Contenido

AI - Inicio
AI - Descripción general
AI - Sistemas inteligentes
AI - Áreas de investigación
AI - Agentes y entornos
AI - Algoritmos de búsqueda populares
AI - Sistemas de lógica difusa
AI - Procesamiento de lenguaje natural
AI - Sistemas expertos
AI - Robótica
AI - Redes neuronales
AI - Problemas
AI - Terminología
 Inteligencia artificial - Descripción general
Desde la invención de las computadoras o máquinas, su capacidad para
realizar diversas tareas continuó creciendo exponencialmente. Los humanos
han desarrollado el poder de los sistemas informáticos en términos de sus
diversos dominios de trabajo, su velocidad creciente y la reducción de tamaño
con respecto al tiempo.
Una rama de la informática llamada Inteligencia Artificial persigue la creación
de computadoras o máquinas tan inteligentes como los seres humanos.

¿Qué es la inteligencia artificial?

Según el padre de Inteligencia Artificial, John McCarthy, es "La ciencia y la
ingeniería de hacer máquinas inteligentes, especialmente programas
informáticos inteligentes".
La Inteligencia Artificial es una forma de hacer que una computadora, un
robot controlado por computadora o un software piensen de manera
inteligente , de la misma manera que piensan los humanos inteligentes.
La IA se logra al estudiar cómo piensa el cerebro humano y cómo los
humanos aprenden, deciden y trabajan mientras intentan resolver un
problema, y luego usan los resultados de este estudio como base para
desarrollar software y sistemas inteligentes.

Filosofía de la IA
Mientras explota el poder de los sistemas informáticos, la curiosidad del ser
humano lo lleva a preguntarse: "¿Puede una máquina pensar y comportarse
como lo hacen los humanos?"
Por lo tanto, el desarrollo de la IA comenzó con la intención de crear una
inteligencia similar en las máquinas que encontramos y consideramos alta en
los humanos.

Objetivos de la IA
 Para crear sistemas expertos : los sistemas que exhiben un comportamiento
inteligente, aprenden, demuestran, explican y aconsejan a sus usuarios.
 Implementar la inteligencia humana en las máquinas : crear sistemas que
entiendan, piensen, aprendan y se comporten como los humanos.
Descarga más libros de programación GRATIS click aquí

Síguenos en Instagram para que estés al tanto de los

nuevos libros de programación. Click aqui

¿Qué contribuye a la IA?

La inteligencia artificial es una ciencia y tecnología basada en disciplinas como
la informática, la biología, la psicología, la lingüística, las matemáticas y la
ingeniería. Uno de los principales objetivos de la IA es el desarrollo de
funciones informáticas asociadas con la inteligencia humana, como el
razonamiento, el aprendizaje y la resolución de problemas.
De las siguientes áreas, una o varias áreas pueden contribuir a construir un
sistema inteligente.
Programación sin y con IA
La programación sin y con AI es diferente de las siguientes maneras:

Programación sin IA Programación con IA

Un programa de computadora sin IA puede responder Un programa de

las preguntas específicas que debe resolver. computadora con IA puede
responder
las preguntas genéricas que
debe resolver.

Los programas de IA pueden

absorber nuevas
La modificación en el programa conduce a cambios en su modificaciones al reunir
estructura. piezas de información
altamente
independientes. Por lo tanto,
puede modificar incluso una
pequeña pieza de
 información del programa sin
afectar su estructura.

La modificación no es rápida y fácil. Puede llevar a afectar Modificación rápida y fácil

negativamente al programa. del programa.

¿Qué es la técnica de IA?

En el mundo real, el conocimiento tiene algunas propiedades no deseadas:

 Su volumen es enorme, casi inimaginable.

 No está bien organizado o bien formateado.
 Sigue cambiando constantemente.
La técnica de IA es una manera de organizar y usar el conocimiento de
manera eficiente de tal manera que:

 Debe ser perceptible por las personas que lo proporcionan.

 Debe ser fácilmente modificable para corregir errores.
 Debería ser útil en muchas situaciones, aunque sea incompleta o inexacta.
Las técnicas de IA elevan la velocidad de ejecución del complejo programa
con el que está equipado.

Aplicaciones de IA
La IA ha sido dominante en varios campos, tales como:
 Juegos : la IA juega un papel crucial en juegos estratégicos como el ajedrez, el
póker, el tic-tac-toe, etc., donde la máquina puede pensar en una gran cantidad
de posibles posiciones basadas en el conocimiento heurístico.
 Procesamiento del lenguaje natural : es posible interactuar con la computadora
que comprende el lenguaje natural hablado por los humanos.
 Sistemas expertos : hay algunas aplicaciones que integran máquina, software e
información especial para impartir razonamiento y asesoramiento. Proporcionan
explicaciones y consejos a los usuarios.
 Sistemas de visión : estos sistemas entienden, interpretan y comprenden la
información visual en la computadora. Por ejemplo,
o Un avión espía toma fotografías, que se utilizan para descubrir información
espacial o un mapa de las áreas.
o Los médicos usan el sistema clínico experto para diagnosticar al paciente.
o La policía usa un software de computadora que puede reconocer la cara
del criminal con el retrato almacenado hecho por el artista forense.
 Reconocimiento de voz : algunos sistemas inteligentes son capaces de escuchar
y comprender el lenguaje en términos de oraciones y sus significados mientras un
 humano habla con él. Puede manejar diferentes acentos, palabras de argot, ruido
de fondo, cambios en el ruido humano debido al frío, etc.
 Reconocimiento de escritura a mano: el software de reconocimiento de escritura
a mano lee el texto escrito en papel con un bolígrafo o en la pantalla con un lápiz
óptico. Puede reconocer las formas de las letras y convertirlas en texto editable.
 Robots inteligentes : los robots pueden realizar las tareas asignadas por un
humano. Tienen sensores para detectar datos físicos del mundo real, como luz,
calor, temperatura, movimiento, sonido, golpes y presión. Tienen procesadores
eficientes, múltiples sensores y una gran memoria para exhibir
inteligencia. Además, son capaces de aprender de sus errores y pueden
adaptarse al nuevo entorno.

Historia de la IA
Aquí está la historia de la IA durante el siglo XX:

Año Hito / Innovación

1923 La obra de Karel Čapek llamada "Rossum's Universal Robots" (RUR) se abre en
Londres, primer uso de la palabra "robot" en inglés.

1943 Fundamentos para redes neuronales establecidas.

Isaac Asimov, un ex alumno de la Universidad de Columbia, acuñó el

1945
término Robótica .

Alan Turing presentó Turing Test para la evaluación de inteligencia y

1950 publicó Computing Machinery and Intelligence. Claude Shannon publicó Análisis
detallado del juego de ajedrez como una búsqueda.

John McCarthy acuñó el término Inteligencia Artificial . Demostración del primer

1956
programa de IA en ejecución en la Universidad Carnegie Mellon.

1958 John McCarthy inventa el lenguaje de programación LISP para IA.

La disertación de Danny Bobrow en el MIT mostró que las computadoras pueden

1964 entender el lenguaje natural lo suficientemente bien como para resolver problemas de
álgebra de forma correcta.

Joseph Weizenbaum del MIT construyó ELIZA , un problema interactivo que lleva a
1965
cabo un diálogo en inglés.

1969 Los científicos del Instituto de Investigación de Stanford desarrollaron Shakey , un

 robot, equipado con locomoción, percepción y resolución de problemas.

El grupo Assembly Robotics de la Universidad de Edimburgo construyó Freddy , el

1973
famoso robot escocés, capaz de usar la visión para ubicar y ensamblar modelos.

Se construyó el primer vehículo autónomo controlado por computadora, Stanford

1979
Cart.

1985 Harold Cohen creó y demostró el programa de dibujo, Aaron .

Grandes avances en todas las áreas de la IA:

 Demostraciones significativas en el aprendizaje automático.

 Razonamiento basado en casos
 Planificación multiagente
1990
 Planificación
 Minería de datos, rastreador web
 comprensión y traducción del lenguaje natural
 Visión, realidad virtual
 Juegos

El programa Deep Blue Chess supera al entonces campeón mundial de ajedrez,

1997
Garry Kasparov.

Las mascotas robot interactivas están disponibles comercialmente. MIT muestra

2000 a Kismet , un robot con una cara que expresa emociones. El robot Nomad explora
regiones remotas de la Antártida y localiza meteoritos.

Inteligencia Artificial - Sistemas Inteligentes

Mientras estudias inteligencia artificial, necesitas saber qué es la
inteligencia. Este capítulo cubre la idea de inteligencia, tipos y componentes
de inteligencia.

¿Qué es la inteligencia?
La capacidad de un sistema para calcular, razonar, percibir relaciones y
analogías, aprender de la experiencia, almacenar y recuperar información de
la memoria, resolver problemas, comprender ideas complejas, usar el lenguaje
natural con fluidez, clasificar, generalizar y adaptar nuevas situaciones.

Tipos de inteligencia
Según lo descrito por Howard Gardner, un psicólogo del desarrollo
estadounidense, la inteligencia viene en múltiples fases:

Inteligencia Descripción Ejemplo

La capacidad de hablar, reconocer y

usar mecanismos de fonología
Narradores,
Inteligencia lingüística (sonidos del habla), sintaxis
oradores
(gramática) y semántica
(significado).

La capacidad de crear, comunicarse Músicos,

Inteligencia musical y comprender significados hechos de cantantes,
sonido, comprensión de tono, ritmo. compositores

La capacidad de usar y comprender

las relaciones en ausencia de Matemáticos,
Inteligencia lógica-matemática
acciones u objetos. Comprender científicos
ideas complejas y abstractas.

La capacidad de percibir información

Lectores de
visual o espacial, cambiarla y recrear
mapas,
Inteligencia espacial imágenes visuales sin referencia a
astronautas,
los objetos, construir imágenes en
físicos
3D y moverlas y rotarlas.

La capacidad de usar todo o parte

del cuerpo para resolver problemas
Jugadores,
Inteligencia corporal-kinestésica o productos de moda, controlar las
bailarines
habilidades motoras finas y gruesas,
y manipular los objetos.

La capacidad de distinguir entre los

Inteligencia intrapersonal propios sentimientos, intenciones y Gautam Buddhha
motivaciones.

La capacidad de reconocer y hacer

Comunicadores
distinciones entre los sentimientos,
Inteligencia interpersonal de masas,
creencias e intenciones de otras
entrevistadores
personas.

Se puede decir que una máquina o un sistema es artificialmente

inteligente cuando está equipado con al menos una y, como máximo, todas
las inteligencias que contiene.
¿De qué está compuesta la inteligencia?
La inteligencia es intangible. Se compone de -

 Razonamiento
 Aprendizaje
 Resolución de problemas
 Percepción
 Inteligencia lingüística

Veamos brevemente todos los componentes:

 Razonamiento : es el conjunto de procesos que nos permite proporcionar una
base para el juicio, la toma de decisiones y la predicción. En general, hay dos
tipos:

Razonamiento inductivo Razonamiento

deductivo

Comienza con
una
declaración
general y
Realiza observaciones específicas para hacer declaraciones generales examina las
amplias. posibilidades
de llegar a una
conclusión
específica y
lógica.

Incluso si todas las premisas son verdaderas en una declaración, el Si algo es

razonamiento inductivo permite que la conclusión sea falsa. cierto para una
clase de cosas
en general,
también es
cierto para
todos los
miembros de
 esa clase.

Ejemplo:
"Todas las
mujeres
mayores de 60
Ejemplo: "Nita es maestra. Nita es estudiosa. Por lo tanto, todos los años son
maestros son estudiosos". abuelas.
Shalini tiene
65 años. Por lo
tanto, Shalini
es abuela".

 Aprendizaje : es la actividad de adquirir conocimiento o habilidad al estudiar,

practicar, aprender o experimentar algo. El aprendizaje mejora la conciencia de
los sujetos del estudio.
Los humanos, algunos animales y los sistemas habilitados para IA poseen la
capacidad de aprender. El aprendizaje se clasifica como -
o Aprendizaje auditivo : es aprender escuchando y escuchando. Por
ejemplo, estudiantes que escuchan conferencias de audio grabadas.
o Aprendizaje episódico : para aprender recordando secuencias de
eventos que uno ha presenciado o experimentado. Esto es lineal y
ordenado.
o Aprendizaje motor : es el aprendizaje mediante el movimiento preciso de
los músculos. Por ejemplo, escoger objetos, escribir, etc.
o Aprendizaje observacional : para aprender observando e imitando a
otros. Por ejemplo, el niño trata de aprender imitando a su padre.
o Aprendizaje perceptivo : es aprender a reconocer los estímulos que uno
ha visto antes. Por ejemplo, identificar y clasificar objetos y situaciones.
o Aprendizaje relacional : implica aprender a diferenciar entre varios
estímulos sobre la base de propiedades relacionales, en lugar de
propiedades absolutas. Por ejemplo, agregar "un poco menos" de sal al
momento de cocinar las papas que salieron saladas la última vez, cuando
se cocinan agregando, digamos una cucharada de sal.
o Aprendizaje espacial : es aprender a través de estímulos visuales, como
imágenes, colores, mapas, etc. Por ejemplo, una persona puede crear una
hoja de ruta en mente antes de seguir la ruta.
o Aprendizaje de estímulo-respuesta : es aprender a realizar un
comportamiento particular cuando está presente un cierto estímulo. Por
ejemplo, un perro levanta la oreja al escuchar el timbre.
 Resolución de problemas : es el proceso en el que uno percibe e intenta llegar a
una solución deseada a partir de una situación actual tomando un camino que
está bloqueado por obstáculos conocidos o desconocidos.
La resolución de problemas también incluye la toma de decisiones , que es el
proceso de seleccionar la mejor alternativa adecuada entre las múltiples
alternativas disponibles para alcanzar la meta deseada.
  Percepción : es el proceso de adquisición, interpretación, selección y
organización de información sensorial.
La percepción supone sentir . En los humanos, la percepción es ayudada por los
órganos sensoriales. En el dominio de la IA, el mecanismo de percepción reúne
los datos adquiridos por los sensores de manera significativa.
 Inteligencia lingüística : es la capacidad de uno para usar, comprender, hablar y
escribir el lenguaje verbal y escrito. Es importante en la comunicación
interpersonal.

Diferencia entre inteligencia humana y máquina

 Los humanos perciben por patrones, mientras que las máquinas perciben por
conjunto de reglas y datos.
 Los humanos almacenan y recuperan información por patrones, las máquinas lo
hacen buscando algoritmos. Por ejemplo, el número 40404040 es fácil de
recordar, almacenar y recuperar, ya que su patrón es simple.
 Los humanos pueden descubrir el objeto completo incluso si falta una parte o está
distorsionado; mientras que las máquinas no pueden hacerlo correctamente.

Inteligencia artificial - Áreas de investigación

El dominio de la inteligencia artificial es enorme en amplitud y
anchura. Mientras avanzamos, consideramos las áreas de investigación
ampliamente comunes y prósperas en el dominio de la IA:
Reconocimiento de voz y voz
Estos dos términos son comunes en robótica, sistemas expertos y
procesamiento de lenguaje natural. Aunque estos términos se usan
indistintamente, sus objetivos son diferentes.

Reconocimiento de voz Reconocimiento de voz

El reconocimiento de voz tiene como objetivo El objetivo del reconocimiento de voz es

comprender y comprender QUÉ se habló. reconocer a la OMS que está hablando.

Se utiliza en computación manos libres, mapa Se utiliza para identificar a una persona
o navegación de menús. analizando su tono, tono de voz y acento,
etc.

La máquina no necesita capacitación para el Este sistema de reconocimiento necesita

reconocimiento de voz, ya que no depende capacitación, ya que está orientado a la
del hablante. persona.

Los sistemas de reconocimiento de voz Los sistemas de reconocimiento de voz

independientes del hablante son difíciles de dependientes del hablante son relativamente
desarrollar. fáciles de desarrollar.

Funcionamiento de sistemas de reconocimiento de voz y voz

La entrada del usuario hablada en un micrófono va a la tarjeta de sonido del

sistema. El convertidor convierte la señal analógica en señal digital
equivalente para el procesamiento del habla. La base de datos se utiliza para
comparar los patrones de sonido para reconocer las palabras. Finalmente, se
da una retroalimentación inversa a la base de datos.
Este texto en el idioma de origen se convierte en entrada al Motor de
traducción, que lo convierte en el texto del idioma de destino. Son compatibles
con GUI interactiva, gran base de datos de vocabulario, etc.

Aplicaciones de la vida real de áreas de investigación

Hay una gran variedad de aplicaciones en las que la IA está sirviendo a
personas comunes en su vida cotidiana:

No Areas de investigacion Aplicación de la vida real

Señor.

1
Sistemas expertos
Ejemplos: sistemas de seguimiento de vuelos,
sistemas clínicos.

2
Procesamiento natural del lenguaje
Ejemplos: función Google Now, reconocimiento
de voz, salida de voz automática.
 3
Redes neuronales
Ejemplos: sistemas de reconocimiento de
patrones como el reconocimiento facial, el
reconocimiento de caracteres, el reconocimiento
de escritura a mano.

44
Robótica
Ejemplos: robots industriales para mover,
pulverizar, pintar, verificar con precisión, taladrar,
limpiar, recubrir, tallar, etc.

55
Sistemas de lógica difusa
Ejemplos: electrónica de consumo, automóviles,
etc.

Clasificación de tareas de AI
El dominio de la IA se clasifica en tareas formales, tareas
mundanas y tareas de expertos.
 Dominios de tareas de inteligencia artificial

Tareas mundanas Tareas formales Tareas de expertos

(ordinarias)

Percepción  Matemáticas  Ingenieria

 Geometría  Localización de
 Visión por computador  Lógica averías
 Discurso, voz  Fabricación
 Integración y
diferenciación  Supervisión

Procesamiento natural del Juegos Análisis cientifico

lenguaje
 Vamos
 Comprensión  Ajedrez (azul profundo)
 Generación de lenguaje  Ckeckers
 Traducción de idiomas

Sentido común Verificación Análisis financiero

Razonamiento Prueba de teorema Diagnostico medico

Cepillado Creatividad

Robótica

 Locomotora

Los humanos aprenden tareas mundanas (ordinarias) desde su

nacimiento. Aprenden mediante la percepción, el habla, el uso del lenguaje y
las locomotoras. Aprenden Tareas formales y Tareas de expertos más tarde,
en ese orden.
Para los humanos, las tareas mundanas son más fáciles de aprender. Lo
mismo se consideró cierto antes de intentar implementar tareas mundanas en
máquinas. Anteriormente, todo el trabajo de IA se concentraba en el dominio
de la tarea mundana.
Más tarde, resultó que la máquina requiere más conocimiento, representación
de conocimiento compleja y algoritmos complicados para manejar tareas
mundanas. Esta es la razón por la cual el trabajo de IA es más próspero en
el dominio de Tareas Expertas ahora, ya que el dominio de tareas experto
necesita conocimiento experto sin sentido común, que puede ser más fácil de
representar y manejar.

AI - Agentes y entornos
Un sistema de IA está compuesto por un agente y su entorno. Los agentes
actúan en su entorno. El medio ambiente puede contener otros agentes.

¿Qué son Agente y Medio Ambiente?

Un agente es cualquier cosa que puede percibir su entorno a través
de sensores y actúa sobre ese entorno a través de efectores.
 Un agente humano tiene órganos sensoriales como ojos, oídos, nariz, lengua y
piel paralelos a los sensores, y otros órganos como manos, piernas, boca, para
efectores.
 Un agente robótico reemplaza cámaras y buscadores de rango infrarrojo para los
sensores, y varios motores y actuadores para efectores.
 Un agente de software ha codificado cadenas de bits como sus programas y
acciones.
Terminología del agente
 Medida de rendimiento del agente : es el criterio que determina el éxito de un
agente.
 Comportamiento del agente : es la acción que realiza el agente después de
cualquier secuencia de percepciones.
 Percepción : son las entradas perceptivas del agente en una instancia
determinada.
 Percepción de secuencia : es la historia de todo lo que un agente ha percibido
hasta la fecha.
 Función del agente : es un mapa de la secuencia de preceptos a una acción.

Racionalidad
La racionalidad no es más que el estado de ser razonable, sensible y tener
buen sentido del juicio.
La racionalidad tiene que ver con las acciones y resultados esperados
dependiendo de lo que el agente haya percibido. Realizar acciones con el
objetivo de obtener información útil es una parte importante de la racionalidad.

¿Qué es el agente racional ideal?

Un agente racional ideal es el que es capaz de realizar las acciones
esperadas para maximizar su medida de rendimiento, sobre la base de:

 Su secuencia de percepción
 Su base de conocimiento incorporada
La racionalidad de un agente depende de lo siguiente:
 Las medidas de rendimiento , que determinan el grado de éxito.
 Secuencia de percepción del agente hasta ahora.
  El conocimiento previo del agente sobre el medio ambiente .
 Las acciones que el agente puede llevar a cabo.

Un agente racional siempre realiza la acción correcta, donde la acción correcta

significa la acción que hace que el agente sea más exitoso en la secuencia de
percepción dada. El problema que resuelve el agente se caracteriza por la
Medida de rendimiento, el entorno, los actuadores y los sensores (PEAS).

La estructura de los agentes inteligentes

La estructura del agente se puede ver como:

 Agente = Arquitectura + Programa de agente

 Arquitectura = la maquinaria en la que se ejecuta un agente.
 Programa de agente = una implementación de una función de agente.

Agentes reflejos simples

 Eligen acciones solo en función de la percepción actual.

 Son racionales solo si se toma una decisión correcta sobre la base del precepto
actual.
 Su entorno es completamente observable.
Regla de condición-acción : es una regla que asigna un estado (condición) a
una acción.

Agentes reflejos basados en modelos

Usan un modelo del mundo para elegir sus acciones. Mantienen un estado
interno.
Modelo : conocimiento sobre "cómo suceden las cosas en el mundo".
Estado interno : es una representación de aspectos no observados del
estado actual según el historial de percepción.
Actualizar el estado requiere la información sobre:

 Cómo evoluciona el mundo.

 Cómo las acciones del agente afectan al mundo.

Agentes basados en objetivos

Eligen sus acciones para lograr objetivos. El enfoque basado en objetivos es

más flexible que el agente reflejo, ya que el conocimiento que respalda una
decisión se modela explícitamente, lo que permite modificaciones.
Objetivo : es la descripción de situaciones deseables.
Agentes basados en servicios públicos

Eligen acciones basadas en una preferencia (utilidad) para cada estado.

Los objetivos son inadecuados cuando:
 Hay objetivos en conflicto, de los cuales solo unos pocos se pueden lograr.
 Los objetivos tienen cierta incertidumbre de ser alcanzados y debe sopesar la
probabilidad de éxito con la importancia de un objetivo.

La naturaleza de los ambientes

Algunos programas operan en un entorno completamente artificial limitado a
la entrada del teclado, la base de datos, los sistemas de archivos de
computadora y la salida de caracteres en una pantalla.
En contraste, algunos agentes de software (robots de software o softbots)
existen en dominios de softbots ricos e ilimitados. El simulador tiene
un entorno complejo muy detallado . El agente de software debe elegir
entre una gran variedad de acciones en tiempo real. Un softbot diseñado para
escanear las preferencias en línea del cliente y mostrar elementos
interesantes para el cliente funciona tanto en un entorno real como artificial .
El entorno artificial más famoso es el entorno de prueba de Turing , en el
que un agente artificial real y otro se prueban en igualdad de condiciones. Este
es un entorno muy desafiante ya que es muy difícil que un agente de software
funcione tan bien como un ser humano.

Prueba de Turing

El éxito de un comportamiento inteligente de un sistema se puede medir con

Turing Test.
Dos personas y una máquina a evaluar participan en la prueba. De las dos
personas, una desempeña el papel del probador. Cada uno de ellos se sienta
en habitaciones diferentes. El probador no sabe quién es la máquina y quién
es un humano. Él interroga las preguntas escribiendo y enviándolas a ambas
inteligencias, a las que recibe respuestas escritas.
Esta prueba tiene como objetivo engañar al probador. Si el probador no puede
determinar la respuesta de la máquina a partir de la respuesta humana,
entonces se dice que la máquina es inteligente.

Propiedades del medio ambiente

El medio ambiente tiene propiedades múltiples:
 Discreto / continuo : si hay un número limitado de estados del entorno distintos,
claramente definidos, el entorno es discreto (por ejemplo, ajedrez); de lo contrario
es continuo (por ejemplo, conducir).
 Observable / parcialmente observable : si es posible determinar el estado
completo del entorno en cada punto de tiempo desde las percepciones, es
observable; de lo contrario, solo es parcialmente observable.
 Estático / Dinámico : si el entorno no cambia mientras un agente está actuando,
entonces es estático; de lo contrario es dinámico.
 Agente único / agentes múltiples : el entorno puede contener otros agentes que
pueden ser del mismo tipo o de un tipo diferente al del agente.
 Accesible / Inaccesible : si el aparato sensorial del agente puede tener acceso al
estado completo del entorno, el agente tendrá acceso al entorno.
 Determinista / no determinista : si el siguiente estado del entorno está
completamente determinado por el estado actual y las acciones del agente,
entonces el entorno es determinista; de lo contrario no es determinista.
 Episódico / No episódico : en un entorno episódico, cada episodio consiste en
que el agente perciba y luego actúe. La calidad de su acción depende solo del
episodio en sí. Los episodios posteriores no dependen de las acciones en los
episodios anteriores. Los entornos episódicos son mucho más simples porque el
agente no necesita pensar en el futuro.
 AI - Algoritmos de búsqueda populares
La búsqueda es la técnica universal de resolución de problemas en IA. Hay
algunos juegos para un solo jugador, como juegos de fichas, Sudoku,
crucigramas, etc. Los algoritmos de búsqueda te ayudan a buscar una
posición particular en dichos juegos.

Problemas de búsqueda de agente único

Los juegos como los acertijos 3X3 de ocho fichas, 4X4 de quince fichas y 5X5
de veinticuatro fichas son desafíos para encontrar la ruta de un solo
agente. Consisten en una matriz de mosaicos con un mosaico en blanco. El
jugador debe organizar las fichas deslizando una ficha vertical u
horizontalmente en un espacio en blanco con el objetivo de lograr algún
objetivo.
Los otros ejemplos de problemas de búsqueda de agente único son el
Problema del vendedor ambulante, el Cubo de Rubik y la Prueba de teorema.

Buscar terminología
 Espacio del problema : es el entorno en el que se realiza la búsqueda. (Un
conjunto de estados y un conjunto de operadores para cambiar esos estados)
 Instancia del problema : es el estado inicial + el estado del objetivo.
 Gráfico del espacio del problema : representa el estado del problema. Los
estados se muestran mediante nodos y los operadores se muestran mediante
aristas.
 Profundidad de un problema : longitud de una ruta más corta o secuencia más
corta de operadores desde el estado inicial hasta el estado objetivo.
 Complejidad espacial : el número máximo de nodos que se almacenan en la
memoria.
 Complejidad de tiempo : la cantidad máxima de nodos que se crean.
 Admisibilidad : propiedad de un algoritmo para encontrar siempre una solución
óptima.
 Factor de ramificación : el número promedio de nodos secundarios en el gráfico
del espacio del problema.
 Profundidad : longitud de la ruta más corta desde el estado inicial hasta el estado
objetivo.

Estrategias de búsqueda de fuerza bruta

Son más simples, ya que no necesitan ningún conocimiento específico de
dominio. Funcionan bien con un pequeño número de estados posibles.
Requerimientos -

 Descripción del estado

  Un conjunto de operadores válidos.
 Estado inicial
 Descripción del estado del objetivo

Breadth-First Search

Comienza desde el nodo raíz, primero explora los nodos vecinos y avanza
hacia los vecinos del siguiente nivel. Genera un árbol a la vez hasta que se
encuentra la solución. Se puede implementar utilizando la estructura de datos
de cola FIFO. Este método proporciona el camino más corto a la solución.
Si el factor de ramificación (número promedio de nodos secundarios para un
nodo dado) = b y profundidad = d, entonces el número de nodos en el nivel d =
bd.
El número total de nodos creados en el peor de los casos es b + b 2 + b 3 +… +
bd.
Desventaja : dado que cada nivel de nodos se guarda para crear el siguiente,
consume mucho espacio de memoria. El espacio requerido para almacenar
nodos es exponencial.
Su complejidad depende del número de nodos. Puede verificar nodos
duplicados.

Profundidad-Primera búsqueda

Se implementa en recursividad con la estructura de datos de la pila LIFO. Crea

el mismo conjunto de nodos que el método Breadth-First, solo en un orden
diferente.
Como los nodos en la ruta única se almacenan en cada iteración desde el
nodo raíz hasta el nodo hoja, el requisito de espacio para almacenar nodos es
lineal. Con el factor de ramificación b y la profundidad como m , el espacio de
almacenamiento es bm.
Desventaja : este algoritmo puede no terminar y continuar infinitamente en
una ruta. La solución a este problema es elegir una profundidad de corte. Si el
corte ideal es d , y si el corte elegido es menor que d , entonces este algoritmo
puede fallar. Si el límite elegido es mayor que d , entonces el tiempo de
ejecución aumenta.
Su complejidad depende del número de caminos. No puede verificar nodos
duplicados.

Búsqueda bidireccional

Busca hacia adelante desde el estado inicial y hacia atrás desde el estado
objetivo hasta que ambos se encuentran para identificar un estado común.
La ruta desde el estado inicial se concatena con la ruta inversa desde el
estado objetivo. Cada búsqueda se realiza solo hasta la mitad de la ruta total.

Búsqueda uniforme de costos

La clasificación se realiza al aumentar el costo de la ruta a un nodo. Siempre

expande el nodo de menor costo. Es idéntico a Breadth First search si cada
transición tiene el mismo costo.
Explora caminos en el creciente orden de costo.
Desventaja : puede haber múltiples rutas largas con el costo ≤ C *. La
búsqueda de costos uniformes debe explorarlos a todos.

Profundidad de profundización iterativa: primera búsqueda

Realiza una búsqueda de profundidad primero al nivel 1, comienza de nuevo,

ejecuta una búsqueda completa de profundidad primero al nivel 2 y continúa
de esta manera hasta que se encuentra la solución.
Nunca crea un nodo hasta que se generan todos los nodos inferiores. Solo
guarda una pila de nodos. El algoritmo termina cuando encuentra una solución
en profundidad d . El número de nodos creados en la profundidad d es b d y en
la profundidad d-1 es b d-1.
Comparación de diversas complejidades de algoritmos

Veamos el rendimiento de los algoritmos basados en varios criterios:

Anchura Profundidad Costo Profundización

Criterio Bidireccional
primero primero uniforme interactiva

Hora bd bm b d/2 bd bd

Espacio bd bm b d/2 bd bd

Óptima si No si si si

Lo completo si No si si si

Estrategias de búsqueda informadas (heurísticas)

Para resolver grandes problemas con una gran cantidad de estados posibles,
se necesita agregar conocimiento específico del problema para aumentar la
eficiencia de los algoritmos de búsqueda.

Funciones de evaluación heurística

Calculan el costo de la ruta óptima entre dos estados. Una función heurística
para los juegos de fichas deslizantes se calcula contando el número de
movimientos que realiza cada ficha desde su estado objetivo y agregando esta
cantidad de movimientos para todas las fichas.

Búsqueda heurística pura

Expande los nodos en el orden de sus valores heurísticos. Crea dos listas, una
lista cerrada para los nodos ya expandidos y una lista abierta para los nodos
creados pero no expandidos.
En cada iteración, se expande un nodo con un valor heurístico mínimo, todos
sus nodos secundarios se crean y se colocan en la lista cerrada. Luego, la
función heurística se aplica a los nodos secundarios y se colocan en la lista
abierta de acuerdo con su valor heurístico. Los caminos más cortos se
guardan y los más largos se eliminan.

Una búsqueda

Es la forma más conocida de Best First search. Evita expandir rutas que ya
son caras, pero primero expande las rutas más prometedoras.
f (n) = g (n) + h (n), donde

 g (n) el costo (hasta ahora) para llegar al nodo

 h (n) costo estimado para llegar del nodo a la meta
 f (n) costo total estimado de la ruta a través de n hasta la meta. Se implementa
usando la cola de prioridad aumentando f (n).

Greedy Best First Search

Expande el nodo que se estima más cercano al objetivo. Expande los nodos
en función de f (n) = h (n). Se implementa utilizando la cola de prioridad.
Desventaja : puede atascarse en bucles. No es optimo.

Algoritmos de búsqueda local

Empiezan desde una solución prospectiva y luego pasan a una solución
vecina. Pueden devolver una solución válida incluso si se interrumpe en
cualquier momento antes de que finalicen.

Búsqueda de escalada

Es un algoritmo iterativo que comienza con una solución arbitraria a un

problema e intenta encontrar una mejor solución cambiando un solo elemento
de la solución de forma incremental. Si el cambio produce una mejor solución,
se toma un cambio incremental como una nueva solución. Este proceso se
repite hasta que no haya más mejoras.
función Hill-Climbing (problema), devuelve un estado que es un máximo local.
inputs: problem, a problem
local variables: current, a node
neighbor, a node
current <-Make_Node(Initial-State[problem])
loop
do neighbor <- a highest_valued successor of current
if Value[neighbor] ≤ Value[current] then
 return State[current]
current <- neighbor

end
Desventaja : este algoritmo no es completo ni óptimo.

Búsqueda de haz local

En este algoritmo, contiene k número de estados en un momento dado. Al

principio, estos estados se generan aleatoriamente. Los sucesores de estos k
estados se calculan con la ayuda de la función objetivo. Si alguno de estos
sucesores es el valor máximo de la función objetivo, entonces el algoritmo se
detiene.
De lo contrario, los estados (k iniciales y k número de sucesores de los
estados = 2k) se colocan en un grupo. El grupo se ordena
numéricamente. Los k estados más altos se seleccionan como nuevos
estados iniciales. Este proceso continúa hasta que se alcanza un valor
máximo.
La función BeamSearch ( problema, k ), devuelve un estado de solución.
start with k randomly generated states
loop
generate all successors of all k states
if any of the states = solution, then return the state
else select the k best successors
end

Recocido simulado

El recocido es el proceso de calentar y enfriar un metal para cambiar su

estructura interna y modificar sus propiedades físicas. Cuando el metal se
enfría, se agarra su nueva estructura y el metal conserva sus propiedades
recién obtenidas. En el proceso de recocido simulado, la temperatura se
mantiene variable.
Inicialmente configuramos la temperatura alta y luego permitimos que se
'enfríe' lentamente a medida que avanza el algoritmo. Cuando la temperatura
es alta, el algoritmo puede aceptar soluciones peores con alta frecuencia.
comienzo

 Inicializar k = 0; L = número entero de variables;

 Desde i → j, busque la diferencia de rendimiento Δ.
 Si Δ <= 0, acepte otra cosa si exp (-Δ / T (k))> random (0,1) luego acepte;
 Repita los pasos 1 y 2 para los pasos L (k).
 k = k + 1;
Repita los pasos del 1 al 4 hasta que se cumplan los criterios.
Final
Problema de vendedor ambulante

En este algoritmo, el objetivo es encontrar un recorrido de bajo costo que

comience desde una ciudad, visite todas las ciudades en ruta exactamente
una vez y termine en la misma ciudad de inicio.
Start
Find out all (n -1)! Possible solutions, where n is the
total number of cities.
Determine the minimum cost by finding out the cost of each
of these (n -1)! solutions.
Finally, keep the one with the minimum cost.
end

Inteligencia artificial - Sistemas de lógica

difusa
Los sistemas de lógica difusa (FLS) producen resultados aceptables pero
definidos en respuesta a entradas incompletas, ambiguas, distorsionadas o
inexactas (difusas).

¿Qué es la lógica difusa?

Fuzzy Logic (FL) es un método de razonamiento que se asemeja al
razonamiento humano. El enfoque de FL imita la forma de toma de decisiones
en humanos que involucra todas las posibilidades intermedias entre los
valores digitales SÍ y NO.
El bloque lógico convencional que una computadora puede entender toma una
entrada precisa y produce una salida definida como VERDADERO o FALSO,
que es equivalente al SÍ o NO del ser humano.
El inventor de la lógica difusa, Lotfi Zadeh, observó que, a diferencia de las
computadoras, la toma de decisiones humanas incluye una gama de
posibilidades entre SÍ y NO, como:
 CIERTAMENTE SI
POSIBLEMENTE SÍ
NO SE PUEDE DECIR
POSIBLEMENTE NO
CIERTAMENTE NO

La lógica difusa funciona en los niveles de posibilidades de entrada para lograr

la salida definida.

Implementación

 Se puede implementar en sistemas con varios tamaños y capacidades que van

desde pequeños microcontroladores hasta grandes sistemas de control basados
en estaciones de trabajo en red.
 Se puede implementar en hardware, software o una combinación de ambos.

¿Por qué Fuzzy Logic?

La lógica difusa es útil para fines comerciales y prácticos.

 Puede controlar máquinas y productos de consumo.

 Es posible que no proporcione un razonamiento preciso, sino un razonamiento
aceptable.
 La lógica difusa ayuda a lidiar con la incertidumbre en la ingeniería.

Arquitectura de sistemas de lógica difusa

Tiene cuatro partes principales como se muestra:
 Módulo de fuzzificación : transforma las entradas del sistema, que son números
nítidos, en conjuntos difusos. Divide la señal de entrada en cinco pasos, tales
como:

LP x es grande positivo

MP x es medio positivo

S x es pequeño

Minnesota x es medio negativo

LN x es grande negativo

 Base de conocimiento : almacena las reglas IF-THEN proporcionadas por

expertos.
 Motor de inferencia : simula el proceso de razonamiento humano al hacer una
inferencia difusa en las entradas y las reglas IF-THEN.
 Módulo de defuzzificación : transforma el conjunto difuso obtenido por el motor
de inferencia en un valor nítido.
Las funciones de membresía funcionan en conjuntos difusos de variables.

Función de la membresía

Las funciones de membresía le permiten cuantificar el término lingüístico y

representar un conjunto difuso gráficamente. Una función de
pertenencia para un conjunto difuso A en el universo del discurso X se define
como μ A : X → [0,1].
Aquí, cada elemento de X se asigna a un valor entre 0 y 1. Se llama valor de
membresía o grado de membresía . Se cuantifica el grado de pertenencia
del elemento en X al conjunto difuso A .

 El eje x representa el universo del discurso.

 El eje y representa los grados de membresía en el intervalo [0, 1].
Puede haber múltiples funciones de membresía aplicables para difuminar un
valor numérico. Las funciones de membresía simples se utilizan ya que el uso
de funciones complejas no agrega más precisión en la salida.
Todas las funciones de membresía para LP, MP, S, MN y LN se muestran a
continuación:
Las formas de función de membresía triangular son más comunes entre varias
otras formas de función de membresía como trapezoidal, singleton y
gaussiana.
Aquí, la entrada al fuzzificador de 5 niveles varía de -10 voltios a +10
voltios. Por lo tanto, la salida correspondiente también cambia.

Ejemplo de un sistema de lógica difusa

Consideremos un sistema de aire acondicionado con un sistema de lógica
difusa de 5 niveles. Este sistema ajusta la temperatura del aire acondicionado
comparando la temperatura ambiente y el valor de temperatura objetivo.
Algoritmo
 Definir variables y términos lingüísticos (inicio)
 Construir funciones de membresía para ellos. (comienzo)
 Construir una base de conocimiento de reglas (inicio)
 Convierta datos nítidos en conjuntos de datos difusos utilizando funciones de
membresía. (fuzzificación)
 Evaluar reglas en la base de reglas. (Máquina de inferencia)
 Combina los resultados de cada regla. (Máquina de inferencia)
 Convierta los datos de salida en valores no difusos. (despuzzificación)

Desarrollo

Paso 1 - Definir variables y términos lingüísticos

Las variables lingüísticas son variables de entrada y salida en forma de
palabras u oraciones simples. Para temperatura ambiente, frío, cálido,
caliente, etc., son términos lingüísticos.
Temperatura (t) = {muy frío, frío, cálido, muy cálido, caliente}
Cada miembro de este conjunto es un término lingüístico y puede cubrir una
parte de los valores de temperatura general.
Paso 2: construya funciones de membresía para ellos
Las funciones de pertenencia de la variable de temperatura son como se
muestran:

Paso 3 - Construir reglas de base de conocimiento

Cree una matriz de valores de temperatura ambiente versus valores de
temperatura objetivo que se espera que proporcione un sistema de aire
acondicionado.

Temperatura
Muy frío Frío Calentar Caliente Muy_caliente
ambiente. /Objetivo

Muy frío Ningún Calor Calor Calor Calor

cambio

Frío Frio Ningún Calor Calor Calor

cambio

Calentar Frio Frio Ningún Calor Calor

cambio

Caliente Frio Frio Frio Ningún Calor

cambio
Muy_caliente Frio Frio Frio Frio Ningún
cambio

Construya un conjunto de reglas en la base de conocimiento en forma de

estructuras IF-THEN-ELSE.

No Condición Acción
Señor.

1 SI temperatura = (frío o muy frío) Y objetivo = tibio ENTONCES Calor

SI temperatura = (Caliente O Muy_Caliente) Y objetivo = Caliente Frio

2
ENTONCES

SI (temperatura = Cálido) Y (objetivo = Cálido) ENTONCES Ningún

3
cambio

Paso 4: obtener un valor difuso

Las operaciones de conjuntos difusos realizan una evaluación de las
reglas. Las operaciones utilizadas para OR y AND son Max y Min
respectivamente. Combine todos los resultados de la evaluación para formar
un resultado final. Este resultado es un valor difuso.
Paso 5 - Realice la defuzzificación
La defuzzificación se realiza según la función de pertenencia para la variable
de salida.

Áreas de aplicación de Fuzzy Logic

Las áreas de aplicación clave de la lógica difusa son las siguientes:
Sistemas automotrices

 Cajas de cambios automáticas

 Dirección en las cuatro ruedas
 Control del entorno del vehículo
Bienes electrónicos de consumo

 Sistemas de alta fidelidad

 Fotocopiadoras
 Cámaras fijas y de video
 Televisión
Bienes nacionales

 Hornos de microondas
 Refrigeradores
 Tostadoras
 Aspiradoras
 Lavadoras
Control ambiental

 Aires Acondicionados / Secadoras / Calentadores

 Humidificadores

Ventajas de FLS
 Los conceptos matemáticos dentro del razonamiento difuso son muy simples.
 Puede modificar un FLS simplemente agregando o eliminando reglas debido a la
flexibilidad de la lógica difusa.
 Los sistemas de lógica difusa pueden tomar información de entrada imprecisa,
distorsionada y ruidosa.
 Los FLS son fáciles de construir y comprender.
 La lógica difusa es una solución a problemas complejos en todos los campos de la
vida, incluida la medicina, ya que se asemeja al razonamiento humano y la toma
de decisiones.

Desventajas de los FLS

 No existe un enfoque sistemático para el diseño de sistemas difusos.
 Son entendibles solo cuando son simples.
 Son adecuados para los problemas que no necesitan alta precisión.

AI - Procesamiento de lenguaje natural

El procesamiento del lenguaje natural (PNL) se refiere al método de
inteligencia artificial para comunicarse con sistemas inteligentes que utilizan
un lenguaje natural como el inglés.
El procesamiento del lenguaje natural es necesario cuando desea que un
sistema inteligente como un robot funcione según sus instrucciones, cuando
desea escuchar la decisión de un sistema de expertos clínicos basado en el
diálogo, etc.
El campo de la PNL implica hacer que las computadoras realicen tareas útiles
con los lenguajes naturales que usan los humanos. La entrada y salida de un
sistema PNL puede ser:

 Habla
 Texto escrito

Componentes de PNL
Hay dos componentes de PNL según lo dado:

Comprensión del lenguaje natural (NLU)

La comprensión implica las siguientes tareas:

 Mapear la entrada dada en lenguaje natural en representaciones útiles.

 Analizando diferentes aspectos del lenguaje.

Generación de lenguaje natural (NLG)

Es el proceso de producir frases y oraciones significativas en forma de

lenguaje natural a partir de alguna representación interna.
Implica
 Planificación de texto : incluye la recuperación del contenido relevante de la
base de conocimiento.
 Planificación de oraciones : incluye elegir las palabras requeridas, formar frases
significativas, establecer el tono de la oración.
 Realización de texto : está mapeando el plan de oración en la estructura de la
oración.
La NLU es más difícil que la NLG.

Dificultades en NLU
NL tiene una forma y estructura extremadamente rica.
Es muy ambiguo. Puede haber diferentes niveles de ambigüedad:
 Ambigüedad léxica : está en un nivel muy primitivo, como el nivel de palabras.
 Por ejemplo, ¿trata la palabra "tablero" como sustantivo o verbo?
  Nivel de sintaxis ambigüedad : una oración se puede analizar de diferentes
maneras.
 Por ejemplo, "Levantó el escarabajo con gorra roja". ¿Utilizó la gorra para levantar
el escarabajo o levantó un escarabajo que tenía gorra roja?
 Ambigüedad referencial - Refiriéndose a algo usando pronombres. Por ejemplo,
Rima fue a Gauri. Ella dijo: "Estoy cansada". ¿Exactamente quién está cansada?
 Una entrada puede significar diferentes significados.
 Muchas entradas pueden significar lo mismo.

Terminología de PNL
 Fonología - Es el estudio de organizar el sonido sistemáticamente.
 Morfología : es un estudio de construcción de palabras a partir de unidades
primitivas significativas.
 Morfema : es la unidad primitiva de significado en un idioma.
 Sintaxis : se refiere a organizar palabras para formar una oración. También
implica determinar el papel estructural de las palabras en la oración y en las
frases.
 Semántica : se ocupa del significado de las palabras y de cómo combinar
palabras en frases y oraciones significativas.
 Pragmática : se trata de usar y comprender oraciones en diferentes situaciones y
cómo se ve afectada la interpretación de la oración.
 Discurso : trata de cómo la oración que precede inmediatamente puede afectar la
interpretación de la siguiente oración.
 Conocimiento mundial : incluye el conocimiento general sobre el mundo.

Pasos en PNL
Hay cinco pasos generales:
 Análisis léxico : implica identificar y analizar la estructura de las palabras. El
léxico de un idioma significa la colección de palabras y frases en un idioma. El
análisis léxico está dividiendo todo el fragmento de texto en párrafos, oraciones y
palabras.
 Análisis sintáctico (análisis) : implica el análisis de las palabras en la oración
para la gramática y la organización de las palabras de una manera que muestre la
relación entre las palabras. El analizador sintáctico inglés rechaza la frase como
"La escuela va al niño".
  Análisis semántico : extrae el significado exacto o el significado del diccionario
del texto. Se verifica que el texto sea significativo. Se realiza mediante el mapeo
de estructuras sintácticas y objetos en el dominio de la tarea. El analizador
semántico no tiene en cuenta frases como "helado caliente".
 Integración del discurso : el significado de cualquier oración depende del
significado de la oración justo antes de ella. Además, también produce el
significado de una oración inmediatamente posterior.
 Análisis pragmático : durante esto, lo que se dijo se reinterpreta sobre lo que
realmente significaba. Implica derivar aquellos aspectos del lenguaje que
requieren conocimiento del mundo real.

Aspectos de implementación del análisis sintáctico

Existen varios algoritmos que los investigadores han desarrollado para el
análisis sintáctico, pero consideramos solo los siguientes métodos simples:

 Gramática sin contexto

 Analizador de arriba hacia abajo
Vamos a verlos en detalle.
Gramática sin contexto

Es la gramática que consiste en reglas con un solo símbolo en el lado

izquierdo de las reglas de reescritura. Creemos gramática para analizar una
oración:
"El pájaro picotea los granos"
Artículos (DET) - a | una | el
Sustantivos - pájaro | pájaros | grano | granos
Frase sustantiva (NP) - Artículo + Sustantivo | Artículo + Adjetivo + Sustantivo
= DET N | DET ADJ N
Verbos - picotazos | picoteando | picoteado
Frase verbal (VP) - NP V | V NP
Adjetivos (ADJ) - hermoso | pequeño | piar
El árbol de análisis descompone la oración en partes estructuradas para que
la computadora pueda entenderla y procesarla fácilmente. Para que el
algoritmo de análisis construya este árbol de análisis, es necesario construir
un conjunto de reglas de reescritura que describan qué estructuras de árbol
son legales.
Estas reglas dicen que cierto símbolo puede expandirse en el árbol mediante
una secuencia de otros símbolos. De acuerdo con la regla lógica de primer
orden, si hay dos cadenas Frase sustantiva (NP) y Frase verbal (VP),
entonces la cadena combinada por NP seguida de VP es una oración. Las
reglas de reescritura de la oración son las siguientes:
S → NP VP
NP → DET N | DET ADJ N
VP → V NP
Lexocon -
DET → a | el
ADJ → hermosa | encaramado
N → pájaro | pájaros | grano | granos
V → picotear | picotazos | picoteo
El árbol de análisis se puede crear como se muestra:
Ahora considere las reglas de reescritura anteriores. Dado que V puede ser
reemplazado por ambos, "picotear" o "picotear", se pueden permitir
erróneamente oraciones como "El pájaro picotea los granos". es decir, el error
de acuerdo sujeto-verbo se aprueba como correcto.
Mérito : el estilo de gramática más simple, por lo tanto, ampliamente utilizado.
Deméritos -
 No son muy precisos. Por ejemplo, "Los granos picotean al pájaro", es un
sintácticamente correcto según el analizador, pero incluso si no tiene sentido, el
analizador lo toma como una oración correcta.
 Para resaltar la alta precisión, se deben preparar múltiples conjuntos de
gramática. Puede requerir un conjunto completamente diferente de reglas para
analizar variaciones singulares y plurales, oraciones pasivas, etc., lo que puede
conducir a la creación de un gran conjunto de reglas que son inmanejables.

Analizador de arriba hacia abajo

Aquí, el analizador comienza con el símbolo S e intenta reescribirlo en una

secuencia de símbolos terminales que coincida con las clases de las palabras
en la oración de entrada hasta que consista completamente en símbolos
terminales.
Luego se verifican con la oración de entrada para ver si coincide. Si no, el
proceso se inicia nuevamente con un conjunto diferente de reglas. Esto se
repite hasta que se encuentre una regla específica que describa la estructura
de la oración.
Mérito : es fácil de implementar.
Deméritos -

 Es ineficiente, ya que el proceso de búsqueda debe repetirse si se produce un

error.
 Baja velocidad de trabajo.

Inteligencia artificial - Sistemas expertos

Los sistemas expertos (ES) son uno de los dominios de investigación
destacados de la IA. Es presentado por los investigadores de la Universidad
de Stanford, Departamento de Informática.

¿Qué son los sistemas expertos?

Los sistemas expertos son las aplicaciones informáticas desarrolladas para
resolver problemas complejos en un dominio particular, a nivel de inteligencia
y experiencia humana extraordinaria.

Características de los sistemas expertos

 Alto rendimiento
 Comprensible
 De confianza
 Altamente sensible

Capacidades de sistemas expertos

Los sistemas expertos son capaces de:

 Asesoramiento
 Instruir y ayudar a los humanos en la toma de decisiones.
 Demostrando
 Derivando una solución
 Diagnosticando
 Explicando
 Interpretación de entrada
 Predecir resultados
 Justificando la conclusión
 Sugerir opciones alternativas a un problema
Son incapaces de ...

 Sustitución de tomadores de decisiones humanos

 Poseer capacidades humanas
  Producir resultados precisos para una base de conocimiento inadecuada
 Refinando su propio conocimiento

Componentes de sistemas expertos

Los componentes de ES incluyen:

 Base de conocimientos
 Máquina de inferencia
 Interfaz de usuario
Vamos a verlos uno por uno brevemente.

Base de conocimientos
Contiene conocimiento de dominio específico y de alta calidad.
Se requiere conocimiento para exhibir inteligencia. El éxito de cualquier ES
depende principalmente de la recopilación de conocimiento altamente preciso
y preciso.

¿Qué es el conocimiento?

Los datos son recopilación de hechos. La información se organiza como datos

y hechos sobre el dominio de la tarea. Los datos, la información y
la experiencia pasada combinados se denominan conocimiento.

Componentes de la base de conocimiento

La base de conocimiento de un ES es una reserva de conocimiento tanto
factual como heurístico.
 Conocimiento fáctico : es la información ampliamente aceptada por los
ingenieros de conocimiento y académicos en el dominio de la tarea.
 Conocimiento heurístico : se trata de la práctica, el juicio preciso, la capacidad
de evaluación y la adivinación.

Representación del conocimiento

Es el método utilizado para organizar y formalizar el conocimiento en la base

de conocimiento. Tiene la forma de reglas IF-THEN-ELSE.

Adquisición de conocimientos

El éxito de cualquier sistema experto depende principalmente de la calidad,

integridad y precisión de la información almacenada en la base de
conocimiento.
La base de conocimiento está formada por lecturas de varios expertos,
académicos y los ingenieros de conocimiento . El ingeniero de conocimiento
es una persona con las cualidades de empatía, aprendizaje rápido y
habilidades de análisis de casos.
Adquiere información del experto en la materia al grabarlo, entrevistarlo y
observarlo en el trabajo, etc. Luego, clasifica y organiza la información de
manera significativa, en forma de reglas IF-THEN-ELSE, para ser utilizada por
la máquina de interferencia. El ingeniero de conocimiento también supervisa el
desarrollo de la ES.

Máquina de inferencia
El uso de procedimientos y reglas eficientes por parte del motor de inferencia
es esencial para deducir una solución correcta e impecable.
En el caso de ES basado en el conocimiento, el motor de inferencia adquiere y
manipula el conocimiento de la base de conocimiento para llegar a una
solución particular.
En caso de ES basado en reglas, se -
 Aplica reglas repetidamente a los hechos, que se obtienen de la aplicación de
reglas anterior.
 Agrega nuevos conocimientos a la base de conocimientos si es necesario.
 Resuelve conflictos de reglas cuando varias reglas son aplicables a un caso
particular.
Para recomendar una solución, el motor de inferencia utiliza las siguientes
estrategias:

 Encadenamiento Adelante
 Encadenamiento hacia atrás
Encadenamiento Adelante

Es una estrategia de un sistema experto para responder la pregunta, "¿Qué

puede pasar después?"
Aquí, el motor de inferencia sigue la cadena de condiciones y derivaciones y
finalmente deduce el resultado. Considera todos los hechos y reglas, y los
ordena antes de llegar a una solución.
Esta estrategia se sigue para trabajar en la conclusión, resultado o efecto. Por
ejemplo, la predicción del estado del mercado de acciones como efecto de los
cambios en las tasas de interés.

Encadenamiento hacia atrás

Con esta estrategia, un sistema experto descubre la respuesta a la

pregunta, "¿Por qué sucedió esto?"
Sobre la base de lo que ya sucedió, el motor de inferencia intenta averiguar
qué condiciones podrían haber sucedido en el pasado para este
resultado. Esta estrategia se sigue para descubrir la causa o la razón. Por
ejemplo, diagnóstico de cáncer de sangre en humanos.

Interfaz de usuario
La interfaz de usuario proporciona interacción entre el usuario del ES y el
propio ES. Generalmente es el procesamiento del lenguaje natural para ser
utilizado por el usuario que está bien versado en el dominio de la tarea. El
usuario de ES no necesita ser necesariamente un experto en Inteligencia
Artificial.
Explica cómo el ES ha llegado a una recomendación particular. La explicación
puede aparecer en las siguientes formas:

 Lenguaje natural que se muestra en la pantalla.

 Narraciones verbales en lenguaje natural.
 Listado de números de regla que se muestran en la pantalla.
La interfaz de usuario facilita el seguimiento de la credibilidad de las
deducciones.

Requisitos de la interfaz de usuario eficiente de ES

 Debería ayudar a los usuarios a lograr sus objetivos de la manera más corta
posible.
 Debe estar diseñado para funcionar para las prácticas laborales existentes o
deseadas del usuario.
 Su tecnología debe ser adaptable a los requisitos del usuario; No al revés.
 Debe hacer un uso eficiente de la entrada del usuario.

Limitaciones de sistemas expertos

Ninguna tecnología puede ofrecer una solución fácil y completa. Los sistemas
grandes son costosos, requieren un tiempo de desarrollo significativo y
recursos informáticos. Los ES tienen sus limitaciones que incluyen:

 Limitaciones de la tecnología
 Difícil adquisición de conocimiento
 Los ES son difíciles de mantener
 Altos costos de desarrollo

Aplicaciones del sistema experto

La siguiente tabla muestra dónde se puede aplicar ES.

Solicitud Descripción

Dominio de diseño Diseño de lentes de cámara, diseño de automóviles.

Sistemas de diagnóstico para deducir la causa de la

Dominio medico enfermedad a partir de datos observados, operaciones
médicas de conducción en humanos.
 Comparar datos continuamente con el sistema observado
Sistemas de monitoreo o con el comportamiento prescrito, como el monitoreo de
fugas en tuberías de petróleo largas.

Sistemas de control de procesos Control de un proceso físico basado en monitoreo.

Dominio del conocimiento Descubrir fallas en vehículos, computadoras.

Detección de posibles fraudes, transacciones

Finanzas / Comercio sospechosas, negociación en bolsa, programación de
aerolíneas, programación de carga.

Tecnología de sistema experta

Hay varios niveles de tecnologías ES disponibles. Las tecnologías de sistemas
expertos incluyen:
 Entorno de desarrollo de sistema experto : el entorno de desarrollo de ES
incluye hardware y herramientas. Ellos son
o Estaciones de trabajo, minicomputadoras, mainframes.
o Lenguajes de programación simbólicos de alto nivel tales
como LIS t P rogramming (LISP) y PRO grammation en LOG ique
(PROLOG).
o Grandes bases de datos.
 Herramientas : reducen el esfuerzo y el costo involucrados en el desarrollo de un
sistema experto en gran medida.
o Potentes editores y herramientas de depuración con múltiples ventanas.
o Proporcionan prototipos rápidos
o Tener definiciones incorporadas de modelo, representación del
conocimiento y diseño de inferencia.
 Shells : un shell no es más que un sistema experto sin base de conocimientos. Un
shell proporciona a los desarrolladores la adquisición de conocimiento, el motor
de inferencia, la interfaz de usuario y la facilidad de explicación. Por ejemplo, a
continuación se dan algunas conchas:
o Java Expert System Shell (JESS) que proporciona una API Java
completamente desarrollada para crear un sistema experto.
o Vidwan , un shell desarrollado en el Centro Nacional de Tecnología de
Software, Mumbai en 1993. Permite la codificación del conocimiento en
forma de reglas IF-THEN.

Desarrollo de sistemas expertos: pasos generales

El proceso de desarrollo de ES es iterativo. Los pasos para desarrollar el ES
incluyen:

Identificar el dominio del problema

 El problema debe ser adecuado para que un sistema experto lo resuelva.

 Encuentre los expertos en el dominio de tareas para el proyecto ES.
 Establecer la rentabilidad del sistema.

Diseña el sistema

 Identificar la tecnología ES
 Conocer y establecer el grado de integración con los otros sistemas y bases de
datos.
 Date cuenta de cómo los conceptos pueden representar mejor el conocimiento del
dominio.

Desarrollar el prototipo

De Knowledge Base: El ingeniero de conocimiento trabaja para:

 Adquirir conocimiento de dominio del experto.

 Representarlo en forma de reglas If-THEN-ELSE.

Probar y refinar el prototipo

 El ingeniero de conocimiento utiliza casos de muestra para probar el prototipo en

busca de deficiencias en el rendimiento.
 Los usuarios finales prueban los prototipos de ES.

Desarrollar y completar el ES
 Probar y garantizar la interacción del ES con todos los elementos de su entorno,
incluidos los usuarios finales, las bases de datos y otros sistemas de información.
 Documente bien el proyecto ES.
 Entrenar al usuario para usar ES.

Mantener el sistema

 Mantenga actualizada la base de conocimientos mediante revisiones y

actualizaciones periódicas.
 Atiende nuevas interfaces con otros sistemas de información, a medida que estos
sistemas evolucionan.

Beneficios de los sistemas expertos

 Disponibilidad : están fácilmente disponibles debido a la producción en masa de
software.
  Menos costo de producción: el costo de producción es razonable. Esto los hace
asequibles.
 Velocidad : ofrecen una gran velocidad. Reducen la cantidad de trabajo que
realiza un individuo.
 Menos tasa de error: la tasa de error es baja en comparación con los errores
humanos.
 Reducción del riesgo : pueden funcionar en un entorno peligroso para los
humanos.
 Respuesta constante : funcionan de manera constante sin moverse, tensarse o
fatigarse.

Inteligencia Artificial - Robótica

La robótica es un dominio de la inteligencia artificial que se ocupa del estudio
de la creación de robots inteligentes y eficientes.

¿Qué son los robots?

Los robots son los agentes artificiales que actúan en el entorno del mundo
real.

Objetivo

Los robots están destinados a manipular los objetos percibiendo, escogiendo,

moviendo, modificando las propiedades físicas del objeto, destruyéndolo, o
para tener un efecto que libere a la mano de obra de realizar funciones
repetitivas sin aburrirse, distraerse o agotarse.

¿Qué es la robótica?
La robótica es una rama de la IA, que se compone de Ingeniería Eléctrica,
Ingeniería Mecánica e Informática para el diseño, construcción y aplicación de
robots.

Aspectos de la robótica.
 Los robots tienen una construcción mecánica , forma o forma diseñada para
realizar una tarea en particular.
 Tienen componentes eléctricos que alimentan y controlan la maquinaria.
 Contienen algún nivel de programa de computadora que determina qué, cuándo
y cómo un robot hace algo.

Diferencia en el sistema de robot y otros programas

de IA
Aquí está la diferencia entre los dos:
 Programas de IA Robots

Usualmente operan en mundos Operan en el mundo físico real

estimulados por computadora.

La entrada a un programa de IA está Las entradas a los robots son señales analógicas en
en símbolos y reglas. forma de forma de onda de voz o imágenes.

Necesitan computadoras de uso Necesitan hardware especial con sensores y

general para operar. efectores.

Robot Locomoción
La locomoción es el mecanismo que hace que un robot sea capaz de moverse
en su entorno. Hay varios tipos de locomociones:

 Patas
 Con ruedas
 Combinación de locomoción de patas y ruedas
 Deslizamiento / deslizamiento

Locomoción patas

 Este tipo de locomoción consume más energía al demostrar caminar, saltar, trotar,
saltar, subir o bajar, etc.
 Se requiere más cantidad de motores para realizar un movimiento. Es adecuado
para terrenos irregulares y lisos donde la superficie irregular o demasiado lisa
hace que consuma más energía para una locomoción con ruedas. Es poco difícil
de implementar debido a problemas de estabilidad.
 Viene con la variedad de una, dos, cuatro y seis patas. Si un robot tiene múltiples
piernas, entonces la coordinación de las piernas es necesaria para la locomoción.
El número total de pasos posibles (una secuencia periódica de eventos de
elevación y liberación para cada uno de los tramos totales) que un robot puede
viajar depende del número de sus tramos.
Si un robot tiene k patas, entonces el número de posibles eventos N = (2k-1).
¡En el caso de un robot de dos patas (k = 2), el número de eventos posibles es
N = (2k-1)! = (2 * 2-1)! = 3! = 6.
Por lo tanto, hay seis posibles eventos diferentes:

 Levantando la pierna izquierda

 Liberando la pierna izquierda
 Levantando la pierna derecha
  Liberando la pierna derecha
 Levantando ambas piernas juntas
 Liberando ambas piernas juntas
En el caso de k = 6 patas, hay 39916800 posibles eventos. Por lo tanto, la
complejidad de los robots es directamente proporcional al número de patas.

Locomoción de ruedas

Requiere menos motores para realizar un movimiento. Es poco fácil de

implementar ya que hay menos problemas de estabilidad en caso de que haya
más ruedas. Es eficiente en comparación con la locomoción de patas.
 Rueda estándar : gira alrededor del eje de la rueda y alrededor del contacto
 Rueda giratoria: gira alrededor del eje de la rueda y la junta de dirección
desplazada.
 Ruedas suecas de 45 o y 90 o suecas : Omni-wheel, gira alrededor del punto de
contacto, alrededor del eje de la rueda y alrededor de los rodillos.
 Bola o rueda esférica: rueda omnidireccional, técnicamente difícil de
implementar.

Deslizamiento / Deslizamiento Locomoción

En este tipo, los vehículos usan orugas como en un tanque. El robot se dirige
moviendo las pistas con diferentes velocidades en la misma dirección o en
dirección opuesta. Ofrece estabilidad debido a la gran área de contacto de la
pista y el suelo.

Componentes de un robot
Los robots se construyen con lo siguiente:
 Fuente de alimentación : los robots funcionan con baterías, energía solar,
hidráulica o neumática.
 Actuadores : convierten la energía en movimiento.
 Motores eléctricos (CA / CC) : son necesarios para el movimiento de rotación.
 Músculos neumáticos de aire : se contraen casi el 40% cuando se aspira aire.
 Cables musculares : se contraen un 5% cuando la corriente eléctrica pasa a
través de ellos.
 Motores piezoeléctricos y ultrasónicos : lo mejor para robots industriales.
 Sensores : proporcionan conocimiento de información en tiempo real sobre el
entorno de la tarea. Los robots están equipados con sensores de visión para
calcular la profundidad en el entorno. Un sensor táctil imita las propiedades
mecánicas de los receptores táctiles de las yemas de los dedos humanos.

Visión por computador

Esta es una tecnología de IA con la que los robots pueden ver. La visión por
computadora juega un papel vital en los dominios de seguridad, salud, acceso
y entretenimiento.
La visión por computadora extrae, analiza y comprende automáticamente
información útil de una sola imagen o de una serie de imágenes. Este proceso
implica el desarrollo de algoritmos para lograr la comprensión visual
automática.

Hardware del sistema de visión por computadora

Esto implica:

 Fuente de alimentación
 Dispositivo de adquisición de imagen como cámara
  Un procesador
 Un software
 Un dispositivo de visualización para monitorear el sistema
 Accesorios como soportes de cámara, cables y conectores.

Tareas de visión por computadora

 OCR : en el dominio de las computadoras, Optical Character Reader, un software
para convertir documentos escaneados en texto editable, que acompaña a un
escáner.
 Detección de rostros : muchas cámaras de última generación vienen con esta
característica, que permite leer el rostro y tomar la fotografía de esa expresión
perfecta. Se utiliza para permitir que un usuario acceda al software en la
coincidencia correcta.
 Reconocimiento de objetos : se instalan en supermercados, cámaras,
automóviles de alta gama como BMW, GM y Volvo.
 Posición estimada : es la posición estimada de un objeto con respecto a la
cámara como la posición del tumor en el cuerpo humano.

Dominios de aplicación de visión artificial

 Agricultura
 Vehículos autónomos
 Biometría
 Reconocimiento de caracteres
 Forense, seguridad y vigilancia
 Inspección de calidad industrial
 Reconocimiento facial
 Análisis de gestos
 Geociencia
 Imágenes medicas
 Monitoreo de la contaminación
 Control de procesos
 Sensores remotos
 Robótica
 Transporte

Aplicaciones de la robótica.
La robótica ha sido fundamental en varios dominios como:
 Industrias : los robots se utilizan para manipular material, cortar, soldar, revestir
con color, perforar, pulir, etc.
 Militar : los robots autónomos pueden alcanzar zonas inaccesibles y peligrosas
durante la guerra. Un robot llamado Daksh , desarrollado por la Organización de
Investigación y Desarrollo de Defensa (DRDO), está en función de destruir objetos
que amenazan la vida de forma segura.
  Medicina : los robots son capaces de realizar cientos de pruebas clínicas
simultáneamente, rehabilitar a personas con discapacidad permanente y realizar
cirugías complejas, como tumores cerebrales.
 Exploración : los robots escaladores de rocas utilizados para la exploración
espacial, los drones submarinos utilizados para la exploración oceánica son solo
algunos.
 Entretenimiento : los ingenieros de Disney han creado cientos de robots para
hacer películas.

Inteligencia artificial - Redes neuronales

Otra área de investigación en IA, las redes neuronales, está inspirada en la
red neuronal natural del sistema nervioso humano.

¿Qué son las redes neuronales artificiales (ANN)?

El inventor del primer neuroordenador, el Dr. Robert Hecht-Nielsen, define una
red neuronal como:
"... un sistema informático compuesto por una serie de elementos de procesamiento
simples y altamente interconectados, que procesan la información por su respuesta de
estado dinámico a las entradas externas".

Estructura básica de las ANN

La idea de ANN se basa en la creencia de que el funcionamiento del cerebro
humano al hacer las conexiones correctas puede imitarse utilizando silicio y
cables como neuronas y dendritas vivas .
El cerebro humano está compuesto por 86 mil millones de células nerviosas
llamadas neuronas. Están conectados a otras mil células por Axons. Los
estímulos del entorno externo o los aportes de los órganos sensoriales son
aceptados por las dendritas. Estas entradas crean impulsos eléctricos, que
viajan rápidamente a través de la red neuronal. Una neurona puede enviar el
mensaje a otra neurona para manejar el problema o no lo reenvía.
Los ANN están compuestos por múltiples nodos , que imitan
las neuronas biológicas del cerebro humano. Las neuronas están conectadas
por enlaces e interactúan entre sí. Los nodos pueden tomar datos de entrada y
realizar operaciones simples en los datos. El resultado de estas operaciones
se pasa a otras neuronas. La salida en cada nodo se llama
su activación o valor de nodo.
Cada enlace está asociado con el peso. Las ANN son capaces de aprender,
lo que ocurre al alterar los valores de peso. La siguiente ilustración muestra un
simple ANN -
Tipos de redes neuronales artificiales
Hay dos topologías de redes neuronales
artificiales: FeedForward y Feedback.

FeedForward ANN

En este ANN, el flujo de información es unidireccional. Una unidad envía

información a otra unidad de la que no recibe ninguna información. No hay
bucles de retroalimentación. Se utilizan en la generación / reconocimiento /
clasificación de patrones. Tienen entradas y salidas fijas.
FeedBack ANN

Aquí, se permiten bucles de retroalimentación. Se usan en memorias

direccionables de contenido.
Trabajo de ANNs
En los diagramas de topología mostrados, cada flecha representa una
conexión entre dos neuronas e indica la vía para el flujo de información. Cada
conexión tiene un peso, un número entero que controla la señal entre las dos
neuronas.
Si la red genera una salida "buena o deseada", no hay necesidad de ajustar
los pesos. Sin embargo, si la red genera una salida "pobre o no deseada" o un
error, entonces el sistema altera los pesos para mejorar los resultados
posteriores.

Aprendizaje automático en ANN

Los ANN son capaces de aprender y necesitan ser entrenados. Hay varias
estrategias de aprendizaje:
 Aprendizaje supervisado : involucra a un maestro que es académico más que el
ANN. Por ejemplo, el maestro alimenta algunos datos de ejemplo sobre los cuales
el maestro ya conoce las respuestas.
Por ejemplo, el reconocimiento de patrones. Al ANN se le ocurren conjeturas
mientras reconoce. Luego, el profesor proporciona a la ANN las
 respuestas. Luego, la red compara las conjeturas con las respuestas "correctas"
del profesor y realiza ajustes de acuerdo con los errores.
 Aprendizaje no supervisado : se requiere cuando no hay un conjunto de datos
de ejemplo con respuestas conocidas. Por ejemplo, buscando un patrón
oculto. En este caso, la agrupación, es decir, la división de un conjunto de
elementos en grupos de acuerdo con algún patrón desconocido, se lleva a cabo
en función de los conjuntos de datos existentes.
 Aprendizaje de refuerzo : esta estrategia se basa en la observación. La ANN
toma una decisión observando su entorno. Si la observación es negativa, la red
ajusta sus pesos para poder tomar una decisión requerida diferente la próxima
vez.

Algoritmo de propagación hacia atrás

Es el algoritmo de entrenamiento o aprendizaje. Aprende con el ejemplo. Si

envía al algoritmo el ejemplo de lo que desea que haga la red, cambia los
pesos de la red para que pueda producir la salida deseada para una entrada
particular al finalizar el entrenamiento.
Las redes de propagación hacia atrás son ideales para tareas simples de
reconocimiento de patrones y mapeo.

Redes Bayesianas (BN)

Estas son las estructuras gráficas utilizadas para representar la relación
probabilística entre un conjunto de variables aleatorias. Las redes bayesianas
también se denominan redes de creencias o redes bayesianas. BN razona
sobre el dominio incierto.
En estas redes, cada nodo representa una variable aleatoria con
proposiciones específicas. Por ejemplo, en un dominio de diagnóstico médico,
el nodo Cáncer representa la proposición de que un paciente tiene cáncer.
Los bordes que conectan los nodos representan dependencias probabilísticas
entre esas variables aleatorias. Si de dos nodos, uno está afectando al otro,
entonces deben estar conectados directamente en las direcciones del
efecto. La fuerza de la relación entre variables se cuantifica por la probabilidad
asociada con cada nodo.
Hay una única restricción en los arcos en un BN que no puede volver a un
nodo simplemente siguiendo los arcos dirigidos. Por lo tanto, los BN se
denominan Gráficos Acíclicos Dirigidos (DAG).
Los BN son capaces de manejar variables de valores múltiples
simultáneamente. Las variables BN se componen de dos dimensiones:

 Rango de preposiciones
 Probabilidad asignada a cada una de las preposiciones.
Considere un conjunto finito X = {X 1 , X 2 , ..., X n } de variables aleatorias
discretas, donde cada variable X i puede tomar valores de un conjunto finito,
denotado por Val (X i ). Si hay un enlace dirigido de la variable X i a la
variable, X j , entonces la variable X i será un padre de la
variable X j mostrando dependencias directas entre las variables.
La estructura de BN es ideal para combinar conocimiento previo y datos
observados. BN puede usarse para aprender las relaciones causales y
comprender varios dominios problemáticos y para predecir eventos futuros,
incluso en el caso de que falten datos.

Construyendo una Red Bayesiana

Un ingeniero de conocimiento puede construir una red bayesiana. Hay varios

pasos que el ingeniero de conocimiento debe tomar mientras lo construye.
Problema de ejemplo : cáncer de pulmón. Un paciente ha estado sufriendo
de disnea. Visita al médico, sospechando que tiene cáncer de pulmón. El
médico sabe que, salvo el cáncer de pulmón, existen otras enfermedades
posibles que el paciente podría tener, como tuberculosis y bronquitis.
Recopilar información relevante del problema

 ¿El paciente es fumador? Si es así, entonces hay altas posibilidades de cáncer y

bronquitis.
 ¿Está el paciente expuesto a la contaminación del aire? En caso afirmativo, ¿qué
tipo de contaminación del aire?
 Tomar una radiografía positiva con rayos X indicaría TB o cáncer de pulmón.
Identificar variables interesantes
El ingeniero de conocimiento intenta responder las preguntas:

 ¿Qué nodos representar?

 ¿Qué valores pueden tomar? ¿En qué estado pueden estar?
Por ahora consideremos nodos, con solo valores discretos. La variable debe
tomar exactamente uno de estos valores a la vez.
Los tipos comunes de nodos discretos son :
 Nodos booleanos : representan proposiciones, tomando valores binarios
VERDADERO (T) y FALSO (F).
 Valores ordenados : una contaminación de nodo puede representar y tomar
valores de {bajo, medio, alto} que describe el grado de exposición de un paciente
a la contaminación.
 Valores integrales : un nodo llamado Edad podría representar la edad del
paciente con posibles valores de 1 a 120. Incluso en esta etapa temprana, se
están tomando decisiones de modelado.
Posibles nodos y valores para el ejemplo de cáncer de pulmón:

Nombre del Tipo Valor Creación de nodos

nodo
Contaminación Binario {BAJO, ALTO,
MEDIO}

Fumador Booleano {VERDADERO,

FÁCIL}

Cáncer de Booleano {VERDADERO,

pulmón FÁCIL}

Radiografía Binario {Positivo

negativo}

Crear arcos entre nodos

La topología de la red debe capturar las relaciones cualitativas entre las
variables.
Por ejemplo, ¿qué causa que un paciente tenga cáncer de pulmón? -
Contaminación y tabaquismo. Luego agregue arcos desde el
nodo Contaminación y el nodo Fumador al nodo Cáncer de pulmón.
Del mismo modo, si el paciente tiene cáncer de pulmón, el resultado de la
radiografía será positivo. Luego agregue arcos desde el nodo Lung-Cancer al
nodo X-Ray.
Especificar topología
Convencionalmente, los BN se disponen de modo que los arcos apunten de
arriba a abajo. Los padres (X) proporcionan el conjunto de nodos principales
de un nodo X.
El cáncer de pulmón nodo tiene dos padres (razones o
causas): Contaminación y fuma , mientras que el nodo Fumador es
un antepasado de nodo X-Ray . Del mismo modo, la radiografía es un niño
(consecuencia o efectos) del cáncer de pulmón de nodo y sucesor de los
nodos fumador y contaminación.
Probabilidades condicionales
Ahora cuantifique las relaciones entre los nodos conectados: esto se realiza
especificando una distribución de probabilidad condicional para cada
nodo. Como aquí solo se consideran variables discretas, esto toma la forma
de una Tabla de probabilidad condicional (CPT).
Primero, para cada nodo necesitamos observar todas las combinaciones
posibles de valores de esos nodos principales. Cada combinación de este tipo
se denomina instanciación del conjunto primario. Para cada instanciación
distinta de los valores de los nodos principales, debemos especificar la
probabilidad que tomará el hijo.
Por ejemplo, los padres del nodo de cáncer de pulmón son la contaminación y
el tabaquismo. Toman los valores posibles = {(H, T), (H, F), (L, T), (L, F)}. El
CPT especifica la probabilidad de cáncer para cada uno de estos casos como
<0.05, 0.02, 0.03, 0.001> respectivamente.
Cada nodo tendrá una probabilidad condicional asociada de la siguiente
manera:

Aplicaciones de redes neuronales

Pueden realizar tareas que son fáciles para un humano pero difíciles para una
máquina:
 Aeroespacial - Aviones de piloto automático, detección de fallas de aeronaves.
 Automotriz : sistemas de guía para automóviles.
 Militar : orientación y dirección de armas, seguimiento de objetivos, discriminación
de objetos, reconocimiento facial, identificación de señal / imagen.
 Electrónica : predicción de secuencia de código, diseño de chip IC, análisis de
falla de chip, visión artificial, síntesis de voz.
 Financiero : evaluación de bienes inmuebles, asesor de préstamos, evaluación de
hipotecas, calificación de bonos corporativos, programa de negociación de
cartera, análisis financiero corporativo, predicción del valor de la moneda, lectores
de documentos, evaluadores de solicitudes de crédito.
 Industrial : control de procesos de fabricación, diseño y análisis de productos,
sistemas de inspección de calidad, análisis de calidad de soldadura, predicción de
calidad de papel, análisis de diseño de productos químicos, modelado dinámico
 de sistemas de procesos químicos, análisis de mantenimiento de máquinas,
licitación, planificación y gestión de proyectos.
 Médico : análisis de células cancerosas, análisis EEG y ECG, diseño protésico,
optimizador de tiempo de trasplante.
 Voz : reconocimiento de voz, clasificación de voz, conversión de texto a voz.
 Telecomunicaciones : compresión de imágenes y datos, servicios de información
automatizados, traducción de idiomas hablados en tiempo real.
 Transporte : diagnóstico del sistema de frenos de camiones, programación de
vehículos, sistemas de enrutamiento.
 Software - Reconocimiento de patrones en reconocimiento facial, reconocimiento
óptico de caracteres, etc.
 Predicción de series de tiempo : los ANN se utilizan para hacer predicciones
sobre stocks y calamidades naturales.
 Procesamiento de señal : las redes neuronales se pueden entrenar para
procesar una señal de audio y filtrarla adecuadamente en los audífonos.
 Control : los ANN se utilizan a menudo para tomar decisiones de dirección de
vehículos físicos.
 Detección de anomalías : como los ANN son expertos en reconocer patrones,
también pueden ser entrenados para generar una salida cuando ocurre algo
inusual que no se ajusta al patrón.

Inteligencia artificial - Problemas

La IA se está desarrollando con una velocidad tan increíble, a veces parece
mágica. Existe una opinión entre los investigadores y desarrolladores de que
la IA podría crecer tan inmensamente fuerte que sería difícil de controlar para
los humanos.
Los humanos desarrollaron sistemas de IA al introducirles toda la inteligencia
posible que pudieran, por lo que los humanos mismos ahora parecen
amenazados.

Amenaza a la privacidad
Un programa de inteligencia artificial que reconoce el habla y comprende el
lenguaje natural es teóricamente capaz de comprender cada conversación por
correo electrónico y teléfono.

Amenaza a la dignidad humana

Los sistemas de IA ya han comenzado a reemplazar a los seres humanos en
pocas industrias. No debe reemplazar a las personas en los sectores donde
ocupan puestos dignos que pertenecen a la ética, como enfermería, cirujano,
juez, oficial de policía, etc.

Amenaza a la seguridad
Los sistemas de IA que se mejoran a sí mismos pueden llegar a ser tan
poderosos que los humanos que podrían ser muy difíciles de detener para
lograr sus objetivos, lo que puede tener consecuencias no deseadas.

Inteligencia Artificial - Terminología

Aquí está la lista de términos de uso frecuente en el dominio de AI:

No Término y significado
Señor

1
Agente
Los agentes son sistemas o programas de software capaces de ser autónomos, con
un propósito y un razonamiento dirigido hacia uno o más objetivos. También se les
llama asistentes, corredores, bots, droides, agentes inteligentes y agentes de
software.

2
Robot autónomo
Robot libre de control o influencia externa y capaz de controlarse de forma
independiente.

3
Encadenamiento hacia atrás
Estrategia de trabajar hacia atrás por Razón / Causa de un problema.

44
Pizarra
Es la memoria dentro de la computadora, que se utiliza para la comunicación entre
los sistemas expertos que cooperan.

55
Ambiente
Es la parte del mundo real o computacional habitado por el agente.

66
Encadenamiento Adelante
Estrategia de trabajar hacia adelante para la conclusión / solución de un problema.

77
Heurística
Es el conocimiento basado en prueba y error, evaluaciones y experimentación.

8
Ingeniería del conocimiento
Adquirir conocimiento de expertos humanos y otros recursos.
99
Percepciones
Es el formato en el que el agente obtiene información sobre el entorno.

10
Poda
Anular consideraciones innecesarias e irrelevantes en los sistemas de IA.

11
Regla
Es un formato de representación de la base de conocimiento en Expert
System. Está en la forma de IF-THEN-ELSE.

12
Cáscara
Un shell es un software que ayuda a diseñar el motor de inferencia, la base de
conocimientos y la interfaz de usuario de un sistema experto.

13
Tarea
Es el objetivo que el agente intenta lograr.

14
Prueba de Turing
Una prueba desarrollada por Allan Turing para probar la inteligencia de una
máquina en comparación con la inteligencia humana.