UNIDAD I INTELIGENCIA ARTIFICIAL Y SISTEMAS EXPERTOS

1. LA INTELIGENCIA ARTIFICIAL es la parte de la Ciencia que se ocupa del diseño de sistemas de computación inteligentes , es decir, sistemas que exhiben las características que asociamos a la inteligencia en el comportamiento humano que se refiere a la comprensión del lenguaje, el aprendizaje, el razonamiento, la resolución de problemas, entre otros. INTELIGENCIA ARTIFICIAL (IA): La Inteligencia Artificial es una ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana.

2. Los sistemas de Inteligencia Artificial incluyen a las personas, los procedimientos, el hardware y software, los datos y los conocimientos necesarios para desarrollar sistemas, y máquinas de computación que presenten características de inteligencia. El objetivo del desarrollo de sistemas de IA contemporáneos no es el reemplazo completo de la toma de decisiones de los humanos, pero sí duplicarlas para ciertos tipos de problemas bien definidos. INTELIGENCIA ARTIFICIAL (IA):

3. Estudios centrados en Redes Neuronales. Demostración de Teoremas y Ajedrez. (1937) Matemático Ingles Alan Mathison Turing (Articulo "Números Calculables”), introdujo la Máquina de Turing, una entidad matemática abstracta que formalizo el concepto de algoritmo y resulto ser la precursora de las computadoras digitales. Considerado padre de la Inteligencia Artificial, por su famosa Prueba de Turing, que permitiría comprobar si un programa de computadora puede ser tan inteligente como un ser humano. ETAPAS DE LA IA: 1943 - 1956

4. Creación de sistemas que resuelvan cualquier problema. Avances limitados por los recursos computacionales. ETAPAS DE LA IA: 1952 - 1969 1966 - 1974 1969 - 1979 Algoritmos genéticos. Problemas en la representación del conocimiento. DENDRAL, MYCIN. Las empresas se interesan por la IA. Control industrial y robótica. 1980 - 1988 Resolución de problemas del mundo real. Sistemas especializados que cooperan. 1988 ….

5. PRINCIPALES RAMAS DE LA IA: Desarrollo de dispositivos mecánicos o de computación que tengan la capacidad de realizar funciones y/o tareas

que requieran de un alto grado de precisión, tediosas o impliquen riesgo de peligro para los seres humanos. En la actualidad se combinan las capacidades de alta precisión de la máquina con un software controlador sofisticado. Robot QRIO de Sony http:// www.youtube.com/watch?v=rokOtmUhos0 El primer trabajo práctico de Robótica en la Maestría de Inteligencia Artificial en la UCLA, Venezuela :D...Robot minibot Lego RCX http://www.youtube.com/watch?v=Wz0aJmFYeaE http://www.youtube.com/watch?v=yzCadN4_5Ms Los esfuerzos de la IA se clasifican según varias categorías: Robótica I.A

6. Equipos y software que les permite a las computadoras capturar, almacenar y manipular imágenes visuales y fotografías. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Se pueden usar junto con robots para darles "visión" a estas máquinas y que pueda tomar decisiones con base a lo que ve y reconocer la información visual de acuerdo con patrones generales. Ver video: Sistemas de Visión Robótica http://www.youtube.com/watch?v=HdHFTxlYIjc I.A

7. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Programas que tienen como entrada lenguajes humanos para traducirlos en un conjunto estándar de instrucciones que una computadora ejecuta. Permiten a los seres humanos usar su propio lenguaje natural cuando interactúan con programas como sistemas de administración de bases de datos (DBMS) o sistemas de apoyo para la toma de decisiones. Robótica Sistemas de Visión Procesamiento de Lenguaje Natural I.A

8. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: El objetivo de los procesadores de lenguaje natural es eliminar paulatinamente la necesidad de aprender lenguajes de programación o comandos personalizados para que las computadoras entiendan. Su ventaja radica en que combinados con dispositivos de reconocimiento de voz, el usuario de instrucciones a las computadoras para que realicen tareas, sin usar un teclado o cualquier otro dispositivo de entrada. Ver video: Robótica http://www.youtube.com/watch?v=ilchnpsROSs Sistemas de Visión Procesamiento de Lenguaje Natural I.A

9. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Combinación de software y equipos que le permite a la computadora cambiar su modo de funcionar o reaccionar a situaciones, basado en la retroalimentación que recibe. Robótica Sistemas de Visión Procesamiento de Lenguaje Natural Sistemas de Aprendizaje I.A

10. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Es un sistema de computación que puede actuar en la misma forma que funciona el cerebro humano, o simularlo. La redes neuronales pueden procesar muchas piezas de información al mismo tiempo y aprender a reconocer patrones. Un sistema de red neuronal aprende por ensayo y error. Ver video: http://www.youtube.com/watch?v=1u18juT89NM Robótica Sistemas de Visión Procesamiento de Lenguaje Natural Sistemas de Aprendizaje Redes Neuronales I.A

11. PRINCIPALES RAMAS DE LA IA: Red neuronal artificial perceptrón simple con n neuronas de entrada, m neuronas en su capa oculta y una neurona de salida. T Tomado de Wikilearning http://es.wikipedia.org/wiki/Red_neuronal_artificial

12. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: o Capacidad de recuperar información incluso si falla alguno de sus

nodos. o Modificación rápida de los datos almacenados a partir de nueva

información. o Capacidad de descubrir relaciones y tendencias en grandes bases de

datos. o Capacidad de resolver problemas complejos para los cuales no se

cuenta con la información. o Ver video:

Robótica http://www.youtube.com/watch?v=DCcjMHt3CoY Redes Neuronales Sistemas de Aprendizaje Procesamiento de Lenguaje Natural Sistemas de Visión I.A

13. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Se basa en reglas que no tienen límites discretos, sino que se prolongan en un continuum, permitiendo a un sistema manejar mejor la ambigüedad. Esto es muy útil para reflejar cómo tienden a pensar las personas, en términos relativos, no absolutos. Robótica Sistemas de Visión Procesamiento de Lenguaje Natural Sistemas de Aprendizaje Redes Neuronales Lógica Difusa I.A

14. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Un algoritmo genético es un método de búsqueda dirigida basada en Probabilidad . Al aumentar el número de iteraciones, la probabilidad de tener el óptimo en la población tiende a 1. Funciones

matemáticas que usan los principios de Darwin para mejorar una aplicación. La funciones se diseñan para simular en software, en cuestión de minutos o segundos I.A. Algoritmos Genéticos I.A Robótica Lógica Difusa Redes Neuronales Sistemas de Aprendizaje Procesamiento de Lenguaje Natural Sistemas de Visión

15. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías : Programas de computadora que automáticamente revisan enormes cantidades de datos y seleccionan y entregan la información más adecuada para el usuario, de acuerdo con requisitos contextuales o específicos. La aplicación más importante de los agentes inteligentes se encuentra en la WEB. www.google.co.ve www.amazon.com I.A Logaritmos Genéticos Robótica Lógica Difusa Redes Neuronales Sistemas de Aprendizaje Procesamiento de Lenguaje Natural Sistemas de Visión Agentes Inteligentes

16. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: El propósito principal de los agentes inteligentes es realizar sus tareas significativas más rápido, con más frecuencia y de manera más efectiva, que el usuario. Los agentes inteligentes vinculan automáticamente su computadora con sitios favoritos, le avisan cuando éstos se hayan actualizado y adecuan páginas específicas a sus preferencias. I.A Logaritmos Genéticos Robótica Lógica Difusa Redes Neuronales Sistemas de Aprendizaje Procesamiento de Lenguaje Natural Sistemas de Visión Agentes Inteligentes

17. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Programa de computadora, inteligente, que usa el conocimiento y los procedimientos de inferencia para resolver problemas que son suficientemente difíciles como para requerir significativa experiencia humana para su solución. Hace un amplio uso del conocimiento especializado, como lo hace un experto humano. Trabaja sobre un dominio especifico. I.A Logaritmos Genéticos Sistemas Expertos Robótica Lógica Difusa Redes Neuronales Sistemas de Aprendizaje Procesamiento de Lenguaje Natural Sistemas de Visión Agentes Inteligentes

18. PRINCIPALES RAMAS DE LA IA: Los esfuerzos de la IA se clasifican según varias categorías: Se utilizan los términos: Sistema Experto (SE), Sistemas Basados en Conocimientos o Sistema Experto Basado en Conocimiento. Para construir un SE, un ingeniero del conocimiento se entrevista con un experto humano, y traduce la información en código. I.A Logaritmos Genéticos Sistemas Expertos Robótica Lógica Difusa Redes

Neuronales Sistemas de Aprendizaje Procesamiento de Lenguaje Natural Sistemas de Visión Agentes Inteligentes

o Pueden explicar su razonamiento o decisiones sugeridas. o Puede mostrar un comportamiento "inteligente“. o Puede obtener conclusiones de relaciones complejas. o Puede proporcionar conocimientos acumulados. o Puede hacer frente a la incertidumbre.

CARACTERISTICAS DE LOS SE:

CAPACIDADES DE LOS SE: En comparación con otros tipos de sistemas de información, los SE ofrecen varias capacidades poderosas y beneficios. Los SE se pueden usar para solucionar problemas en todos los campos y disciplinas y ayudar en la totalidad de las etapas del proceso de solución del problemas.

o Fijación de objetivos estratégicos. o Planeación. o Diseño. o Toma de decisiones. o Control y supervisión de calidad. o Diagnóstico.

USOS DE LOS SE: El desarrollo de un SE complejo puede ser difícil, costoso y requerir de tiempo, por lo tanto, es importante asegurarse de que los posibles beneficios valen el esfuerzo y que las diversas características del SE se equilibran, en términos de costo, control y complejidad. Visitar: www.sistemasexpertos.ne t

o No se han usado o probado en forma extensa. o Dificultad de uso. o Están limitados a problemas relativamente limitados. o No pueden enfrentar con facilidad a conocimientos

"mixtos". o Posibilidad de error.

o Dificultad de mantenimiento. o Pueden tener costo altos de desarrollo. o Ocasionan preocupaciones legales y éticas.

LIMITACIONES DE LOS SE:

COMPONENTES DE LOS SE: El usuario interactúa con el SE a través de una interfaz, la cual puede contender menús, procesamiento del lenguaje natural u otro tipo de interacción. Debe ser amigable en la entrada y salida de información. Interfaz de Usuario

COMPONENTES DE LOS SE: Se corresponde con el proceso de crear y actualizar la base de conocimientos Interfaz de Usuario Adquisición de Conocimiento

COMPONENTES DE LOS SE: Almacena toda la información, datos, reglas, casos y relaciones importantes que utiliza el SE. Para cada aplicación única se tiene que desarrollar una base conocimientos. Interfaz de Usuario Adquisición de Conocimiento Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas Puede incluir conocimientos genéricos provenientes de teorías generales que se han establecido con el tiempo y conocimientos específicos que provienen de experiencias más recientes y de reglas prácticas

COMPONENTES DE LOS SE: Es similar a la suma total de los conocimientos y experiencias de los expertos humanos que se obtienen a través de años de trabajo en un área o disciplina específica. Interfaz de Usuario Adquisición de Conocimiento Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas Una BC que contiene información proporcionada por diversos expertos humanos puede ser extremadamente eficiente y exacta desde el punto de vista de sus sugerencia y pronósticos.

COMPONENTES DE LOS SE: El uso de reglas: una regla es una instrucción condicionada que enlaza determinadas condiciones con acciones o resultados. La regla se crea por medio de construcciones de SI – ENTONCES. Un SE puede usar casos al desarrollar la solución a un problema o situación actual. Interfaz de Usuario Adquisición de Conocimiento Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas

COMPONENTES DE LOS SE: Interfaz de Usuario Adquisicion de Conocimiento Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas

o El proceso incluye: o Encontrar casos almacenados en la base de conocimientos, que sean

similares al problema, o Modificar las soluciones a los casos para adaptarlas, o ajustarlas, al

problema o la situación actual.

COMPONENTES DE LOS SE: Interfaz de Usuario Adquisición de Conocimiento Mecanismo de Inferencia. Conocido como Motor de Inferencia, usado para buscar información y relaciones en la base de conocimientos, y proporcionar respuestas, pronósticos y sugerencias en la misma forma en que lo haría un experto humano. En otras palabras es el que proporciona el consejo experto. El conocimiento se representa como un conjunto de reglas y hechos. Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas

COMPONENTES DE LOS SE: Interfaz de Usuario Adquisición de Conocimiento Mecanismo de Inferencia.

o Se asocia con un modelo o paradigma para resolver problemas. o Modelo que utiliza métodos de encadenamientos de reglas SI –

ENTONCES para formar una línea de razonamiento. o Si el encadenamiento comienza de un conjunto de condiciones y se

mueve hacia las conclusiones entonces el método es denominado encadenamiento hacia adelante.

Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas

COMPONENTES DE LOS SE: Interfaz de Usuario Adquisición de Conocimiento Mecanismo de Inferencia.

o Si la conclusión es conocida pero la ruta de la conclusión no es conocida entonces el método que se utiliza es el encadenamiento hacia atrás.

El motor de inferencia contiene implementado estos métodos de razonamiento y controla la ejecución de las reglas. Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas

COMPONENTES DE LOS SE: Interfaz de Usuario Adquisición de Conocimiento Mecanismo de Inferencia. Si el antecedente de una regla es satisfecho, entonces la regla ejecuta la acción de la conclusión o el consecuente. Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas Busca a través de la BC, intentando asociar el conocimiento almacenado en forma de hechos el antecedente de una regla (condición).

COMPONENTES DE LOS SE: Permite explicar el proceso de razonamiento seguido para tomar una decisión. Interfaz de Usuario Adquisición de Conocimiento Mecanismo de Inferencia. Medio de Explicacion Base de Conocimiento (BC) Memoria Activa (Hechos) y Reglas Responderá a la pregunta: ¿Cómo? O ¿Por qué? Cuando ha efectuado una conclusión.

CONCLUSIONES

APLICACIONES DE LOS SE Y DE LA IA :

Otorgar crédito.

Administración y recuperación de información:

IA y SE incorporados a los productos.

Disposición de plantas.

Instalaciones medicas y de hospitales.

Departamento de ayuda y asistencia

Evaluación del desempeño de empleados.

Análisis de préstamos.

Detección de virus.

APLICACIONES DE LOS SE Y DE LA IA:

Reparación y mantenimiento.

Embarques.

Mercadotecnia: CoverStory es un SE que trae información de una base de datos y elabora, en forma automática, informes de mercadotecnia.

Optimización de almacenes.

Un SE se puede integrar con otros sistemas en una organización mediante una base de datos común

TEMA 1 PERSPECTIVA HISTÓRICA Y CONCEPTUAL1.1 CONCEPTO DE INTELIGENCIA ARTIFICIAL

El propósito de la inteligencia artificial es hacer computacional el conocimiento humano no anatítico por procedimientos simbólicos, conexionistas o híbridos. Para conseguir una visión razomablemente amplia del contenido de la inteligencia artificial usaremos criterios extensionales (porporcionando una relación lo más completa posible de los temas que estudia la inteligencia artificial), junto a otros criterios intensionales (que establecen las reglas de clasificación), de forma que al enfrentarnos con un problema computacional (o con un método de solución) específico podamos concluir si pertenece o no al campo de la inteligencia artificial en función.Así, en la inteligencia artificial existen dos perspectivas básicas:

A) LA INTELIGENCIA ARTIFICIAL COMO CIENCIA DE LO NATURAL O ANÁLISIS

El procedimiento teórico busca una explicación de esa correlación en términos de un conjunto de leyes generales de un nivel superior que permiten predecir lo que ocurriría en otros casos no observados. Realmente lo que hace es buscar un modelo del conocimiento humano, generalmente organizado en varios niveles (estático, dinámico y

estratégico) para poder usarlo en predicción. Esta técnica se basa en experimentos para conseguir una teoría del conocimiento computable con capacidad predictiva (como una ley física)

B) INTELIGENCIA ARTIFICIAL COMOCIENCIA DE LO ARTIFICIAL O INGENIERÍA DE SÍNTESIS

Aspira a convertirse en una ingeniería en sentido estricto. Ahora se parte de un conjunto de especificaciones funcionales y se busca la síntesis de un sistema (programa más máquina) que las satisfaga.

A su vez en ambas ramas cooperan dos paradigmas, que constituyen dos formas de analizar un proceso y dos metodologías de síntesis de una solución:- Computación simbólica- Computación conexionistaEn inteligencia artificial trabajamos con información y conocimiento, y ambos son pura forma, totalmente independient del sistema físico que las soporta. Las tareas que aborda la inteligencia artificial de síntesis son tareas de alto nivel, y pueden clasidicarse en tres grandes grupos ordenados en grado de dificultad creciente:1. DOMINIOS FORMALESlas tareas toman la forma genérica de solucionadores de problemas mediante búsquedas en un espacio de estados de conocimiento y pueden ser juegos o problemas lógico-matemáticos.son tareas precisas en el conocimiento, conpocos elementos y su comportamiento se puede describir de forma completa e inequívoca. Son micromundos formales. Este apartado forma parte de la etapa inicial de la inteligencia artificial y aportó los procedimientos de búsqueda como tarea genérica2. DOMINIOS TÉCNICOStienen que ver con el diagnóstico médico, la detección de fallos, la planificación de trayectorias de robots, etc. Aquí. La tarea a sintetizar admite una representación dentro de una jerarquía de tareas genéricas de

análisis, de modificación o de síntesis que son válidas en muchas aplicaciones con sólo modificar la parte del conocimiento que hace referencia a entidades específicas del dominio de la aplicación. Lo característica de estas tareas es el carácter limitado del conocimiento que manejan (dominios estrechos) y la posibilidad de formalizar ese conocimiento con las técnicas disponibles. Ha dado lugar a la Ingeniería del conocimiento y busca procedimientos de síntesis de sistemas con las siguientes facetas:a) se parte de la descripciónde la tarea a niver de conocimiento b) se busca una representación de ese conocimiento separándolo de los mecanismos de aplicación del mismo (inferencia) de forma que pueda acumularse por procedimientos incrementales (donde no es deseable una separación total)c) se seleccionan las técnicas adecuadas para su iplementación y se desarrolla un primer prototipod) se hace énfasis en el carácter de ingeniería buscando procedimientos (explícitos, reproducibles y parcialmente independientes del dominio) sistemáticos de implentación, evaluación y refinamiento de esos prototipose) se usan lenguajes y entornos de programación que facilitan el desarrollo rápido y eficiente de aplicaciones3. FUNCIONES BÁSICAS Y GENUINAS DEL COMPORTAMIENTO HUMANOrealmente es lo que hacemos a todas horas sin darnos cuenta; ver, oír, caminar, pensar , hablar, etc. Por su importancia se le va a dedicar el siguiente apartado.

1.2 IDEA INTUITIVA DEL COMPORTAMIENTO ARTIFICIALHablar de la inteligencia artificial en ese sentido supone querer comprender y duplicar las funciones del comportamiento humano. Algunas de sus características son:a) Su simplicidad en el ser humanob) Lo complejo que son a la hora de sintetizarlosc) El uso masivo de conocimientos y el hecho que las técnicas son

insuficientes para modelar estas tareas (hace falta un lenguaje de representación con la capacidad y robustez del lenguaje natural)d) El estilo peculiar de computación que usa el ser vivo

.3 PERSPECTIVA HISTÓRICA DE LA INTELIGENCIA ARTIFICIALNEURICIBERNÉTICALa inteligencia artificial comenzó siemdo computación neuronal cuando en 1943 Warren S. McCulloch y Walter Pitts introducen el primer modelo formal al que en la actualidad llamaríamos circuito secuencial mínimo.Las ideas básicas de esta época aparecen bajo el nombre de neurocibernética y si basan en considerar que los seres vivos y las máquinas pueden ser comprendidos usando los mismos principios organizacionales y las mismas herramientas formales. Los tres trabajos de 1943, que podemos considerar fundacionales, fueron:- en Conducta, propósito y teleología (de Rosemblueth, Wiener y Bigelow) se introducen tres conceptos importantes en inteligencia artificial: la realimentación como principio organizacional, la computación por propósitos y la idea de información como pura forma, separable de la señal física que la transporta.- en Un cálculo lógico de las ideas inmanentes en la actividad nerviosa(de Warren S. McCulloch y Walter Pitts), sobre redes neuronales formales, se inicia la "Teoría Neuronal Del Conocimiento"; se buscan las redes de procesadores capaces de reconocer, recordar cooperar, aprender o autoorganizarse. En esta primera etapa de la inteligencia artificial se busca la solución de los problemas a niver físico (donde estructura y función coinciden). Se inicia la teoría modular de autómatas y se usa la lógica (determinista y probabilística) para representar el conocimiento.- en la naturaleza de la explicación (de K. Craik) se interpreta la actividad del sistema nervioso en términos de un conjunto de procesos encaminados a construir una representación interna del medio (modelo) y usarla para predecir. Craik contribuyó a la moderna inteligencia artificial con dos aportaciones clave: razonamiento abductivo y espacios de representación.

La inferencia en inteligencia artificial está asociada al uso individual o combinado de tres tipos de razonamiento:- la deducción lógica: de parte de un conjunto de fórmulas (axiomas o validez general) y sobre ellas se aplican un conjunto de reglas o procedimientos de demostraciónque nos permiten obtener nuevas fórmulas válidas.- la inferencia inductiva usa pistas (heurísticas) con el conocimiento del dominio para pasar de lo particular a lo general. Nunca podemos garantizar la complitud y certeza de la inferencia en este caso.- en el razonamiento abjuctivo se parte de una conclusión conocida y se busca un hecho que la explique ( como en los diagnósticos médicos)

El segundo punto de la obra de Craik es la propuesta de un mecanismo de razonamiento por analogía en el modelo del medio donde la implicación formal es el equivalente a la causalidad en el mindo físico. Distinguía Craik tres procesos:- Traslación de los procesos esternos a símbolos en un espacio de representación.- Obtención de otros símbolos mediante inferencia en el modelo del medio que paraleliza la causalidad externa.- Retraslación de esos símbolos transformados al dominio de sus referentes externos (predicción). COMPUTACIÓN: DE PLATÓN A TURINGDreyfus dugiere que la inteligencia artificial comenzó alrededor del año 450 a. C. cuando, de acuerdo con Platón, Sócrates pregunta a Euthyphro por un conjunto de reglas de decisión definidas forma tan precisa que en cada momento pudiéramos calcular la respuesta del sistema aplicando esas reglas a la entrada.Luego Descartes (1596-1650) intenta formalizar el razonamiento usando los procesos enumeración, deducción e intuición (intuitus que es el más difícil de mecanizar). Así mismo Leibniz y Boole (hacia 1850) trabajan sobre la búsqueda de un lenguaje simbólico.Con von Neumann se avanza en arquitectura de computadores, teoría

modular de autómatas y redes neuronales y teoría del cerebro. Su contribución a la teoría de autómatas y a la inteligencia artificial conxionista no fue sólo a nivel formal, sino que planteó cuestiones fundamentales como son:- Reformulando la máquina de Turing en términos de autómatas celulares- Autoprogramación (autómatas que diseñan otros autómatas)- Autorrproducción y evolución (constructores universales que se reproducen)- Tolerancia a fallos y establildad lógica ante cambios de función localFinalmente, llegamos a Turing y sus dos contribuciones básicas:- Un Modelo Computacional Universal (la máquina de Turing)- Un Procedimiento Experimental de Medir la Inteligencia Artificial de un Programa (test de Turing)

BÚSQUEDA HEURÍSTICA Y DOMINIOS FORMALESel primer trabajo fue el programa Logic Theorist que da origen a toda la rama del rezonamento automático que persisite en la inteligencia artificial, reforzado por el principio de resolución de Robinson y sus refinamientos posteriores, incluyendo la creación del lenguaje Prolog.Comienza la preocupación por lenguajes para procesar información iniciándose el camino hacia el Lisp.Otro trabajo representativo es el programa GPS (Solucionador General de Programas) con un intento de dotarlo de capacidad de aprendizaje y autoorganización; es un programa que incorpora medios heurísticos para resolver problemas.

CARACTERÍSTICAS DE LOS SISTEMAS EXPERTOS

• Un SE no debe demorar mas de 3 horas en resolver un problema.• Un SE se debe aplicar a cosas practicas.• Debe contar con la colaboración del experto.

• El conocimiento del experto no esta en los libros de texto.• El conocimiento esta distribuido pertenece a varias personas.• Los sistemas expertos tienen pocos niveles de profundidad.• Para resolver la incompletitud de los conocimientos (información incompleta) se utilizan reglas redundantes. Ejemplo:Si A y B y C entonces XSi A y B entonces XSi A entonces X• Los expertos no razonan a partir de principios (razona a partir de su experiencia), solo los inexpertos razonan a partir de principios.

Consejos a la hora de diseñar un sistema experto:• Separar el generador de inferencias de la base de conocimientos.• Utilizar una representación tan uniforme como sea posible, siendo las reglas de producción la forma preferida.• Mantener simple el generador de inferencias (estructura de control).• Proporcionar algún tipo de facilidad para que el sistema pueda explicar sus conclusiones.• Favorecer los problemas que requieran el uso de sólidos cuerpos de conocimientos asociativos empíricos sobre aquellos que se puedan resolver utilizando conocimiento causal o matemático.• Es esencial el compromiso sobre la relación de capacidades humanas a transferir a la maquina.

Etapas de desarrollo de un sistema experto:1. Identificación: Que se quiere que haga el SE.2. Conceptualización: Expresar los conocimientos de manera semiformal.3. Formalización: Diseñar las estructuras para organizar los conocimientos.4. Implementación: Formalizar las reglas que representan conocimientos.5. Chequeo: Validación de las reglas

Identificación: se determinan las características del problema, se describen los casos.

Conceptualizacion: Encontrar los conceptos que representen los conocimientos. La identificación del problema.

Formalización: Durante la formalización es importante que el ingeniero del conocimiento se familiarice con los siguientes tópicos:

• Las diferentes técnicas de representación del conocimiento y las búsquedas heurísticas usadas en los SE.• Los shells existentes que puedan agilizar el desarrollo del proceso.• Otros sistemas expertos que puedan resolver similares problemas y se puedan adaptar al problema.

Implantación: Hacer el prototipo: Llevarlo a la computadora y hacer las interfaces con el usuario.

Ingenieria del conocimiento:1. Representación del conocimiento.2. Adquisición de los conocimientos.3. Procesamiento del conocimiento

Hasta ahora se ha hecho referencia al núcleo del sistema experto (BC,BH y MI) en los cuales se representan los conocimientos del experto en forma de reglas, los hechos o datos globales de partida y la forma de inferir esos conocimientos, pero no se ha dicho como se comunica el sistema con el usuario y con el experto.

Módulo de interacción con el usuario (interfaces con el usuario):Facilita el diálogo con el usuario, permite hacerle preguntas al sistema e incluso obtener conocimientos análogos a los del experto. Estas interfaces podrían ser programas de entrada/salida de forma dialogada y las explicaciones pueden ser obtenidas de la memoria de trabajo donde se almacenan los pasos para llegar a la solución.

Módulo de ayuda para la adquisición de conocimientos (interfaces con el experto):Permite al experto consultar los conocimientos almacenados en la base de conocimientos y en muchos casos dar la posibilidad de incluirle nuevos conocimientos. Su objetivo es que el experto pueda introducir directamente sus conocimientos en la m’,uina sin necesidad de ver al ingeniero del conocimiento.

El propósito de este articulo es de mostrarnos una amplia y precisa descripción de lo que son los Sistemas Expertos (SE), los cuales también son conocidos como Sistemas Basados en Conocimiento. Así mismo mostramos brevemente los orígenes, conceptos, aplicaciones, ventajas, limitaciones, y su arquitectura básica de esta área y/o campo de la

Inteligencia artificial. Por otra parte en la actualidad el mercado se vuelve más competitivo, donde la administración y buen manejo de la información es fundamental para todas las empresas y/o organizaciones, las cuales si quieren sobrevivir deben de mantenerse a la vanguardia en todas y cada una de las áreas.

INTRODUCCIÓN

Se considera a alguien un experto en un problema cuando este individuo tiene conocimiento especializado sobre dicho problema. En el área de los (SE) a este tipo de conocimiento se le llama conocimiento sobre el dominio. La palabra dominio se usa para enfatizar que el conocimiento pertenece a un problema específico.

Antes de la aparición del ordenador, el hombre ya se preguntaba si se le arrebataría el privilegio de razonar y pensar. En la actualidad existe un campo dentro de la inteligencia artificial al que se le atribuye esa facultad: el de los sistemas expertos (SE). Estos sistemas también son conocidos como Sistemas Basados en Conocimiento, los cuales permiten la creación de máquinas que razonan como el hombre, restringiéndose a un espacio de conocimientos limitado. En teoría pueden razonar siguiendo los pasos que seguiría un experto humano (médico, analista, empresario, etc.) para resolver un problema concreto. Este tipo de modelos de conocimiento por ordenador ofrece un extenso campo de posibilidades en resolución de problemas y en aprendizaje. Su uso se extenderá ampliamente en el futuro, debido a su importante impacto sobre los negocios y la industria.

HISTORIA DE LOS (SE)

Sus inicios datan a mediados de los años sesenta. Durante esta década los investigadores Alan Newell y Herbert Simon desarrollaron un programa llamado GPS (General Problem Solver; solucionador general de problemas). Podía trabajar con criptoaritmética, con las torres de Hanoi y con otros problemas similares. Lo que no podía hacer el GPS era resolver problemas del mundo real, tales como un diagnóstico médico.

Algunos investigadores decidieron entonces cambiar por completo el enfoque del problema restringiendo su ambición a un dominio específico e intentando simular el razonamiento de un experto humano. En vez de dedicarse a computarizar la inteligencia general, se centraron en dominios de conocimiento muy concretos. De esta manera nacieron los SE.

A partir de 1965, un equipo dirigido por Edward Feigenbaum, comenzó a desarrollar SE utilizando bases de conocimiento definidas minuciosamente.     Dos años más tarde se construye DENDRAL, el cual es considerado como el primer SE. La ficción de dicho SE era identificar estructuras químicas moleculares a partir de su análisis espectrográfico.

En la década de los setenta se desarrolló MYCIN para consulta y diagnóstico de infecciones de la sangre. Este sistema introdujo nuevas características: utilización de conocimiento impreciso para razonar y posibilidad de explicar el proceso de razonamiento. Lo más importante es que funcionaba de manera correcta, dando conclusiones análogas a las que un ser humano daría tras largos años de experiencia. En MYCIN aparecen claramente diferenciados motor de inferencia y base de conocimientos. Al separar esas dos partes, se puede considerar el motor de inferencias aisladamente. Esto da como resultado un sistema vacío o shell (concha). Así surgió EMYCIN (MYCIN Esencial) con el que se construyó SACON, utilizado para estructuras de ingeniería, PUFF para estudiar la función pulmonar y GUIDON para elegir tratamientos terapéuticos.

En esa época se desarrollaron también: HERSAY, que intentaba identificar la palabra hablada, y PROSPECTOR, utilizado para hallar yacimientos de minerales. De este último derivó el shell KAS (Knowledge Adquisition System).

En la década de los ochenta se ponen de moda los SE, numerosas empresas de alta tecnología investigan en este área de la inteligencia artificial, desarrollando SE para su comercialización. Se llega a la conclusión de que el éxito de un SE depende casi exclusivamente de la calidad de su base de conocimiento. El inconveniente es que codificar la pericia de un experto humano puede resultar difícil, largo y laborioso.

Un ejemplo de SE moderno es CASHVALUE, que evalúa proyectos de inversión y VATIA, que asesora acerca del impuesto sobre el valor añadido o IVA.

DEFINICIONES DE LOS (SE)

Es un software que imita el comportamiento de un experto humano en la solución de un problema. Pueden almacenar conocimientos de expertos

para un campo determinado y solucionar un problema mediante deducción lógica de conclusiones.

Son SE aquellos programas que se realizan haciendo explicito el conocimiento en ellos, que tienen información específica de un dominio concreto y que realizan una tarea relativa a este dominio.

Programas que manipulan conocimiento codificado para resolver problemas en un dominio especializado en un dominio que generalmente requiere de experiencia humana.

Programas que contienen tanto conocimiento declarativo (hechos a cerca de objetos, eventos y/o situaciones) como conocimiento de control (información a cerca de los cursos de una acción), para emular el proceso de razonamiento de los expertos humanos en un dominio en particular y/o área de experiencia.

Software que incorpora conocimiento de experto sobre un dominio de aplicación dado, de manera que es capaz de resolver problemas de relativa dificultad y apoyar la toma de decisiones inteligentes en base a un proceso de razonamiento simbólico.

APLICACIONESSus principales aplicaciones se dan en las gestiones empresariales debido a que;a) Casi todas las empresas disponen de un ordenador que realiza las funciones básicas de tratamiento de la información: contabilidad general, decisiones financieras, gestión de la tesorería, planificación, etc.

b) Este trabajo implica manejar grandes volúmenes de información y realizar operaciones numéricas para después tomar decisiones. Esto crea un terreno ideal para la implantación de los SE.

Además los SE también se aplican en la contabilidad en apartados como: Auditoria(es el campo en el que más aplicaciones de SE se esta realizando) Fiscalidad, planificación, análisis financiero y la contabilidad financiera.

ÁREAS DE APLICACIÓN

Los SE se aplican a una gran diversidad de campos y/o áreas. A continuación se listan algunas de las principales:

Militar Informática Telecomunicaciones

Química Derecho Aeronáutica

Geología Arqueología Agricultura

Electrónica Transporte Educación

Medicina Industria Finanzas y Gestión

VENTAJASEstos programas proporcionan la capacidad de trabajar con grandes cantidades de información, que son uno de los grandes problemas que enfrenta el analista humano que puede afectar negativamente a la toma de decisiones pues el analista humano puede depurar datos que no considere relevantes, mientras un SE debido a su gran velocidad de proceso analiza toda la información incluyendo las no útiles para de esta manera aportar una decisión más sólida.

LIMITACIONESEs evidente que para actualizar se necesita de reprogramación de estos (tal vez este sea una de sus limitaciones más acentuadas) otra de sus limitaciones puede ser el elevado costo en dinero y tiempo, además que estos programas son poco flexibles a cambios y de difícil acceso a información no estructurada.

Debido a la escasez de expertos humanos en determinadas áreas, los SE pueden almacenar su conocimiento para cuando sea necesario poder aplicarlo. Así mismo los SE pueden ser utilizados por personas no especializadas para resolver problemas. Además si una persona utiliza con frecuencia un SE aprenderá de el.

Por otra parte la inteligencia artificial no ha podido desarrollar sistemas que sean capaces de resolver problemas de manera general, de aplicar el sentido común para resolver situaciones complejas ni de controlar situaciones ambiguas.

El futuro de los SE da vueltas por la cabeza de cada persona, siempre que el campo elegido tenga la necesidad y/o presencia de un experto para la obtención de cualquier tipo de beneficio. [8]

ARQUITECTURA BÁSICA DE LOS SISTEMAS EXPERTOS

Base de conocimientos. Es la parte del sistema experto que contiene el conocimiento sobre el dominio. hay que obtener el conocimiento del experto y codificarlo en la base de conocimientos. Una forma clásica de representar el conocimiento en un sistema experto son lar reglas. Una regla es una estructura condicional que relaciona lógicamente la información contenida en la parte del antecedente con otra información contenida en la parte del consecuente.

Base de hechos (Memoria de trabajo). Contiene los hechos sobre un problema que se han descubierto durante una consulta. Durante una consulta con el sistema experto, el usuario introduce la información del problema actual en la base de hechos. El sistema empareja esta información con el conocimiento disponible en la base de conocimientos para deducir nuevos hechos.

Motor de inferencia. El sistema experto modela el proceso de razonamiento humano con un módulo conocido como el motor de inferencia. Dicho motor de inferencia trabaja con la información contenida en la base de conocimientos y la base de hechos para deducir nuevos hechos. Contrasta los hechos particulares de la base de hechos con el conocimiento contenido en la base de conocimientos para obtener conclusiones acerca del problema.

Subsistema de explicación. Una característica de los sistemas expertos es su habilidad para explicar su razonamiento. Usando el módulo del subsistema de explicación, un sistema experto puede proporcionar una explicación al usuario de por qué está haciendo una pregunta y cómo ha llegado a una conclusión. Este módulo proporciona beneficios tanto al diseñador del sistema como al usuario. El diseñador puede usarlo para detectar errores y el usuario se beneficia de la transparencia del sistema.

Interfaz de usuario. La interacción entre un sistema experto y un usuario se realiza en lenguaje natural. También es altamente interactiva y sigue el patrón de la conversación entre seres humanos. Para conducir este proceso de manera aceptable para el usuario es especialmente importante el diseño del interfaz de usuario. Un requerimiento básico del interfaz es la habilidad de hacer preguntas. Para obtener información fiable del usuario hay que poner especial cuidado en el diseño de las cuestiones. Esto puede requerir diseñar el interfaz usando menús o gráficos.

CONCLUSIONES

Actualmente el duro, difícil y cambiante mercado competitivo se vuelve más complejo por la gran diversidad de información que se ven obligados a almacenar y analizar, razón por la cual las empresas se ven en la necesidad de recurrir a poderosas y/o robustas herramientas o sistemas que les sirvan de soporte a la hora de tomar decisiones. De esta forma estos inteligentes, precisos y eficientes sistemas son adoptados por más organizaciones, en las cuales se convierten y/o transforman en una importante estrategia de negocio.

Por otra parte es importante mencionar que estos seguirán siendo usados en los todos y cada una de las áreas y/o campos donde los expertos humanos sean escasos. Por consecuencia de lo anterior estos sistemas son utilizados por personas no especializadas, por lo cual el uso frecuente de los (SE) les produce y/o genera conocimiento a los usuarios.

Tareas que realiza un Sistema Experto

Monitorización

La monitorización es un caso particular de la interpretación, y consiste en la comparación continua de los valores de las señales o datos de entrada y unos valores que actúan como criterios de normalidad o estándares. En el campo del mantenimiento predictivo los Sistemas Expertos se utilizan fundamentalmente como herramientas de diagnóstico. Se trata de que el programa pueda determinar en cada momento el estado de funcionamiento de sistemas complejos, anticipándose a los posibles incidentes que pudieran acontecer. Así, usando un modelo computacional del razonamiento de un experto humano, proporciona los mismos resultados que alcanzaría dicho experto.

Diseño

Diseño es el proceso de especificar una descripción de un artefacto que satisface varias características desde un número de fuentes de conocimiento.

El diseño se concibe de distintas formas:

El diseño en ingeniería es el uso de principios científicos, información técnica e imaginación en la definición de una

estructura mecánica, máquina o sistema que ejecute funciones específicas con el máximo de economía y eficiencia.

El diseño industrial busca rectificar las omisiones de la ingeniería, es un intento consciente de traer forma y orden visual a la ingeniería de hardware donde la tecnología no provee estas características.

Los SE en diseño ven este proceso como un problema de búsqueda de una solución óptima o adecuada. Las soluciones alternas pueden ser conocidas de antemano o se pueden generar automáticamente probándose distintos diseños para verificar cuáles de ellos cumplen los requerimientos solicitados por el usuario, ésta técnica es llamada “generación y prueba”, por lo tanto estos SE son llamados de selección. En áreas de aplicación, la prueba se termina cuando se encuentra la primera solución; sin embargo, existen problemas más complejos en los que el objetivo es encontrar la solución óptima.

Planificación

La planificación es la realización de planes o secuencias de acciones y es un caso particular de la simulación. Está compuesto por un simulador y un sistema de control. El efecto final es la ordenación de un conjunto de acciones con el fin de conseguir un objetivo global.

Los problemas que presentan la planificación mediante SE son los siguientes:

Existen consecuencias no previsibles, de forma que hay que explorar y explicar varios planes.

Existen muchas consideraciones que deben ser valoradas o incluirles un factor de peso.

Suelen existir interacciones entre planes de subobjetivos diversos, por lo que deben elegirse soluciones de compromiso.

Trabajo frecuente con incertidumbre, pues la mayoría de los datos con los que se trabaja son más o menos probables pero no seguros.

Es necesario hacer uso de fuentes diversas tales como bases de datos.

Control

Un sistema de control participa en la realización de las tareas de interpretación, diagnóstico y reparación de forma secuencial. Con ello se consigue conducir o guiar un proceso o sistema. Los sistemas de control son complejos debido al número de funciones que deben manejar y el gran número de factores que deben considerar; esta complejidad creciente es otra de las razones que apuntan al uso del conocimiento, y por tanto de los SE.

Cabe aclarar que los sistemas de control pueden ser en lazo abierto, si en el mismo la realimentación o el paso de un proceso a otro lo realiza el operador, o en lazo cerrado si no tiene que intervenir el operador en ninguna parte del mismo. Reparación, correcta o terapia.

La reparación, corrección, terapia o tratamiento consiste en la proposición de las acciones correctoras necesarias para la resolución de un problema. Los SE en reparación tienen que cumplir diversos objetivos, como son: Reparación lo más rápida y económicamente posible. Orden de las reparaciones cuando hay que realizar varias. Evitar los efectos secundarios de la reparación, es decir la aparición de nuevas averías por la reparación.

Simulación

La simulación es una técnica que consistente en crear modelos basados en hechos, observaciones e interpretaciones sobre la computadora, a fin de estudiar el comportamiento de los mismos mediante la observación de las salidas para un conjunto de entradas. Las técnicas tradicionales de simulación requieren modelos matemáticos y lógicos, que describen el comportamiento del sistema bajo estudio.

El empleo de los SE para la simulación viene motivado por la principal característica de los SE, que es su capacidad para la simulación del comportamiento de un experto humano, que es un proceso complejo.

En la aplicación de los SE para simulación hay que diferenciar cinco configuraciones posibles:

1. Un SE puede disponer de un simulador con el fin de comprobar las soluciones y en su caso rectificar el proceso que sigue.

2. Un sistema de simulación puede contener como parte del mismo a un SE y por lo tanto el SE no tiene que ser necesariamente de simulación.

3. Un SE puede controlar un proceso de simulación, es decir que el modelo está en la base de conocimiento del SE y su evolución es función de la base de hechos, la base de conocimientos y el motor de inferencia, y no de un conjunto de ecuaciones aritmético – lógicas.

4. Un SE puede utilizarse como consejero del usuario y del sistema de simulación.

5. Un SE puede utilizarse como máscara o sistema frontal de un simulador con el fin de que el usuario reciba explicación y justificación de los procesos.

Instrucción

Un sistema de instrucción realizara un seguimiento del proceso de aprendizaje. El sistema detecta errores ya sea de una persona con conocimientos e identifica el remedio adecuado, es decir, desarrolla un plan de enseñanza que facilita el proceso de aprendizaje y la corrección de errores.

Recuperación de información

Los Sistemas Expertos, con su capacidad para combinar información y reglas de actuación, han sido vistos como una de las posibles soluciones al tratamiento y recuperación de información, no sólo documental. La década de 1980 fue prolija en investigación y publicaciones sobre experimentos de este orden, interés que continua en la actualidad.

Lo que diferencia a estos sistemas de un sistema tradicional de recuperación de información es que éstos últimos sólo son capaces de recuperar lo que existe explícitamente, mientras que un Sistema Experto debe ser capaz de generar información no explícita, razonando con los elementos que se le dan. Pero la capacidad de los SE en el ámbito de la recuperación de la información no se limita a la recuperación. Pueden utilizarse para ayudar al usuario, en selección de recursos de información, en filtrado de respuestas, etc. Un SE puede actuar como un intermediario inteligente que guía y apoya el trabajo del usuario final

¿QUÉ ES LA INTELIGENCIA ARTIFICIAL?

Las definiciones de Inteligencia Artificial, o IA, varían considerablemente, tienden a enfatizar el peculiar interés del experto o del investigador que ofrece la definición. IA consta de dos ramas de investigación: una rama que intenta verter luz sobre la naturaleza de la inteligencia humana mediante su simulación o la simulación de sus componentes, con la meta eventual de reproducirla (o superarla);

La otra rama intenta construir sistemas expertos que exhiben una conducta inteligente, indiferentemente de su parecido a la inteligencia humana. La más moderna escuela se relaciona particularmente con la construcción de herramientas inteligentes para asistir a los seres humanos en complejas tareas tales como la exploración del petróleo, la diagnosis médica, el análisis químico , y la identificación de fallos en las maquinarias.

Otras actividades que caen bajo estas dos ramas de trabajo incluyen los intentos de construir sistemas con percepción visual, que entiendan el idioma natural, que demuestren las capacidades de aprendizaje en la máquina, sistemas que puedan manipular objetos (por ejemplo, los robots), sistemas que puedan realizar un aprendizaje inteligente y sistemas que jueguen.

La inteligencia artificial surgió como una disciplina académica en una conferencia de 1956 en la universidad de Darmouth, New Hampire. El término fue inventado por John McCarthy, la mayoría de los primeros trabajos en AI, concernían a la construcción de programas para jugar de una manera inteligente. Los programas construidos ahora pueden ganar el 99% de todos los jugadores humanos , tales como el tic tac toc , las damas y, el ajedrez.

Una rama de la AI apunta a crear la inteligencia (humana o no) en una forma computacional, un primer paso necesario es definir lo parámetros de esa meta. Los críticos han argumentado que la IA es una forma de alquimia moderna que se basa en la última metáfora de la mente, o en su manifestación física, como el cerebro.

La computadora ha ganado supremacía como la última tecnología de nuestra edad, no es inesperado que se mire al cerebro como un ingenio de procesamiento de la información -una computadora con circuitos que no son de silicón-

Así, los críticos de la IA creen que es improbable entender al cerebro y aún la mente en términos computacionales, porque hay pocas evidencias de que la IA se base en otra cosa que en la más reciente metáfora tecnológica de la mente. Para ellos, cualquier realización ocurrida en la IA es una patética parodia comparada a la riqueza, el poder, y la fluidez de la inteligencia que cada ser humano promedio despliega en el curso de la vida diaria.

Muchos investigadores de la IA son inexorables en que la inteligencia humana es una actividad de manipulación de símbolos que se pueden simular totalmente o por lo menos, en parte, por medios computacionales. Como seres inteligentes, tenemos símbolos interiores o procesos que tienen referentes externos y significados asociados, y para manipular esos símbolos de manera que los gobernemos, llegamos a exhibir una conducta significante en un ambiente dinámico.

Otro acercamiento a la identificación de lo que la inteligencia es, y por esto, cómo podemos acercarnos a su creación, se propuso en los años 50, por uno de los padres fundadores de la computación, Alan Turing. La prueba de Turing, como se le ha llamado, ha aparecido en formas incorrectas y alteradas en numerosos lugares. Por eso hemos optado por usar la representación original propuesta por Turing.

Para empezar, imagine un juego entre tres jugadores, A, B, y C. A y B se sientan juntos en una habitación, sin que C los vea, y quien conversa con ellos a través de la mecanografía de mensajes (Las formas modernas de este guión podrían incluir VDT). A es un hombre y B es una mujer, pero el sexo de C es inmaterial. C tiene que identificar cuál de sus interlocutores es A y cuál es B. Además, el papel de A es confundir a C, y el papel de B es minimizar la confusión de C.

La pregunta de Turing es: ¿Qué pasará cuando una máquina toma el lugar de A en este juego? La sugerencia hecha por Turing es que cualquier máquina es capaz de tomar el lugar de A sin que C se dé cuenta, debe tener una fuerte cercanía a la inteligencia. para simplificar un poco el

guión, muchos han inferido generalmente que cualquier máquina que pueda convencerá un humanoide que tambien es un humano, debe ser capaz de pensamiento.

Los programas son representaciones formales y son, por eso, ejecutables en cualquier forma de equipo computacional. Además, a causa de que los defensores de la IA argumentan que el cerebro es una forma de aparato computacional, el programa que se ejecuta dentro del cerebro, (el producto del cual es nuestra mente) debe poder ser ejecutado en otras formas de maquinaria

computacional, tales como las computadoras digitales. Así para reproducir la mente, todo lo que requerimos es la naturaleza del programa que se ejecuta dentro del cerebro; podemos entonces correrlo en una computadora digital y replicar la mente.

A causa de que para muchos comentaristas, el lenguaje es el signo principal de la inteligencia , necesitamos consagrar una atención más amplia en este punto, a las enormes dificultades que el lenguaje representa por los esfuerzos para entenderlo computacionalmente. De nuevo, como con nuestra habilidad para navegar alrededor de una habitación, para comprender un idioma necesitamos acumular una cantidad enorme de experiencia, oyéndolo, produciéndolo en una variedad de formas, y desarrollándolo formalmente a través de nuestros sistemas de educación.

Cuando profiero la frase, `no puedo soportarlo más,' inmediatamente entendemos el contexto. Uno sabe por experiencia que no estoy hablando de un enorme, peludo y a veces peligroso mamífero, ni de la productividad de un árbol, ni de la capacidad de carga de una viga de acero.

Tales significados múltiples podrían , por supuesto, estar cifrados en forma computacional (aunque esto sería tedioso y difícil), pero otras formas del idioma permanecen rebeldes a las computadoras. Por ejemplo si dije `no he hundido nunca a ningún estudiante de matemáticas de segundo año,' la implicación, es, por supuesto, que he enseñado tal curso y que lo he hecho así durante una considerable longitud de tiempo.

También, si digo, `no me puedo presentar al examen. Mi doctor me ha dado un certificado médico' las implicaciones son que mi enfermedad me impide presentarme al examen, que el certificado médico es una forma de evidencia por este impedimento , y que posiblemente, se pueden hacer algunos arreglos de evaluación alternativos o que la ausencia de unos exámenes considerará en el contexto de mi enfermedad.

HERRAMIENTAS DE LOS SISTEMAS MODERNOS

Por lo general, al desarrollar sistemas expertos la programación se centra en los temas de inferencia y búsqueda heurística y depende esencialmente de la manipulación de símbolos: series de caracteres (como `nombres' que se emplean libremente para representar cualquier elemento del área)

Los lenguajes de programación LISP y PROLOG son por excelencia los lenguajes comunes más empleados en la construcción de SE, aunque muchos lenguajes convencionales específicamente C se están volviendo habituales. LISP conceptualmente es un lenguaje funcional; cada instrucción en el lenguaje es una

Descripción de una función. Conceptualmente, PROLOG es un lenguaje que se basa en la lógica; cada instrucción del lenguaje es una expresión en una sintaxis de lógica formal.

El procesamiento simbólico es importante en SE, debido a que las primitivas de conocimientos, se almacenan mediante el uso de representaciones simbólicas. Es útil que en los lenguajes de programación para SE puedan tratar libremente con `cosas' sin estar comprometido con la composición de dichas cosas.

Los méritos relativos de LISP vs PROLOG vs otros lenguajes candidatos, son origen de continuos debates. Aunque el fundamento de estas argumentaciones es algunas veces de corte tradicional y geográfico más que técnico, es verdad que cada lenguaje es más apropiado para ciertas aplicaciones que otras. Adicionalmente, los lenguajes que son más populares (Como LISP en EEUU) tienen un gran apoyo en las herramientas establecidas para el desarrollo de software.

En la medida que aumente la proporción del desarrollo de los SE, y según se construyan nuevas arquitecturas , es probable que se vuelvan populares nuevos lenguajes simbólicos. Se está orientando una considerable actividad investigativa hacia el desarrollo de lenguajes que combinan las características funcionales (LISP) y lógicas (PROLOG). A medida que tales lenguajes se vuelvan de uso corriente, es razonable esperar la evolución de herramientas de desarrollo más sofisticadas.

El proceso de desarrollo de SE consiste de varias etapas básicas que son similares a las etapas típicas del ciclo de vida en ingeniería de software. Estas etapas son: identificación del problema, construcción de un prototipo, formalización, implantación, evaluación y evolución a largo plazo.

Sin excepción, la primera tarea en el desarrollo, de cualquier SE es establecer que el problema propuesto sea apropiado y requiera ser solucionado, mediante un SE. Si el problema en consideración se puede describir en términos de definiciones y algoritmos explícitos, probablemente sea preferible desarrollar la solución de programación tradicional. si el problema no está bien identificado o demanda amplio criterio humano (como juzgar en un concurso artístico), es probable que sea demasiado complejo para un SE.

Después de la selección de un problema apropiado, se construye un prototipo pequeño para ayudar en la compresión del problema completo y estimar la tarea de la construcción de la solución total el siguiente paso en el proceso de desarrollo es formalizar el enunciado del problema y diseñar completamente el SE. Después de la formalización se realiza la implantación. Esta consiste principalmente de un ciclo continuo de adquisición de conocimientos, actualización de la base de conocimientos y pruebas.

Se entiende como fase de evaluación, que sigue a la implantación, la estimación de la proximidad del sistema de desarrollo experto. Después de la evaluación y entrega, el SE entra a un periodo de evolución a largo plazo. (según la experiencia que se vaya logrando con su empleo) y se revisa como respuesta a los cambios en los conocimientos del área.

LENGUAJES DE CUARTA GENERACION

La herramienta más elemental para el desarrollo de SE es un lenguaje de propósito general. Lisp ha sido y continua siendo el lenguaje más ampliamente empleado para el desarrollo de SE. Proporciona muchas características que

Facilitan la tarea para la construcción de cualquier sistema de procesamiento simbólico. Más aun, Lisp se está volviendo más popular que la programación convencional, en particular, con el advenimiento del Commom Lisp

El lenguaje de programación Prolog está ganando popularidad. Aunque su empleo como un lenguaje para el desarrollo de SE ha sido un poco menos que el Lisp. Prolog también es un lenguaje simbólico de propósito general, y por atener un método incorporado de búsqueda es un poco más especifico que Lisp.

hay también una tendencia creciente hacia el empleo de lenguajes más convencionales para el desarrollo de SE. Varios SE importantes se han desarrollado mediante Fortan [Weiss, 1984] y se han construido un gran número en lenguaje C. Existen varias desventajas para utilizar tales lenguajes, la más

notoria su carencia de soporte para el procesamiento simbólico y para la administración de memoria automáticamente. Típicamente, se requiere más tiempo para construir un SE, empleando un lenguaje convencional que usando un lenguaje simbólico.

Sin embargo, existen varias desventajas. Por ejemplo C por lo general correrá más rápido que Lisp en un equipo de propósito general -En algunos casos, mucho más rápido. C también está más extensamente disponible y tiene un

soporte general amplio. Otra consideración muy práctica es que existe mayor disponibilidad de programadores proficientes en C que en Lisp. La última ventaja principal es que el hecho que el uso de C, posibilita al sistema final para integrarse en forma más fácil, con el software externo existente.

FUTURO DE LOS SISTEMAS EXPERTOS

Aunque, según se describió anteriormente, Permaid tiene éxito cuando se ve desde el punto de vista del análisis costo/beneficio, falla significativamente por la insuficiencia del material teórico de duplicar el desempeño del experto. En Permaid estas insuficiencias se presentan en varias áreas:

Análisis de nuevos problemas. El desempeño experto es denotado por la habilidad para responder a problemas nuevos y no previstos. Por ejemplo, en el caso de un problema funesto que ocurría una vez cada determinado número de meses se resiste a la solución de cualquier forma. Después de

un análisis extenso e innovativo una persona experta determinó que la operación del dispositivo se vio afectada por el radar principal de una aeronave de carga cuando pasaba por un cierto punto del puerto. Permaid nunca hubiera podido resolver tal problema.

Problemas que se deben resolver a través del reconocimiento de la historia anterior de la instalación. Permaid no equipará la habilidad experta para resolver problemas mediante la aplicación de conocimientos que se basen en la remembranza de eventos pasados en la instalación objetivo.

Habilidad para responder a llamadas de ayuda en problemas parcialmente resueltos. Aunque, como se describió anteriormente, Permaid ofrece capacidades valiosas de iniciativas combinadas, no se aproxima a la habilidad de resolución del problema hasta la fecha y entonces, decidir que pasos se deben seguir a continuación.

Detectar la desinformación. Permaid no equipara la habilidad de experto para detectar la desinformación (un descuido por parte del ISM)

la relaciones con el cliente. La habilidad del experto para tratar con problemas de relaciones humanas (una parte no trivial de la tarea) no es afrontada por Permaid.

Los actuales SE, aunque sean muy poderosos, y económicamente valiosos, no reproducen el desempeño experto. la comunidad de los SE parece estar moviéndose en tres direcciones respuesta a esta situación:

1.- El uso de técnicas de SE para desarrollar sistemas basados en PC que ataquen el segmento del nivel final inferior de problemas “expertos“ (económicamente, un segmento muy valioso).

2.- La integración de SE con los sistemas de software existentes (para emplear las bases de datos existentes).

3.- El desarrollo de sistemas generalmente más inteligentes que suministren más fielmente el verdadero desempeño experto.

El desarrollo generalmente más inteligentes se requieren para enfrentar las necesidades de problemas expertos del segundo final más alto; para expandir el conjunto de problemas que puedan ser afrontados mediante el empleo de la tecnología de IA y para tratar con dominios en que el experto debe ser

completamente remplazado para alcanzar el objetivo deseado. (Un ejemplo es un dominio en el cual el objetivo primario es remover el experto de un ambiente peligroso).

La clave de dicho desarrollo es la investigación continua en técnicas de IA. El proyecto CYC (Lenat, 1986) de la Corporación de Microeléctronica y Tecnología Informática de Austin, Texas, constituye un ejemplo de tal investigación. CYC intenta captar el conocimiento general del sentido común mediante el desarrollo de una base general de conocimientos muy grande, que

incluye todo el conocimiento (representado por marcos y redes) contenido en una enciclopedia de escritorio. La representación de este conocimiento tiene el propósito de reducir la “fragilidad” de los actuales SE (su tendencia a fallar precipitadamente en las condiciones límites) y a reducir grandemente la dificultad del proceso de adquisición de conocimientos.

Los resultados de una investigación como esta puede posibilitar el desarrollo de sistemas que firmemente repliquen comportamientos que actualmente son considerados “ y permitan a las personas desplazarse hacia actividades aún más creativas y útiles.

SISTEMAS EXPERTOS

En esencia, los sistemas expertos son programas que encapsulan el conocimiento de un experto o de varios expertos en un dominio particular del conocimiento, en una forma computacionalmente procesable. Desde este conocimiento de base se pueden dibujar entonces inferencias que igualan o felizmente exceden las inferencias similares realizadas por los expertos humanos.

Otras definiciones de un sistema experto que han sido ofrecidas en diferentes momentos, incluyen las siguientes: “ Un sistema experto es un sistema computacional que usa una representación de la experiencia humana en un dominio especializado, para realizar las funciones similares a aquellas normalmente realizadas por un experto humano en ese dominio.

“Un sistema experto es un sistema computacional que opera aplicado un mecanismo de inferencia a un cuerpo de experiencia especializada representado en la forma de conocimiento. Se han aplicado tales sistemas a muchas áreas de problema por ejemplo, el análisis de los componentes químicos (Dendral) el diagnostico y tratamiento de las enfermedades infecciosas (MYCIN), la configuración de sistemas computacionales para embarque (XCON), y la identificación de áreas probables para la exploración mineral y minería (Prospector).

En cierto sentido, los sistemas expertos han estado alrededor nuestro, de una forma u otra, desde hace muchos años, como programas sofisticados; la diferencia es que el conocimiento de base encapsulado de un sistema experto no es sólo el del programador, sino la estructurada comprensión de reconocidos expertos en un particular dominio de problema.

Verdaderamente, para la mayoría, los sistemas expertos son colecciones de reglas que han sido extraídas de un experto por un ingeniero del conocimiento y, que muy a menudo, aunque no exclusivamente, toman la forma de declaraciones tipo SI-ENTONCES.

Por ejemplo suponga que quisiéramos construir un sistema experto para el diagnóstico de fallos en artefactos de motor a reacción (y tales sistemas existen), entonces algunas de las reglas que podríamos identificar podrían incluir las siguientes:

Semejantemente, en el caso de un sistema diagnóstico médico tal como Mycin.

Por supuesto, las reglas del SI-ENTONCES, no son la única forma en la cual el conocimiento puede ser guardado en la base de conocimiento de un sistema experto. Otras formas incluyen redes semánticas, marcos, y la lógica del predicado, la naturaleza esencial de los sistemas expertos en aplicar métodos deductivos (y a menudo inductivos) a un cuerpo de conocimientos permanecen inalterables.

Debemos notar también que el beneficio real de los sistemas expertos ocurre en aplicaciones de mucho mayor complejidad que ésta y que varios de tales sistemas pueden suministrar la intervención apropiada, la terapia, o los procedimientos de reparación para el caso particular en que nos encontramos.

Para alcanzar este éxito, los sistemas expertos no solo usan una base de conocimiento y un artefacto de inferencia para operar sobre ese conocimiento, sino que también, usualmente, proporcionan una interfase explicativa que justifica sus conclusiones mediante la explicación de la línea del sistema de razonamiento con probabilidades pertinentes para cada una de las conclusiones que traza.

Además, la mayoría del trabajo duro involucrado en la construcción de un sistema experto, no es tanto en el nivel de programación (aunque puede ser muy difícil) sino en la extracción de las reglas de los expertos humanos por el ingeniero del conocimiento. Muy a menudo, los expertos no conocen, conscientemente, las reglas que usan, y el ingeniero del conocimiento tiene que star experimentando en identificar un componente de la regla cuando aparece en la explicación de un experto.

Además, las reglas de los expertos y los conocimientos a menudo entran en conflicto, no sólo a través de los expertos, sino incluso en el mismo experto. Por eso, resolver tales ruidos, es parte también de la tarea del ingeniero del conocimiento.

Dado el crecimiento en el desarrollo y en el uso de sistemas expertos, particularmente ahora que las conchas (entornos del programa computacional) para edificar tales sistemas son bastante comunes, quizás

sea apropiado hacer algunas preguntas acerca de los sistemas expertos y su relación con la IA.

Por ejemplo, ¿ son los sistemas expertos inteligentes ? ¿ son parte de la inteligencia artificial en cualquier sentido insignificante ?

¿ QUÉ ES LA INTELIGENCIA ?

Las lecciones aprendidas de estos esfuerzos han hecho surgir, también interesantes preguntas a cerca de la naturaleza de inteligencia humana y, verdaderamente, dónde yace exactamente la línea que divide la conducta inteligente y la que no lo es ( o Aún si tal línea existe). Varios críticos de la IA,

por ejemplo, han planteado que la grosera aproximación computacional al juego de ajedrez perfilada previamente, apenas se podía llamar inteligencia. En cambio, los ponentes de IA argumentan que el criterio de inteligencia es constantemente (e injustamente) redibujado por los críticos, en cuanto ese criterio ha sido alcanzado.

Por ejemplo, en una fase, la habilidad aritmética fue vista como una muestra de inteligencia, ahora que las computadoras pueden calcular millones de sumas más rápidamente que cualquier humano que haya vivido nunca, ya no es vista más como un requerimiento de la inteligencia.

Semejantemente, el jugar al ajedrez fue visto una vez como una exigente actividad intelectual, ahora que las computadoras pueden derrotar fácilmente a una vasta mayoría de jugadores de ajedrez (aunque no a todos), esto, también, parece estar perdiendo su estado como prueba de inteligencia.

CUESTIONES ETICAS ¿ES LA INTELIGENCIA ARTIFICIAL UNA META ADECUADA?

La promoción de la inteligencia artificial y la llegada de los sistemas expertos , proporciona una rica fuente de dilema éticos para los profesionales de la computación y para los usuarios. Por ejemplo, dado la magnitud en que ha sido apoyada la IA para propósitos militares, ¿Debemos cuestionarnos toda base ética de tal disciplina? O, a causa de

que la mayoría de la investigación de todo género ha sido apoyada por el ejército,

¿Es la IA absolutamente culpable de ser más exitosa en ese sentido? También necesitamos ser más cuidadosos acerca de la creencia que surge de los planteamientos realizados por la llamada `Inteligencia Artificial', cuando van buscando que el gobierno apoye sus proyectos.

Así muchas de sus promociones durante años han resultado ser tan exageradas, y al final solo humo , que la mayoría de los observadores de la IA, han aprendido a tomar las predicciones de la IA acerca de los desarrollos futuros en el área con gran escepticismo.

Peor aún las propuestas más prácticas y aparentemente con los pies más en la tierra han perturbado los aspectos éticos. Por ejemplo, ¿No es peligroso apoyar, como Donald Michie hace, el uso de sistemas expertos para dar vederictos judiciales, administrar nuestras ciudades, quizá incluso, reemplazar nuestros gobiernos?

Michie ha sido conocido por declarar que tales sistemas tendrían que ser enseñados a mentir, porque así es como los administradores reales (y ¿presumiblemente buenos?) trabajan. No se puede decir la verdad a todo el mundo, solo porque lo pidan, o así plantea este argumento.

Verdaderamente, ¿Michie y Roy Johnston creen seriamente que los sistemas expertos resolverán algún día los problemas de desempleo, contaminación, crimen, guerra, sobrepoblación y terrorismo? ¿Qué debemos poner en tales planteamientos?¿Es solo otra tontería de los tecnócratas que no ven nunca la luz del día?

Comentaristas tales como William Ascher han señalado claramente las limitaciones de los sistemas expertos en las aplicaciones políticas y administrativas, a causa de su comparativamente estrecha base de conocimientos y la dificultad envuelta en encapsular conceptos de alto nivel.

UNIDAD 2 INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

I N T E L I G E N C I A N A T U R A L :

La utilizamos al observar y estudiar la naturaleza. Los biológicos y herbolarios son quienes más la han desarrollado.

Todos tenemos los 9 tipos de inteligencia, pero desarrollamos unas o otras dependiendo de factores como la educación, la familia y el entorno. No importa cuál sea la actividad que vayamos a desarrollar, pues necesitamos algunas combinaciones según sea el caso.

Hoy, debido a la complejidad del mundo, los niños parecen estar mucho más listos para resolver problemas de toda índole. Por eso, aunque es importante que conozcas los talentos y aptitudes de tu hijo, también lo es que trates de incentivar su capacidad para desenvolverse correctamente en cualquier ámbito, así cuando ingrese a la escuela y a la universidad, no sólo será capaz de obtener buenas notas sino también de ser feliz.

DEFINICION DE INTELIGENCIA ARTIFICIAL:

Es una de las areas de las ciencias computacionales encargadas de la creacion de hardware y software que tenga comportamientos inteligentes

Conocida también como IA. Parte de la informática dedicada al estudio de la simulación de inteligencia en programas. Suelen utilizar técnicas complejas similares al razonamiento humano.

Existen dos opiniones referentes a la IA: Fuerte (Strong), la cual piensa que se podrán crear ordenadores inteligentes y con razón; Débil (weak), quienes piensan que pueden simular muy bien el cerebro humano, pero sólo simular.

2. Todo programa que simula inteligencia humana como por ejemplo, la posibilidad de mantener una conversación.

APLICACIONES DE LA I.A: Existen varias y son:

Tratamiento de Lenguajes Naturales: Capacidad de Traducción, Órdenes a un Sistema Operativo, Conversación Hombre-Máquina, etc.

Sistemas Expertos: Sistemas que se les implementa experiencia para conseguir deducciones cercanas a la realidad.

Robótica: Navegación de Robots Móviles, Control de Brazos móviles, ensamblaje de piezas, etc.

Problemas de Percepción: Visión y Habla, reconocimiento de voz, obtención de fallos por medio de la visión, diagnósticos médicos, etc.

Aprendizaje: Modelización de conductas para su implante en computadoras.

FUNCIONES INTELIGENTES

La robótica inteligente autónoma es un enorme campo de estudio multidisciplinario, que se apoya esencialmente sobre la ingeniería

(mecánica, eléctrica, electrónica e informática) y las ciencias (física, anatomía, psicología, biología, zoología, etología, etc.). Se refiere a sistemas automáticos de alta complejidad que presentan una estructura mecánica articulada –gobernada por un sistema de control electrónico– y características de autonomía, fiabilidad, versatilidad y movilidad.

En esencia, los “robots inteligentes autónomos” son sistemas dinámicos que consisten en un controlador electrónico acoplado a un cuerpo mecánico. Así, estas máquinas necesitan de adecuados sistemas sensoriales (para percibir el entorno en donde se desenvuelven), de una precisa estructura mecánica adaptable (a fin de disponer de una cierta destreza física de locomoción y manipulación), de complejos sistemas efectores (para ejecutar las tareas asignadas) y de sofisticados sistemas de control (para llevar a cabo acciones correctivas cuando sea necesario) [Moriello, 2005, p. 172].

ROBÓTICA SITUADA (SITUATED ROBOTICS)

Este enfoque se ocupa de los robots que están insertos en entornos complejos y, a menudo, dinámicamente cambiantes [Mataric, 2002]. Se basa sobre dos ideas centrales [Florian, 2003] [Muñoz Moreno, 2000] [Innocenti Badano, 2000]: los robots a) “están corporizados” (embodiment), es decir, tienen un cuerpo físico apto para experimentar su entorno de manera directa, en donde sus acciones tienen una realimentación inmediata sobre sus propias percepciones, y b) “están situados” (situatedness), o sea, están inmersos dentro de un entorno; interaccionan con el mundo, el cual influye –de forma directa– sobre su comportamiento.

Obviamente, la complejidad del entorno tiene una relación estrecha con la complejidad del sistema de control. En efecto, si el robot tiene que reaccionar rápida e inteligentemente en un ambiente dinámico y desafiante, el problema del control se torna muy difícil. Si el robot, en cambio, no necesita responder de manera rápida, se reduce la complejidad requerida para elaborar el control.

Dentro de este paradigma, se encuentran varios subparadigmas: la “robótica basada en el comportamiento”, la “robótica cognitiva”, la “robótica epigenética”, la “robótica evolutiva” y la “robótica biomimética”.

ROBÓTICA BASADA EN EL COMPORTAMIENTO O LA CONDUCTA (BEHAVIOUR-BASE ROBOTICS)

Este acercamiento emplea el principio conductista: los robots generan un comportamiento sólo cuando se los estimula; es decir, reaccionan ante los cambios de su entorno local (como cuando alguien toca accidentalmente un objeto caliente). Aquí, el diseñador divide las tareas en numerosas y diferentes comportamientos básicos, cada una de los cuales se ejecuta en una capa separada del sistema de control del robot.

Típicamente, estos módulos (conductas) pueden ser la de evitar obstáculos, caminar, levantarse, etc. Las funciones inteligentes del sistema, tales como percepción, planificación, modelado, aprendizaje, etc. emergen de la interacción entre los distintos módulos y el entorno físico en donde está inmerso el robot. El sistema de control –totalmente distribuido– se construye de manera incremental, capa por capa, a través de un proceso de ensayo y error, y cada capa es responsable únicamente de una conducta básica [Moriello, 2005, p. 177/8].

Los sistemas basados en la conducta son capaces de reaccionar en tiempo real, ya que calculan las acciones directamente a partir de las percepciones (a través de un conjunto de reglas de correspondencia situación-acción). Es importante observar que el número de capas aumenta con la complejidad del problema. De este modo, una tarea muy compleja puede estar más allá de la capacidad del diseñador (es muy complicado definir todas las capas, sus interrelaciones y dependencias) [Pratihar, 2003].

Otro inconveniente es que, debido a la presencia de varias conductas y a su dinámica individual de interacción con el mundo, muchas veces es difícil decir que una serie de acciones en particular ha sido producto de una conducta particular. Algunas veces varias conductas trabajan simultáneamente, o están intercambiándose rápidamente.

Aunque tal vez alcancen la inteligencia del insecto, probablemente los sistemas construidos a partir de este enfoque tengan habilidades limitadas, ya que no tienen representaciones internas [Dawson, 2002]. En efecto, este tipo de robots presentan una gran dificultad para ejecutar

tareas complejas y, en las más sencillas, no se garantiza la mejor solución, la óptima.

ROBÓTICA COGNITIVA (COGNITIVE ROBOTICS)

Esta aproximación utiliza técnicas provenientes del campo de las Ciencias Cognitivas. Se ocupa de implementar robots que perciben, razonan y actúan en entornos dinámicos, desconocidos e imprevisibles. Tales robots deben tener funciones cognitivas de muy alto nivel que impliquen razonar, por ejemplo, acerca de las metas, las acciones, el tiempo, los estados cognitivos de otros robots, cuándo y qué percibir, aprender de la experiencia, etc.

Para eso, deben poseen un modelo simbólico e interno de su entorno local, y la suficiente capacidad de razonamiento lógico para tomar decisiones y para ejecutar las tareas necesarias a fin de alcanzar sus objetivos. En pocas palabras, esta línea de trabajo se ocupa de implementar características cognitivas en los robots, tales como percepción, formación de conceptos, atención, aprendizaje, memoria a corto y largo plazo, etc. [Bogner, Maletic y Franklin, 2000].

Si se consigue que los robots desarrollen por sí mismos sus capacidades cognitivas, se evitaría el programarlos “a mano” para cada tarea o contingencia concebible [Kovács, 2004]. Asimismo, si se logra que los robots utilicen representaciones y mecanismos de razonamiento similares a la de los humanos, se podría mejorar la interacción hombre-máquina, así como las tareas de colaboración. Sin embargo, se necesita un elevado poder de procesamiento (en especial si el robot cuenta con numerosos sensores y actuadores) y mucha memoria (para representar el espacio de estados).

ROBÓTICA DE DESARROLLO O EPIGENÉTICA

Este enfoque se caracteriza porque trata de implementar sistemas de control de propósito general, a través de un prolongado proceso de desarrollo o auto-organización autónoma. Como resultado de la interacción con su entorno, el robot es capaz de desarrollar diferentes –y cada vez más complejas– capacidades perceptuales, cognitivas y comportamentales.

Se trata de un área de investigación que integra la neurociencia del desarrollo, la psicología del desarrollo y la robótica situada. Inicialmente el sistema puede estar dotado de un pequeño conjunto de conductas o conocimientos innatos, pero –gracias a la experiencia adquirida– es capaz de crear representaciones y acciones más complejas. En síntesis, se trata de que la máquina desarrolle autónomamente las habilidades adecuadas para un determinado entorno particular transitando por las diferentes fases de su “desarrollo mental autónomo”.

La diferencia entre la robótica de desarrollo y la robótica epigenética –a veces agrupadas bajo la denominación de “robótica ontogenética” (ontogenetic robotics)– es algo sutil, ya que se refiere al tipo de entorno. En efecto, mientras la primera hace referencia únicamente al entorno físico, la segunda toma en cuenta también al entorno social.

El término epigenético (más allá de lo genético) fue introducido –en la psicología– por el psicólogo suizo Jean Piaget para designar su nuevo campo de estudio que enfatiza la interacción sensomotriz de la persona con el entorno físico, en lugar de tener en cuenta solamente a los genes. Por otra parte, el psicólogo ruso Lev Vygotsky complementó esta idea con la importancia de la interacción social.

ROBÓTICA EVOLUTIVA (EVOLUTIONARY ROBOTICS)

Este acercamiento aplica los conocimientos obtenidos de las Ciencias

Naturales (biología y etología) y de la Vida Artificial (redes neuronales, técnicas evolutivas y sistemas dinámicos) sobre robots reales, a fin de que desarrollen sus propias habilidades en interacción íntima con el entorno y sin la intervención humana.

Mediante un diseño fijo, es difícil lograr que un robot se adapte (se auto-organice) a un entorno dinámico que evoluciona –a menudo– mediante cambios caóticos. De allí que la robótica evolutiva puede proporcionar una adecuada solución a este problema, ya que la máquina puede adquirir automáticamente nuevos comportamientos dependiendo de las situaciones dinámicas que se presentan en el entorno en donde está situada.

A través de la utilización de técnicas evolutivas (algoritmos genéticos, programación genética y estrategia evolutiva), se puede decidir evolucionar el sistema de control o algunas características del cuerpo del robot (morfología, sensores, actuadores, etc.) o co-evolucionar ambas.

De igual manera, se puede decidir evolucionar físicamente el hardware (los circuitos electrónicos) o el software (los programas o las reglas de control). No obstante, poco hay hecho sobre hardware evolutivo [Fernández León, 2004] y, normalmente, lo que se hace es evolucionar primero el controlador en una simulación por computadora y, sólo después, se lo transfiere a los robots reales. El controlador del robot consiste típicamente en redes neuronales artificiales, y la evolución consiste en modificar los pesos de las conexiones de dicha red.

En la actualidad, el principal inconveniente del control evolutivo es su lenta velocidad de convergencia y la considerable cantidad de tiempo que tiene que pasar para llevar a cabo el proceso evolutivo sobre un robot real [Pratihar, 2003]. Asimismo, no es apropiado para resolver problemas de creciente complejidad [Fernández León, 2004].

ROBÓTICA BIOMIMÉTICA, BIORROBÓTICA O ROBÓTICA INSPIRADA BIOLÓGICAMENTE

Esta aproximación se ocupa de diseñar robots que funcionan como los sistemas biológicos, de allí que se basan sobre las Ciencias Naturales (biología, zoología y etología) y la robótica. Dado que los sistemas biológicos realizan muchas tareas de procesamiento complejas con máxima eficiencia, constituyen una buena referencia para implementar sistemas artificiales que ejecuten tareas que los seres vivos realizan de forma natural (interpretación de la información sensorial, aprendizaje de movimientos, coordinación motora, etc.) [Ros, et al, 2002]. Aunque es posible obtener diferentes grados de “inspiración biológica” (desde una vaga semejanza hasta una aceptable réplica), el objetivo último es realizar máquinas y sistemas cada vez más similares al original [Dario, 2005].

La ventaja de construir bio-robots es que, como es posible estudiar todos sus procesos internos, se los puede contrastar con los diferentes órganos del animal del cual se inspira. En la actualidad, los científicos desarrollan langostas, moscas, perros, peces, serpientes y cucarachas robóticas, con el fin de emular –en mayor o mayor medida– la conducta robusta, flexible y adaptable de los animales. No obstante, pocas máquinas se parecen a sus homólogos naturales.

Replicar la biología no es fácil y podría pasar bastante tiempo antes de que se puedan fabricar robots biomiméticos que resulten verdaderamente útiles. Otro problema –quizás el principal– es que, aunque se conoce muy bien los diferentes procesos de muchos de estos seres vivos, hay una diferencia abismal con sus equivalentes humanos. En efecto, el modo en el que percibe y actúa el hombre es extremadamente más complejo que como lo hace una langosta, por dar un ejemplo.