Principios y metodologias de la Inteligencia Artificial unidad 2 PDF

Preview

Summary

2.1 Principios y metodologias de la Inteligencia Artificial unidad 2, subtema 1...

Description

Inteligencia Artificial

Principios y metodologías de la Inteligencia Artificial

Introducción El campo de estudio de la I.A. abarca una gran variedad de subcampos y aplicaciones que van desde probar teoremas matemáticos, construir sistemas expertos, resolver problemas de propósito general, implementación de algoritmos de búsqueda y toma de decisiones; en si cualquier tarea que involucre una parte intelectual, lo que hace a la I.A. una ciencia universal en todos los sentido, toma y aporta conocimientos de todas las ciencias. Los científicos no saben el conocimiento o forma de trabajar exacto de la mente humana, solo existen suposiciones y patrones, lo que complica si hablamos de la I.A. se esfuerza en construir agentes inteligentes, tema principal y unificador.

Así de complicado como lo es la definición de conciencia lo es la definición de la I.A., son representados de dos formas, por una parte enfocados a procesos mentales y de razonamiento y por otro a la conducta. Esta ciencia unifica y abarca temas filosóficos, matemáticos, intelectuales y biológicos entre otros. Sis Sistemas temas q que ue p piensan iensan com como o hum humano ano anos: s: “El nuevo y excitante esfuerzo de hacer que los computadores piensen… máquinas con mentes, en el más amplio sentido literal”. Haugeland, 1985. Sis Sistemas temas q que ue aactúan ctúan com como o hum humanos anos “El arte de desarrollar máquinas con capacidad pararealizar funciones que cuando son realizadas por personas requieren de inteligencia”. Kurzweil, 1990. Sis Sistemas temas q que ue p piensan iensan raci racionalm onalm onalmente ente “El estudio de los cálculos que hacen posible percibir, razonar y actuar”. Winston, 1992. Sis Sistemas temas q que ue aactúan ctúan racion racionalm alm almente ente “La Inteligencia Computacional es el estudio del diseño de agentes inteligentes”. Poole et al. 1998 Prueba de Turing En 1950 Alan Turing promueve una prueba para evaluar hasta cierto punto la inteligencia de un ente. La famosa Prueba de Turing, pone en desafío a una computadora contra un juez humano, la prueba será superada si la persona no logra distinguir si lo que responde es una persona o no. Los puntos a considerar son: Proc Procesami esami esamiento ento natur natural al de dell lengu lenguaje. aje. : Quizá una de las partes más complicadas de la prueba, el ente tiene que entender nuestro lenguaje natural (hablado o escrito). Repr Represen esen esentación tación del cconoc onoc onocimien imien imiento. to. : Es la capacidad de almacenar lo que se conoce. Raz Razonami onami onamiento ento autom automátic átic ático. o. : Es la posibilidad de crear nuevas ideas y conceptos a través de la base de conocimiento. (Para poder entender una plática, se necesita cierto conocimiento general). Apre Aprendiz ndiz ndizaje aje au automá tomá tomático. tico. : Capacidad de adaptarse, aprender y entender patrones. La ciencia de la inteligencia artificial debe enfocar sus esfuerzos en entender los principios básicos y fundamentales del pensamiento y la inteligencia, la primera vertiente que habla sobre entes que piensan y actúan racionalmente, se basan en una inteligencia ideal, puesto que un humano no siempre es capaz en todo.

Tip Tipos os de apli aplicaci caci caciones ones  Comprensión de lenguaje natural  Interpretación de imágenes  Manipulación y navegación  Matemáticas simbólicas  Planificación  Solución de problemas complejos  Multiagentes Tip Tipo o de técn técnicas icas  Manipulación simbólica  Aprendizaje  Razonamiento  Búsqueda heurística  Manejo de incertidumbre Tip Tipo o de leng lenguajes uajes  Simbólicos (Lisp)  Lógicos (Prolog) Repr Represen esen esentacion tacion taciones es b básicas ásicas  Reglas de producción  Redes semánticas  Frames (prototipos o marcos)  Lógica de predicados Repr Represen esen esentacion tacion taciones es av avanza anza anzadas das  Sistemas que manejan incertidumbre  Sistemas que aprenden

La IA se ocupa de la resolución de problemas y para esto es necesario (pero no suficiente) tener conocimientos sobre el problema que se va a resolver. Existen varios paradigmas en la IA que definen la forma de representar los conocimientos y como estos son utilizados para lograr un determinado objetivo. Existen varios paradigmas en la IA que definen la forma de representar los conocimientos y cómo estos son utilizados para lograr un determinado objetivo. Tales como:  Inteligencia Artificial Simbólica (IAS) Esta rama de la IA tiene como objetivo representar explícitamente el conocimiento humano de forma declarativa (hechos y reglas). Las aplicaciones de la IAS corresponden a aplicaciones donde el ambiente es conocido y existe precisión en los datos. Esta aproximación ha tenido muchos éxitos, fundamentalmente con los llamados Sistemas Expertos, sin embargo las dificultades encontradas en este paradigma son muchas y muchos investigadores plantean que éstas no tienen solución. Por ejemplo, el conocimiento llamado “sentido común” es muy difícil de representar simbólicamente.  Inteligencia Artificial Conexionista (IAC) Estos modelos copian el paralelismo masivo de las neuronas para procesar información o datos. La IAC se inspira en la estructura neuronal del cerebro para implementar sistemas con capacidad de reconocer patrones, clasificar, aprender, etc. A partir de la interconexión de unidades elementales, llamadas neuronas, se obtienen las llamadas Redes Neuronales Artificiales (RNA), las que presentan uncomportamiento emergente. La IAC se aplica en situaciones donde existe imprecisión, principalmente desde el punto de vista del raciocinio (o sea, no se conoce con exactitud cómo se resuelve el problema).  Inteligencia Artificial Evolutiva (IAE) Esta surgió al final de los años 60, cuando se comenzó a estudiar la incorporación de mecanismos de selección natural para la solución de problemas. Como resultado se crearon una serie de algoritmos que, basados en la Teoría de la Evolución de Charles Darwin, conducen una búsqueda estocástica de la solución de un problema, haciendo evolucionar a un conjunto de estructuras y seleccionando de modo repetido, las más adecuadas. La IAE es preferentemente utilizada cuando el ambiente es desconocido.  Inteligencia Artificial Híbrida (IAH) La IAH involucra a más de uno de los paradigmas anteriores para resolver problemas. A continuación se muestran los tres paradigmas anteriores, como vértices de un triángulo. Las aplicaciones de la IAS corresponden a aplicaciones donde el ambiente es conocido y existe precisión en los datos.

La IAC se aplica en situaciones donde existe imprecisión, principalmente desde el punto de Por último, la IAE es preferentemente utilizada cuando el ambiente es desconocido. vista del raciocinio (o sea, no se conoce con exactitud cómo se resuelve el problema).  Inteligencia Artificial Distribuida (IAD) La IAD se basa en la modularidad, pues su funcionamiento depende de un conjunto de partes (o módulos) que trabajan de modo cooperativo para resolver un determinado problema.  Inteligencia Artificial Monolítica (IAM)

La IAM contempla sistemas no modulares como, por ejemplo los Sistemas Expertos. Por su parte, la IAD se basa en la modularidad, pues su funcionamiento depende de un conjunto de partes (o módulos) que trabajan de modo cooperativo para resolver un determinado problema. Su carácter modular está directamente ligado al concepto de Agentes.

“Los paradigmas de IA vistos hasta ahora se refieren a cómo se manipula el conocimiento, o sea, en particular a cómo se adquiere, almacena y utiliza para lograr un determinado fin que generalmente es tomar una decisión o resolver un problema”....