datos. Esta etapa
consume generalmente alrededor del setenta por ciento del tiempo total de un
proyecto de datamining.
• Determinación del modelo. Se comienza realizando unos análisis estadísticos de los
datos, y después se lleva a cabo una visualización gráfica de los mismos para tener una
primera aproximación. Según los objetivos planteados y la tarea que debe llevarse a
cabo, pueden utilizarse algoritmos desarrollados en diferentes áreas de la Inteligencia
Artificial.
• Análisis de los resultados. Verifica si los resultados obtenidos son coherentes y los
coteja con los obtenidos por los análisis estadísticos y de visualización gráfica. El cliente
determina si son novedosos y si le aportan un nuevo conocimiento que le permita
considerar sus decisiones.