UNIDAD 5.1

PERCEPTRON

INTRODUCCIÓN

En esta unidad se ha tratado todo respecto a las redes neuronales biológicas y artificiales es por esto que este tema presentaremos al llamado perceptron que no es mas que un modelo de tipo de red neuronal,donde realiza un sinnúmero de procedimiento para llegar a una solución factible, siendo utilizado todo lo que compete con señales de ondas. 

PERCEPTRON

Es una red neuronal inventada por Frank Rosenblatt en 1957. Su primera funcion era ilustrar propiedades necesarias para los sistemas inteligentes.

Como demuestra  la figura, la mayoría delas redes neuronales tienen gran similitud.

CARACTERÍSTICAS PRINCIPALES DEL PERCEPTRON SIMPLE

• Fue introducido por Frank Rosenblatt.
•  Sistema capaz de realizar tareas de clasificación de forma automática.
• A partir de un número de ejemplos etiquetados, el sistema determina la ecuación del plano discriminante.
• Puede usarse como neurona dentro de otro tipo de red de neurona artificial.
• Aprendizaje supervisado y conexiones en un sólo sentido.
• Es reconocido por su capacidad de aprender a reconocer patrones
• Es un modelo unidireccional compuesto por dos capas de neuronas.
• Con respecto al entrenamiento las neuronas de entrada son discretas y la función de activación de las de salida es de tipo escalón.

ESTRUCTURA DE PERCEPTRON SIMPLE

Estructura de una neurona perceptron

CONCLUSIÓN

Para dar fin a este tema se puede concluir que perceptron también forma parte de las llamadas red de neuronas artificiales, siendo creado para facilitar trabajos con mayor complejidad y llegar a una mejor solución de un problema planteado. 

BIBLIOGRAFÍA

Pedro ,V e Ines , G. 2004. Redes de neuronas artificiales un Enfoque Práctico. 2 ed. España. Pearson Education. p 45-50. 

Russell, S y Norvig, P. 2013. Inteligencia Artificial, Un Enfoque moderno: Agentes Inteligentes. 2da Ed.

UNIDAD 5

APRENDIZAJE

Clase # 2

INTRODUCCIÓN

Como en la mayoría de este blog se ha venido hablando de las investigaciones que hicieron posible lo que hoy llamamos inteligencia artificial junto con sus campos mas innovador que es la redes de neuronas artificiales, bien estas neuronas están desarrolladas para resolver distintas problemáticas del mundo real y trabajan con bajas capacidades de procesamiento cognitivo, donde se dice que poseen un alto grado de conectividad entre si, siendo identificadas por su pesos. Es por esto que a continuación se dará a conocer una breve información de lo tratado en clase como es el caso del aprendizaje, que es muy indispensable esta temática dentro de una red neuronal de neuronas artificiales.

MARCO TEÓRICO

APRENDIZAJE

Una red neuronal modifica sus pesos en respuestas es decir tiene información de entrada y esto se considera un proceso de aprendizaje. Dentro del aprendizaje pueden existir cambios durante el proceso de aprendizaje como la destrucción, modificación y creación de conexiones entre las neuronas.

                  W = 0 Destrucción                               W › 0 Creación 

                        Aprendizaje

Descripción gráfica de un robots demostrando su aprendizaje

El aprendizaje esta dado por un esquema de una red que determina el tipo de problemas que sera capaz de resolver, con se muestra en la imagen el niño robots esta identificando las esferas por sus colores. Y como las redes de neuronas artificiales son sistemas de aprendizaje basado en ejemplos se esta demostrando para que se creado.

CARACTERÍSTICAS DE APRENDIZAJE 

El proceso de aprendizaje debe poseer la características que mencionaremos a continuación:

Ser significativo: Esta característica debe tener un numero suficiente de ejemplos, si se reduce el conjunto de aprendizaje la red no sera capaz de adaptar sus pesos en forma efectiva.

Ser representativo: Al ser de este tipo los componentes del conjunto de aprendizaje deberán ser diversos y si el conjunto de aprendizaje tiene muchos mas ejemplos de un mismo tipo que el resto, se puede decir que la red se especializara en dicho subconjunto de datos y no sera de aplicación general.

PASOS DE FINALIZACIÓN DE PERIODOS DE APRENDIZAJE

1. Mediante un numna ero fijo de ciclos
2. Cuando el error descienda por debajo de una cantidadpreestablecida
3. Cunado la modificación de los pesos sea irrelevante

CONCLUSIÓN

Para finalizar este tema se puede decir que dentro de la redes neuronales es muy indispensable los modelos computacionales que ayudan a fomentar bueno resultados en la solución de un problema y de igual manera esto va acompañado del aprendizaje que importante dentro del desarrollo de las redes neuronales artificial.

BIBLIOGRAFÍA

Gómez, F; Fernández, M; López, M; Díaz, M. 2004.   Aprendizaje   con    redes. 

Salas, R.  2008.  Redes  Neuronales  Artificiales.  (En línea).  Formato PDF.

Consultado el 12 de ene. 2016. Disponible en: http://www.inf.utfsm.cl/~rsalas/Pagina_Investigacion

Unidad 4

FUNDAMENTOS BIOLÓGICOS DE LAS REDES NEUROLÓGICAS 

Clase # 1

INTRODUCCIÓN

Durante años el ser humano se ha desempeñado en realizar investigaciones para el bien de la sociedad, con el descubrimiento de la IA, surgen nuevas ideas en realizar estudios del comportamiento humanos y los investigadores se enfocaron principalmente en descubrir el funcionamiento del cerebro humano o animal en general, denominando le a esta rama Neurociencia. Es por esto que en unidad encontraremos un sinnúmero de información relacionada con fundamentos de la redes neuronales, empezando por una breve historia sobre ellas hasta la funcionalidad que desempeñan.

MARCO TEÓRICO

FUNDAMENTOS BIOLÓGICOS DE LAS REDES NEURONALES

Como fundamento principal biológico de las redes neuronales, se considera que el aparato de comunicación neuronal tanto de animales y humanos esta formado por el sistema nervioso y hormonales, este se encuentra conectado por los órganos de los sentidos y los órganos efectores que son los músculos y glándulas. Estos dos últimos se encargan de recoger información, transmitirla, elaborarla y en ciertos casos almacenarla para ser enviada de nuevo de manera procesada. Este sistema de comunicación neuronal se descompone en tres factores importantes que se son:

1. Los Receptores: Son los encargados de recoger información a través de estímulos.
2. El Sistema Nervioso: es donde se recibe la información, la procesa, la almacena en partes y la envía de forma elaborada a los órganos efectores.
3. Órganos diana o Efectores: son los encargados de recibir la información, para interpretarla en forma de acciones motoras y hormonales.

MISIÓN DE LAS NEURONAS 

1. Las neuronas recogen información que llega a ellas en forma de impulsos procedentes de otras neuronas o receptores.
2. La integran un código de activación propio de la célula.
3. La transmiten codificada en forma de frecuencia de impulsos a través de su axón.
4. A través de sus ramificaciones el axón efectúa la distribución espacial de los mensajes.
5. En sus terminales transmite los impulsos a las neuronas subsiguientes o las celulas efectoras

MODELO COMPUTACIONAL

Es un modelo matemático en las ciencias de la computación que requiere extensos recursos computacionales para estudiar el comportamiento de un sistema complejo por medio de la simulación por computadora. Siendo un sistema de bajo estudio y complejo, no lineal, para el cual las soluciones analíticas simples e intuitivas no están fácilmente disponibles. En lugar de derivar una solución analítica matemática para el problema, la experimentación es hecha con el modelo cambiando los parámetros del sistema en la computadora, y se estudian las diferencias en el resultado de los experimentos. Las teorías de la operación del modelo se pueden derivar/deducir de estos experimentos de computacionales.

NEURONA ARTIFICIAL

Es un modelo de neuronas simuladas para realizar cálculos, predicción de ondas y compartir información. En si es una célula o autómata que posee un estado inicial llamado activación y recibe señales que le permiten cambiar de un estado a otro.

En la imagen se muestra axones representados por X y son los que tienen el numero de inicial, las dendritas representadas con W que es el peso de activación, el cuerpo es donde se realiza el calculo y por ultimo posee un axón de salida.

TIPOS DE RED NEURONAL

Red neuronal biológica: conjunto de neuronas físicas interconectadas, para formar un circuito en el sistema nervioso.

Red neuronal artificial: modelos matemáticos, computacionales, aplicados a la realidad, indispensables en la estadística, psicología cognitiva e ingeniería artificial.

En la figura tenemos la demostración exacta de la manera de verse una red biológica con una red artificial.

ESTRUCTURA DE UNA RED NEURONAL ARTIFICIAL

La estructura de una red neuronal arttifcial esta dado por tres capas, donde la primera capa consta del numero d entradas que esta neurona posee, seguida de la capa oculta y por ultimo la capa de salida.

COMPARACIÓN DE REDES

EJEMPLO

Resolver el siguiere ejercicio con lo métodos tratados en clase y cuya salida debe ser de (8;24).

Solución:

1.  Fórmula: (S = X.Wt).     

     Datos: f(4)

2. Maneara de multiplicar. w1 * w2

3. El valor multiplicado por w1 y w2 se obtiene la siguiente tabla y se agrupan de dos en dos.

4. De la agrupación se obtiene.

5.  la imagen anterior se multiplica por 4 y se obtiene un resultado de la siguiente manera.

5.  El resultado de la matriz del paso 4, se multiplica por los pesos de activación

6. Resultado de paso 5 y solución

CONCLUSIÓN

Para concluir este tema se puede decir en base a una red neuronal biológica se ha realizado en la actualidad las llamadas neuronas artificiales que no son mas que modelos matemáticos para resolver distintos problemas en muchos áreas, siendo de gran ayuda en la actualidad.

BIBLIOGRAFÍA

Russell, S y Norvig, P. 2013. Inteligencia Artificial. 
           Un Enfoque moderno: Agentes Inteligentes. 2da Ed.

Gómez, F; Fernández, M; López, M; Díaz, M. 2004.   Aprendizaje   con    redes.

Neuronas Artificiales. (En línea). Formato PDF. Consultado el 6 de dic. 2015. Disponible en: dialnet.unirioja.es/descarga/articulo/2281678.pdf

Unidad 3

RESOLVER PROBLEMAS MEDIANTE BÚSQUEDA

INTRODUCCIÓN

La IA se basa en fundamentos que permitan contribuir de manera productiva a la sociedad y de esta manera a su vez esta ganar reconocimiento en su labor. Es por ello que esta unidad estudiaremos a los agentes basados en objetivos cuyo objetivo principal es dar solución a problemas de cualquier índole, donde sus procesos se basan en secuencia de acciones para obtener una respuesta aceptable. Todo parte en identificar el problema y la solución que logrará tomando en cuenta que cada algoritmo esta diseñado para resolver cierto tipo de problema. 

AGENTES RESOLVENTES DE PROBLEMAS

Un agente resolvente de problemas se basa en objetivos y  trata de hacer de que se cumpla. Para lograr su objetivo un agente sigue una secuencial de acciones que le permitan llegar a lo establecido, para esto debe saber que acción realizar de acuerdo a los estados que se presenten en donde intervienen las propiedades de los entornos. 

Problemas y solucion bien definidos

Los problemas se definen en cuatro factores:

• El estado inicial que es de donde parte el agente.
• Una descripción de las posibles acciones disponibles por el agente dadas por funciones sucesor la cual define el espacio de estados.
• El test objetivo determina si un estado es el objetivo aunque pueden existir varios estaos objetivos.
• Una función de costo del camino donde cada camino obtiene un valor numérico, donde agente debe tomar medidas de rendimiento. El costo puede ser individual y obtener una solución optima. 

Formular los problemas

Para la formulación de problemas nos enfocamos en la abstracción, es decir que el agente no se fijara en las características que posea el entorno mas bien se centra en encontrar su objetivo sin importar el exterior.

EJEMPLOS DE PROBLEMAS

Estos ejemplos es mediante una metodología para resolver problemas a un conjunto de entornos. Tenemos un problema de juguete que se emplea para mostrar métodos de resolución de problemas y el problema del mundo real que consiste en que el agente toma conciencia de sus propias soluciones.

BÚSQUEDA DE SOLUCIONES

Para realizar la búsqueda de resultados y  llegar a la solución  existen técnicas que facilitan este proceso como lo es el árbol de búsqueda que consiste en tener el estado inicial y las ideas sucesoras pueden realizarse estrategias de búsquedas. A continuación una descripción gráfica.

fig. 1. Representa la búsqueda de solución.

MEDIR EL RENDIMIENTO DE LA RESOLUCIÓN DEL PROBLEMA

Hay que tener muy en cuenta que el algoritmo empleado no produzca un bucle infinito a  la hora de resolver el problema y se mide su rendimiento en cuatro formas:

• Completitud
• Optimización
• Complejidad del tiempo
• Complejidad en espacio

ESTRATEGIAS DE BÚSQUEDA NO INFORMADA

Este tipo de búsqueda no requiere de mucha información para la solución de un problema y se basan en estrategias que las daremos a conocer, recordando que estas se extiende por nodos.

BÚSQUEDA PRIMERO EN ANCHURA

Esta estrategia de búsqueda consiste en expandir el nodo raíz en nodos sucesores a una profundidad en el árbol de búsqueda antes de expandir cualquier nodo de próximo nivel.

fig. 2. Representa la búsqueda primero en anchura.

BÚSQUEDA DE COSTO UNIFORME

La búsqueda de costo uniforme no se preocupa por el número de pasos que tiene un camino, pero sí sobre su coste total. Por lo tanto, éste se meterá en un bucle infinito si expande un nodo que tiene una acción de coste cero que conduzca de nuevo al mismo estado.

fig. 3. Representa la búsqueda de costo uniforme.

BÚSQUEDA PRIMERO EN PROFUNDIDAD

Esta búsqueda primero en profundidad siempre expande el nodo mas profundo en la frontera actual del árbol de búsqueda.

fig. 4. Muestra la búsqueda primero en profundidad.

BÚSQUEDA DE PROFUNDIDAD LIMITADA

La búsqueda de profundidad limitada puede implementarse con una simple modificación
del algoritmo general de búsqueda en árboles o del algoritmo recursivo de búsqueda
primero en profundidad.

fig.5. Describe la búsqueda de profundidad limitada.

BÚSQUEDA PRIMERO EN PROFUNDIDAD CON PROFUNDIDAD ITERATIVA

La búsqueda con profundidad iterativa es un estrategia negral usada a menudo en combinación con la búsqueda primero en profundidad, la cual encuentra el mejor límite de profundidad. Esto se hace aumentando gradualmente el límite.

fig. 6. Representa la búsqueda primero en profundidad con profundidad iterativa.

BÚSQUEDA BIDIRECCIONAL

La idea de la búsqueda bidireccional es ejecutar dos búsquedas simultáneas: una hacia delante desde el estado inicial y la otra hacia atrás desde el objetivo, parando cuando las dos búsquedas se encuentren en el centro. La búsqueda bidireccional se implementa teniendo una o dos búsquedas que comprueban antes de ser expandido si cada nodo está en la frontera del otro árbol de búsqueda si esto ocurre, se ha encontrado una solución.

fig. 7. Representa la búsqueda bidireccional.

CONCLUSIÓN

Para concluir este tema podemos decir que para la solución de un problema es necesario aplicar estrategias de acuerdo a la problemática, para de esta manera llegar a una solución o por lo menos una aproximación de la respuesta.

BIBLIOGRAFÍA

Russell, S y Norvig, P. 2013. Inteligencia Artificial, Un Enfoque moderno: Agentes Inteligentes. 2da Ed.

Unidad 2

AGENTES INTELIGENTES

Clase # 5 (exp. V)

INTRODUCCIÓN

En clases anteriores se identificó el concepto de Agente Racional, como objetivo principal de la Inteligencia Artificial, partiendo de la racionalidad para crear nuevos y variados agentes. El estudio principal de estos agentes es realizar un conjunto de principios para el diseño agentes inteligentes, implementando sistemas con racionalidad capaz de actuar con inteligencia. En este tema se menciona el agente inteligente, en el entorno natural a sus ideales, sus diversos hábitats y la forma de clasificarlos según su existencia ocupacional. Es decir que los agentes inteligentes actúan de acuerdo al entorno o medio que habiten y se comporten unos mejores que otros. A continuación se dará el desarrollo de la información.

AGENTES Y SU ENTORNO

De manera general un agente es capaz de identificar su propio entorno, a través de sensores y actuar en este medio con actuadores. Al referirse a un agente humano este posee los sentidos como el oído, ojos, olfato, gusto y tacto que le servirán de sensores y actuando según el medio que se encuentre haciendo uso de sus piernas y brazos, de acuerdo a los estímulos recibidos. 

Mientras que los agentes robots realizan acciones mediante pulsaciones ingresadas por teclado, información previamente guardada y mostrando mediante monitores sensoriales mensajes de acciones realizadas. A continuación demostración gráfica del comportamiento de un agente.

Unidad 1

ANTECEDENTES DE LA INTELIGENCIA ARTIFICIAL

Clase # 1

INTRODUCCIÓN

La inteligencia artificial es un amplio campo del estudio de la computación en la actualidad, también conocida como IA, para su desarrollo abarca la lógica, matemáticas y la probabilidad. Nace tras la segunda guerra mundial, su nombre surge en 1956 y es una ciencia reciente que promete grandes esperanzas. La IA trabaja con muchos subcampos, para resolver problemas de manera generales como el aprendizaje  y la percepción, incluso hasta la demostración de teoremas matemáticos. La IA surge con el estudio biomolecular, es decir con el estudio del comportamiento humano y animal para lograr una simulación, una vez analizado su actuar se logra desarrollar software o agentes que permita dar solución a un problema.

INTELIGENCIA ARTIFICIAL

Es una de las ciencias modernas, que surgió a raíz de la segunda guerra mundial su objetivo principal es crear entidades inteligentes basándose en el comportamiento humano. y entre los subcampos de aplicación que trabaja la IA en resolver problemas: tenemos el aprendizaje y la percepción y se extiende hasta propósitos generales y mas profundos como diagnósticos médicos, demostración de teoremas, las estrategias de ajedrez y escritura de poseías.

INTELIGENCIA

La inteligencia es la capacidad que posee un agente para pensar y actuar de manera racional.

RACIONALIDAD

La racionalidad es hacer lo correcto de acuerdo a los conocimiento adquiridos.

DEFINICIÓN DE LA IA

Para la definición de IA desde su creación se ha seguido cuatro enfoques indispensables, que están basados en el comportamiento humano y la racionalidad. Detallaremos cada una de ellos.

SISTEMAS QUE PIENSAN COMO HUMANOS

«El nuevo y excitante esfuerzo de hacer que los computadores piensen... máquinas con mentes, en el más amplio sentido literal». (Haugeland, 1985)

«[La automatización de] actividades que vinculamos con procesos de pensamiento humano, actividades como la toma de decisiones, resolución de problemas, aprendizaje...» (Bellman, 1978)

SISTEMAS QUE PIENSAN RACIONALMENTE

«El estudio de las facultades mentales mediante el uso de modelos computacionales». (Charniak y McDermott, 1985)

«El estudio de los cálculos que hacen posible percibir, razonar y actuar». (Winston, 1992)

SISTEMAS QUE ACTUAN COMO HUMANOS

«El arte de desarrollar máquinas con capacidad para realizar funciones que cuando son realizadas por personas requieren de inteligencia». (Kurzwell, 1990)
«El estudio de cómo lograr que los computadores realicen tareas que, por el momento, los humanos hacen mejor». (Rich y Knight, 1991)

SISTEMAS QUE ACTUAN RACIONALMENTE

«La Inteligencia Computacional es el estudio del diseño de agentes inteligentes». (Poole et

al., 1998)

«IA... está relacionada con conductas Inteligentes en artefactos». (Nilsson, 1998)
Estos enfoques fueron tomados del libro de trabajo para esta unidad que mas adelante estará en la bibliográfica.

COMPORTAMIENTO HUMANO: El enfoque a la Prueba de Turing

La prueba de Turing fue creada por Alán Turing en el año 1950 cuya finalidad es, que una máquina o agente se comporte como humano, para esto tiene que pasar un prueba estricta para medir dicho comportamiento y al realizar una serie de pregunta por un humano este, no pueda identificar que es una máquina, si ocurre lo contrario esta no supera la prueba considerándose fallida, en resumen se puede decir que la prueba de Turing realiza la simulación de un humano.

CAPACIDADES QUE DEBE POSEER UN COMPUTADOR

Para que un computador pase la prueba de Turing de manera eficiente, este debe obtener  procesamiento de lenguaje natural, es decir que interprete de manera fluida el inglés, a su vez debe almacenar la información de lo que conoce o siente considerado como representación del conocimiento. Debe tener razonamiento automático para que pueda hacer uso del conocimiento adquirido y pueda responder a preguntas y sacar sus propias conclusiones y tener un aprendizaje automático que le permita adaptarse a nuevas experiencias.
Sin embargo para que una computadora supere la prueba de Turing debe poseer las siguientes cualidades:
Visión computacional y robótica es decir que a través de la visión el computador puede percibir objeto con ayuda de sensores y con la robótica podrá realizar la acción de manipular objetos.

PENSAR COMO HUMANO: El enfoque del modelo cognitivo

Para que un programa piense como humano se debe realizar el estudio de nuestros propios pensamientos y realizar experimentos psicológico, se debe tener muy en cuenta la teoría para luego llegar a una programación. Este enfoque basa en el pensamiento cognitivo que son experimentos de psicología para elaborar teorías precisas y verificables.

PENSAMIENTO RACIONAL: El enfoque de las leyes del pensamiento

El pensamiento racional se enfoca en la filosofía, siendo Aristóteles quien proporcionó la manera correcta de pensar, en donde su silogismo es un esquema estructurado de tal manera que determina siempre se llega a conclusiones verdaderas si se parte de premisas correctas. Estas leyes dieron el inicio de la lógica que en la actualidad es parte para el estudio de la IA.

ACTUAR DE FORMA RACIONAL: El enfoque del agente racional

Para que un agente pueda razonar debe tener control autónomo y ser capaz de observar el medio en que se encuentre y actuar de acuerdo a él. 

AGENTE

Un agente es algo que razona.

AGENTE RACIONAL

Un agente racional razona de acuerdo al medio para lograr el  mejor resultado.

CONCLUSIÓN

Como conclusión tenemos que para realizar un agente y llegar a su programación es necesario realizar el estudio previo de la teoría y establecer las reglas y funcionalidad que debe realizar el agente. Es por esto que la IA se basa en cuatro enfoques fundamentales.

LOS FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL

Clase # 2

INTRODUCCIÓN

Los fundamentos de la Inteligencia Artificial son disciplinas que  dan apoyo a la IA en su desarrollo. Gracias  a estas se ha contribuido de manera satisfactoria en el avance tecnológico del último siglo, puesto que brindan ideas en el estudio del comportamiento humano para luego llegar a la simulación en máquinas que sean capaz de actuar de acuerdo a su programación donde el desarrollador determina el nivel de conocimiento. A continuación los fundamentos tratados en clase.

Filosofía (desde 428 a. C hasta hoy)

Este fundamento surge con Aristóteles, quien fue el primero en realizar leyes racional de la inteligencia, donde estableció premisa para extraer conclusiones.  Que dice que para llegar a una conclusión verdadera, hay que partir de premisas verdaderas. Por lo tanto la filosofía establece las reglas que describen lo racional y formal de la mente.

Matemáticas (800 al presente)

Para considerar a la IA como ciencia formal se divide a las matemáticas en tres áreas que son: la  lógica, computación y probabilidad. Este fundamento nace para crear conclusiones validad, entender procesos para luego computarlos y razonar con información incierta.

Economía (1776 hasta la actualidad)

Es una ciencia que estudia los procesos que hay que llevar a cabo en la toma de decisiones par obtener mejor rendimiento. Y un agente tiene que tener claro este conocimiento para poder  maximizar su propio estado en bienestar propio.

Neurociencia (1861 hasta la actualidad)

La neurociencia estudia el cerebro humano, principalmente a las neuronas que son la fuente de información y es uno de los misterios de los científicos que no se logra resolver como se genera pensamientos, la conciencia y lo que controla los impulsos.

A continuación se muestra las partes de una neurona.

Psicología (1879 hasta la presente)

La Psicología  es una ciencia que estudia los procesos mentales y el comportamiento humano tanto física como moral ademas todo esto entorno al medio o sociedad en que se encuentre. Es decir que se adquiera un estado o actitud de acuerdo a las percepciones recibidas del medio ambiente que se desenvuelve.

CONCLUSIÓN

Se concluye que los fundamentos de la IA en sus inicios no fueron consideradas ciencias puesto que según los científicos de esa época no realizaban ningún tipo de aporte para el desarrollo de inteligencia artificial, pero al realizar investigaciones se dieron cuenta de lo importante que podría llegar a ser el estudio de estos fundamentos.

HISTORIA DE LA INTELIGENCIA ARTIFICIAL

Clase # 3 (exp. M)

Génesis de la Inteligencia Artificial (1943-1955)

El principio de la Inteligencia Artificial surge con el primer trabajo realizado por Warren McCulloch y Walter Pits en el año de 1943, en los temas que se apoyaron tenemos la filosofía básica y funcionalidad de las neuronas en el cerebro, el análisis de lógica proposicional de Rusell y Whitehead y la teoría de la computación de Turing. Aportaron con la construcción de un modelo de neuronas artificiales teniendo estas neuronas dos estados activada y desactivada, es decir que trabajaron en la simulación de redes neuronales que funcionaban con estímulos y estaban interconectadas entre si.

En 1949 Herb expuso una regla de actualización para modificarse las intensidades de las conexiones entre neuronas llamado Aprendizaje Hebbiano. En ese mismo año se construyó el primer computador en base a redes neuronales por Marvin Minsky y Dean Edmonds. 

Nacimiento de la Inteligencia Artificial (1956)

John McCarthy tras su graduación formó un grupo conformado por Minsky, Claude Shannon y Nathaniel Rochester para que le ayudaran a incentivar a los investigadores americanos en la teoría de los autómatas, las redes neuronales y el estudio de la inteligencia. En este nacimiento se formaron grupos para realizar estudios los cuales no fueron aceptados y otros no obtuvieron ningún avance en la investigación. Se dio el nuevo nombre Inteligencia Artificial, siendo inicialmente conocida como Racionalidad computacional.

Entusiasmo inicial, grandes esperanzas (1952-1969)

Como todo inicio la IA tuvo gran éxito partiendo de las primeras computadoras y herramientas de programación de ese entonces, Newell y Simon crearon el posible primer programa que se aplico el enfoque de "pensar como humano" llamado SRGP (Sistema de Resolución general de problemas), donde este programa podía dar solución a problemas generales y realizar tareas. En 1976 Newell y Simon formularon una hipótesis del sistema de símbolos físicos, donde determinaron que todo sistema con símbolos físicos tienen capacidad de generar una acción inteligente. 1959 Herbert Gelernter construyo el DTG (Demostrador de teoremas geométricos). En 1952 Arthur Samuel programas para juego de damas. Es decir en esta época ya se tenia entusiasmo de la realización de sistemas y ya  se empezaba a tener la competencia por crear nuevas ideas.

Una dosis de realidad (1966-1973)

Desde que surge la IA se dieron a conocer ante la sociedad los cambios que se fueron efectuando en cada investigación y de acuerdo a esta, algunos científicos realizaron predicciones que ocurrían en futuro, aunque unas no se cumplieron con gran exactitud. Herbert Simon fue el precursor de proyectar desarrollo en los siguientes 40 años, donde dedujo que un computador podía llegar a ser campeón de ajedrez. Es decir que se de acuerdo al gran entusiasmo de mejorar la tecnología se obtuvo una realidad de lo planteado en teoría.

Sistemas basados en conocimiento (1969-1979)

La investigación realizada en la década anterior permito el desarrollo de sistemas basados en conocimientos, donde se incluía el razonamiento básico para la soluciones complicadas, es decir que ya se trabajaba con mecanismos estrictos para la programación con conocimiento especifico del dominio que facilitara el desarrollo de etapas de razonamiento mas extensas y trabajando con fundamentos exactos. Entre los programas destacados tenemos el DENTRAL, creado por Buchanan en el año 1969. Y se trabajaba con sistemas expertos.

La IA se convierte en una industria (1980 hasta la actualidad)

Desde este año los sistemas expertos han tenido éxito en el mercado y donde surge la competencia mundial en desarrollar nuevos sistemas informáticos, siendo uno de los mayores ingresos de algunos países pioneros en esta área, En 1981 Japón también realiza construcciones de computadoras inteligentes en los que se ejecutase Prolong. 

IA se se convierte en una ciencia (1987 hasta la actualidad)

En los primeros años de la IA parecía perfectamente posible que las nuevas formas de la

computación simbólica, por ejemplo, los marcos y las redes semánticas, hicieran que la mayor parte de la teoría clásica pasara a ser obsoleta. Esto llevó a la IA a una especie de aislamiento, que la separó del resto de las ciencias de la computación. En la actualidad se está abandonando este aislamiento. Existe la creencia de que el aprendizaje automático no se debe separar de la teoría de la información, que el razonamiento incierto no se debe separar de los modelos estocásticos, de que la búsqueda no se debe aislar de la optimización clásica y el control, y de que el razonamiento automático no se debe separar

de los métodos formales y del análisis estático.

Emergencia de los sistemas inteligentes (1995 hasta la actualidad)

Tras el afán del progreso en la resolución de subproblemas de Ia IA,  los investigadores han comenzado a trabajar de nuevo en el problema del «agente total», incluyendo la arquitectura de los mismo El llamado «movimiento situado» intenta entender la forma de actuar de los agentes inmersos en entornos reales, que disponen de sensores de entradas continuas. Uno de los medios más importantes para los agentes inteligentes es Internet Los sistemas de IA han llegado a ser tan comunes en aplicaciones desarrolladas para la Web que el sufijo «-bot» se ha introducido en el lenguaje común.

CONCLUSIÓN

Dentro de la historia de Inteligencia Artificial desde sus inicios, para su desarrollo a tenido un sinnúmero de inconvenientes para su llegar hasta lo que es hoy en día, para concluir el tema podemos decir nada se construye de la noche a la mañana y que fueron años y años de investigación para llegar a elaborar sistemas expertos que puedan resolver problemas de mucha dificultad.

EL ESTADO DEL ARTE

Clase # 4

El estado de arte se representa en las siguientes aplicaciones.

Planificación autónoma

La NASA creo un programa Agente remoto, siendo el primer sistema de planificación autónoma, que controlaba la planificación de las operaciones desde una nave espacial. 

Juegos

Deep Blue de IBM fue el primer sistema que derrotó a un campeón mundial en una partida de ajedrez cuando superó a Garry Kasparov por un resultado de 3.5 a 2.5 en una partida de exhibición (Goodman y Keene, 1997). Kasparov dijo que había percibido un «nuevo tipo de inteligencia» al otro lado del tablero. La revista Newsweek describió la partida como «La partida final». El valor de las acciones de IBM se incrementó en 18 billones de dólares.

Control autónomo

ALVINN fue un sistema de control autónomo de visión por computadora, que dirigía a un coche como seguidor de linea. Es decir realizaba su propio control de acuerdo a las condiciones de programación realizadas por su diseñador.  

Diagnosis

Fueron programas de diagnostico médico basados en el análisis de probabilidad. 

Planificación logística

para automatizar la planificación y organización logística del transporte. Lo que incluía hasta 50.000 vehículos, carga y personal a la vez, teniendo en cuenta puntos de partida, destinos, rutas y la resolución de conflictos entre otros parámetros. Las técnicas de planificación de IA permitieron que se generara un plan en cuestión de horas que podría haber llevado semanas con otros métodos.

Robótica

Sistema de asistente de cirugía que son utilizados en microcirugía. Consiste en técnicas de visión por computador para crear un modelo tridimensional de la anatomía interna del paciente.

Procesamiento de lenguaje y resolución de problemas

ROVERB (Littman etal., 1999) es un programa informático que resuelve crucigramas mejor que la mayoría de los humanos, utilizando restricciones en programas de relleno de palabras, una gran base de datos de crucigramas, y varias fuentes de información como diccionarios y bases de datos online, que incluyen la lista de películas y los actores que intervienen en ellas, entre otras cosas.

CONCLUSIÓN

Para concluir el tema decimos que el estado del arte fueron los distintos aplicativos en que desarrollo la IA, dando mayor aporte a sociedad con sistemas que ayudaron al ser humano a realizar sus actividades de diarias de acuerdo a su campo.

BIBLIOGRAFÍA

Russell, S y Norvig, P. 2013. Inteligencia Artificial, Un Enfoque moderno: Agentes Inteligentes. 2da Ed.