Catalan Nabor Kevin
Medina Sánchez Gilberto
Salvador García Amado Edgar
CDMX 2024 9CM17
Introducción
La inteligencia artificial (IA) es un área
de la informática y la ciencia que
busca crear sistemas capaces de
imitar la inteligencia humana. La IA
está presente en muchas de las
tecnologías que utilizamos a diario,
desde los motores de búsqueda hasta
los asistentes virtuales, los sistemas
de recomendación y los chatbots.
03
Es la simulación de procesos de
inteligencia humana por parte de
máquinas, especialmente sistemas
informáticos. Estos sistemas están
diseñados para realizar tareas que
normalmente requieren inteligencia
humana, como el aprendizaje, el
razonamiento, la resolución de
problemas, la percepción y la
comprensión del lenguaje natural.
03
Tipos de Inteligencia Artificial
Inteligencia artificial débil Inteligencia artificial fuerte
Es diseñada para realizar tareas
específicas y limitadas. Es decir, se enfoca
en resolver un problema particular o
realizar una tarea específica. Por ejemplo,
un sistema de reconocimiento de voz o de
análisis de datos es un ejemplo de IA débil.
Es capaz de realizar cualquier tarea que
una persona pueda hacer, y de adaptarse
a nuevas situaciones y contextos. Esta es
la forma de IA que se encuentra en los
libros de ciencia ficción y películas, y aún
no se ha logrado su desarrollo completo.
04
La IA se aplica en
Aplicaciones muchos ámbitos de la
vida, desde la industria y
Algunas de las aplicaciones los servicios hasta la
más comunes de la IA son las investigación y la
siguientes: ciencia.
Asistentes virtuales Biotecnología
Chatbots Transporte y logística
Análisis de datos Videojuegos
Robótica Medicina
Automatización Análisis de datos
industrial
05
Limitaciones
Algunas de las limitaciones actuales de
la inteligencia artificial son su
capacidad limitada para entender el
lenguaje natural y el contexto, y su falta
de sentido común y creatividad.
Entre los riesgos asociados con la IA
se encuentran la automatización
masiva, la privacidad, la seguridad de
los datos y la toma de decisiones
sesgada o injusta.
06
Futuro de la Inteligencia Artificial
Algunas de las tendencias actuales en la
En el futuro, se espera investigación de la inteligencia artificial incluyen
que la inteligencia
artificial siga Exploraciones de nuevas
Creación de sistemas
desarrollándose y aplicaciones en campos
más autónomos,
extendiéndose a nuevos como la energía y el
adaptables y eficientes.
ámbitos de la vida. medioambiente.
Accesibilidad y facilidad
Implicaciones de uso para los
importantes en la desarrolladores y los
privacidad y la seguridad consumidores.
de los datos.
07
Se puede afirmar que la inteligencia artificial es una
tecnología con un gran potencial y que continuará
transformando nuestra sociedad en los próximos años. La IA
está siendo aplicada en una amplia gama de campos y tiene
el potencial de mejorar la eficiencia.
08
También es importante
tener en cuenta que la
inteligencia artificial plantea
ciertos desafíos, incluyendo
la ética y la privacidad de
los datos. Por dicho motivo,
se deben establecer
regulaciones adecuadas
para garantizar que la IA se
desarrolle y use de manera
responsable.
08
Filosofía y Desarrollo de la IA
La filosofía de la inteligencia artificial (IA)
es un campo fascinante que combina el
pensamiento filosófico con la tecnología
de vanguardia1. Se centra en investigar
cuestiones como la naturaleza de la
inteligencia, la conciencia, la ética y la
moralidad en relación con la IA1.
Filósofos clásicos como Aristóteles,
Platón, Kant, Nietzsche y Rousseau
ofrecen ideas valiosas para reflexionar
sobre estos desafíos.
08
Algunos filósofos y científicos
creen que, con el tiempo y los
avances tecnológicos, las
máquinas podrían llegar a
desarrollar una inteligencia
comparable a la humana,
incluyendo la capacidad de tener
conciencia y experiencias
subjetivas. Sin embargo, esto aún
es objeto de mucho debate y
exploración.
08
La filosofía es un espacio de
reflexión que permite una pausa,
ese ejercicio propio del
pensamiento humano, de la
búsqueda de la sabiduría, que no
se contenta con las primeras
respuestas, sino que busca
someterlas a juicio, indagar en su
profundidad, en las relaciones
complejas.
08
La ética, como una de sus ramas, se
encarga de sopesar sus pro y sus contra;
siendo consciente de sus riesgos, intenta
plantear posibles soluciones que, ligadas a
la reflexión jurídica, nos permitan usar con
responsabilidad esta tecnología;
comprendiendo que hay aspectos
positivos que abre el campo de discusión
en torno a la justicia, la accesibilidad y la
inclusión digital, ya que se debe buscar que
las aplicaciones de inteligencia artificial
sean accesibles e inclusivas para todas las
comunidades”
08
A medida que las máquinas se vuelven más capaces de realizar
tareas que antes eran exclusivas de los humanos, surgen
preguntas fundamentales sobre la naturaleza de la inteligencia,
la conciencia, la ética y el futuro de la humanidad.
08
La filosofía de la IA se centra en cuestiones como:
¿Qué es la inteligencia? ¿Puede una máquina
ser verdaderamente inteligente o simplemente
simularla?
¿Pueden las máquinas tener conciencia? ¿Es
posible crear máquinas que experimenten
emociones y tengan una vida mental rica?
¿Qué implicaciones éticas tiene el desarrollo de
la IA? ¿Cómo debemos diseñar y utilizar
sistemas de IA de manera responsable?
¿Cuál es el impacto de la IA en la sociedad y en
la condición humana? ¿Cómo cambiará nuestra
forma de trabajar, de relacionarnos y de
entender el mundo?
08
Ingenieria del conocimiento
Conocimiento
Se refiere al aprendizaje individual, en el cual
intervienen el proceso de adquisición y
almacenamiento del conocimiento cuyo
objetivo es incrementar la capacidad del
individuo para realizar acciones efectivas.
Tipos de conocimiento
Conocimiento declarativo: Se puede
expresar desde un hecho o atributo poseído
por un objeto, persona o concepto
abstracto y una o varias relaciones entre
estos.
Conocimiento procedural: consiste en un
conjunto de reglas (basadas en
conocimiento) que los expertos usa en la
solución de los problemas. Consiguiendo así
la generación de más conocimiento.
Metaconocimiento: es el conocimiento sobre
el propio conocimiento y la experiencia,
forma parte del Motor de inferencia. En IA el
metaconocimiento se refiere al
conocimiento sobre la operación de los
sistemas basados en conocimiento, es decir,
sobre sus capacidades de razonamiento.
Definición: Ingenieria del conocimiento
Disciplina que se dedica a capturar y
representar el conocimiento humano
para su uso en sistemas automáticos,
como sistemas expertos, asistentes
virtuales y agentes inteligentes. Implica
extraer conocimiento de expertos en un
área específica, organizarlo y luego
representarlo de una manera que las
máquinas puedan procesar.
Ingeniero del conocimiento
Es un especialista informático, el cual tiene los
conocimientos profundos sobre el desarrollo y
ejecución de sistemas basados en el
conocimiento como en un Sistema Experto
(SE), debe conocer las herramientas de su
desarrollo, estrategias efectivas de
comunicación y contar con conocimientos
mínimos de psicología para poder interpretar
las exprsiones y manifestaciones del experto
humano,
El ICO es el encargado de realizar las siguientes actividades:
Extrae el conocimiento del experto humano por medio del planteamiento
de preguntas o algún otro método definido para la Adquisición del
conocimiento y lo plasma en una Base de conocimiento.
Implementa correctamente el conocimiento del experto humano.
Relación con la IA
La Ingeniería del Conocimiento es fundamental para los sistemas que requieren toma de
decisiones o resolución de problemas complejos. Mientras que otras ramas de la IA
(como el aprendizaje automático) se basan en grandes cantidades de datos para
aprender patrones, la ingeniería del conocimiento se enfoca en utilizar conocimiento
explícito y codificado, a menudo con reglas lógicas o representaciones simbólicas
1) Adquisición del conocimiento
2) Representación del conocimiento
3) Validación de resultados
4) Implementación en sistemas basados en
conocimiento
5) Mantenimiento del conocimiento
Adquisición del conocimiento
Esta fase implica extraer y recopilar
conocimiento de fuentes humanas,
libros, documentos o bases de
datos. Las técnicas pueden incluir
entrevistas con expertos, estudios
de casos o minería de datos. Este
paso es crucial, ya que el
conocimiento debe ser completo,
relevante y preciso.
Etapas de la Adquisición del
conocimiento
1. Identificación.
2. Entendimiento.
3. Formalización.
4. Implementación.
5. Pruebas.
Representación del conocimiento
Una vez adquirido el conocimiento, este se debe organizar y estructurar de
manera que sea accesible y manipulable por un sistema de IA. La elección de
un esquema en particular dependerá del tipo de problema que se quiere
resolver y de los métodos de inferencia que se utilizarán.
Las formas comunes de representación
incluyen:
Reglas de producción: Sentencias del
tipo “Si X, entonces Y”, utilizadas en
sistemas expertos.
Ontologías: Conjuntos de conceptos y
relaciones que modelan un dominio de
conocimiento específico.
Redes semánticas: Gráficos que
representan conceptos y sus
relaciones.
Frames o marcos: Estructuras de datos que agrupan
información relacionada a un tema o entidad.
Lógica de predicados: Un formalismo basado en
matemáticas y lógica para representar afirmaciones y sus
relaciones.
Validación del conocimiento
En esta fase se verifica que el conocimiento adquirido sea
consistente, libre de errores y útil en la toma de decisiones del
sistema. Esto se realiza mediante pruebas y evaluación de
resultados.
Implementación en sistemas
basados en conocimiento
El conocimiento estructurado se
integra en un sistema, a menudo
un sistema experto, que puede
hacer inferencias, es decir,
deducir nueva información a
partir de las reglas y los hechos
que tiene almacenados
Mantenimiento del conocimiento
El conocimiento no es
estático, y los sistemas deben
adaptarse a nuevos datos y
hechos que surgen con el
tiempo. Esto implica actualizar
y revisar las bases de
conocimiento de manera
continua.
Aplicaciones de la Ingeniería
del Conocimiento
Sistemas Expertos
Agentes Inteligentes
Asistentes Virtuales
Sistemas de soporte a la toma de decisiones (DSS)
Aplicaciones en el diagnóstico y mantenimiento
predictivo
Desafíos y Limitaciones
Adquisición del conocimiento: Puede ser difícil y costoso obtener y formalizar el
conocimiento de expertos, ya que a menudo es tácito o implícito, es decir, los
expertos pueden tener dificultades para expresar con precisión su conocimiento.
Mantenimiento y actualización: El conocimiento cambia con el tiempo, y las bases
de conocimiento deben ser mantenidas y actualizadas para reflejar los nuevos
descubrimientos o modificaciones en el dominio específico.
Desafíos y Limitaciones
Complejidad en la representación: Modelar el conocimiento humano en un formato
comprensible para las máquinas puede ser un desafío, ya que a menudo es
ambiguo o subjetivo.
Limitaciones frente al aprendizaje automático: A diferencia de los modelos
basados en datos, los sistemas de ingeniería del conocimiento no pueden
"aprender" nuevos patrones o reglas por sí mismos sin intervención humana.
Comparación con el Aprendizaje Automático
La Ingeniería del Conocimiento se centra en representar
explícitamente el conocimiento que ya existe, mientras que el
aprendizaje automático (machine learning) es más inductivo y basado
en datos, permitiendo a las máquinas aprender de ejemplos sin
intervención directa humana.
Ambos enfoques no son excluyentes, y muchos sistemas actuales
combinan el aprendizaje automático con la ingeniería del
conocimiento para crear sistemas más robustos e inteligentes.
Herramientas y Lenguajes Comunes
Prolog: Un lenguaje de programación
utilizado ampliamente en sistemas
basados en reglas y en la
representación de conocimiento.
CLIPS: Una herramienta para el
desarrollo de sistemas expertos que
permite la construcción de sistemas de
inferencia utilizando reglas.
OntoEdit y Protégé: Herramientas
utilizadas para la creación de
ontologías, un tipo de representación
del conocimiento.
Maquinas de
Inferencia en
Las máquinas de inferencia en la IA
la IA se refieren a sistemas que aplican el
conocimiento adquirido durante el
entrenamiento para hacer
predicciones o tomar decisiones
basadas en nuevos datos. Estos
sistemas son esenciales en
aplicaciones como diagnóstico
médico, asistentes virtuales, sistemas
de recomendación y más.
08
¿Qué es el
entrenamiento de la IA?
Inicialmente se le da a la IA un
conjunto de datos con las etiquetas
correctas, conocidos como datos de
entrenamiento. Luego, se monitorea
el modelo de inferencia generado
por el conjunto de datos de prueba,
al que la IA puede responder de
manera veraz o falsa.
08
Lo que se busca con este
método de aprendizaje es
detectar patrones, y lo que
hace la IA en este caso es
buscar y agrupar los datos
en función de su similitud. Es
el tipo de formación más
utilizado en el
procesamiento de datos
multimedia.
08
En este modelo el conjunto de
datos de entrenamiento es
introducido en tiempo real y las
conclusiones que saca la IA son
evaluadas por un agente
supervisor que la alimenta, que
puede ser una persona, una base
de datos compleja e incluso otra
IA.
08
En este caso, la IA productiva no
sabe lo que está buscando desde
el principio, y solo aprende de una
segunda IA que puede realizar la
evaluación por clasificación o
búsqueda de patrones.
Dependiendo del tipo de problema
para el que se desee crear un
modelo o solución, el proceso de
capacitación puede requerir más o
menos energía y tiempo.
08
¿Qué es la inferencia en IA?
A grandes rasgos, la inferencia consiste
en poner en práctica lo que la IA ha
aprendido en el entrenamiento. Una vez
que la IA aprende el modelo, crea un
modelo de inferencia que utilizará para
resolver y / o clasificar el problema. Esta
estructura permite que los procesadores
de inteligencia artificial aprendan
estructuras complejas sin requerir
grandes cantidades de datos. 08
Por ejemplo, una máquina de inferencia podría
analizar una imagen médica para detectar
signos de una enfermedad, basándose en
patrones que ha aprendido de miles de
imágenes similares. Es como un médico que
usa su experiencia previa para interpretar
nuevos síntomas y dar un diagnóstico.
Un sistema de recomendación de películas que
ha aprendido sobre tus gustos viendo tus
elecciones pasadas, usa inferencia para sugerir
nuevas películas que podrían gustarte.
08
¿Qué son las redes neuronales?
La red neuronal es un tipo de algoritmo de IA que toma información, la ejecuta a
través de su red neuronal, llamadas capas, y proporciona los resultados. Esta
capacidad de reentrenar la red neuronal hasta que aprendan a proporcionar la
respuesta correcta es un aspecto importante de la computación cognitiva. Las
redes neuronales aprenden de los datos a los que se exponen y reorganizan la
conexión entre las neuronas.
08
Entonces, cuando una red neuronal se
adapta, realmente ajusta la fuerza de las
conexiones que existen entre sus
neuronas, para que pueda dar una
respuesta más precisa la próxima vez.
Las redes neuronales están muy
conectadas con el entrenamiento y la
inferencia. Para que una red neuronal
proporcione una buena respuesta a un
problema, estas conexiones deben
abordarse ejercitando repetidamente el
entrenamiento de la red, es decir,
exponiéndose a los datos.
08
La inferencia en IA es cuando los
modelos de IA aplican lo aprendido a
nuevos datos, tomando decisiones
basadas en esos conocimientos.
Imagínalo como alguien que,
después de leer muchos libros sobre
un tema, utiliza esa información para
responder a preguntas o resolver
problemas relacionados. Es como la
"ejecución" de la IA, utilizando su
"experiencia" para abordar nuevos
desafíos.
08
La inferencia es utilizada en muchas
aplicaciones de IA, como:
Diagnóstico médico: Analizando imágenes
médicas para identificar posibles
enfermedades.
Asistentes virtuales: Interpretando y
respondiendo a comandos de voz.
Sistemas de recomendación: Sugiriendo
productos o contenidos basados en el
historial de usuario.
Conducción autónoma: Tomando
decisiones en tiempo real sobre la
navegación de vehículos.
08
La inferencia en inteligencia artificial es
un proceso fundamental en el que un
modelo de IA aplica lo que ha aprendido
durante su entrenamiento a nuevos
datos para hacer predicciones o tomar
decisiones.
En pocas palabras, la inferencia es como
la "ejecución" de la IA. Una vez que un
modelo ha sido entrenado (es decir, ha
aprendido patrones a partir de los
datos), utiliza esos conocimientos para
analizar y actuar sobre nuevos datos.
08
Mediante la inferencia podemos usar una red neuronal para proporcionar
feedback después de que ha sido entrenada. A las redes neuronales le hacen
falta tiempos inferiores a un segundo para proporcionar una respuesta a datos
dados sobre el mundo real. Por lo tanto, no es necesario un hardware potente
para poner en producción una red neuronal entrenada, se puede usar un servidor
más modesto, llamado servidor de inferencia, cuya función es ejecutar un modelo
de IA entrenado.
08
¿Qué piensas de la
inteligencia artificial?
QUEREMOS CONOCER TU OPINIÓN
¡Muchas
gracias!
