Captulo 1

Introduccin a la inteligencia articial

Objetivo
El alumno podr justicar por qu estudiar, y explicar cules son los campos de la Inteligencia Articial (1766)

Introduccin
Qu es la inteligencia? (http://bit.ly/75jhjs). Del latn intellegent a, es la capacidad de entender, asimilar, elaborar informacin y utilizarla para resolver problemas. Sin embargo, no parece existir total acuerdo para denirla (http://bit.ly/3FvhR7). En 1983, Howard Gardner (http://bit.ly/caGRo6) hizo notar que no existe algo que pueda denirse como la inteligencia , sino que existen diversos tipos de inteligencias (http://bit.ly/6zexry). Una persona puede, por ejemplo, ser una campen de ajedrez, un gran cientco o un poeta extraordinario y, al mismo tiempo ser un inepto para otras actividades. Adems, Gardner dice que hay personas que tienen inteligencia individual, mientras que otras poseen capacidades afectivas que les permiten funcionar mejor en una comunidad: inteligencia colectiva. Existen diversas formas de medir la inteligencia como el examen de IQ (http://bit.ly/mSiVMi), aunque hay un programa que obtiene el puntaje (http://bit.ly/WpCx8o) de genios histricos (http://bit.ly/124R3DE), y ya se buscan otras formas para medir la inteligencia (http://bit.ly/124R62h). La Inteligencia Articial (IA) es la inteligencia de las mquinas y la rama de la ciencia computacional que busca los medios para dotar a los sistemas informticos de dicha inteligencia. El objetivo de la IA es crear una mquina pensante que sea inteligente, tenga consciencia, capacidad de aprender, libre albedro y que sea tica. La IA es una campo joven, el trmino fue acuado por John McCarthy (http://bit.ly/b9ArwT) en 1956. Ya antes Alan Turing (http://bit.ly/Hl8F) haba diseado el Test de Turing (http://bit.ly/xVoh6) como una forma de probar el comportamiento inteligente de una mquina (http://bit.ly/124Rv55). Existen profundos problemas loscos en IA y algunos investigadores creen que sus objetivos son imposibles o incoherentes. Esta visin es compartida entre otros por Hubert Dreyfus (http://bit.ly/OMWYce) y John Searle (http://bit.ly/fdCL2M). An si la IA es posible, existen consideraciones morales que deben tomarse en cuenta como la explotacin de las mquinas por el hombre y si esto es o no tico. Joseph Weizenbaum (http://bit.ly/NO1er)1 argument que la IA
1

Weizenbaum fue un psiclogo inventor de ELIZA (http://bit.ly/ThrCF), este programa simulaba un psiclogo

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL no es tica.

Tarea: Leer el artculo Computing machinery and intelligence (http://bit.ly/124Rv55) de Alan Turing y dar una opinin corta (media cuartilla); despus elegir alguna de las visiones opuestas y exponer (con argumentos) si ests o no de acuerdo con ella.

1.1.

Facetas del comportamiento inteligente

La IA es emocionante, pero Qu es? Existen varias deniciones de IA, la tabla siguiente muestra ocho diferentes en dos dimensiones. Las deniciones superiores se ocupan de procesos mentales y razonamiento, mientras que las inferiores aluden al comportamiento. Las deniciones de la izquierda miden el xito en trminos de delidad con el comportamiento humano, mientras que las de la derecha se comparan contra una medida ideal de desempeo, llamada racionalidad. Un sistema es racional si hace lo correcto , dado sus conocimiento. Pensar humanamente Pensar racionalmente El emocionante esfuerzo para hacer que las El estudio de facultades intelectuales computadoras piensen ... mquinas con mediante el uso de modelos computacionales mente en sentido literal y completo (Charniak and McDermott, 1985) (Haugeland, 1985) [La automatizacin de] actividades que El estudio de los clculos (cmputos) que asociamos con el pensamiento humano, tales hacen posible percibir, razonar y actuar como toma de decisiones, resolucin de (Winston, 1992) problemas, aprendizaje ... (Hellman, 1978) Actuar humanamente Actuar racionalmente El arte de crear mquinas que ejecutan Inteligencia computacional es el estudio del funciones que requieren inteligencia cuando diseo de agentes inteligentes (Poole et at, son relizadas por personas (Kurzweil, 1990) 1998) El estudio de cmo hacer computadores que IA ... se reere al comportamiento realicen cosas en las que, por el momento, las inteligente en artefactos (Nilsson, 1998) personas son mejores (Rich and Knight, 1991) Histricamente los cuatro enfoques se han utilizado, cada uno por diferentes autores con diferentes mtodos. Un enfoque centrado en el humano es en parte una ciencia emprica que incluye observaciones e hiptesis sobre el comportamiento humano. Un enfoque racionalista combina matemticas e ingeniera. Actualmente grupos de ambos enfoques trabajan en conjunto para lograr mejores resultados.

1.1.1.

Actuar humanamente: El enfoque del Test de Turing

El Test de Turing propuesto en 1950 por Alan Turing, fue diseado para proveer una denicin operacional satisfactoria de inteligencia. Una computadora pasa esta prueba si un interrogador humano, despus de plantear varias preguntas por escrito, no puede decidir si las respuestas escritas provienen de una persona o una computadora. Para que una computadora pase satisfactoriamente esta prueba, es necesario realizar mucho trabajo, las capacidades necesarias son:
en dilogo con un paciente. Inicialmente tena una postura a favor de la IA, pero posteriormente fue un crtico de sta.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL Procesamiento natural del lenguaje para poder comunicarse udamente Representacin del conocimiento para almacenar lo que sabe o aprende

Razonamiento automtico para utilizar la informacin almacenada para contestar preguntas y derivar conclusiones nuevas Aprendizaje de mquina (machine learning) para adaptar nuevas circunstancias, ascomo detectar y extrapolar patrones

Figura 1.1: Test de Turing La prueba evita deliberadamente la interaccin fsica directa entre el interrogador y la computadora, porque la simulacin fsica de una persona no es necesaria para la inteligencia. Sin embargo, el llamado Total Turing Test (http://bit.ly/124SHp2) incluye seal de video para que el interrogador pueda probar capacidades perceptivas, as como la oportunidad de entregar objetos fsicos por una pequea compuerta. Para pasar el Total Turing Test, la computadora necesita adems: Visin por computadora para distinguir objetos Robtica para manipular objetos Estas seis disciplinas componen gran parte de la IA y Turing merece el crdito por disear una prueba que sigue siendo relevante 60 aos despus. Actualmente la IA dedica menos esfuerzo a tratar de pasar la prueba de Turing con la idea de que es ms importante estudiar los principios fundamentales de la inteligencia que tratar de duplicar una existente.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Figura 1.2: Test de Turing: http://xkcd.com/329/

1.1.2.

Pensar humanamente: El enfoque del modelado cognitivo

Si se desea obtener un programa que piensa como un humano, primero es necesario determinar la forma en la que los humanos pensamos: es necesario adentrarse en los procesos de la mente humana. Existen tres formas de realizar esto: 1. Mediante introspeccin: tratando de captar nuestros pensamientos mientras suceden 2. Mediante experimentos psicolgicos: observando a una persona en accin 3. Mediante imgenes cerebrales: observando al cerebro en accin Una vez que se tenga una teora de la mente sucientemente precisa, ser posible expresar esa teora como un programa computacional. Si el comportamiento del programa corresponde con el comportamiento humano, se tendr evidencia de que algunos de los mecanismos del programa operan de la misma forma en los humanos. Por ejemplo, Allen Newell (http://bit.ly/124SPox) y Herbert Simon (http://bit.ly/KGOu3J) quienes desarrollaron el General Problem Solver (GPS http://bit.ly/WxTTSX), no estuvieron satisfechos por obtener un programa capaz de resolver problemas correctamente. Les interesaba ms comparar los pasos de GPS con los que sigue un humano al resolver los mismos problemas. El campo de la ciencia cognitiva combina modelos computacionales de la IA y tcnicas experimentales de la psicologa para construir teoras precisas y comprobables de la mente humana. En los primeros aos de la IA exista gran confusin entre los enfoques: un autor argumentaba que un algoritmo se despemea bien en una tarea y que, por tanto, es un buen modelo del comportamiento humano, o vice versa. En la actualidad estas armaciones se presentan por separado y esta distincin ha permitido que tanto la IA como la ciencia cognitiva se hayan desarrollado ms rpidamente.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

1.1.3.

Pensar racionalmente: El enfoque de las leyes del pensamiento

El lsofo griego Aristteles fue uno de los primeros en intentar codicar el pensamiento correcto, es decir, procesos de razonamiento irrefutables. Sus silogismos proveen patrones para estructuras de argumentos que siempre lleven a conclusiones correctas cuando las premisas dadas sean correctas. Por ejemplo: Scrates es un hombre; todos los hombres son mortales; por tanto, Scrates es mortal. Supuestamente estas leyes del pensamiento deben gobernar la operacin de la mente: sus estudios iniciaron el campo llamado lgica. Los lgicos del siglo 19 desarrollaron notaciones precisas para declaraciones acerca de cualquier tipo de objetos del mundo y las relaciones entre ellos, en contraste con la notacin aritmtica que sirve slo para representar nmeros. En 1965 existan programas que, en principio, podran resolver cualquier problema descrito en notacin lgica. La llamada tradicin lgica de la IA espera poder construir sistemas inteligentes sobre esos programas. Existen dos obstculos principales para este enfoque. 1. No es fcil tomar conocimiento informal y plasmarlo en trminos formales como lo requiere la notacin lgica, especialmente cuando no se tiene el 100 % de la certeza del conocimiento 2. Existe gran diferencia entre resolver un problema en principio y resolverlo en la prctica An problemas con slo unos cientos de hechos pueden agotar los recursos computacionales de cualquier computadora, amenos que se tenga cierta gua sobre qu pasos del razonamiento tomar primero. Si bien estos obstculos aplican a cualquier intento de construir sistemas de razonamiento computacional, se encontraron primero en la tradicin lgica.

1.1.4.

Actuar racionalmente: El enfoque del agente racional

Un agente es algo que realiza acciones (del latn agere, hacer). Cualquier programa computacional hace algo, pero se espera que los agentes computacionales hagan ms : operar de forma autnoma, percibir el entorno, seguir funcionando sobre periodos temporales prolongados, adaptarse al cambio as como crear y perseguir sus metas. Un agente racional es aquel que acta de tal forma que obtiene la mejor salida o, cuando hay incertidumbre, le mejor salida esperada. En este enfoque, el nfasis era en las inferencias correctas. Sin embargo, hacer inferencias correctas es solo una parte de ser racional porque una forma de actuar racionalmente es razonar lgicamente hacia la conclusin que tomando cierta accin alcanzar sus objetivos. Por otro lado una inferencia correcta no es todo de la racionalidad; en ocasiones no existe la opcin correcta, pero de cualquier forma debe hacerse algo. Tambin puede actuar racionalmente sin tener que realizar una inferencia; por ejemplo, apartar la mano de una supercie caliente es un reejo usualmente ms exitoso que tomar una accin bien pensada. El enfoque del agente racional tiene dos ventajas sobre otros enfoques. 1. Es ms general que el enfoque de las leyes del pensamiento porque una inferencia correcta es solo uno de los muchos posibles mecanismos para ser racional 2. Es ms sencillo de utilizar en el desarrollo cientco que los enfoques basados en el comportamiento o en el pensamiento humano. El estndar de racionalidad est matemticamente bien denido.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Un punto importante que debe tomarse en cuenta: veremos que alcanzar la racionalidad perfecta, es decir, siempre hacer lo correcto, no es factible en entornos complicados, la demanda computacional es demasiado grande. Sin embargo, suponer racionalidad perfecta de inicio simplica denir el problema y posteriormente se puede tomar el enfoque de racionalidad acotada : actuar apropiadamente cuando no se tienen los recursos computacionales que se requieren.

1.2.
1.2.1.

Formas de hacer inteligencia articial

IA fuerte vs IA dbil

La conjetura sobre mquinas que pueden programarse para exhibir comportamiento inteligente se conoce como IA dbil y es ampliamente aceptada por la comunidad dedicada a IA. Sin embargo, la conjetura sobre mquinas programadas para poseer inteligencia y tener consciencia, conocida como IA fuerte, es muy debatida. Los opositores a la IA fuerte argumentan que una mquina es intrnsecamente diferente a un humano y, por tanto, nunca podr tener sentimientos, diferenciar el bien del mal o discernir sobre s misma, tal como lo hace un humano. Por el contrario, sus partidarios sostienen que la mente humana est construida por componentes que de manera individual no son humanas ni tienen consciencia, pero combinadas lo son y cuestionan: Por qu no sera posible reproducir este fenmeno con mquinas? El problema para resolver la IA fuerte es que atributos como inteligencia y consciencia son caractersticas internas y no pueden identicarse directamente. Tal como lo indic Alan Turing: decimos que otros humanos con inteligentes porque se comportan inteligentemente, an cuando no podemos ver sus estados mentales internos. Estamos preparados para otorgar el mismo benecio a una mquina que exhiba caractersticas externas similares? Existen diversas formas de hacer programas que cumplen con IA dbil, a continuacin se presentan los enfoques ms utilizados.

1.2.2.

Algoritmos genticos

Existen problemas demasiado complejos para resolver: ejecutar un programa que los resuelva excede la memoria disponible o no terminara en una cantidad razonable de tiempo. Para estos problemas, una solucin puede encontrarse mediante procesos evolutivos que involucrean varias generaciones de soluciones de prueba. La estrategia mencionada es el fundamento de los algoritmos genticos: esencialmente, un algoritmo gentico descubre una solucin utilizando comportamiento aleatorio combinado con la teora reproductiva y el proceso de seleccin natural. Un algoritmo gentico comienza generando un conjunto aleatorio de soluciones de prueba, cada solucin es una suposicin. Cada solucin de prueba se llama cromosoma y cada componente del cromosoma es una gen. Como cada cromosoma inicial es una suposicin aleatoria, es muy poco probable que represente una solucin del problema a resolver. Por tanto, el algoritmo gentico genera un nuevo conjunto de cromosomas (descendencia) en el que cada cromosoma es un hijo de dos cromosomas del conjunto anterior (padres). Los padres tambin se eligen aleatoriamente, pero se asigna mayor probabilidad a aquellos que aparentemente tienen mejor oportunidad de llevar a una solucin, de esta forma emulan el principio evolutivo de supervivencia del ms apto: determinar qu cromosomas son los mejores candidatos es el paso ms problemtico en un algoritmo gentico. Cada descendiente es una combinacin aleatoria de genes de los padres, adems, un descendiente puede

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

mutar de alguna forma. Eventualmente, si se repite este proceso muchas veces, se obtienen cada vez mejores soluciones hasta llegar a una sucientemente buena. Desafortunadamente no se tiene sefuridad de que el algoritmo gentico encontrar una solucin al nal de este proceso repetido, pero investigaciones recientes han mostrado que los algoritmos genticos pueden ser muy efectivos para resolver una gama sorprendemente amplia de problemas complejos. Cuando se aplican al desarrollo de programas, el enfoque de algoritmos genticos se conoce como programacin evolutiva. Aqu, el objetivo es desarrollar programas permitindoles que evolucionen, en lugar de escibirlos. La propuesta es iniciar con una gran coleccin de funciones: esta coleccin conforma el conjunto de genes de los que las futuras generaciones de programas sern construidos. Despus se permite que el proceso evolutivo se ejecute por varias generaciones esperando que cada generacin tenga mejor desempeo que la anterior hasta llegar a la mejor solucin del problema propuesto. Programa 1: mejor villano.

Notas: 1. El programa crear la primera generacin de 100 villanos con cada habilidad como un nmero aleatorio entre 0 y 9. 2. El programa elegir aleatoriamente a un villano por cada columna para tomar ese valor como la habilidad de un nuevo villano (Megamente). 3. El programa repetir el paso 2 para generar otro villano (Sedusa).

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

4. Al tener a los dos nuevos supervillanos, el programa deber mezclar sus habilidades utilizando un nmero aleatorio entre 1 y 10, como se muestra en el ejemplo:

5. Repetir los pasos 2, 3 y 4 hasta obtener 10 nuevos supervillanos (Sedumente[0..9]). 6. Finalmente, aplicar los pasos 2, 3 y 4 sobre la nueva poblacin de 10 Sedumentes para obtener al mejor supervillano.

1.2.3.

Redes neuronales articiales

El trmino red neuronal (biolgica o articial) se reere a un grupo interconectado de elementos de procesamiento, llamados nodos o neuronas. Estas neuronas cooperan y trabajan en conjunto para producir una funcin de salida. Una red neuronal articial se disea para simular algunas propiedades de una red neuronal biolgica (como el cerebro humano). El procesamiento de informacin en una red neuronal se realiza en paralelo y no de forma serial. Otra propiedad de una red neuronal es la tolerancia a fallas, es decir, puede seguir trabajando an si algunas neuronas no funcionan. Adems, hay sistemas de redes neuronales articiales que pueden aprender a resolver problemas complejos a partir de un conjunto de ejemplos, estos sistemas pueden tambin utilizar el conocimiento adquirido para generalizar y resolver problemas no previstos. Una red neuronal biolgica se compone de miles de millones de neuronas (clulas nerviosas). Una neurona puede estar fsicamente conectada a cientos de neuronas y el nmero total de neuronas y conexiones puede resultar extremadamente grande. Las conexiones se forman a travs de los axones hacia las dendritas y, de esta forma, las neuronas pueden enviar seales elctricas entre ellas. Estos mensajes no son solamente seales binarias, en su lugar se puede variar la intensidad permitiendo que vare tambin la inuencia de cierta neurona hacia sus vecinos.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

Figura 1.3: Una neurona biolgica Es decir, cada conexin tiene un nmero (peso ) asociado que indica su inuencia, cada neurona enva su valor de salida a todas las neuronas con las que tiene una conexin de salida. La salida de una neurona puede inuenciar las activaciones de otras neuronas causando que se enciendan. La neurona que recibe los valores calcula su activacin tomando la suma ponderada de sus seales de entrada y determina su salida con una funcin de basada en la activacin recibida. Una red neurnal aprende cambiando los pesos de las conexiones. Muchos aspectos del funcionamiento del cerebro, especialmente el proceso de aprendizaje, se asocian con el ajuste de los valores de las conexiones. La actividad cerebral se representa con patrones particulares de actividad de encendido entre la red de neuronas. Este comportamiento de cooperacin simultnea de una gran cantidad de unidades simples de procesamiento es el ncleo del poder computacional del cerebro humano.

Figura 1.4: Neurona articial Las redes neuronales articiales pretenden simular varias propiedades de redes neuronales biolgicas, son computadoras cuya arquitectura toma como modelo al cerebro. Consisten de gran cantidad de unidades simples de procesamiento que estn conectadas mediante una compleja red de comunicacin, cada unidad es un modelo simplicado de una neurona real que se enciende si recibe una seal de entrada sucientemente fuerte de las neuronas a las que est conectada. La intensidad de estas seales puede variarse para que la red neuronal ejecute diferentes tareas que corresponde con patrones diferentes de actividad neuronal.El objetivo es resolver un problema particular y las redes neuronales articiales han mostrado ser muy tiles en reconocimiento de voz, anlisis de imgenes, adems de modelado cognitivo entre otros. Muchas redes neuronales articiales estn basadas en estimacin estadstica y teora de control.

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

10

Figura 1.5: Dos redes neuronales articiales con diferentes pesos Existen similitudes entre el cerebro humano y computadoras poderosas con procesamiento paralelo avanzado, las redes neuronales articiales han proporcionado modelos simplicados del procesamiento neuronal que se lleva a cabo en el cerebro. El reto para este campo es determinar qu propiedades deben ser reproducidas por neuronas individuales para producir representaciones tiles de inteligencia. Los orgenes de las redes neuronales articiales se encuentran en los intentos por modelar el procesamiento de informacin en sistemas biolgicos, esto se basa ms en procesamiento paralelo as como reconocimiento de patrones a partir de cmo se percibe el exterior. Los nodos de una red neuronal articial se componen de unidades de procesamiento muy simples conectadas a una red, su poder computacional depende de trabajar en conjunto (procesamiento paralelo) y no existe una unidad central de procesamiento que siga una secuencia lgica de instrucciones. El cmputo se realiza mediante un proceso dinmico de encendido de neuronas, esta estructura es mucho ms cercana a la operacin del cerebro humano y abre paso a computadoras que pueden ser usadas para resolver problemas ms complejos. Adems, es importante notar que el diseo de la arquitectura de redes neuronales articiales es muy distinta al modelo de von Neumann (http://bit.ly/7O4gV).

1.2.4.

Sistemas expertos

Un sistema experto es un sistema computacional que contiene el conocimiento de uno o ms humanos expertos sobre un tema especco. Estos sistemas permiten guardar ms conocimiento y extraerlo inteligentemente. La idea de los sistemas expertos surgieron en IA durante los 60s y desde entonces se han desarrollado diversas aplicaciones. Un sitema experto es un programa creado a partir de un conjunto de reglas (conocimiento ) proporcionado por los expertos del tema, el xito del sistema experto depende mucho de la calidad de las reglas proporcionadas. Adems, incluye un componente para resolver problemas as como recomendar el curso de accin ms apropiado. Es decir, el sistema experto tiene capacidad de razonar para obtener conclusiones a partir de hechos que conoce. Es claro que el almacenamiento del conocimiento y la estrategia de solucin de problemas son asuntos distintos. Los sitemas expertos han sido un gran xito en la historia de la IA, se han empleado en diversas reas como diagnsticos mdico, reparacin de equipo y anlisis de inversiones. Los sistemas expertos, en general, se conforman de los siguientes componentes:

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL Componente Base de conocimiento

11

Descripcin La base de conocimiento es desarrollada por los expertos del tema particular, el sistema ser tan bueno como sea el conocimiento proporcionado por los expertos Medio de comunicacin Este componente permite al usuario comunicarse con el sistema experto, permite al usuario hacer preguntas al sistema y recibir respuestas (o viceversa) Ayuda sensitiva al Generalmente se muestra en cada pantalla y la ayuda es contexto apropiada de acuerdo a donde se encuentra actualmente el usuario Componente de solucin Se encarga de analizar el problema y utiliza su motor de de problemas inferencia para deducir el curso de accin apropiado para resolverlo; el motor de inferencia es un programa que interacta con el usuario y las reglas de la base de conocimiento El motor de inferencia se contruye sobre varias reglas de inferencia usadas para obtener conclusiones. Se pueden agregar o eliminar reglas con afectar otras reglas, esto reeja la actualizacin normal de conocimiento humano: conocimiento obsoleto se elimina y no se utiliza en el razonamiento mientras que conocimiento nuevo se aplica en la obtencin de nuevas conclusiones. Un sistema experto utiliza dos formas principales de razonamiento: hacia adelante y hacia atrs. El razonamiento hacia adelante inicia con los datos disponibles y utiliza las reglas de inferencia para obtener conclsiones inmediatas, repite este procedimiento con estas conclusiones hasta llegar al objetivo deseado. El razonamiento hacia atrs inicia con un conjunto de objetivos y trabaja hacia atrs para determinar si alguno de sus objetivos se puede alcanzar con los datos disponibles.

1.2.5.

Combinacin de estrategias

En la actualidad la IA utiliza diversas tcnicas combinadas para resolver problemas, es muy comn que en la fase de entrenamiento de una red neuronal articial se utilice un algoritmo gentico para determinar los valores ptimos para los pesos asociados a valores de entrada en una neurona y, a su vez es comn usar redes neuronales articiales para que los motores de inferencia de una sistema experto funcionen de mejor manera.

1.3.

Generalidades de aplicaciones desarrolladas y en desarrollo

Existen muchos ejemplos de aplicaciones que utilizan conceptos de IA para resolver problemas especcos, a continuacin se mencionan algunos.

1.3.1.

Ajedrez

Claude Shannon (http://bit.ly/bhm9bX) consider el problema de tener un programa que jugara ajedrez a nales de los 40s y distingui una estrategia de fuerza bruta en la que el programa podra buscar en todas las combinaciones de movimientos de otra estrategia en la que en conocimiento sobre el ajedrez podra er usado para examinar slo un subconjunto de esas combinaciones. Alan Turing tambin desarrollo programas para que una computadora (an hipottica)

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

12

pudiera jugar ajedrez. La capacidad de jugar ajedrez es una caracterstica que se puede considerar inteligente an cuando la mquina no tiene consciencia de que est jugando ajedrez? Los primeros programas que jugaban ajedrez no eran muy sosticados y se desempeaban muy mal contra seres humanos, los programas modernos son bastante exitosos y han mostrado ser mejores que sus competidores humanos. Garry Kasparov (http://bit.ly/2pO71o) fue el campen mundial fue vencido por una computadora: Deep Blue (http://bit.ly/lKPt2f) de IBM en 1997.

1.3.2.

Sistemas expertos exitosos

Existen muchos ejemplos de sistemas expertos que se han desempeado bastante bien en diversos campos. 1.3.2.1. Dendral (Dendritic Algorithm) (http://bit.ly/124TtCk)

Desarrollado por la Universidad de Stanford a mediados de los 60s fue el primer uso de la IA en investigacin mdica. Su objetivo era asistir en la identicacin de compuestos y molculas orgnicas desconocidas utilizando espectrometra computarizada. Fue escrito en LISP (http://bit.ly/b1xDM) y mostr que un sistema experto puede emplear reglas, heursticas y juicios para guiar a los cientcos en su trabajo. 1.3.2.2. Mycin (http://bit.ly/124TO7Y)

Desarrollado tambin el Universidad de Stanford en los 70s utilizando como base Dendral, fue diseado para diagnosticar enfermedades infecciosas de sangre y para recomendar los antibiticos apropiados, as como las dosis correspondientes al peso del paciente. Tena un desempeo razonablemente bueno: cerca del 65 % de diagnsticos acertados; que es mejor que la mayoria de los mdicos no especialistas, sin embargo, era menor que lo expertos: 80 %. An cuando su rendimiento era bueno, nunca fue utilizado por razones legales y ticas: Si la mquina daba un diagnstico equivocado, quin sera el responsable? 1.3.2.3. Colossus (http://bit.ly/124TR3C)

Un sistema experto utilizado por compaias de seguros: ayuda a los ajustadores de seguros a evaluar lesiones y mejorar la consistencia de los procesos de reclamos de seguros. Su objetivo es hacer que los reclamos sean justos y objetivos guiando al ajustador mediante evaluaciones objetivas de diversos parmetros. Fue desarrollado por la Computer Sciences Corporation (CSC).

1.3.3.

Watson: ganando Jeopardy (http://bit.ly/iSg56x)

Es un sistema computacional (Hardware + Software ) desarrollado por el equipo DeepQA (http://ibm.co/c3slR4) de IBM, tiene capacidad para responder preguntar planteadas en lenguaje natural. Su nombre es en honor al primer presidente de IBM Thomas J. Watson (http://bit.ly/dxbCoN). Es un sistema de preguntas y respuestas (QA), IBM lo describe como una aplicacin avanzada de procesamiento de lenguaje natural, recuperacin de informacin, representacin de conocimiento y razonamiento, as como tecnologa de aprendizaje de mquina en el campo de preguntas y respuestas abiertas. En la actualidad se est buscando aplicar sistemas como Watson en diversas reas: sistemas cognitivos como Watson pueden transformar lo forma en la que las organizaciones piensan, actan

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

13

y operarn en el futuro. Aprender mediante interacciones, entregan respuestas orientadas a mejores resultados basadas en evidencias.

1.3.4.

Vericacin de modelos

La vericacin de modelos (model checking o property checking : http://bit.ly/fGjrpu) se reere al siguiente problema: dado el modelo de un sistema, vericar de forma automticamente si ese modelo cumple alguna especicacin de inters. Generalmente la especicacin contiene requerimientos de seguridad como la ausencia de deadlocks o estados crticos similares que pueden causar que el sistema deje de funcionar. La vericacin de modelos es una tcnica para vericar de forma automtica propiedades de correccin de un sistema de estados nitos. Para poder resolver algortmicamente este tipo de problemas, tanto el modelo del sistema como la especicacin se formulan en algn lenguaje matemtico preciso: se utiliza algn tipo de lgica. Un problema sencillo de vericacin de modelos es comprobar si una frmula de la lgica proposicional es satisfecha por cierta estructura.

Figura 1.6: state-of-the-art en IA [http://abstrusegoose.com/496] [http://what-if.xkcd.com/5]

CAPTULO 1. INTRODUCCIN A LA INTELIGENCIA ARTIFICIAL

14

1.4.

Subcampos de la inteligencia articial

La IA actualmente tiene muchas reas de desarrollo, algunas de las ms conocidas son: Visin por computadora Reconocimiento de patrones Robtica Razonamiento automatizado Procesamiento de lenguaje natural Aprendizaje de mquina (machine learning ), etc.

1.5.

Relaciones de la inteligencia articial con otras disciplinas

Los fundamentos de la IA van de la mano con los fundamentos de la computacin e incluye trabajos de cientcos, ingenieros y matemticos muy importantes; tales como Boole, Babbage, Shannon, von Neuman y Turing. Es un campo multidisciplinario y algunas de sus ramas estn ntimamente relacionadas con: Computacin y computabilidad Lgica y losofa Lingistica Visin articial Epistemologa y representacin de conocimiento Ciencia cognitiva Matemticas tica El matemtico britnico Alan Turing contribuy al debate sobre mquinas pensantes, con consciencia e inteligencia (http://bit.ly/124Rv55) a inicios de los 50s. Su artculo tuvo y an tiene gran inuencia al plantear la posibilidad de programar una computadora para que se comporte de forma inteligente. Tarea: Buscar al menos 3 aplicaciones desarrolladas a partir de la IA por integrante del equipo y describirlas brevemente (media cuartilla).