Unidad 1.- Fundamentos de la Inteligencia Artificial

Unidad 1.- Fundamentos de la Inteligencia Artificial.

1.1. Historia de la IA.

La Inteligencia Artificial surge definitivamente a partir de algunos trabajos publicados en la década de 1940 que no tuvieron gran repercusión, pero a partir del influyente trabajo en 1950 de Alan Turing, matemático británico, se abre una nueva disciplina de las ciencias de la información.

Si bien las ideas fundamentales se remontan a la lógica y algoritmos de los griegos, y a las matemáticas de los árabes, varios siglos antes de Cristo, el concepto de obtener razonamiento artificial aparece en el siglo XIV. A finales del siglo XIX se obtienen lógicas formales suficientemente poderosas y a mediados del siglo XX, se obtienen máquinas capaces de hacer uso de tales lógicas y algoritmos de solución.

En su histórico artículo de 1950, Turing propuso que la pregunta «¿puede pensar una máquina?» era demasiado filosófica para tener valor y, para hacerlo más concreto, propuso un «juego de imitación». En la prueba de Turing intervienen dos personas y una computadora. Una persona, el interrogador, se sienta en una sala y teclea preguntas en la terminal de una computadora. Cuando aparecen las respuestas en la terminal, el interrogador intenta determinar si fueron hechas por otra persona o por una computadora. Si actúa de manera inteligente, según Turing es inteligente. Turing, señaló que una máquina podría fracasar y aún ser inteligente. Aun así creía que las máquinas podrían superar la prueba a finales del siglo XX.

De todas maneras esta prueba no tuvo el valor práctico que se esperaba, aunque sus repercusiones teóricas son fundamentales. El enfoque de Turing de ver a la inteligencia artificial como una imitación del comportamiento humano no fue tan práctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento racional, de manera similar, en el campo de la aeronáutica se dejó de lado el enfoque de tratar de imitar a los pájaros y se tomó el enfoque de comprender las reglas de aerodinámica. Aunque desde luego, el enfoque del comportamiento humano y el del pensamiento humano siguen siendo estudiados por las ciencias cognitivas y continúan aportando interesantes resultados a la Inteligencia Artificial, y viceversa.

1.2. Conceptos y técnicas (Estado del arte) .

Conceptos

Se define la Inteligencia Artificial como aquella inteligencia exhibida por artefactos creados por humanos (es decir, artificial). A menudo se aplica hipotéticamente a los computadores. El nombre también se usa para referirse al campo de la investigación científica que intenta acercarse a la creación de tales sistemas. La Inteligencia Artificial trata de conseguir que los ordenadores simulen en cierta manera la inteligencia humana. Se acude a sus técnicas cuando es necesario incorporar en un sistema informático, conocimiento o características propias del ser humano.

La Inteligencia Artificial ha tenido gran auge en nuestros días, teniendo aplicabilidad en la informática, la ciencia, la salud y otros campos. Ha sido un gran reto tratar de acercar la mente de una máquina al pensamiento humano, y sin dudar que en un futuro no muy lejano no sepamos distinguir si estamos en presencia de una Inteligencia Artificial o una verdadera mente humana.

Técnicas

A medida que los juegos de vídeos fueron evolucionando, y fueron surgiendo nuevos géneros la necesidad de técnicas de Inteligencia Artificial fue aumentando en gran medida.

Uno de los principales objetivos de un juego de vídeo es ofrecer retos al usuario, esto se logra introduciendo técnicas de Inteligencia Artificial, ya que ellas son las que deciden cuáles son las mejores opciones que pueden tomar los elementos del juego de vídeo a partir de las condiciones del entorno que los rodea. Las técnicas que se utilizan para un juego de vídeo dependen mucho del tipo de juego de vídeo que estemos diseñando.

Este Procesamiento del Lenguaje Natural, depende de la lingüística computacional. Por ello, se le atribuyen numerosas aplicaciones, como: indización y traducción automática (empleando el lenguaje natural como punto de partida), creación de resúmenes de textos, respuesta a preguntas (comunicación hombre - máquina) o reconocimiento del habla (verificación del lenguaje natural) entre otras.

1.3. Desarrollos actuales.

En cuanto al desarrollo actual de la investigación en el campo de los sistemas expertos, la primera fase corresponde al desarrollo de sistemas y programas que traten directamente el lenguaje natural, si bien persisten todavía dos escollos importantes. Por un lado, el problema de cómo emplear de un modo eficaz una gran cantidad de información sin necesidad de echar mano de la combinatoria; es decir, cómo conseguir un sistema dotado de conocimientos (metaconocimientos) que le permitan utilizar los conocimientos del sistema y que, a su vez, le permitan deducir automáticamente nuevos conocimientos, ya que no cabe pensar en la reunión de todos los conocimientos necesarios en casos de campos tan sumamente vastos como el del diagnóstico en la medicina.

1.3.1. Procesamiento de Lenguaje Natural (PLN).

El Procesamiento de Lenguaje Natural, es una rama dependiente de la Inteligencia artificial. El PLN, se encarga de desarrollar la comunicación entre hombres y máquinas de tal manera que esta pueda realizarse de un modo natural, es decir, como si fuese una comunicación entre humanos.

1.3.2. Reconocimiento de patrones.

Es la asociación de una observación, a una experiencia pasada o conocimiento. Para el ser humano, ciertas tareas de R.P. son naturales y las llevamos a cabo en todo momento: cuando reconocemos la voz de un conocido en una conversación telefónica, al recordar la cara de alguien al escuchar su nombre, cuando resolvemos las tareas cotidianas de cada una de nuestras profesiones en las que aplicamos una solución dada a un problema específico y al recordar el teléfono de un amigo, sin embargo, existen algunas tareas que no son para nosotros tan naturales y fáciles como predicciones sísmicas y predicciones de financieras entre otras.

En el R.P., se llevan a cabo básicamente dos tipos de tareas de las cuales parten todas las tareas que se puedan imaginar, es decir, todas las tareas que se resuelvan en R.P. son casos especiales o se pueden categorizar como uno de estos dos tipos: Clasificación y Estimación.

1.3.3. Robótica.

La robótica es la ciencia y la tecnología de los robots. Se ocupa del diseño, manufactura y aplicaciones de los robots La robótica combina diversas disciplinas como son: la mecánica, la electrónica, la informática, la inteligencia artificial y la ingeniería de control. Otras áreas importantes en robótica son el álgebra, los autómatas programables y las máquinas de estados.

1.3.4. Sistemas Expertos.

En los años 70 que surgió un nuevo paradigma en la Inteligencia Artificial “los Sistemas Expertos”, cuya función es desarrollar trabajos similares a los que desarrollaría un especialista en un área determinada, la idea no es sustituir a los expertos, sino que estos sistemas sirvan de apoyo a los especialistas en un “dominio” de aplicación específico.

Estos sistemas expertos son en lo esencial sistemas de computación basados en conocimientos cuyos componentes representan un enfoque cualitativo de la programación. Muchas personas pueden creer que un Sistema Experto (SE) es un sistema compuesto por subsistemas y a su vez estos por otros subsistemas hasta llegar a los programas, y que los SE se miden por la cantidad de programas que contienen. Sin embargo la cantidad no es lo que prima en los SE, si no la cualidad del mismo, esta cualidad está dada por la separación de las reglas que describen el problema (Base de Conocimientos), del programa de control que es quien selecciona las reglas adecuadas (Motor de inferencias).

Podemos decir que un Sistema Experto es una Base de Conocimientos (BC), una Base de Hechos (BH) y un Motor (o Máquina) de Inferencias (MI). Por otra parte estos sistemas no se miden por la cantidad de instrucciones o programas sino por la cantidad de reglas que hay contenida en su Base de Conocimientos.

Para desarrollar los sistemas expertos primero es necesario abordar un área de interés, dentro de esta área se seleccionan a los expertos, que son los especialistas capaces de resolver los problemas en dicha área. Por ejemplo el área de interés de las empresas de proyectos, son precisamente los proyectos y un especialista podría ser un arquitecto, un ingeniero civil, etc. Ahora bien, casi siempre estos especialistas, son expertos en un dominio específico y es sobre este dominio, donde poseen su mayor experiencia (Dominio de Experticidad), por ejemplo un Ing. civil especializado en cimientos.

Una vez seleccionado al experto o a los expertos y estos estén de acuerdo en dar sus conocimientos, comienza a jugar su papel el “Ingeniero de Conocimientos”, que es el encargado de extraerle los conocimientos al experto y darle una representación adecuada, ya sea en forma de reglas u otro tipo de representación, conformando as’i la base de conocimientos del sistema experto.

Formas de representación de los conocimientos:

• Reglas de producción
• Redes semánticas
• Marcos (Frames).

1.3.5. Lógica Difusa (Fuzzy logic).

La lógica difusa es una herramienta de gran potencial para el desarrollo de nuevos métodos o técnicas de la Inteligencia Artificial. Como habíamos mencionado anteriormente este tipo de lógica permite valores intermedios para poder definir estados convencionales como sí/no, verdadero/falso, negro/blanco, etc. Este tipo de nociones como más caliente o poco frío pueden expresarse matemáticamente y ser procesados por computadoras. Al hacer esto se esta realizado el intento de aplicar la forma del pensamiento humano a la programación de computadoras, que es lo que busca la inteligencia artificial con sus aplicaciones en diferentes sistemas.

1.4. Modelos de agente inteligente.

Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales percepciones y responder o actuar en su entorno de manera racional, es decir, de manera correcta y tendiendo a maximizar un resultado esperado. En este contexto la racionalidad es la característica que posee una elección de ser correcta, más específicamente, de tender a maximizar un resultado esperado. Este concepto de racionalidad es más general y por ello más adecuado que inteligencia (la cual sugiere entendimiento) para describir el comportamiento de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos agentes racionales. Un agente inteligente puede ser una entidad física o virtual. Si bien el término agente racional se refiere a agentes artificiales en el campo de la Inteligencia Artificial, también puede considerarse agentes racionales a los animales incluido el hombre.

Es posible clasificar los agentes inteligentes en 5 categorías principales:
- Agentes reactivos
- Agentes reactivos basados en modelo
- Agentes basados en objetivos
- Agentes basados en utilidad
- Agentes que aprenden

La racionalidad es necesaria

En muchos textos se define agente inteligente como todo agente capaz de tener conciencia de su entorno y actuar sobre él. No obstante es necesario exigir que estas decisiones sean racionales en el sentido de que persigan algún fin. Vamos a mostrarlo con un contraejemplo: cuando un fotón con la suficiente energía incide sobre un átomo, puede arrancar de él un electrón. Podríamos considerar al átomo inteligente puesto que percibe su entorno (la incidencia del fotón) y actúa sobre su entorno (emite un electrón). La ausencia de relación entre la emisión del electrón y cualquier hipotético interés del átomo muestra que este no es un agente inteligente pese a verificar la definición de Bertrand Russell.

La conducta de un agente no suele ser la óptima.

Paradójicamente, la conducta de un agente rara vez es la optima. La razón es muy sencilla calcular el optimo de un criterio lo suficientemente bueno para ser considerado razonable teniendo en cuenta las múltiples restricciones que concurren es muy difícil. Ejemplos de ello es lo difícil que es calcular la mejor ala para un avión, el mejor perfil para un coche o la mejor hélice para un barco. Para un estudiante es fácil calcular el máximo de un polinomio de segundo grado derivando e igualando a cero. En este caso el criterio es muy sencillo -es un polinomio de segundo grado- y no concurre ninguna restricción.

Cuando el criterio es una función real de muchas variables y las restricciones también, los cálculos son mucho más complicados. Algunas veces se puede lograr una buena aproximación; pero, si un agente inteligente debe tomar una decisión en muy poco tiempo, deberá conformarse con la mejor aproximación que pueda calcular en el escaso tiempo de que dispone.

1.5. Heurística.

Las funcione heurísticas son la forma más común de transmitir el conocimiento tradicional del problema al algoritmo de búsqueda.

La capacidad heurística consiste en la capacidad de realizar innovaciones positivas para conseguir los fines que se pretenden.

En las ciencias de la computación, el método heurístico es usado en determinadas circunstancias, cuando no existe una solución óptima bajo las restricciones dadas. En general la manera de actuar de los programas heurísticos consiste en encontrar algoritmos con buenos tiempos de ejecución y buenas soluciones.

Dadas las características de la heurística, ésta es muy usada en juegos informáticos que se adelantan a lo que va a hacer el usuario basándose en la experiencia y los pasos que ha seguido en otras ocasiones.

Muchos algoritmos en la inteligencia artificial son heurísticos por naturaleza, o usan reglas heurísticas. Un ejemplo claro son los programas que detectan si un correo electrónico es o no spam. Cualquiera de las reglas usadas de forma independiente pueden llevar a errores de clasificación, pero cuando se unen múltiples reglas heurísticas, la solución es más robusta y creíble.