SEMINARIO INTELIGENCIA ARTIFICIAL

INTELIGENCIA ARTIFICIAL

En el marco de la implementación de la nueva carrera de Ingeniería de Software la escuela de ingeniería de sistemas, decidió organizar un seminario de inteligencia artificial como parte de sus actividades complementarias, que contó con la presencia de distinguidos ponentes como el Dr. Glen Rodriguez, quien dió inicio al seminario con el siguiente tema:

INGENIERÍA DE SOFTWARE BASADO EN BÚSQUEDA:

El eje central de esta exposición fueron los nuevos retos que deben de afrontar los futuros egresados de la carrera de Ingeniería de Software, así como el desarrollo de la carrera en el Perú

La ISBB considera a los problemas que aparecen en la IS como problemas de optimización y los intenta resolver mediante métodos heurísticos.

.

AUTOMATIZACIÓN DE LA ANALÍTICA DE DATOS

El tema fue expuesto por el Mg. Samuel Oporto,"Desde que se desarrollaron tecnicas para la busqueda de patrones de comportamiento en los datos que sean entendibles en los seres humanos, hasta que se desarrollaron técnicas para la identificacion de patrones de comportamiento en grandes volúmenes de datos, los cientificos de datos siempre fueron el centro de estos proyectos, esta conferencia se centro en exponer el futuro de los cientificos de datos a raiz de las nuevas tecnologias orientadas a automatizar ompletamente el proceso de busqueda de patrones de comportamiento en datos"

Finalmente el expositor nos invito a visitar la siguiente página;

http://www.ssyspe.org/ucp.php?mode=login&sid=61f2c02ba85b9efd419fa0561d7a1e09

ALGORITMOS DE NEUROEVOLUCION PARA RESOLVER EL PROBLEMA DEL GO

En el 2016 gracias a los algoritmos de neuroevolucion, se logro crear un programa que sea capaz de vencer al campeón mundial del juego del Go, debido a su complejidad que es mayor a la del ajedrez.

Como recordaran en 1996 una maquina venció al campeón mundial de Ajedrez, Kasparov

ALGORITMOS GENÉTICOS

Los Algoritmos Genéticos (AGs) son métodos adaptativos que pueden usarse para resolver problemas de búsqueda y optimización. Están basados en el proceso genético de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la selección natural y la supervivencia de los más fuertes, postulados por Darwin. Por imitación de este proceso, los Algoritmos Genéticos son capaces de ir creando soluciones para problemas del mundo real. La evolución de dichas soluciones hacia valores óptimos del problema depende en buena medida de una adecuada codificación de las mismas.

Un algoritmo genético consiste en una función matemática o una rutina de software que toma como entradas a los ejemplares y retorna como salidas cuales de ellos deben generar descendencia para la nueva generación.

Versiones más complejas de algoritmos genéticos generan un ciclo iterativo que directamente toma a la especie (el total de los ejemplares) y crea una nueva generación que reemplaza a la antigua una cantidad de veces determinada por su propio diseño. Una de sus características principales es la de ir perfeccionando su propia heurística en el proceso de ejecución, por lo que no requiere largos períodos de entrenamiento especializado por parte del ser humano, principal defecto de otros métodos para solucionar problemas, como los Sistemas Expertos.

REDES NEURONALES

Las redes neuronales (también conocidas como sistemas conexionistas) son un modelo computacional basado en un gran conjunto de unidades neuronales simples (neuronas artificiales), de forma aproximadamente análoga al comportamiento observado en los axones de las neuronas en los cerebros biológicos​. Cada unidad neuronal está conectada con muchas otras y los enlaces entre ellas pueden incrementar o inhibir el estado de activación de las neuronas adyacentes. Cada unidad neuronal, de forma individual, opera empleando funciones de suma. Puede existir una función limitadora o umbral en cada conexión y en la propia unidad, de tal modo que la señal debe sobrepasar un límite antes de propagarse a otra neurona. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita, y sobresalen en áreas donde la detección de soluciones o características es difícil de expresar con la programación convencional.

Las redes neuronales suelen consistir en varias capas o un diseño de cubo, y la ruta de la señal atraviesa de adelante hacia atrás. Propagación hacia atrás es donde se utiliza la estimulación hacia adelante o en el "frente" para restablecer los pesos de las unidades neuronales y esto a veces se realiza en combinación con una formación en la que se conoce el resultado correcto. Las redes modernas son un poco más libres en el sentido de que fluye en términos de estimulación e inhibición con conexiones que interactúan de una manera mucho más caótica y compleja. Las redes neuronales dinámicas son lo más avanzadas en que se pueden formar dinámicamente nuevas conexiones e incluso nuevas unidades neuronales.

El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro humano, aunque las redes neuronales son más abstractas. Los proyectos de redes neurales modernas suelen trabajar desde unos miles a unos pocos millones de unidades neuronales y millones de conexiones que, si bien son muchas órdenes, siguen siendo de una magnitud menos compleja que la del cerebro humano, más bien cercana a la potencia de cálculo de un gusano.

Nuevas investigaciones sobre el cerebro a menudo estimulan nuevos patrones en las redes neuronales. Un nuevo enfoque está utilizando conexiones que se extienden mucho más allá y capas de procesamiento de enlace en lugar de estar siempre localizado en las neuronas adyacentes. Otra investigación está estudiando los diferentes tipos de señal en el tiempo que los axones se propagan, como el aprendizaje profundo , interpola una mayor complejidad que un conjunto de variables booleanas que son simplemente encendido o apagado.

Las redes neuronales se basan en los números reales, con el valor del núcleo y del axón siendo típicamente una representación entre 0,0 y 1.

Un aspecto interesante de estos sistemas es que son impredecibles en su éxito con el auto-aprendizaje. Después del entrenamiento, algunos se convierten en grandes solucionadores de problemas y otros no funcionan tan bien. Con el fin de capacitarlos, se necesitan varios miles de ciclos de iteración.

Las redes neuronales se han utilizado para resolver una amplia variedad de tareas, como la visión por computador y el reconocimiento de voz, que son difíciles de resolver usando la ordinaria programación basado en reglas.

Históricamente, el uso de modelos de redes neuronales marcó un cambio de dirección a finales de los años ochenta de alto nivel, que se caracteriza por sistemas expertos con conocimiento incorporado en si-entonces las reglas, a bajo nivel de aprendizaje automático, caracterizado por el conocimiento incorporado en los parámetros de un modelo cognitivo con algún sistema dinámico .