Introducción a la Inteligencia Artificial M.sC. Fredy Barrientos Setiembre 2018

¿En qué piensan cuando escuchan “Inteligencia Artificial”? Introducción

Todos nos imaginamos … Introducción

Pero… ¿qué es? Introducción

> John McCarthy ( ) Acuñó el término «Inteligencia Artificial» en 1959 Definición de Inteligencia Artificial

> Elaine Rich Distinguished Senior Lecturer University of Texas at Austin

Definición de Inteligencia Artificial > Marvin Minsky Uno de los padres de las ciencias de la computación Cofundador del laboratorio de IA del MIT

Pero, … ¿ qué es la inteligencia?

Definición de la inteligencia Definición condicionada a la perspectiva humana Definición fenomelógica: a partir de características encontradas en seres inteligentes o Autonomía o Memoria o Aprendizaje o Creatividad o Comunicación o Razonamiento

Definición de la inteligencia Inferir: Procesar información para producir un resultado Razonar: Proceso con múltiples inferencias en cascada

¿ Cómo construimos la inteligencia?

Dos aproximaciones Construir sistemas que: Piensan de forma inteligente (IA subsimbólica) o Objetivo: Reproducir procesos mentales de los seres inteligentes o Caso: Redes neuronales artificiales Actúan de forma inteligente (IA simbólica) o Objetivo: Obtener resultados inteligentes o Caso: Programa jugador de ajedrez

Dos aproximaciones Referentes: Inteligencia Humana o Pensar/Actuar como humanos Inteligencia Racional o Pensar/Actuar de manera racional o Como lo haría una inteligencia perfecta

Test de Turing Objetivo: determinar si una maquina es inteligente Se supera si el jurado no puede distinguir entre la máquina y el humano La máquina debería poseer las siguientes capacidades: – Procesamiento de lenguaje natural – Representación del conocimiento – Razonamiento automático – Aprendizaje automático

Bases de la Inteligencia Artificial Filosofía Aristóteles & Llull: leyes que gobiernan el pensamiento Descartas & Leibniz: la mente está ligada al mundo físico Matemática Boole & Frege: reglas del razonamiento Godel & Turing: qué es computable Fermat & Bernoulli & Bayes: razonamiento con incertidumbre

Bases de la Inteligencia Artificial Economía ¿Cómo debemos tomar decisiones … o que nos beneficien? o en contra de competidores? o cuando el beneficio no es inmediato? Teoría de la decisión Teoría de juegos Neurociencia ¿Cómo procesa el cerebro la información? Neuronas/Especialización del cerebro

Bases de la Inteligencia Artificial Psicología ¿Cómo piensan y actúan las personas? Psicología cognitiva/ciencias cognitivas: Teoría sobre la conducta, bases del comportamiento racional Computación Para la existencia de la IA es necesario un mecanismo para soportarlo (Hardware) También son necesarias herramientas para desarrollar programas de IA

Bases de la Inteligencia Artificial Computación Mecanismos para soportar la IA (hardware) Programación de sistemas de IA Cibernética Construcción de sistemas autónomos

Bases de la Inteligencia Artificial Lingüística Representación del conocimiento Gramática de la lengua Lingüística computacional

Historia Nacimiento (1940/50) McCulloch y Pitts Primer modelo de Neurona Artificial McCulloch, W. S. and Pitts, W. H. (1943) A logical calculus of the ideas immanet in nervous activity. Bulletin of Mathematical Biophysics, 5:

Historia Nacimiento (1940/50) McCulloch y Pitts Primer modelo de Neurona Artificial

Historia Nacimiento (1940/50) Hebb Regla de aprendizaje para redes neuronales The organization of behavior; a neuropsychological theory. Hebb, Oxford, England: Wiley. (1949)

Historia Nacimiento (1940/50) Conferencia de Dartmouth (1956) – John McCarthy, Marvin Minsky, Claude Shannon, Ray Solomonoff, Alan Newwl, … John McCarthy propone el nombre de Inteligencia Artificial

Historia Nacimiento (1940/50) Primeros logros – Newell-Simon: primer demostrador de teoremas – Ernst: sistema de planificación automática – Samuel: máquina que jugaba damas Aprendía a base de jugar contra sí misma y contra humanos

Historia Auge (1950/60) Newell-Simon: Demostrador general de problemas Gelermter: Demostrador de teoremas de geometría McCarthy: Desarrollo de LISP Resemblant: Desarrollo perceptrones -> Redes de neuronas mono capa con capacidad de aprendizaje

Historia Declive (1960/70) Imposible salir de minimundos – Problemas reales demasiados complejos – Problemas intratables – Escaso uso de conocimiento específico del dominio Limitaciones del modelo de perceptrón – Demuestran que su capacidad de representación y aprendizaje es muy limitada – Casi desaparición en redes neuronales

Historia Resurgir (1970/80) Sistemas Basados en el Conocimiento – Separar conocimiento y mecanismos de inferencia y control – Recopilación y manejo grandes cantidades de conocimiento experto (y específico) – DENDRAL: identificación de estructuras moleculares – MYCIN: Diagnóstico de infecciones sanguíneas – PROSPECTOR (70): identificación yacimientos geológicos

Historia Resurgir (1970/80) Resurgir de las RNAs – Nuevos modelos de redes (Hopfield) – Nuevos algoritmos de aprendizaje (Retropropagación)

Historia Actualidad Aplicaciones industriales de Sistemas Expertos Auge de nuevas aproximaciones – Algoritmos genéticos – Agentes inteligentes – Aproximaciones híbridas

Áreas de trabajo de la Inteligencia Artificial Áreas Básicas o Representación del conocimiento o Resolución de problemas, Búsqueda Áreas Específicas o Planificación de tareas o Tratamiento del Lenguaje Natural o Razonamiento Automático o Sistemas Basados en el Conocimiento o Percepción o Aprendizaje Automático

Ejercicios Propósito: o Estimular la discusión Todos los años se otorga el premio Loebner al programa que lo hace mejor en una Prueba de Turing concreta. Investigue sobre los 5 últimos ganadores del premio Loebner. ¿Qué técnica utiliza? ¿Cómo ha hecho que progrese la investigación en el campo de la IA?

GRACIAS! M.sC. Fredy Barrientos Setiembre 2018