SEMINARIO INTELIGENCIA ARTIFICIAL

Categorías de la inteligencia artificial

Búsqueda heurística.

Conjunto de técnicas o métodos para resolver un problema.

permitan resolver problemas a través de la creatividad, pensamiento divergente o lateral.

Podemos definir una heurística como un truco o estrategia que limita grandiosamente la búsqueda de soluciones ante grandes espacios de problemas.

no siempre se garantiza una solución adecuada.  nos proporcione soluciones que sean lo suficientemente buenas.

Representación del conocimiento.

la representación del conocimiento es una combinación de estructuras de datos y procedimientos de interpretación que, si son utilizados correctamente por un programa, éste podrá exhibir una conducta inteligente

; según Fariñas y Verdejo, la Inteligencia Artificial tiene como objetivo construir modelos computacionales que al ejecutarse resuelvan tareas con resultados similares a los obtenidos por una persona,

Buchanan y Shortliffe, la Representación del Conocimiento en un programa de Inteligencia Artificial significa elegir una serie de convenciones para describir objetos, relaciones, y procesos en el mundo. Gran parte del esfuerzo realizado en la consecución de ordenadores inteligentes,

 El razonamiento que puede tener cualquier persona, ha demostrado ser una de los aspectos más difíciles de modelar "dentro" de un ordenador. El sentido común a menudo nos ayuda a prever multitud de hechos y fenómenos corrientes

tipos de la inteligencia artificial:

·        Sistemas que piensan como humanos. - Estos sistemas tratan de emular el pensamiento humano; por ejemplo, las redes neuronales artificiales. La automatización de actividades que vinculamos con procesos de pensamiento humano, actividades como la toma de decisiones, resolución de problemas y aprendizaje.

·        Sistemas que actúan como humanos. - Estos sistemas tratan de actuar como humanos; es decir, imitan el comportamiento humano; por ejemplo, la robótica. El estudio de cómo lograr que los computadores realicen tareas que, por el momento, los humanos hacen mejor.

·        Sistemas que piensan racionalmente. - Es decir, con lógica (idealmente), tratan de imitar o emular el pensamiento lógico racional del ser humano; por ejemplo, los sistemas expertos. El estudio de los cálculos que hacen posible percibir, razonar y actuar.

·        Sistemas que actúan racionalmente (idealmente). – Tratan de emular de forma racional el comportamiento humano; por ejemplo, los agentes inteligentes. Está relacionado con conductas inteligentes en artefactos.

Escuelas de pensamiento

Inteligencia artificial convencional

Se conoce también como IA simbólico-deductiva. Está basada en el análisis formal y estadístico del comportamiento humano ante diferentes problemas:

·        Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos y, aparte de que son muy importantes, requieren de un buen funcionamiento.

·        Sistemas expertos: Infieren una solución a través del conocimiento previo del contexto en que se aplica y ocupa de ciertas reglas o relaciones.

·        Redes bayesianas: Propone soluciones mediante inferencia probabilística.

·        Inteligencia artificial basada en comportamientos: Esta inteligencia contiene autonomía y puede auto-regularse y controlarse para mejorar.

·        Smart process management: Facilita la toma de decisiones complejas, proponiendo una solución a un determinado problema al igual que lo haría un especialista en dicha actividad.

Inteligencia artificial computacional

La Inteligencia Computacional (también conocida como IA subsimbólica-inductiva) implica desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de los parámetros en sistemas de conexiones). El aprendizaje se realiza basándose en datos empíricos.

Aspectos importantes de la inteligencia artificial

La Inteligencia Artificial en toda su magnitud y más concretamente con el Machine Learning, permite que el software que manejan las empresas pueda aprender, los patrones y comportamientos detectados en los clientes, tomando decisiones por sí mismos, pero para ello requiere de la orientación humana [2]. En la actualidad, Deep Learning, una disciplina dentro del Machine Learning, está trabajando para conseguir que el aprendizaje del software sea totalmente autónomo, sin intervención humana y así conseguir el gran reto de simular cómo aprende el cerebro humano. La Analítica de datos y las técnicas de Inteligencia Artificial han existido desde hace muchos años, sin embargo, el auge actual se debe al Big Data, que está permitiendo gestionar volúmenes ingentes de información y su procesamiento de forma ágil; cuanto mayor sea el volumen de información, más acertados serán los patrones y comportamientos detectados, de ahí la importancia de disponer de cantidades ingentes de datos y capacidad para procesarla rápidamente e incluso en tiempo real.

BIG DATA

Cuando hablamos de Big Data nos referimos a conjuntos de datos o combinaciones de conjuntos de datos cuyo tamaño (volumen), complejidad (variabilidad) y velocidad de crecimiento (velocidad) dificultan su captura, gestión, procesamiento o análisis mediante tecnologías y herramientas convencionales, tales como bases de datos relacionales y estadísticas convencionales o paquetes de visualización, dentro del tiempo necesario para que sean útiles.

Aunque el tamaño utilizado para determinar si un conjunto de datos determinado se considera Big Data no está firmemente definido y sigue cambiando con el tiempo, la mayoría de los analistas y profesionales actualmente se refieren a conjuntos de datos que van desde 30-50 Terabytes a varios Petabytes.

La naturaleza compleja del Big Data se debe principalmente a la naturaleza no estructurada de gran parte de los datos generados por las tecnologías modernas, como los web logs, la identificación por radiofrecuencia (RFID), los sensores incorporados en dispositivos, la maquinaria, los vehículos, las búsquedas en Internet, las redes sociales como Facebook, computadoras portátiles, teléfonos inteligentes y otros teléfonos móviles, dispositivos GPS y registros de centros de llamadas.

En la mayoría de los casos, con el fin de utilizar eficazmente el Big Data, debe combinarse con datos estructurados (normalmente de una base de datos relacional) de una aplicación comercial más convencional, como un ERP (Enterprise Resource Planning) o un CRM (Customer Relationship Management).

MACHINE LEARNING

El aprendizaje automático o aprendizaje de máquinas (del inglés, "Machine Learning") es el subcampo de las ciencias de la computación y una 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 suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con el de la estadística computacional, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el aprendizaje automático también se centra en el estudio de la complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en aprendizaje automático está enfocada al diseño de soluciones factibles a esos problemas. El aprendizaje automático puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos.

El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.