Caratula
Florencia Metel – 2do
Indice
La Inteligencia Artificial................................................................................................................3
Nociones y Antecedentes Históricos de Inteligencia Artificial......................................................3
Definiciones sobre Inteligencia Artificial..................................................................................3
Características de la Inteligencia Artificial....................................................................................2
Tipos de Inteligencia artificial.......................................................................................................4
Objetivos de la Investigación en Inteligencia Artificial.............................................................4
Algoritmos....................................................................................................................................5
Florencia Metel – 2do
La Inteligencia Artificial
Comenzó como el resultado de la (robótica, sistemas experimentados, por
investigación en psicología cognitiva ejemplo), todos los cuales tienen en común
y lógica matemática. Se ha enfocado sobre la creación de máquinas que pueden
la explicación del trabajo mental "pensar". La idea de construir una máquina
y construcción de algoritmos de solución que pueda ejecutar tareas percibidas como
a problemas de propósito general. Punto de requerimientos de inteligencia humana es
vista que favorece la abstracción y la un atractivo. Las tareas que han sido
generalidad. estudiadas desde este punto de vista
incluyen juegos, traducción de idiomas,
La Inteligencia Artificial es una combinación comprensión de idiomas,
de la ciencia del computador, diagnóstico de fallas, robótica, suministro de
fisiología y filosofía, tan general y amplio asesoría experta en diversos temas.
como eso, es que reúne varios campos
Es así como los sistemas de administración de base de datos cada vez más sofisticados,
la estructura de datos y el desarrollo de algoritmos de inserción, b006Frrado y locación de datos,
así como el intento de crear máquinas capaces de realizar tareas que son pensadas como
típicas del ámbito de la inteligencia humana, acuñaron el término Inteligencia Artificial en 1956.
Trabajos teóricos fundamentales fueron el desarrollo de algoritmos matemáticos por Warren
McCullock y Walter Pitts, en 1943, necesarios para posibilitar el trabajo de clasificación, o
funcionamiento en sentido general, de una red neuronal.
En 1949 Donald Hebb desarrolló un algoritmo de aprendizaje para dichas redes neuronales
creando, en conjunto con los trabajos de McCullock y Pitts, la escuela creacionista. Esta escuela
se considera hoy como el origen de la Inteligencia Artificial, sin embargo se trató poco por
muchos años, dando paso al razonamiento simbólico basado en reglas de producción, lo que se
conoce como sistemas experimentados.
Nociones y Antecedentes Históricos de Inteligencia Artificial.
Definiciones sobre Inteligencia Artificial
Disciplina científico-técnica que trata de crear sistemas artificiales capaces de comportamientos
que, de ser realizados por seres humanos, se diría que requieren inteligencia.
Estudio de los mecanismos de la inteligencia y las tecnologías que lo sustentan. (Newell, 91)
Intento de reproducir (modelar) la manera en que las personas identifican, estructura y resuelven
problemas difíciles (Pople, 84)
Algunas de las herramientas de la IA que se pueden utilizar son:
● Chat GPT.
● Frase.io.
● Salesforce Einstein.
Florencia Metel – 2do
● NetBase Quid.
● Synthesia.
● Sembly.
Lenguajes: LISP, PROLOG
Entornos de desarrollo: shells
Arquitecturas de alto nivel: nodo y arco, sistemas de producciones
Desde sus comienzos hasta la actualidad, la Inteligencia Artificial ha tenido que hacer frente a
una serie de problemas:
Los computadores no pueden manejar (no contienen) verdaderos significados.
Los computadores no tienen autoconciencia (emociones, sociabilidad, etc.).
Un computador sólo puede hacer aquello para lo que está programado.
Las máquinas no pueden pensar realmente.
En 1843, Lady Ada Augusta Byron.
Los primeros problemas que se trató de resolver fueron puzzles, juegos de ajedrez, traducción
de textos a otro idioma.
Durante la II Guerra Mundial Norbert Wiener y John Von Neumann establecieron
los principios de la cibernética en relación con la realización de decisiones complejas y control de
funciones en máquinas.
Características de la Inteligencia Artificial.
Una característica fundamental que distingue a los métodos de Inteligencia Artificial de los
métodos numéricos es el uso de símbolos no matemáticos, aunque no es suficiente para
distinguirlo completamente. Otros tipos de programas como los compiladores y sistemas
de bases de datos, también procesan símbolos y no se considera que usen técnicas de
Inteligencia Artificial.
Las conclusiones de un programa declarativo no son fijas y son determinadas parcialmente por
las conclusiones intermedias alcanzadas durante las consideraciones al problema específico.
Los lenguajes orientados al objeto comparten esta propiedad y se han caracterizado por su
afinidad con la Inteligencia Artificial.
El comportamiento de los programas no es descrito explícitamente por el algoritmo.
La secuencia de pasos seguidos por el programa es influenciado por el problema particular
presente. El programa especifica cómo encontrar la secuencia de pasos necesarios para
resolver un problema dado (programa declarativo). En contraste con los programas que no son
de Inteligencia Artificial, que siguen un algoritmo definido, que especifica, explícitamente, cómo
encontrar las variables de salida para cualquier variable dada de entrada (programa de
procedimiento).
El razonamiento vasado en el conocimiento, implica que estos programas incorporan
factores y relaciones del mundo real y del ámbito del conocimiento en que ellos operan. Al
contrario de los programas para propósito específico, como los de contabilidad y cálculos
científicos; los programas de Inteligencia Artificial pueden distinguir entre el programa de
Florencia Metel – 2do
razonamiento o motor de inferencia y base de conocimientos dándole la capacidad de explicar
discrepancias entre ellas.
Aplicabilidad a datos y problemas mal estructurados, sin las técnicas de Inteligencia Artificial los
programas no pueden trabajar con este tipo de problemas. Un ejemplo es la resolución de
conflictos en tareas orientadas a metas como en planificación, o el diagnóstico de tareas en un
sistema del mundo real: con poca información, con una solución cercana y no necesariamente
exacta.
La Inteligencia Artificial incluye varios campos de desarrollo tales como: la robótica, usada
principalmente en el campo industrial; comprensión de lenguajes y traducción; visión en
máquinas que distinguen formas y que se usan en líneas de ensamblaje; reconocimiento de
palabras y aprendizaje de máquinas; sistemas computacionales experimentados.
Los sistemas experimentados, que reproducen el comportamiento humano en un estrecho
ámbito del conocimiento, son programas tan variados como los que diagnostican infecciones en
la sangre e indican un tratamiento, los que interpretan datos sismológicos en exploración
geológica y los que configuran complejos equipos de alta tecnología.
Tales tareas reducen costos, reducen riesgos en la manipulación humana en áreas peligrosas,
mejoran el desempeño del personal inexperto, y mejoran el control de calidad sobre todo en el
ámbito comercial.
Diferentes teorías:
Construir réplicas de la compleja red neuronal del cerebro humano (bottom-up).
Intentar imitar el comportamiento del cerebro humano con un computador (top-down).
Diferentes metodologías:
La lógica difusa: permite tomar decisiones bajo condiciones de incerteza.
Redes neuronales: esta tecnología es poderosa en ciertas tareas como la clasificación y
el reconocimiento de patrones. Está basada en el concepto de "aprender" por
agregación de un gran número de muy simples elementos.
Este modelo considera que una neurona puede ser representada por una unidad binaria: a cada
instante su estado puede ser activo o inactivo. La interacción entre las neuronas se lleva a cabo
a través de sinapsis. Según el signo, la sinapsis es excitadora o inhibidora.
El perceptor está constituido por las entradas provenientes de fuentes externas, las conexiones y
la salida. En realidad, un perceptor es una Red Neuronal lo más simple posible, es aquella donde
no existen capas ocultas.
Para cada configuración de los estados de las neuronas de entrada (estímulo) la respuesta del
perceptor obedece a la siguiente dinámica: se suman los potenciales sinápticos y se comparan
con un umbral de activación. Esta suma ponderada es también llamada campo. Si el campo es
mayor que un umbral, la respuesta de la neurona es activa, si no, es inactiva.
Con una arquitectura tan simple como la del perceptor no se puede realizar
más que una clase de funciones "booleanas" muy simples, llamadas linealmente separables.
Son las funciones en las cuales los estados de entrada con salida positiva pueden ser separados
de aquellos a salida negativa por un hiperplano. Un hiperplano es el conjunto de puntos en el
espacio de estados de entrada, que satisfacen una ecuación lineal. En dos dimensiones, es una
recta, en tres dimensiones un plano, etc.
Florencia Metel – 2do
Si se quieren realizar funciones más complejas con Redes Neuronales, es necesario intercalar
neuronas entre las capas de entradas y de salida, llamadas neuronas ocultas. Una red
multicapas puede ser definida como un conjunto de perceptores, ligados entre sí por sinapsis y
dispuestos en capas siguiendo diversas arquitecturas. Una de las arquitecturas más
comúnmente usada es llamada feedforward: con conexiones de la entrada a las capas ocultas y
de éstas hacia la salida.
El funcionamiento de una Red Neuronal es gobernado por reglas de propagación de actividades
y de actualización de los estados.
Tipos de Inteligencia artificial
Objetivos de la Investigación en Inteligencia Artificial.
Los investigadores en inteligencia artificial se concentran principalmente en los sistemas
experimentados, la resolución de problemas, el control automático, las bases de
datos inteligentes y la ingeniería del software (diseños de entornos de programación inteligente).
Otros investigadores están trabajando en el reto del reconocimiento de patrones donde se
espera un rápido progreso en este campo que abarca la comprensión y la síntesis del habla,
el proceso de imágenes y la visión artificial.
Finalmente, la fundamental investigación sobre la representación del conocimiento, la
conceptualización cognoscitiva y la comprensión del lenguaje natural.
Uno de los principales objetivos de los investigadores en inteligencia artificial es
la reproducción automática del razonamiento humano.
El Alfabeto del Lenguaje de la Lógica de Primer Orden contiene dos tipos de símbolos:
Símbolos lógicos, entre los que se encuentran los símbolos de constantes proposicionales
true y false; los símbolos de operadores proposicionales para la negación, la conjunción, la
disyunción y las implicaciones (=>, <=); los símbolos de operadores de cuantificación como el
cuantificador universal; el cuantificador existencial; y los símbolos auxiliares de escritura como
corchetes [,], paréntesis (,) y coma.
Símbolos no lógicos, agrupados en el conjunto de símbolos constantes; el conjunto de
símbolos de variables individuales; el conjunto de símbolos de funciones n-arias; y el conjunto de
símbolos de relaciones n-arias.
A partir de estos símbolos se construyen las expresiones válidas en el Lenguaje de Primer
Orden: los términos y las fórmulas.
Algoritmos.
Cuando una tarea se realiza por medio de un algoritmo perfectamente definido
de almacenamiento, clasificación o cálculo, lo puede hacer un computador. Este concepto de
algoritmo, secuencial, fijo y de determinadas, es incapaz de manejar problemas donde el camino
del razonamiento es variable y donde deben afrontarse situaciones diversas sin haber sido
especificadas.
La Inteligencia Artificial hace uso de un tipo de lenguaje diferente como es el caso de LISP y
PROLOG.
Florencia Metel – 2do
En 1932, Cannon visualizó la evolución natural como un proceso de aprendizaje. Alan Turing
reconoció, en 1950, que debe haber una conexión obvia entre el aprendizaje de
máquina y la evolución, y señaló que se podrían desarrollar programas para jugar ajedrez
usando esta técnica.
El trabajo de Bremermann, en 1958, se enfocó más a la optimización, introduciendo el
importante manejo de un valor de aptitud, y definiendo a un individuo como una cadena de
símbolos binarios (unos y ceros). Bremermann advirtió, acertadamente, que la mutación jugaba
un papel importante en la evolución, pues impedía el estancamiento en mínimos locales. Aunque
muchas de sus ideas se usan hoy en día, Bremermann cometió el error de tratar de optimizar
funciones lineales y convexas, obteniendo resultados decepcionantes, pues sus algoritmos
evolutivos tenían que ser complementados con otras heurísticas para converger en una solución.
Hoy sabemos que los algoritmos evolutivos difícilmente pueden competir con las técnicas
tradicionales de optimización en esos dominios.
Florencia Metel – 2do
