¿Qué es la inteligencia Artificial?
La inteligencia artificial (IA) hace posible que las máquinas aprendan de la
experiencia, se ajusten a nuevas aportaciones y realicen tareas como seres
humanos. La mayoría de los ejemplos de inteligencia artificial sobre los que oye
hablar hoy día – desde computadoras que juegan ajedrez hasta automóviles de
conducción autónoma – recurren mayormente al aprendizaje profundo y al
procesamiento del lenguaje natural. Empleando estas tecnologías, las
computadoras pueden ser entrenadas para realizar tareas específicas procesando
grandes cantidades de datos y reconociendo patrones en los datos.
A medida que ha ido avanzando la ciencia y la tecnología el hombre ha tenido entre
sus principales objetivos, lograr que las máquinas piensen igual que el ser humano,
o al menos tratar de lograr tal situación. En busca de nuevos métodos de
aprendizaje para alcanzar tal comportamiento surgió una nueva rama de la Ciencia
de la Computación, la Inteligencia Artificial. En este campo de la Computación se
encarga de comprender y replicar la inteligencia humana, además proporciona
técnicas, herramientas y métodos que han demostrado su aplicabilidad. Ha surgido
con numerosas aplicaciones en muchos campos, desde áreas de propósito general
como la percepción o el razonamiento, hasta áreas específicas como ingeniería del
conocimiento, planificación, videojuegos, entre otras. Uno de los campos del
desarrollo de software que más se ha beneficiado con la Inteligencia Artificial ha
sido, sin duda, el desarrollo de videojuegos.
Concepto de inteligencia artificial.
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.
Historia de la inteligencia artificial
La idea de algo parecido a la inteligencia artificial existe desde hace millones de
años. El primer hombre primitivo que tomo conciencia de su propia existencia, y de
que era capaz de pensar, seguramente se pregunto como funcionaria su
pensamiento y posteriormente llegaría a la idea de un "creador superior". Por lo
tanto, la idea de que un ser inteligente cree a otro, la idea de un diseño virtual para
la inteligencia, es tan remota como la toma de conciencia del ser humano.
• Los juegos matemáticos antiguos, como el de la torres de hanoi (aprox
3000ac), demuestran el interés por la búsqueda de un bucle resolutor, una
Inteligencia Artificial capaz de ganar en los mínimos movimientos posibles.
• En 1903 Lee De Forest inventa el tríodo (también llamados bulbo o válvula de
vacío). Podría decirse que la primera gran maquina inteligente diseñada por
el hombre fue el computador ENIAC, compuesto por 18.000 válvulas de
vacío, teniendo en cuenta que el concepto de "inteligencia" es un término
subjetivo que depende de la inteligencia y la tecnología que tengamos en esa
época. Un indígena de las amazonas en el Siglo XX podría calificar de
inteligente un tocadiscos, cuando en verdad no lo es tanto.
• En 1937, el matemático inglés Alan Mathison Turing (1912-1953) publicó un
artículo de bastante repercusión sobre los "Números Calculables", que puede
considerarse el origen oficial de la Informática Teórica. En este artículo,
introdujo la Máquina de Turing, una entidad matemática abstracta que
formalizó el concepto de algoritmo y resultó ser la precursora de las
computadoras digitales. Con ayuda de su máquina, Turing pudo demostrar
que existen problemas irresolubles, de los que ningún ordenador será capaz
de obtener su solución, por lo que a Alan Turing se le considera el padre de
la teoría de la computabilidad.
• También se le considera el padre de la Inteligencia Artificial, por su famosa
Prueba de Turing, que permitiría comprobar si un programa de ordenador
puede ser tan inteligente como un ser humano.
• En 1951 William Shockley inventa el transistor de unión. El invento del
transistor hizo posible una nueva generación de computadoras mucho más
rápidas y pequeñas.
• En 1956, se acuño el término "inteligencia artificial" en Dartmouth durante
una conferencia convocada por McCarthy, a la cual asistieron, entre otros,
Minsky, Newell y Simon. En esta conferencia se hicieron previsiones
triunfalistas a diez años que jamás se cumplieron, lo que provocó el
abandono casi total de las investigaciones durante quince años.
• En 1980 la historia se repitió con el desafío japonés de la quinta generación,
que dio lugar al auge de los sistemas expertos, pero que no alcanzó muchos
de sus objetivos, por lo que este campo ha sufrido una nueva detención en
los años noventa.
• En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un
agente inteligente. Al intentar describir con un mayor ámbito (no solo la
comunicación) los atributos de un agente inteligente, la IA se ha extendido a
muchas áreas que han creado ramas de investigación enorme y diferenciada.
Dichos atributos del agente inteligente son:
1. Tiene actitudes mentales tales como creencias e intenciones
2. Tiene la capacidad de obtener conocimiento, es decir, aprender.
3. Puede resolver problemas, incluso particionando problemas complejos en
otros más simples.
4. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas
ambiguas o contradictorias.
5. Planifica, predice consecuencias, evalúa alternativas (como en los juegos de
ajedrez)
6. Conoce los límites de su propias habilidades y conocimientos.
7. Puede distinguir a pesar de las similitudes de las situaciones.
8. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta
utilizando analogías.
9. Puede generalizar.
10. Puede percibir y modelar el mundo exterior.
11. Puede entender y utilizar el lenguaje y sus símbolos.
Podemos entonces decir que la IA incluye características humanas tales como el
aprendizaje, la adaptación, el razonamiento, la autocorrección, el mejoramiento
implícito, y la percepción modelar del mundo. Así, podemos hablar ya no sólo de un
objetivo, sino de muchos dependiendo del punto de vista o utilidad que pueda
encontrarse a la IA.
Muchos de los investigadores sobre IA sostienen que "la inteligencia es un
programa capaz de ser ejecutado independientemente de la máquina que lo ejecute,
computador o cerebro".
Técnicas y campos de la inteligencia artificial
Aprendizaje Automático (Machine Learning):
Rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a
las Computadoras aprender. De forma más concreta, se trata de crear programas
capaces de generalizar comportamientos a partir de una información no
estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de
inducción del conocimiento.
Algunos sistemas de Aprendizaje Automático intentan eliminar toda necesidad de
intuición o conocimiento experto de los procesos de análisis de datos, mientras otros
tratan de establecer un marco de colaboración entre el experto y la computadora.
De todas formas, la intuición humana no puede ser reemplazada en su totalidad, ya
que el diseñador del sistema ha de especificar la forma de representación de los
datos y los métodos de manipulación y caracterización de los mismos.
• Ingeniería del conocimiento (Knowledge Engineering):Consiste en generar nuevo
conocimiento que antes no existía, a partir de la información contenida en las
bases de datos documentales y mediante el cruce del contenido de los
documentos.
La ingeniería del conocimiento parte de la Teoría actor-red, ya que pone de
manifiesto redes y genera otras nuevas. Además hace uso de la Teoría de la
Traducción-Traslación, ya que mediante el acercamiento y puesta en relación de
actores, se produce un moldeo o traducción para llevar los enunciados o
modalidades a nuevos estadios de evolució[Link] ingeniería del conocimiento
forma parte de la Inteligencia Artificial y su fin es el diseño y desarrollo de
Sistemas expertos. Para ello, se apoya en metodologías instruccionales y en las
ciencias de la Computación y de la Información, intentando representar el
conocimiento y razonamiento humanos en un determinado dominio, dentro de un
sistema artificial. El trabajo de los ingenieros del conocimiento consiste en
extraer el conocimiento de los expertos humanos en una determinada área, y en
codificar dicho conocimiento de manera que pueda ser procesado por un
sistema.
El problema es que la ingeniería del conocimiento no es un experto en el campo
que intenta modelar, mientras que el experto en el tema no tiene experiencia
modelando su conocimiento (basado en la heurística) de forma que pueda ser
representado de forma genérica en un sistema. La ingeniería del conocimiento
engloba a los científicos, tecnología y metodología necesarios para procesar el
conocimiento. Su objetivo es extraer, articular e informatizar el conocimiento de
un experto.
• Lógica difusa (Fuzzy Logic):
Se adapta mejor al mundo real en el que vivimos, e incluso puede comprender y
funcionar con nuestras expresiones, del tipo "hace mucho calor", "no es muy
alto", "el ritmo del corazón está un poco acelerado", etc.
La clave de esta adaptación al lenguaje, se basa en comprender los
cuantificadores de nuestro lenguaje, en los ejemplos de arriba "mucho", "muy" y
"un poco". En la teoría de conjuntos difusos se definen también las operaciones
de unión, intersección, diferencia, negación o complemento, y otras operaciones
sobre conjuntos en los que se basa esta lógica.
Redes neuronales artificiales (Artificial Neural Networks):
Son un paradigma de aprendizaje y procesamiento automático inspirado en la
forma en que funciona el sistema nervioso de los animales. Se trata de un
sistema de interconexión de neuronas en una red que colabora para producir un
estímulo de salida.
Las RNA son modelos que intentan reproducir el comportamiento del cerebro.
Como tal modelo, realiza una simplificación, averiguando cuáles son los
elementos relevantes del sistema, bien porque la cantidad de información de que
se dispone es excesiva o bien porque es redundante. Una elección adecuada de
sus características, más una estructura conveniente, es el procedimiento
convencional utilizado para construir redes capaces de realizar determinada
tarea.
Se conoce como capa o nivel a un conjunto de neuronas cuyas entradas
provienen de la misma fuente y cuyas salidas se dirigen al mismo destino.
Unidad de proceso: La neurona Artificial. Existen tres tipos de unidades en
cualquier sistema: entradas, salidas y ocultas. Las unidades de entrada reciben
señales desde el entorno; las de salida envían la señal fuera de la red, y las
unidades ocultas son aquellas cuyas entradas y salidas se encuentran dentro del
sistema.
• Sistemas reactivos (Reactive Systems):
Son aplicaciones críticas, en las cuales una falla o mal funcionamiento pueden
acarrear consecuencias graves, tales como poner en juego vidas humanas y/o
grandes inversiones económicas. El comportamiento de estos sistemas,
llamados sistemas de tiempo real, no está determinado únicamente por la
sucesión de acciones que se ejecutan, sino también por el momento en que las
mismas ocurren y son procesadas. El tiempo de ejecución es el parámetro
fundamental en el comportamiento de esta clase de sistemas y una gran parte,
quizás la más importante, de los requerimientos de los mismos son temporales:
tal acción debe ejecutarse en un lapso de tiempo determinado, el tiempo
transcurrido entre dos eventos o señales debe estar acotado por un valor
constante.
• Sistemas basados en reglas (Rule-Based Systems):
Modelos de representación del conocimiento ampliamente utilizados. Esto es
debido a que resultan muy apropiados en situaciones en las que el conocimiento
que se desea representar surge de forma natural con estructura de reglas.
También pueden trabajar por inferencia lógica dirigida, bien empezando con una
evidencia inicial en una determinada situación y dirigiéndose hacia la obtención
de una solución, o bien con hipótesis sobre las posibles soluciones y volviendo
hacia atrás para encontrar una evidencia existente (o una deducción de una
evidencia existente) que apoye una hipótesis en particular.
• Razonamiento basado en casos (Case-Based Reasoning):
Es el proceso de solucionar nuevos problemas basándose en las soluciones de
problemas anteriores. El Razonamiento basado en casos es una manera de razonar
haciendo analogías. Se ha argumentado que el razonamiento basado en casos no
sólo es un método poderoso para el razonamiento de computadoras, sino que es
usado por las personas para solucionar problemas cotidianos. Más radicalmente se
ha sostenido que todo razonamiento es basado en casos porque está basado en la
experiencia previa.
Este sistema de razonamiento se basa en una unidad mínima llamada caso. Un
caso se puede definir como una representación de una experiencia anterior, una
vivencia. Podría ser visto como una caja en la que encontramos todas aquellas
cosas que pasaron en la experiencia.
• Sistemas expertos (Expert Systems):
es un sistema de información basado en el conocimiento que usa su
conocimiento de un área de aplicación compleja y específica a fin de actuar
como un consultor experto para los usuarios finales. Los sistemas expertos
proporcionan respuestas sobre un área problemática muy específica al hacer
inferencias semejantes a las humanas sobre los conocimientos obtenidos en una
base de conocimientos especializados.
• Redes Bayesianas (Bayesian Networks):
Es un modelo probabilístico multivariado que relaciona un conjunto de variables
aleatorias mediante un grafo dirigido que indica explícitamente influencia causal.
Gracias a su motor de actualización de probabilidades, el Teorema de Bayes, las
redes bayesianas son una herramienta extremadamente útil en la estimación de
probabilidades ante nuevas evidencias. Una red bayesiana es un tipo de red
causal. Un híbrido de red bayesiana y Teoría de la Utilidad es un diagrama de
influencia.
Redes semánticas (Semantic Networks):
Son una forma de representación de conocimiento lingüístico en la que los
conceptos y sus interrelaciones se representan mediante un grafo. Las redes
semánticas son usadas, entre otras cosas, para representar mapas conceptuales
y mentales.
