Unidad I Conceptos Básicos

Presentación del tema: "Unidad I Conceptos Básicos"— Transcripción de la presentación:

1 Unidad I Conceptos Básicos
M.C. Juan Carlos Olivares Rojas

2 Agenda 1.1 Conceptos Básicos 1.2 Aplicaciones 1.3 Los Sistemas Inteligentes y el Aprendizaje 1.4 Redes Semánticas 1.5 El Método de Descripción y Pareamiento

3 Agenda 1.6 Problemas de Analogía 1.7 Reconocimiento de Abstracciones
1.8 Interpretación del Conocimiento

4 1.1 Conceptos Básicos Antes de comenzar se debe hacer distinción entre la Inteligencia Artificial (IA) y la Inteligencia Humana Todos los sistemas exitosos de IA se basan en el conocimiento y la experiencia humanos, y patrones de razonamiento seleccionados.

5 Conceptos Básicos Los sistemas exitosos de IA son “naturalmente” inteligentes. Son como libros de texto y otros artefactos humanos de inteligencia. La mayor parte de los sistemas de IA pueden ser desarrollados solo cuando la inteligencia humana puede ser expresada en forma sencilla (por ejemplo : si x entonces y).

6 Conceptos Básicos Los sistemas existentes extienden el poder de los expertos, pero de ninguna manera los sustituyen ni “capturan” mucha de su inteligencia. A los sistemas inteligentes existentes les falta el sentido común y la generalidad de los seres humanos.

7 Conceptos Básicos Por su parte, la inteligencia humana es de gran complejidad y de mucha mayor amplitud que las computadoras o los sistemas de información. Los filósofos, los psicólogos y otros estudiosos del conocimiento humano han reconocido que los aspectos claves de la inteligencia humana van más allá de toda descripción posible, y por lo tanto, no pueden ser imitados fácilmente por cualquier máquina diseñada escrupulosamente.

8 Conceptos Básicos Si un problema no puede ser descrito, no puede ser programado. Al menos cuatro capacidades importantes quedan involucradas en la inteligencia humana : Raciocinio. Comportamiento. Uso de metáforas y analogías. Creación y uso de conceptos.

9 Inteligencia Facultad de entender, de comprender. Aptitud, variable con los individuos y las especies, para resolver todo tipo de problemas. Capacidad para percibir hechos, proposiciones y relaciones, y razonar sobre ellos. “La inteligencia distingue al hombre del animal”

10 Inteligencia Artificial
“Conjunto de técnicas que se aplican a la computadora con el objeto de desarrollar su capacidad para realizar funciones de aprendizaje y autocorrección” La IA se basa en la filosofía, matemáticas, neurociencia, psicología, economía.

11 Inteligencia Capacidad para resolver problemas de cualquier tipo.
Otra cuestión que la IA aun no ha podido desarrollar de buena forma es la capacidad de reproducirse. Alan M. Turing definió en 1950 una forma de comprobar si una máquina piensa, esto lo hizo a través del Test de Turing.

12 Test de Turing Consiste en colocar dos hombres y una computadora en un lugar en el cual no estén visibles los tres elementos, se ocultan las identidades. Uno de los participantes funciona como interrogador. La prueba se pasa cuando el interrogador no sabe distinguir entre las respuestas de la computadora y del otro hombre.

13 Test de Turing Extracto del diálogo del Ensayo de Turing:
P: Por favor, redacte un soneto sobre el tema del Fuerte Bridge R: No me incluya. Nunca pude escribir poesía. P: Sume y 70764 R: (Pausa de 30s seguida de la respuesta) P: ¿Juega Ajedrez? R: Sí ….

14 Génesis de la IA Muchos investigadores han ayudado a la definición y ampliación de la IA. A continuación se muestra la historia resumida de la IA. Martin Minsky hizo aportaciones para definir modelos de cerebro en computadoras. ELIZA de Joseph Weizenbaum y JULIA de Mauldin fueron los primeros sistemas de IA en tener diálogos inteligentes.

15 Génesis de la IA Los primeros programas de IA se diseñaron para resolver juegos con cierto nivel de destreza como el ajedrez o las damas. En 1956 John McCarthy y Claude Shanon publicaron “Automata Studies” que define la teoría de autómatas ampliamente utilizada en computación. En 1956 John McCarthy acuñó el termino IA por lo que se le considera el padre de ésta.

16 Génesis de la IA La IA se ha desarrollado desde mucho tiempo atrás. Aristóteles comenzó a explicar y codificar ciertos estilos de razonamientos como el deductivo. Los filósofos griegos ayudaron a plantear la lógica clásica. El Silogismo se convierte en la primera gran herramienta de la IA. P->Q y Q->S = P->S

17 Génesis de la IA Chomsky en 1965 ayudó a definir las teorías de los lenguajes formales. McCulloh y Pits en 1943 ayudaron a definir las relaciones entre neuronas y elementos computacionales simples. En 1962 Rosenblatt definió el Perceptón y con ello la teoría de redes nueronales.

18 1.2 Aplicaciones Búsqueda de soluciones Sistemas expertos Lógica
Procesamiento de lenguaje natural Reconocimiento de patrones Robótica Aprendizaje Lógica Lógica Difusa Juegos Redes neuronales Algoritmos genéticos Realidad virtual

19 Búsqueda de Soluciones
El término búsqueda aplicado a la Inteligencia Artificial, no significa encontrar una pieza específica de información en una base de datos, sino buscar las soluciones de un problema. Por ejemplo: Encontrar la ruta más corta entre dos ciudades, o el famoso “problema del agente viajero”

20 Sistemas Expertos Son el primer producto viable comercialmente de la Inteligencia Artificial. Permiten introducir información acerca de una materia específica a la computadora (base de conocimientos), y actúan como si fueran expertos en la materia. Un Sistema experto simula el proceso de razonamiento humano mediante la aplicación específica de conocimientos e inferencias.

21 Procesamiento de Lenguaje Natural
Que las computadoras utilicen el lenguaje humano es un sueño difícil de alcanzar, dado que se presentan muchas complicaciones: “Ideas verdes descoloridas duermen furiosamente”, “Ideas furiosamente verdes descoloridas duermen”.

22 Procesamiento de Lenguaje Natural
“El banco cierra a las 3:00” “Las almejas están listas para comer” “Las almejas están listas para [ser] comidas [por nosotros]”

23 Visión Artificial Es un ejemplo más del reconocimiento de patrones, tiene muchas aplicaciones como: Diagnóstico médico Análisis automático de señales Inspección automática de productos industriales Sistemas de vigilancia automática OCR (Reconocimiento Óptico de Caracteres)

24 Robótica Como aplicación a la robótica, la Inteligencia Artificial es el estudio de cómo controlar movimiento, lo cual es llamado razonamiento espacial. El principal problema para los robots autónomos es el de interactuar con el mundo humano, con sus obstáculos, sucesos inesperados y entorno cambiante.

25 Aprendizaje Esta área de la Inteligencia Artificial trata de la realización de programas que aprendan de sus errores, de observaciones o por encargo. En este sentido, aprender simplemente significa hacer a una computadora capaz de beneficiarse de la experiencia.

26 Lógica Uno de los productos de la I.A. de gran importancia práctica actual son aquellos programas que se pueden usar para estudiar la corrección lógica de argumentos mediante la aplicación de reglas estándar de lógica. Esto incluye demostraciones matemáticas, lógica formal y lógica filosófica.

27 Lógica Difusa Esta área de la Inteligencia Artificial estudia los problemas de hacer que una computadora sea capaz de tomar decisiones (“pensar”) usando conocimiento incompleto o probabilístico. JUEGOS En los juegos se pueden aplicar ciertos elementos para que den mayor realismo y complejidad. También sirve para la “física” del juego.

28 Algoritmos Genéticos Los Algoritmos Genéticos son una técnica computacional inspirada en modelos biológicos que han sido utilizados para realizar búsquedas eficientes en espacios de soluciones altamente complejos y grandes. Los Algoritmos Genéticos son métodos adaptivos que pueden ser utilizados para implementar búsquedas y problemas de optimización.

29 Algoritmos Genéticos Los Algoritmos Genéticos están basados en los procesos genéticos de los organismos biológicos, codificando una posible solución a un problema en un “cromosoma” compuesto por una cadena de bits o caracteres. Esto ha dado el surgimiento de áreas como el cómputo evolutivo y el swarm computing que basan sus algoritmos en eventos de la naturaleza.

30 Redes Neuronales Es una nueva forma de computación que es capaz de manejar las imprecisiones e incertidumbres que aparecen cuando se trata de resolver problemas relacionados con el mundo real (reconocimiento de formas, toma de decisiones, etc..), ofreciendo soluciones robustas y de fácil implementación.

31 Redes Neuronales Las RNA están compuestas de muchos elementos sencillos que operan en paralelo, el diseño de la red está determinado mayormente por las conexiones entre sus elementos. Al igual que las conexiones de las neuronas cerebrales.

32 Realidad Virtual Una de las más recientes aplicaciones de la I.A. es la Realidad Virtual. Básicamente consiste en la elaboración de programas que logran engañar a los sentidos del ser humano, haciéndolo creer que se encuentra flotando, corriendo o volando una nave. Estas aplicaciones han sido de gran utilidad en la simulación de vuelos para el entrenamiento de pilotos, astronautas, buzos, etc.

33 1.3 Los Sistemas Inteligentes y el Aprendizaje
La inmensa mayoría de los sistemas actuales dicen ser inteligentes (“smart”). Las aplicaciones inteligentes son muy variadas. Si una aplicación puede tomar decisiones autónomas en tiempo real de manera independiente se llega a considerar inteligente. La característica principal de estos sistemas es la “adaptabilidad” cómo lo es el ahorro de energía.

34 Sistemas Inteligentes y Aprendizaje
La característica más importante que deben tener estos Sistemas Inteligentes (SI) son la forma de representar el conocimiento, la forma en que se recupera la información y la forma en como se puede adquirir nuevo conocimiento (aprendizaje). Las formas de representación (“explicitación”) de conocimiento son muy variadas y de ellas dependerá la forma en que se recupere la información y el cómo se aprende.

35 SI y Aprendizaje Siempre que se desarrolla un modelo se tiene dos representaciones: lógica y física. Dichas representaciones se necesitan “mapearse” para poder trabajar en conjunto. Cuando se tiene un problema de la vida real, éste debe mapearse al esquema de una computadora para poderse realizar un sistema computacional.

36 SI y Aprendizaje Imaginemos que deseamos desarrollar un juego de laberintos (modelo físico), ¿Cómo quedaría representado su conocimiento (modelo )? Se puede representar como una matriz, como un grafo, máquinas de estado finito, etc. Además, se deben tener reglas de cómo es el juego. Sino tenemos las dos representaciones no podemos comprender ni aprender el juego.

37 SI y Aprendizaje En general el conocimiento está definido por leyes y por un lenguaje muy particular. Los lenguajes a su vez definen reglas. El mismo conocimiento puede estar estructurado en diferentes representaciones como por ejemplo una base de datos, una red semántica, un frame, un mapa conceptual, etc. Pero al final de cuentas deben tener el mismo significado (semántica).

38 1.4 Redes Semánticas Las redes semánticas son una forma sencilla de explicitar conocimiento, están conformadas por grafos que codifican el conocimiento en forma taxonómica. Los nodos nos representan categorías y las aristas relaciones entre esas categorías. Existen dos tipos de relaciones muy especiales Is-A y la Have-A.

39 Redes Semántica Se puede acceder a través de cada uno de los conceptos para inferir conocimiento. Los guiones (script) son otra forma de representar conocimiento. Están conformados por componentes llamados “ranuras” (slots) que es un conjunto de pares atributo-valor. Los guiones son más fáciles de introducir en muchos casos que un mapa conceptual.

40 Redes Semánticas Ejemplo de un guión: Impresoras
Subconjunto_de: Máquina_Oficina Superconjunto_de: {Impresora_Laser, Impresora_Inyección} Fuente_alimentacion: Toma_Pared Autor: Juan_Perez Fecha: 07_Febrero_2008

41 Redes Semánticas Una forma de explicitar conocimiento con gran difusión en la actualidad es a través del uso de ontologías, las cuales consiste de relaciones entre distintos conceptos como definiciones. Las ontologías pueden ser representadas a través de lenguajes como XML. La representación del conocimiento tiene una gran importancia a tal punto de actualmente se habla de la Ingeniería del Conocimiento.

42 Redes Semánticas Los frames son una estructura en la cual se pueden representar valores, restricciones, procesos, tienen relaciones de pertinencia y herencia (por lo que se parecen a la programación orientada a objetos).

43 1.5 El Método de Descripción y Pareamiento
El método descripción y pareamiento se utiliza para solucionar problemas de IA y es de los más básicos. El primer paso consiste en identificar todas las características de un objeto. Después se realiza una búsqueda con un conjunto de objetos ya definidos.

44 Método de Descripción y Pareamiento
En realidad se utilizan dos métodos muy importantes: el extractor y el evaluador de conocimientos. Al realizar el pareamiento de los objetos puede ser que no caigan exactamente en el patrón de conocimiento por lo que se tiene que tener una medida de similitud.

45 Método de Descripción de Pareamiento
AMOR Querer a una persona o cosa sobre todas las cosas Palabra de 4 caracteres: ‘A’, ‘M’, ‘O’ y ‘R’ yuxtapuestos AMOR = AMOR AMOR = ROMA Amor = AMOR Amor = Cariño Amor = Amar Distancia Léxica 1

46 Método de Descripción de Pareamiento
Círculo Descripción: Figura formada por todos los puntos comprendidos a una distancia equidistante del centro correspondidos en un ángulo de 0 a 360 grados. Propiedades Centro (punto) Diámetro (dos veces radio) Áreas

47 Métodos de Descripción y Pareamiento
= = = Similitud de 75% =

48 Método de Descripción y Pareamiento
Se utiliza en otras múltiples ramas como: Reconocimiento de huellas digitales Reconocimiento de Voz Reconocimiento de Lenguaje Natural Validación de Requerimientos de Software Etc. Se debe de representar de manera adecuada el conocimiento para poder compararlo.

49 El granjero, la zorra, el ganso y el trigo
Un granjero quiere cruzar un rió llevando consigo una zorra, una ganso y un saco de trigo. Por desgracia, su bote es tan pequeño que sólo puede transportar una de sus pertenencias en cada viaje. Peor aún, la zorra, si no se le vigila, se como al ganso, y el ganso, si no se le cuida, se come el trigo; de modo que el granjero no debe dejar a la zorra sola con el ganso o al ganso solo con el trigo.

50 El granjero, la zorra, el ganso y el trigo
¿Se puede utilizar el método de descripción y pareamiento?

51 El granjero, la zorra, el ganso y el trigo

52 1.6 Problemas de Analogía Otra forma de resolución de problemas utilizado en la IA consiste en las Analogías. Las analogías son un tipo especial de relación que define como están representados los objetos de una categoría y como obtener sus predecesores y antecesores inmediatos. Generalmente se habla de análogo cuando se tiene el mismo tipo de relación aun cuando sean entidades diferentes.

53 Problemas de Analogías
Alguna vez nos hemos preguntado ¿por qué en la mayoría de los exámenes de admisión generalmente son más importantes que los de conocimientos? Por que en la mayoría de los casos el conocimiento de cierta forma se puede adquirir pero la forma de aprender y razonar es sumamente complicado. En muchos casos son más importantes las reglas que el conocimiento.

54 Problemas de Analogías
En matemáticas y en el área de programación se utiliza mucho la analogía para resolver problemas. De acuerdo con Polya, para resolver problemas se necesita de los siguientes pasos: 1) Comprender el problema 2) Concebir un plan 3) Ejecutar el plan y, 4) Examinar la solución.

55 Problemas de Analogías
C 1 2 3 4 ¿Cómo quedarían D y 5?

56 Problemas de Analogías
¿Qué problemas se presentan con la Abstracción de la Figura D o bien de la Figura 3? La resolución de problemas por analogía tiene como base cierto conocimiento previo en ocasiones difícil de obtener. A B C 1 2

57 1.7 Reconocimiento de Abstracciones
A lo largo de esta presentación se ha podido comprobar que prácticamente el problema está resuelto si el problema está descrito. El reconocimiento de abstracciones es un concepto muy subjetivo dado que éstas son combinaciones de estados mentales y eventos. Los SI se basan fundamentalmente en reglas ECA (Evevento-Condición-Acción)

58 Reconocimiento de Abstracciones
Generalmente respondemos a estímulos (eventos), y en base a ellos vemos cuales son importantes para nosotros y nos comportamos de cierta manera. Para lo que a una persona le representa algo para otra representa cosas totalmente distintas. La abstracción permite llegar a cierto tipo de conclusiones y preguntas resueltas.

59 1.8 Interpretación del Conocimiento
La interpretación del conocimiento, es decir la utilización de ese conocimiento es un factor muy importante que aun la IA no ha podido definir bien. El conocimiento se puede interpretar de muchas formas y sus áreas de aplicación son diversas. Existen muchas corrientes filosóficas que le tratan de dar sentido al conocimiento: empirismo y racionalismo científico.

60 Interpretación del Conocimiento
Se pretende que las reglas y hechos (base de conocimientos) permitan resolver problemas y que a su vez de la resolución de estos problemas se obtenga nuevos conocimientos.

61 Actividad Integradora
Es sumamente complicado en la mayoría de los casos definir requerimientos de los productos sobretodo en cosas tan abstractas como es el software. Para mejorar la obtención de requerimientos se sugiere utilizar algún método que pretende cuantificar cada uno de los aspectos posibles que se tienen en un producto.

62 Actividad Integradora
Una buena técnica para la obtención de requerimientos que también sirve para la evaluación de los mismos es el uso de rúbricas. Una rúbrica es un elemento que nos permite definir en forma tabular los requisitios que debe tener un producto en general y evaluarlos en base a un criterio determinado.

63 Ejemplo de Rúbrica

64 Actividad Imaginemos que somos un grupo de emprendedores que deseamos incursionar en el mercado de las galletas de chocolate. Antes de comenzar nuestro negocio, nuestro equipo directivo se reúne para tratar de especificar los requerimientos básicos que deban tener nuestras galletas que las hagan especiales y se pueda tener un buen nicho de mercado.

65 Actividad Para poder definir la rúbrica, la empresa ha decidido hacer un benchmark de las diferentes marcas de galletas de chispa de chocolate. Con esta rúbrica se pretende construir un Sistema Experto que mida la calidad de las nuevas galletas. Para elaborar la rúbrica, primero se deben definir una lista de 10 características que se desea evaluar de cada producto y el criterio de búsqueda.

66 Actividad Después se deben elegir las 4 características fundamentales para poder realizar la rúbrica. Con la misma rúbrica se debe evaluar cada galleta, al final se debe decir que galleta ganó. El formato de la rúbrica generalmente consiste en definir características y rango de atributos deseables.

67 Bibliografía Decker, R. y Hirshfield, S. (2001). Máquina Analítica. Introducción a las Ciencias de la Computación con Uso de Internet, Thomson, México. Capítulo 9 Inteligencia Artificial pp Hernández, V. (2007). Mapas Conceptuales La gestión del Conocimiento en la Didáctica. Segunda Edición, México: Alfaomega.

68 Bibliografía G. Polya, (1982), “Cómo Plantear y Resolver Problemas”, traducción al español de “How to Solve It”, Ed. Trillas, México, 1982, ISBN: Montes, M. y Villaseñor L. (2008) Fundamentos de Inteligencia Artificial Métodos básicos de solución de problemas, Instituto Nacional de Astrofísica, Óptica y Electrónica, Puebla, México.

69 Bibliografía Winston, P. (1992) Artificial Intelligence, 3ra. Edición, Addison-Wesley.

70 ¿Preguntas, dudas y comentarios?