INTELIGENCIA ARTIFICIAL La inteligencia artificial es la ciencia e ingeniera de hacer mquinas inteligentes, especialmente programas de cmputo inteligentes.

Es tambin considerada una rama de la computacin y relaciona un fenmeno natural con una analoga artificial a travs de programas de computador. La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de mquinas que pueden pensar. La Inteligencia Artificial trata de conseguir que los ordenadores simulen en cierta manera la inteligencia humana. Se acude a sus tcnicas cuando es necesario incorporar en un sistema informtico, conocimiento o caractersticas propias del ser humano HISTORIA Y EVOLUCIN DE LA INTELIGENCIA ARTIFICIAL Antecedentes Los juegos matemticos antiguos, como el de las Torres de Hani (hacia el 3000 a. C.), muestran el inters por la bsqueda de un modo resolutor, capaz de ganar con los mnimos movimientos posibles. Cerca de 300 a. C., Aristteles fue el primero en describir de manera estructurada un conjunto de reglas, silogismos, que describen una parte del funcionamiento de la mente humana y que, al seguirlas paso a paso, producen conclusiones racionales a partir de premisas dadas. En 250 a. C. Ctesibio de Alejandra construy la primera mquina autocontrolada, un regulardor del flujo de agua que actuaba modificando su comportamiento "racionalmente" (correctamente) pero claramente sin razonamiento. En 1315, Ramon Llull tuvo la idea de que el razonamiento poda ser efectuado de maneral artificial. En 1847 George Boole estableci la lgica proposicional (booleana), mucho ms completa que los silogismos de Aristteles, pero an algo poco potente. En 1879 Gottlob Frege extiende la lgica booleana y obtiene la Lgica de Primer Orden la cual cuenta con un mayor poder de expresin y es utilizada universalmente en la actualidad. En 1903 Lee De Forest inventa el triodo, tambin llamado bulbo o vlvula de vaco. En 1937 Alan Turing public un artculo de bastante repercusin sobre los "Nmeros Calculables", un artculo que estableci las bases tericas para todas las ciencias de computacin, y que puede considerarse el origen oficial de la informtica terica. En este artculo introdujo el concepto de Mquina de Turing, una entidad matemtica abstracta que formaliz el concepto de algoritmo y result ser la precursora de las computadoras digitales. Poda conceptualmente leer instrucciones de una cinta de papel perforada y ejecutar todas las operaciones crticas de un computador. El artculo fij los lmites de las ciencias de la computacin porque demostr que no es posible resolver problemas con ningn tipo de computador. Con ayuda de su mquina, Turing pudo demostrar que existen problemas irresolubles, de los que ningn ordenador ser capaz de obtener su solucin, por lo que se le considera el padre de la teora de la computabilidad. En 1940 Alan Turing y su equipo contruyeron el primer computador electromecnico y en 1941 Konrad Zuse cre la primera computadora programable y el primer lenguaje de programacin de alto nivelPlankalkl. Las siguiente mquinas ms potentes, aunque con igual concepto, fueron la ABC y ENIAC. En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera el primer trabajo del campo de inteligencia artificial, aun cuando todava no exista el trmino. 1950s En 1950 Turing consolid el campo de la inteligencia artificial con su artculo Computing Machinery and Intelligence, en el que propuso una prueba concreta para determinar si una mquina era inteligente o no, su famosa Prueba de Turing por lo que se le considera el padre de la Inteligencia Artificial. Aos despus Turing se convirti en el adalid que quienes defendan la posibilidad de emular el pensamiento humano a travs de la computacin y fue coautor del primer programa para jugar ajedrez. En 1951 William Shockley inventa el transistor de unin. El invento hizo posible una nueva generacin de computadoras mucho ms rpidas y pequeas. En 1956 se dio el trmino "inteligencia artificial" en Dartmouth durante una conferencia convocada por McCarthy, a la cual asistieron, entre otros, Minsky, Newell y Simon. En esta conferencia se hicieron previsiones triunfalistas a diez aos que jams se cumplieron, lo que provoc el abandono casi total de las investigaciones durante quince aos.

1980s En 1980 la historia se repiti con el desafo japons de la quinta generacin, que dio lugar al auge de los sistemas expertos pero que no alcanz muchos de sus objetivos, por lo que este campo sufri una nueva interrupcin en los aos noventa. En 1987 Martin Fischles y Oscar Firschein describieron los atributos de un agente inteligente. Al intentar describir con un mayor mbito (no slo la comunicacin) los atributos de un agente inteligente, la IA se ha expandido a muchas reas que han creado ramas de investigacin enormes y diferenciadas. Dichos atributos del agente inteligente son: 1. Tiene actitudes mentales tales como creencias e intenciones. 2. Tiene la capacidad de obtener conocimiento, es decir, aprender. 3. Puede resolver problemas, incluso particionando problemas complejos en otros ms simples. 4. Entiende. Posee la capacidad de crearle sentido, si es posible, a ideas ambiguas o contradictorias. 5. Planifica, predice consecuencias, evala alternativas (como en los juegos de ajedrez) 6. Conoce los lmites de su propias habilidades y conocimientos. 7. Puede distinguir a pesar de las similitud de las situaciones. 8. Puede ser original, creando incluso nuevos conceptos o ideas, y hasta utilizando analogas. 9. Puede generalizar. 10.Puede percibir y modelar el mundo exterior. 11.Puede entender y utilizar el lenguaje y sus smbolos. Podemos entonces decir que la IA posee caractersticas humanas tales como el aprendizaje, la adaptacin, el razonamiento, la autocorreccin, el mejoramiento implcito, y la percepcin modular del mundo. As, podemos hablar ya no slo de un objetivo, sino de muchos, dependiendo del punto de vista o utilidad que pueda encontrarse a la IA. 1990s En los 90s surgen los agentes inteligentes 2000s El programa Artificial Linguistic Internet Computer Entity (A.L.I.C.E.) gan el premio Loebner al Chatbot mas humano en 2000, 2001 y 2004, y en 2007 el programa Ultra Hal Assistant gan el premio. 2010s En la actualidad se est tan lejos de cumplir la famosa prueba de Turing como cuando se formul: Existir Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa de computadora en una conversacin a ciegas. Como ancdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un programa capaz de ser ejecutado independientemente de la mquina que lo ejecute, computador o cerebro: En 2010 el programa Suzette gan el premio Loebner. Algunos programas de inteligencia artificial gratuitos son Dr. Abuse, Alice, Paula SG, Virtual woman millenium CARACTERSTICAS DE LA INTELIGENCIA ARTIFICIAL Uso de caracteres no numricos para especificar los diferentes algoritmos. Las diferentes sentencias son evaluadas mediante algebra y lgica. El comportamiento de los programas no esta explcitamente definido por los algoritmos sino que el flujo de ejecucin depende del problema en si mismo. El programa define los pasos a llevar a cabo para encontrar la solucin. El razonamiento esta basado en el conocimiento, los programas de Inteligencia Artificial pueden distinguir entre el programa de razonamiento o motor de inferencia y base de conocimientos dndole la capacidad de explicar discrepancias entre ellas. Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de Inteligencia Artificial los programas no pueden trabajar con este tipo de problemas.

OBJETIVOS DE LA INTELIGENCIA ARTIFICIAL Una definicin ms adecuada de la I.A. puede deducirse de la siguiente pregunta Para qu sirve? Existen dos orientaciones bsicas para responder esta interrogante: Como herramienta cientfica : El objetivo es simular en el computador modelos del comportamiento de sistemas inteligentes naturales (en particular humanos) para verificar empricamente su validez. Esta simulacin es indispensable porque los sistemas estudiados son generalmente demasiado complejos para obtener predicciones analticas precisas de su funcionamiento. Las reas que ms pueden beneficiarse con esta herramienta son la sicologa cognitiva y la neurobiologa. Esto no significa que los aspectos computacionales sean segundarios, ya que todo comportamiento inteligente implica un procesamiento de informacin que es legtimo estudiar desde un punto de vista puramente computacional. Adems, los mecanismos naturales investigados pueden enriquecer el arsenal de mtodos de la computacin (como en el caso de las redes neuronales). Como herramienta tecnolgica: El objetivo es resolver en el computador problemas "difciles", que se sabe estn al alcance de sistemas inteligentes naturales pero para los cuales no existe una descripcin algortmica satisfactoria. Los problemas incluidos dentro de esta categora se caracterizan en general por la dificultad de disponer de toda la informacin necesaria para resolverlos sin ambigedad. Ya sea hay demasiada informacin que considerar (ej.: ajedrez), ya sea sta es incompleta o inconsistente (ej.: lenguaje verbal), ya sea est muy poco estructurada (ej.: anlisis de imgenes). En estos casos es interesante reproducir las capacidades de procesamiento observadas en los sistemas naturales, aunque no necesariamente modelando sus mecanismos internos. FUNCIONAMIENTO BSICO DE LA INTELIGENCIA ARTIFICIAL Diferentes teoras: 1. Construir rplicas de la compleja red neuronal del cerebro humano (bottom-up). 2. Intentar imitar el comportamiento del cerebro humano con un computador (top-down). Smbolos vs. Mtodos Numricos: El primer perodo de la Inteligencia Artificial, llamado sub-simblico, data de aproximadamente 1950 a 1965. Este perodo utiliz representaciones numricas (o sub-simblicas) del conocimiento. Aunque la mayor parte de los libros de Inteligencia Artificial enfatizan el trabajo realizado por Rosenblatt y Widrow con redes neuronales durante este perodo, la realidad es que otra importante escuela sub-simblica data tambin de la misma poca y estos son los algoritmos evolutivos. La escuela clsica dentro de la Inteligencia Artificial, utiliza representaciones simblicas basadas en un nmero finito de primitivas y de reglas para la manipulacin de smbolos. El perodo simblico se considera aproximadamente comprendido entre 1962 y 1975, seguido por un perodo dominado por los sistemas basados en el conocimiento de 1976 a 1988. Sin embargo, en este segundo perodo las representaciones simblicas (por ejemplo, redes semnticas, lgica de predicados, etc.) siguieron siendo parte central de dichos sistemas. La Programacin Lgica tiene sus orgenes ms cercanos en los trabajos de J. A. Robinson que propone en 1965 una regla de inferencia a la que llamaresolucin, mediante la cual la demostracin de un teorema puede ser llevada a cabo de manera automtica. La resolucin es una regla que se aplica sobre cierto tipo de frmulas del Clculo de Predicados de Primer Orden, llamadas clusulas y la demostracin de teoremas bajo esta regla de inferencia se lleva a cabo por reduccin al absurdo. Otros trabajos importantes de esa poca que influyeron en la programacin lgica, fueron los de Loveland, Kowalski y Green, que disea un probador de teoremas que extrae de la prueba el valor de las variables para las cuales el teorema es vlido. Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una poca, pero, por su ineficiencia, fueron relegados hasta el nacimiento de Prolog, que surge en 1971 en la Universidad de Marsella, Francia. La Lgica de Primer Orden, es uno de los formalismos ms utilizados para representar conocimiento en Inteligencia Artificial. La Lgica cuenta con un lenguaje formal mediante el cual es posible representar

frmulas llamadas axiomas, que permiten describir fragmentos del conocimiento y, adems consta de un conjunto de reglas de inferencia que aplicadas a los axiomas, permiten derivar nuevo conocimiento. Alfabeto del Lenguaje de la Lgica de Primer Orden Contiene dos tipos de smbolos: a. b. Smbolos lgicos, entre los que se encuentran los smbolos de constantes proposicionales true y false; los smbolos de operadores proposicionales para la negacin, la conjuncin, la disyuncin y las implicaciones (=>, <=); los smbolos de operadores de cuantificacin como el cuantificador universal; el cuantificador existencial; y los smbolos auxiliares de escritura como corchetes [,], parntesis (,) y coma. c. Smbolos no lgicos, agrupados en el conjunto de smbolos constantes; el conjunto de smbolos de variables individuales; el conjunto de smbolos de funciones n-arias; y el conjunto de smbolos de relaciones n-arias. A partir de estos smbolos se construyen las expresiones vlidas en el Lenguaje de Primer Orden: los trminos y las frmulas. Un trmino es cualquiera de las tres expresiones siguientes: una constante, por ejemplo, el nmero "100", la palabra "alfredo" y la letra "c"; o una variable, por ejemplo, "X" o bien una expresin de la forma "f(t1,...,tn)" donde "f" es un smbolo de funcin n-aria y t1,...,tn son trminos. Ejemplos de funciones son: f(100,X), padre(Y) y sucesor(X). Las frmulas atmicas o elementales son expresiones de la forma R(t1,...,tn) donde R es un smbolo de relacin n-aria y t1,...,tn son trminos. Ejemplos de frmulas son: positivo(3),not(igual(4,doble(2))), recetar(X,aspirina)<=tiene(X,fiebre), tiene(X,cefalea). Esta ltima establece una regla que dice que, si X tiene fiebre y cefalea (dolor de cabeza), X debe tomar una aspirina. El Lenguaje de Primer Orden posee un amplio poder de expresin, los trminos permiten nombrar los objetos del universo, mientras que las frmulas permiten afirmar o negar propiedades de stos o bien establecen las relaciones entre los objetos del universo. Puede decirse que la Programacin Lgica utiliza la Lgica de Primer Orden como lenguaje de programacin. Prolog es un ejemplo de lenguaje basado en la Lgica de Primer Orden y aunque toma su nombre de este trmino ("PROgramming in LOGic"), no abarca toda la riqueza de la Lgica de Primer Orden para resolver problemas, pues est restringido al uso de cierta clase de frmulas denominadas clusulas definidas o clusulas de Horn.

ROBOTICA: Desarrollo de dispositivos mecnicos o de computacin que tengan la capacidad de realizar funciones y/o tareas que requieran de un alto grado de precisin, tediosas o impliquen riesgo de peligro para los seres humanos. En la actualidad se combinan las capacidades de alta precisin de la mquina con un software controlador sofisticado. SISTEMAS DE VISION: Equipos y software que les permite a las computadoras capturar, almacenar y manipular imgenes visuales y fotografas. Se pueden usar junto con robots para darles "visin" a estas mquinas y que pueda tomar decisiones con base a lo que ve y reconocer la informacin visual de acuerdo con patrones generales. PROCESAMIENTO DE LENGUAJE NATURAL: Programas que tienen como entrada lenguajes humanos para traducirlos en un conjunto estndar de instrucciones que una computadora ejecuta. Permiten a los seres humanos usar su propio lenguaje natural cuando interactan con programas como sistemas de administracin de bases de datos (DBMS) o sistemas de apoyo para la toma de decisiones. El objetivo de los procesadores de lenguaje natural es eliminar paulatinamente la necesidad de aprender lenguajes de programacin o comandos personalizados para que las computadoras entiendan. Su ventaja radica en que combinados con dispositivos de reconocimiento de voz, el usuario de instrucciones a las computadoras para que realicen tareas, sin usar un teclado o cualquier otro dispositivo de entrada. SISTEMAS DE APRENDIZAJE: Combinacin de software y equipos que le permite a la computadora cambiar su modo de funcionar o reaccionar a situaciones, basado en la retroalimentacin que recibe. REDES NEURONALES: Es un sistema de computacin que puede actuar en la misma forma que funciona el cerebro humano, o simularlo. La redes neuronales pueden procesar muchas piezas de informacin al mismo tiempo y aprender a reconocer patrones. LOGICA DIFUSA: La lgica difusa es una tcnica de la inteligencia computacional que permite trabajar informacin con alto grado de imprecisin, en esto se diferencia de la lgica convencional que trabaja con informacin bien definida y precisa.

ALGORITMOS GENETICOS: Los Algoritmos Genticos (AGs) son mtodos adaptativos que pueden usarse para resolver problemas de bsqueda y optimizacin. Estn basados en el proceso gentico de los organismos vivos. A lo largo de las generaciones, las poblaciones evolucionan en la naturaleza de acorde con los principios de la seleccin natural y la supervivencia de los ms fuertes, postulados por Darwin. Por imitacin de este proceso, los Algoritmos Genticos son capaces de ir creando soluciones para problemas del mundo real. La evolucin de dichas soluciones hacia valores ptimos del problema depende en buena medida de una adecuada codificacin de las mismas. Un algoritmo gentico consiste en una funcin matemtica 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 generacin. AGENTES INTELIGENTES: Programas de computadora que automticamente revisan enormes cantidades de datos y seleccionan y entregan la informacin ms adecuada para el usuario, de acuerdo con requisitos contextuales o especficos. La aplicacin ms importante de los agentes inteligentes se encuentra en la WEB. Sistemas Expertos (Sistemas basados en Conocimiento). Programas computacionales que resuelven problemas que normalmente requieren del conocimiento de un especialista o experto humano. Es un sistema capaz de tomar decisiones inteligentes interpretando grandes cantidades de datos sobre un dominio especfico de problemas.

PROCESAMIENTO DEL LENGUAJE NATURAL El procesamiento del lenguaje natural es una subrama de la inteligencia artificial y de la lingstica. Tambin se suele referir a esta rama de la informtica de forma abreviada como PLN o NLP, del ingls Natural Language Processing. El fin del PLN es construir sistemas y mecanismos que permitan la comunicacin entre personas y mquinas por medio de lenguajes naturales. Adems, trata de que los mecanismos que permitan esa comunicacin sean lo ms eficaces posibles, computacionalmente hablando. En definitiva, se busca poder crear programas que puedan analizar, entender y generar lenguajes que los humanos utilizan habitualmente, de manera que el usuario pueda llegar a comunicarse con el ordenador de la misma forma que lo hara con un humano. La relacin entre el procesamiento del lenguaje natural y la recuperacin y organizacin de informacin es evidente: la meta es desarrollar un buscador web al que un usuario preguntase cualquier cosa, y el sistema fuese capaz de responderle correctamente, como lo hara cualquier persona. A esto se le conoce con el nombre de sistemas de question-answering. En este sentido, un posible buscador de informacin que utilizase procesamiento del lenguaje natural para la recuperacin de informacin se diferenciara de un buscador tradicional en que el usuario podra consultar la pregunta que se plantea l mismo tal y como la piensa, sin necesidad de buscar por los conceptos que cree que podran servir para encontrar la informacin que desea. Adems de su utilidad en el campo del procesamiento y la recuperacin de informacin, el PLN se aplica a otros aspectos como la traduccin automtica, el reconocimiento del habla o la correccin ortogrfica de textos.

APRENDIZAJE AUTOMATICO El aprendizaje automtico se dedica al estudio de mtodos computacionales para mejorar el rendimiento mecanizando la adquisicin de conocimiento de la experiencia." Uno de los principales logros de la Inteligencia Artificial es que puede otorgar a las computadoras la habilidad de aprender. Para que esto suceda es necesario transferir el conocimiento al interior de la mquina. Una computadora aprende de diferentes maneras: Memorsticamente: Para que exista un aprendizaje memorstico se transcribe el conocimiento, es decir, se copia la memoria de una computadora a otra. Por relato: Se adapta el conocimiento desde su fuente a una forma que pueda ser aceptada y utilizada por la computadora. Es como si se le contara el conocimiento. Por analoga: Se guarda el conocimiento que resuelve un problema para aplicarlo cuando las circunstancias sean similares.

Por Induccin: Se le suministran datos a la computadora y de ellos extrae el conocimiento. Esto se hace a partir de ejemplos o a partir de observaciones. Los paradigmas ms utilizados para el aprendizaje automtico son: Induccin de reglas a partir de bases de datos Razonamiento basado en casos Redes neuronales Algoritmos genticos

Induccin de reglas a partir de bases de datos: Entre los mtodos de aprendizaje automtico el aprendizaje a partir de bases de datos por induccin (ya sea mediante ejemplos u observacin), es prcticamente el nico que se utiliza en los sistemas expertos. Este aprendizaje ha sido adaptado para resolver problemas de clasificacin. Razonamiento basado en casos: Utiliza la experiencia que se adquiri al tratar casos o problemas similares. Es un aprendizaje por analoga. Se construye una base de conocimiento con los casos que ya se han resuelto. Cuando aparece un problema nuevo, se buscan problemas similares en la base de casos y se adaptan sus soluciones a la situacin actual. Un sistema experto de esta clase va a proporcionarla mejor solucin disponible, ms que una solucin exacta. REDES NEURONALES

DEFINICIONES Una red neuronal es un sistema compuesto de muchos elementos procesadores simples operando en paralelo, cuya funcin es determinada por la estructura de la red, fuerza en las conexiones y el procesamiento realizado por los elementos computacionales en los nodos "Una red neuronal es un procesamiento distribuido masivamente paralelo que tiene una tendencia natural para almacenar conocimiento emprico y hacerlo disponible para el uso. Recuerda al cerebro en dos aspectos: 1. El conocimiento se adquiere por la red a travs de un proceso de aprendizaje. 2. Las conexiones interneurnicas se conocen como pesos sinpticos y se usan para almacenar el conocimiento." "Los sistemas de redes neuronales artificiales, o redes neuronales, son sistemas celulares fsicos que puedan adquirir, almacenar y usar conocimiento emprico." Las redes neuronales son una forma de un sistema computerizado multi-proceso con: - Elementos de procesamiento sencillos. - Alto grado de interconexin. - Mensajes simples escalares. - Interaccin adaptable entre elementos. UN POCO DE HISTORIA En los 50's y 60's, se hicieron varios intentos para adaptar los modelos de Redes Neuronales para que se diera el aprendizaje. Rosenblatt dise el Perceptron. ste contena tres tipos de neuronas: sensoriales, asociativas y de respuesta. Las sensoriales tomaban entradas de fuera de la red, las unidades de respuesta propagaban seales fuera de la red, al mundo externo, y las asociativas eran meramente internas. La distincin entre estas tres neuronas es importante. Sin embargo ahora se refieren como unidades de entrada, de salida y ocultas. Rosenblatt desarroll mtodos para alterar los niveles sinpticos de forma que la red aprendiera a reconocer clases de entradas. Por ejemplo, produjo una red que aprendi a responder a lneas verticales, pero no a horizontales (se sabe que neuronas especializadas en la visin actan de esta forma). Como muchas Redes Neuronales posteriores, el rasgo ms importante del Perceptron de Rosenblatt es que aprendi a clasificar sus entradas "por ejemplo"; lo cual contrasta con la clsica ciencia computacional donde el programador escribe un programa que le dice a la computadora cmo clasificar sus entradas. En 1969, Minsky y Papert publicaron un libro que influenci mucho el pensamiento sobre redes neuronales. En primer lugar demostraron que para hacer algunas tareas importantes de clasificacin en geometra requeran un incremento arbitrario en el tamao del Perceptron mientras se iba incrementando el tamao de la retina. En segundo lugar demostraron que los Perceptrones eran incapaces de aprender a resolver cualquier problema linealmente inseparable. Puesto que problemas muy simples son linealmente inseparables. <http://www.uam.es/personal_pdi/psicologia/adarraga/studs/Xerxes/Pag5.html>. Las R.N.A. no fueron estudiadas por cerca de dos dcadas, pero su inters ha crecido bastante en los ltimos aos debido al xito mostrado en la solucin de problemas antes reservados exclusivamente a los humanos. CARACTERSTICAS DE LAS REDES NEURONALES ARTIFICIALES Las R.N.A. estn compuestas por elementos que se comportan de una manera parecida a las funciones ms elementales de una neurona biolgica. Estos elementos se organizan de una manera que puede o no estar

relacionada a la manera en que est organizado el cerebro. No obstante su burdo parecido a los sistemas biolgicos, las R.N.A. presentan algunas caractersticas propias del cerebro como son: Pueden aprender de la experiencia. Pueden generalizar a partir de ejemplos previos. Pueden abstraer caractersticas esenciales de entradas que contienen datos irrelevantes. Es importante enfatizar que las R.N.A. no duplican las funciones cerebrales exactamente; a decir verdad, estn an lejos de poder simularlo fielmente. Las caractersticas ms importantes de las R.N.A. son: Habilidad De Aprendizaje : Las R.N.A. pueden modificar su comportamiento en respuesta al medio ambiente. Esto es muy importante. Las R.N.A. se auto-ajustan produciendo respuestas consistentes con el medio ambiente. Existen muchos algoritmos de aprendizaje que pueden aplicarse a las R.N.A. Generalizacin : Una vez entrenada, una R.N.A. es, hasta cierto grado, insensible a variaciones pequeas en sus entradas. Esto es, las R.N.A. producen sistemas capaces de manejar el mundo "imperfecto" en que vivimos. Abstraccin : Algunas R.N.A. son capaces de abstraer la esencia de una serie de entradas. Se pueden abstraer patrones perfectos de modelos distorsionados.

APLICACIONES DE LAS R.N.A. Las R.N.A. no son una panacea y definitivamente no son el sustituto de las computadoras convencionales; por ejemplo no seran adecuadas para escribir un sistema de nmina. Algunas reas en las que se han aplicado exitosamente son: Anlisis financiero Procesamiento de seales Mercadotecnia Automatizacin y robtica Diagnstico mdico Clasificacin Reconocimiento de patrones Control de procesos Optimizacin

ALCANCES Y LIMITACIONES DE LAS R.N.A. Las redes neuronales artificiales tienen aplicaciones potenciales en tareas donde no hay reglas bien definidas las cuales parecen fciles para los humanos y difciles para las computadoras. Este campo es tan amplio como el de las computadoras convencionales. La Inteligencia Artificial ha estado generalmente dominada por las reas de manipulacin lgica y simblica, pero algunos piensan que R.N.A. remplazarn la Inteligencia Artificial tradicional actual. Ms bien parece que se combinarn en sistemas apoyndose mutuamente, como sucede en los seres humanos, pues stos se apoyan en sistemas rpidos soportados por reconocimiento de patrones. Otros sistemas realizan actividades que requieren ms tiempo cuando el reconocimiento falla o cuando se requieren niveles superiores de decisin. SISTEMA INMUNE ARTIFICIAL El Sistema Inmune Artificial es un nuevo paradigma en el que los investigadores han modelado el comportamiento global del sistema inmune o alguno de sus procesos, con la finalidad de entenderlo de manera ms profunda o aplicarlo en la solucin de algn problema del mundo real. Estos modelos son representaciones muy simplistas del sistema inmune biolgico, debido a que en el sistema inmune real la comunicacin se realiza mediante seales bioqumicas y en complejas formas tridimensionales, y los modelos

computacionales existentes en la actualidad no recurren a mecanismos de complejidad equiparables. El sistema inmune puede ser visto como un complejo sistema de procesamiento de informacin, cuyas principales caractersticas son las siguientes: 1. Es un sistema descentralizado: no existe un procesador central, sino que los componentes del sistema inmune se encuentran distribuidos a travs del organismo, lo cual lo hace un sistema robusto. 2. Reconocimiento de patrones: es capaz de reconocer casi cualquier variedad de diferentes tipos de antgenos, an en el caso de que stos no se hayan presentado en el pasado. 3. Memoria asociativa: el reconocimiento de los invasores es posible an en el caso de no contar con informacin completa. 4. Tolerante a fallas: cuando se presenta alguna falla en el sistema, el resultado generalmente no es catastrfico, pues el sistema se puede recuperar de manera eficiente. 5. Usa memoria y aprendizaje: el sistema es capaz de recordar algn patrn que se haya presentado antes. De tal forma, ante exposiciones repetidas del mismo antgeno (respuesta secundaria) el sistema mejora su respuesta con la experiencia. 6. Comportamiento emergente: presenta un interesante comportamiento global a partir de simples interacciones locales. 7. Identidad: tiene la capacidad para distinguir entre lo propio y lo que no lo es.8. Diversidad: usando recombinacin e hipermutacin somtica, el sistema inmune es capaz de lograr cualquier especificidad. Modelos Existen algunos modelos computacionales los cuales pretenden emular algn proceso o caracterstica del sistema inmune biolgico que pueda ser interesante desde el punto de vista del procesamiento de informacin. Entre los ms importantes podemos mencionar la teora de la red inmune, el algoritmo de seleccin negativa y el algoritmo de seleccin clonal, entre otros. A continuacin se muestra una breve descripcin de ellos: Teora de la red inmune: Fue propuesta originalmente por Jerne (1974), aunque la teora se ha ido complementando con algunos otros trabajos posteriores. Sugiere que el sistema inmune est compuesto por una red regulada de molculas y clulas que se reconocen unas a otras an en la ausencia de antgenos. La presencia de un grupo de antgenos, una vez que ha sido detectada, activar a un determinado grupo de anticuerpos especficos. La teora de la red inmune se basa en la idea de que ese grupo de anticuerpos que ha sido activado, har las veces de antgenos activando a su vez a un segundo grupo de anticuerpos y as sucesivamente. De tal forma, cada grupo de anticuerpos activado puede ser reconocido por otro grupo de anticuerpos. De esta manera se crea una red donde los anticuerpos son capaces de detectarse unos a otros. Esta teora se ilustra de manera muy general en la figura 4 donde cada anticuerpo posee una parte capaz de reconocer a los invasores, la cual es llamada paratope, as como de una parte que es capaz de ser reconocida por otros anticuerpos (como si fuera otro invasor), que es llamada idiotope. De manera que, cuando un antgeno ha invadido el organismo, su epitope es reconocido por un primer grupo de paratopes p1, los cuales estn asociados a un grupo i1 de idiotopes. Este grupo de idiotopes i1, activar a un segundo grupo de paratopes p2 asociados a un grupo de idiotopes i2. Y as de manera sucesiva se activa un grupo de paratopes p3, tal y como se muestra en la figura .

esta

red

inmune,

tambin

se

le

conoce

con

el

nombre

de

red

idiotpica.

Modelo de seleccin negativa: El modelo de seleccin negativa para deteccin de cambios fue propuesto por Forrest et al. (1994) y est basado en el principio de discriminacin entre las clulas propias y las que no lo son. El modelo explica la manera en que se crean los detectores (linfocitos) que son capaces de distinguir entre las clulas propias y las que no lo son, as como algn cambio en el comportamiento "normal" del sistema, sin tener ninguna o muy poca comunicacin entre ellos y evitando algn intento de autoataque. De manera muy general el algoritmo funciona de la siguiente manera: 1. Se define el conjunto de elementos propios del sistema S. Este es el conjunto de elementos que deben ser protegidos y representa el comportamiento "normal" del sistema. 2. Cada detector es generado aleatoriamente. Aquellos detectores que son muy similares a alguno de sus elementos propios, de acuerdo a un umbral determinado, son eliminados. Slo se permite sobrevivir a aquellos detectores que no rebasan el umbral de similitud, pues se dice que stos no reaccionan ante las clulas propias, y en cambio s lo haran ante cualquier otro organismo invasor. 3. Monitorear S buscando algn cambio. Si el sistema reacciona ante un elemento (de acuerdo al umbral), entonces algn comportamiento anormal o no permitido est ocurriendo. El modelo parece ser muy robusto, debido a que busca la ocurrencia de cualquier cambio y no la aparicin de un determinado patrn. Algoritmo de seleccin clonal Esta teora fue propuesta por Burnet (1978) y explica cmo se lleva a cabo la respuesta del sistema inmune ante la presencia de un antgeno, basndose en la idea de que slo los linfocitos ms afines proliferarn. Cuando un antgeno ha sido detectado por el sistema, aquellos linfocitos con una mayor afinidad a tal antgeno son estimulados y sufren un proceso de reproduccin. La reproduccin de stos es por medio de clonacin, es decir, se crean mltiples copias hijos de cada linfocito padre (reproduccin asexual). Estos clones segregan anticuerpos que son sometidos a un proceso de mutacin, con la finalidad de alcanzar la afinidad especfica para el antgeno invasor. Despus de este proceso de mutacin existirn algunos clones que puedan resultar dainos para el organismo o cuya afinidad se haya perjudicado. Estos clones deben ser eliminados. La nueva poblacin de clones afines al antgeno es capaz de neutralizarlos. Cuando la eliminacin de los antgenos ha concluido, es necesario que el sistema regrese a su punto de equilibrio, de manera que el exceso de clones se elimine (autorregulacin). Otros Existen otros modelos computacionales del sistema inmune, algunos de continuacin: Existe un modelo que usa algoritmos genticos para emular el poblacin de anticuerpos combina segmentos de gene, para evolucionarlos segn Hightower, et modelos los cuales se mencionan a proceso por medio del cual la hacia un grupo de antgenos, al. (1995).

Algunos otros modelos usan una arquitectura multiagente para emular el comportamiento global del sistema inmune, como los de Mori, et al. (1988), (Dasgupta, 1999), y los hay tambin que usan autmatas celulares (Celada y E. Seiden, 1992) (Santos y T. Bernardes, 1995) y redes neuronales como las de Abbattista, et al. (Hoffman, 1986) (Ada, 1987) (1996). Existen ms modelos, pero la mayora de las aplicaciones que se reportan actualmente en la literatura estn basadas en alguno de los modelos que aqu se han mencionado. Aplicaciones A continuacin se mencionarn algunas de las aplicaciones del sistema inmune para resolver problemas del mundo real. A pesar de las interesantes caractersticas que presenta el sistema inmune, desde el punto de vista del procesamiento de informacin, estas aplicaciones son relativamente pocas si las comparamos con las que podemos encontrar de algunas otras tcnicas bioinspiradas, como las redes neuronales (Rojas, 1996) o los algoritmos evolutivos (Bck y Michalewicz, 1997). Esto se debe, en buena parte, a que an es un rea reciente de investigacin. Seguridad computacional: La mayor cantidad de aplicaciones del sistema inmune, quiz por parecer la ms intuitiva, se da en seguridad de sistemas de cmputo. 1. Usando el algoritmo de seleccin negativa hemos encontrado diversas aplicaciones, tales como:- Deteccin de virus - Monitoreo de procesos Unix - Deteccin de intrusos en sistemas de redes (Forrest, et al.,1994) (Forrest, et al., 1996) (Forrest y Hofmeyr, 2000) 2. Utilizando alternativas al algoritmo de seleccin negativa, hay tambin diversas aplicaciones, tales como: Sistema inmune para la deteccin y eliminacin de virus computacionales. - Sistema inmune de seguridad multiagente para la deteccin de intrusos o anomalas. (Lamont y Van Veldhuizen, 1999) (Okamoto e Ishida, 2000) (Dasgupta, 1999)Deteccin de anomalas1. Deteccin de anomalas en series de tiempo basada en el algoritmo de seleccin negativa (Dasgupta, 1999) Reconocimiento de patrones: Forrest y Perelson (1993) propusieron un algoritmo general para reconocimiento de patrones, usando un algoritmo gentico acoplado al sistema inmune, donde estudian su manera de mantener diversidad y su capacidad de generalizacin. Existe una propuesta de una arquitectura de un sistema inmune artificial que fue probada en problemas de reconocimiento de patrones. La propuesta fue hecha por Hunt y Cooke (1986), y est basada en el mecanismo de construccin de los anticuerpos y el principio de seleccin clonal y de maduracin de los linfocitos. Dasgupta (1999) realiz una emulacin del sistema inmune para reconocimiento de espectros en problemas de qumica. Optimizacin: Existen algunas aplicaciones del sistema inmune basadas en la evolucin de los anticuerpos hacia la poblacin de antgenos, usando algoritmos genticos para la optimizacin global en espacios de bsqueda con restricciones (Hajela y Lee, 1996) (Coello y Cruz, 2002). Fukuda et al. (Fukuda y Tsukimaya, 1999) propusieron un algoritmo para la optimizacin multimodal que modela la diversidad, y usa la teora de red inmune y la seleccin clonal. De Castro (Nunes de Castro y Timmis, 2002) present tambin un algoritmo para optimizacin multimodal basado en el principio de seleccin clonal. Robtica: Ishiguro et al. (1996) y Wantanabe et al. (1998) han desarrollado algoritmos basados en la teora de red inmune para el problema de navegacin autnoma de robots. Jun et al. (1999) y Lee et al. (1999) desarrollaron aplicaciones para un sistema de robots, autnomo distribuido, basndose en el principio de seleccin clonal combinado con la teora de red inmune e interacciones de las clulas B y T. Planeacin de horarios: Hart (1998) propuso un sistema inmune artificial para planeacin de horarios en un esquema de asignacin de tareas en un ambiente dinmico. Su modelo est basado en el principio de seleccin clonal y en la evolucin de bibliotecas de los genes. Test De Turing El Test de Turing (o Prueba de Turing) es una prueba propuesta por Alan Turing para demostrar la existencia de inteligencia en una mquina. Fue expuesto en 1950 en un artculo (Computing machinery and intelligence)

para la revista Mind, y sigue siendo uno de los mejores mtodos para los defensores de la Inteligencia Artificial. Se fundamenta en la hiptesis positivista de que, si una mquina se comporta en todos los aspectos como inteligente, entonces debe ser inteligente. Procedimiento La prueba consiste en un desafo. Se supone un juez situado en una habitacin, una mquina y un ser humano en otras. El juez debe descubrir cul es el ser humano y cul es la mquina, estndoles a los dos permitido mentir al contestar por escrito las preguntas que el juez les hiciera. La tesis de Turing es que si ambos jugadores eran suficientemente hbiles, el juez no podra distinguir quin era el ser humano y quin la mquina. Todava ninguna mquina puede pasar este examen en una experiencia con mtodo cientfico. En 1990 se inici un concurso, el Premio Loebner, una competicin de carcter anual entre programas de ordenador que sigue el estndar establecido en la prueba de Turing. Un juez humano se enfrenta a dos pantallas de ordenador, una de ellas que se encuentra bajo el control de un ordenador, y la otra bajo el control de un humano. El juez plantea preguntas a las dos pantallas y recibe respuestas. El premio est dotado con 100.000 dlares estadounidenses para el programa que pase el test, y un premio de consolacin para el mejor programa anual. La primera y nica vez que un juez confundi a una mquina con un humano fue en el ao 2010, cuando el robot Suzette, de Bruce Wilcox, super la prueba1 . Pruebas paralelas Existe otra prueba parecida, propuesta por John Searle y popularizada por Roger Penrose: la "sala china", para argumentar que la mquina no ha superado la Prueba de Turing.2 En esencia, es igual en la forma, pero se realiza con personas encerradas en una habitacin y se requiere que estas no conozcan el idioma en que se realiza la conversacin. Para ello se usa un diccionario que permite confeccionar una respuesta a una pregunta dada, sin entender los smbolos. Como consecuencia, se argumenta que por mucho que una persona sea capaz de enviar una cadena de smbolos en chino relacionada con otra cadena recibida, no quiere decir que sepa chino, sino que sabe aplicar un conjunto de reglas que le indican lo que ha de enviar. Falta la semntica en el proceso y por eso es muy cuestionada como inteligencia artificial, puesto que equipara una mquina pensante con una que parece que piensa. Ray Kurzweil predice que el ordenador pasar la prueba de Turing hacia el 2029, basado en el concepto de singularidad tecnolgica.3 Aplicaciones Una de las aplicaciones de la prueba de Turing es el control de spam. Dado el gran volumen de correos electrnicos enviados, el spam es, por lo general, enviado automticamente por una mquina. As la prueba de Turing puede usarse para distinguir si el correo electrnico era enviado por un remitente humano o por una mquina (por ejemplo por la prueba Captcha).