INTELIGENCIA ARTIFCIAL

  Ambartalia24@gmail.com

0
Universidad Dominicana O&M (Organización y
Método).

Sustentante:
Ambar Talía Guzmán López
Matricula:
17-SISM-1-056
Docente:
José Rafael Rojas.
Asignatura:
Inteligencia Artificial (I.A)
Sección:
0707
Trabajo:
Practica Final.
Fecha de entrega:
24/04/2020

1
Índice:

 Introducción.
 BackPropagation-Gradient Descent.
 Redes Neuronales Recurrentes (RNN) y sus Aplicaciones.
 Redes Neuronales Convolucionales (CNN) y sus Aplicaciones.
 AutoEncoders y sus Aplicaciones.
 Restricted Boltzmann Machines y sus Aplicaciones.
 Chatbots.
 Redes de base Radial (RBF) y sus aplicaciones.
 Procesamiento Natural del Lenguaje (NLP) y sus aplicaciones.
 I.A. Asistentes Virtuales.
 I.A. Agentes Virtuales.
 I.A. Aplicada a Videos Juegos.
 I.A. Aplicada en la Robótica.
 I.A. Aplicada a la Cyberseguridad.
 I.A Armas Inteligentes.
 Principales FrameWorks para desarrollar I.A.
 Visión Robótica (Cámaras Inteligentes).
 Demótica.
 Automatización en Marketing.
 Hardware Optimizado con I.A.
 Sistemas Biométricos Inteligentes.
 Gemelos digitales / Modelos de I.A.
 DarkTrace.
 Reconocimiento de emociones.
 Conclusión,
 Bibliografía.

2
Introducción:
La Inteligencia Artificial comenzó como el resultado de la investigación en
psicología cognitiva y lógica matemática. Se ha enfocado sobre la
explicación del trabajo mental y construcción de algoritmos de solución a
problemas de propósito general. Punto de vista que favorece la abstracción
y la generalidad.
La idea de construir una máquina que pueda ejecutar tareas percibidas
como requerimientos de inteligencia humana es un atractivo. Las tareas
que han sido estudiadas desde este punto de vista incluyen juegos,
traducción de idiomas, comprensión de idiomas, diagnóstico de fallas,
robótica, suministro de asesoría experta en diversos temas.
La Inteligencia Artificial es una combinación de la ciencia del computador,
fisiología y filosofía, tan general y amplio como eso, es que reúne varios
campos (robótica, sistemas expertos, por ejemplo), todos los cuales tienen
en común la creación de máquinas que pueden "pensar".
Trabajos teóricos fundamentales fueron el desarrollo de algoritmos
matemáticos por Warren McCullock y Walter Pitts, en 1943, necesarios
para posibilitar el trabajo de clasificación, o funcionamiento en sentido
general, de una red neuronal. En 1949 Donald Hebb desarrolló un algoritmo
de aprendizaje para dichas redes neuronales creando, en conjunto con los
trabajos de McCullock y Pitts, la escuela creacionista. Esta escuela se
considera hoy como el origen de la Inteligencia Artificial, sin embargo, se
trató poco por muchos años, dando paso al razonamiento simbólico basado
en reglas de producción, lo que se conoce como sistemas expertos.

3
BackPropagation-Gradient Descent:

Es un método de cálculo del gradiente utilizado en algoritmos de aprendizaje

supervisado utilizados para entrenar redes neuronales artificiales. El método
emplea un ciclo propagación – adaptación de dos fases. Una vez que se ha
aplicado un patrón a la entrada de la red como estímulo, este se propaga desde la
primera capa a través de las capas siguientes de la red, hasta generar una salida.
La señal de salida se compara con la salida deseada y se calcula una señal de
error para cada una de las salidas.

Las salidas de error se propagan hacia atrás, partiendo de la capa de salida, hacia
todas las neuronas de la capa oculta que contribuyen directamente a la salida. Sin
embargo las neuronas de la capa oculta solo reciben una fracción de la señal total
del error, basándose aproximadamente en la contribución relativa que haya
aportado cada neurona a la salida original. Este proceso se repite, capa por capa,
hasta que todas las neuronas de la red hayan recibido una señal de error que
describa su contribución relativa al error total.

La importancia de este proceso consiste en que, a medida que se entrena la red,

las neuronas de las capas intermedias se organizan a sí mismas de tal modo que
las distintas neuronas aprenden a reconocer distintas características del espacio
total de entrada. Después del entrenamiento, cuando se les presente un patrón
arbitrario de entrada que contenga ruido o que esté incompleto, las neuronas de la
capa oculta de la red responderán con una salida activa si la nueva entrada
contiene un patrón que se asemeje a aquella característica que las neuronas
individuales hayan aprendido a reconocer durante su entrenamiento.

4
 Redes Neuronales Recurrentes (RNN) y sus Aplicaciones:

Hasta ahora hemos visto redes cuya función de activación solo actúa en una
dirección, hacia delante, desde la capa de entrada hacia la capa de salida, es decir,
que no recuerdan valores previos. Una red RNN es parecida, pero incluye conexiones
que apuntan “hacia atrás”, una especie de retroalimentaciones entre las neuronas
dentro de las capas.

Imaginemos la RNN más simple posible, compuesta por una sola neurona que recibe
una entrada, produciendo una salida, y enviando esa salida a sí misma, como se
muestra en la siguiente figura:

5
En cada instante de tiempo (también llamado timestep en este contexto), esta
neurona recurrente recibe la entrada xde la capa anterior, así como su propia salida
del instante de tiempo anterior para generar su salida y. Podemos representar
visualmente esta pequeña

Como se muestra en la figura:

Siguiendo esta misma idea, una capa de neuronas recurrentes se puede implementar
de tal manera que, en cada instante de tiempo, cada neurona recibe dos entradas, la

6
entrada correspondiente de la capa anterior y a su vez la salida del instante anterior
de la misma capa

 Redes Neuronales Convolucionales:

Las redes neuronales convolucionales son similares a las redes neuronales

multicanal, su principal ventaja es que cada parte de la red se le entrena
para realizar una tarea, esto reduce significativamente el número de capas
ocultas, por lo que el entrenamiento es más rápido. Además,
presenta invarianza a la traslación de los patrones a identificar.

Las redes neuronales convolucionales son muy potentes para todo lo que
tiene que ver con el análisis de imágenes, debido a que son capaces de
detectar características simples como por ejemplo detención de bordes,
líneas, etc. y componer en características más complejas hasta detectar lo
que se busca.

Para clasificar imágenes vamos a utilizar una red neuronal un poco especial: la
red neuronal convolucional, también llamada CNN (Convulational Neural
Network o ConvNet).

Este algoritmo de aprendizaje es similar a un pastel milhojas porque está

compuesto de muchas capas. Las últimas capas (parte superior del milhojas)
están formadas por redes neuronales como las que hemos descubierto en los
capítulos anteriores. Es decir, sus datos de entrada proceden de las capas
anteriores, llamadas capas de convoluciones y cuyo principio vamos a descubrir
a continuación.

7
1. Necesitamos muchos datos de aprendizaje

Para que la red de neuronas pueda realizar una buena clasificación de

imágenes, hay que darle una base de aprendizaje. Pero cuando se trata de
imágenes, su cantidad puede convertirse en ingente con mucha rapidez.

En efecto, nuestro cerebro humano puede realizar la clasificación entre un gato y

un perro, ya sea negro, blanco, esté de cara, de perfil, de espalda, en pleno día,
en penumbra y en distintos entornos y posiciones posibles. Así que podemos
hacernos una idea de la cantidad de imágenes necesarias.

Si desea iniciarse en un proyecto personal de clasificación de imágenes, eso

también le permitirá apreciar el trabajo de fotografía que se debe realizar. Por
suerte para nosotros, hay conjuntos de observaciones 

8
 AutoEncoders y sus Aplicaciones:

Los autoencoders son redes neuronales con el objetivo de generar nuevos

datos primero comprimiendo la entrada en un espacio de variables latentes
y luego reconstruyendo la salida en base a la información adquirida. Este
tipo de red consta de dos partes:

La inteligencia artificial y la ciberseguridad son dos pilares fundamentales

en el proceso de transformación digital de la sociedad y de las
organizaciones. El día a día de esta revolución digital, que ha cambiado la
forma en la que el ser humano se comunica, se relaciona, trabaja y vive,
pasa por conocer los riesgos que las nuevas tecnologías traen consigo.
Cualquier usuario puede entender los beneficios que puede proporcionar la
inteligencia artificial, pero debemos ser cautos y conocer los riesgos que
ésta puede proporcionar. En este artículo se habla del Machine
Learning y Deep Learningmostrando diferentes caminos. La posibilidad de
que un atacante pueda suplantar identidades, voces, imágenes, videos a
través de una IA supone un gran riesgo para la sociedad como para las
organizaciones. En este artículo se muestran la aplicabilidad de la
inteligencia artificial para protección y su cara más ofensiva.

9
 Restricted Boltzmann Machines y sus Aplicaciones:

o  es una red neuronal artificial estocástica generativa que puede aprender

una distribución de probabilidad sobre su conjunto de entradas.
o Las RBM fueron inventadas inicialmente bajo el nombre
de Harmonium por Paul Smolenskyen 1986, [1] y saltaron a la fama después
de que Geoffrey Hinton y sus colaboradores inventaron algoritmos de
aprendizaje rápido para ellos a mediados de 2000. Los RBM han
encontrado aplicaciones en la reducción de dimensionalidad ,   
clasificación ,   filtrado colaborativo , [4] aprendizaje de
características , [5] modelado de temas [6] e incluso muchas mecánicas
cuánticas corporales . [7] [8] Pueden ser entrenados en supervisión o
formas sin supervisión , dependiendo de la tarea.

10
 o Como su nombre lo indica, los RBM son una variante de las
máquinas de Boltzmann , con la restricción de que sus neuronas deben
formar un gráfico bipartito : un par de nodos de cada uno de los dos grupos
de unidades (comúnmente conocidos como "visibles" y "ocultos" unidades
respectivamente) pueden tener una conexión simétrica entre ellas; y no hay
conexiones entre nodos dentro de un grupo. Por el contrario, las máquinas
Boltzmann "sin restricciones" pueden tener conexiones entre unidades
ocultas . Esta restricción permite algoritmos de entrenamiento más
eficientes que los disponibles para la clase general de máquinas
Boltzmann, en particular el algoritmo de divergencia contrastante basado
en gradiente. [9]
o Las máquinas de Boltzmann restringidas también se pueden usar en redes
de aprendizaje profundo . En particular, las redes de creencias
profundas se pueden formar "apilando" RBM y, opcionalmente, ajustando la
red profunda resultante con descenso de gradiente y propagación hacia
atrás . [10]

 Chatbots:

Es un programa que simula mantener una conversación con una personal proveer

respuestas automáticas a entradas hechas por el usuario. Habitualmente, la

11
conversación se establece mediante texto, aunque también hay modelos que
disponen de una interfaz de usuario multimedia. Más recientemente, algunos
comienzan a utilizar programas conversores de texto a sonido (CTV), dotándolo de
mayor realismo a la interacción con el usuario.

Para establecer una conversación han de utilizarse frases fácilmente

comprensibles y que sean coherentes, aunque la mayoría de los bot
conversacionales no consiguen comprender del todo. En su lugar, tienen en
cuenta las palabras o frases del interlocutor, que les permitirán usar una serie de
respuestas preparadas de antemano. De esta manera, el bot es capaz de seguir
una conversación con más o menos lógica, pero sin saber realmente de qué está
hablando.

12
 Redes de base Radial (RBF) y sus aplicaciones:

Las redes de base radial son un tipo de redes de neuronas artificiales que
calculan la salida de la función en función de la distancia a un punto
denominado centro. Al igual que con los perceptores multicapa, sirven
como aproximadores universales.

 Procesamiento Natural del Lenguaje:

Es un campo de las ciencias de la computación, inteligencia

artificial y lingüística que estudia las interacciones entre las computadoras y el
lenguaje humano. El PLN se ocupa de la formulación e investigación de
mecanismos eficaces computacionalmente para la comunicación entre personas y
máquinas por medio del lenguaje natural, es decir, de las lenguas del mundo. El
PLN no trata de la comunicación por medio de lenguas naturales de una forma
abstracta, sino de diseñar mecanismos para comunicarse que sean eficaces
computacionalmente —que se puedan realizar por medio de programas que
ejecuten o simulen la comunicación—. Los modelos aplicados se enfocan no solo
a la comprensión del lenguaje de por sí, sino a aspectos generales cognitivos
humanos y a la organización de la memoria. El lenguaje natural sirve solo de
medio para estudiar estos fenómenos. Hasta la década de 1980, la mayoría de los
sistemas de PLN se basaban en un complejo conjunto de reglas diseñadas a
mano. A partir de finales de 1980, sin embargo, hubo una revolución en PLN con
la introducción de algoritmos de aprendizaje automático para el procesamiento del
lenguaje.

13
  I.A. Asistentes Virtuales:

Un asistente virtual es un software que ayuda a usuarios de sistemas

computacionales, automatizando y realizando tareas con la mínima interacción
hombre-máquina. La interacción que se da entre un asistente virtual y una
persona, debe ser natural, una persona se comunica usando la voz y el asistente
virtual lo procesa, interpreta y responde de la misma manera.

A veces el término bot conversacional (en inglés: chatbot) se utiliza para referirse

a los asistentes virtuales en general o específicamente a aquellos a los que se
accede por chat en línea (o en algunos casos, programas de chat en línea que son
para entretenimiento y no para propósitos útiles).

Hacia 2017, las capacidades y el uso de los asistentes virtuales se está

expandiendo rápidamente, con nuevos productos entrando al mercado. Una
encuesta en línea en mayo de 2017 encontró el más utilizado en los Estados
Unidos fueron Siri de Apple (34%), Google Assistant (19%), Amazon Alexa (6%)
y Microsoft Cortana (4%).[1] El uso de altavoces inteligentes alimentados por estos
asistentes es radicalmente diferente; Apple ni siquiera anunció su altavoz
inteligente hasta junio de 2017. El asistente virtual M de Facebook esperaba estar
disponible para cientos de millones en Facebook Messenger en 2017. Apple
y Google tienen grandes bases instaladas de usuarios en teléfonos inteligentes
y Microsoft tiene una gran base instalada de personales basadas

14
en Windows (donde trabaja Cortana, además de teléfonos y altavoces
inteligentes); mientras que Alexa fue el primero en obtener la posibilidad de
realizar pedidos de comercio electrónico en línea, desde Amazon.

Un asistente personal inteligente es un agente tipo software que puede realizar

tareas u ofrecer servicios a un individuo. Estas tareas o servicios están basados
en datos de entrada de usuario, reconocimiento de ubicación y la habilidad de
acceder a información de una variedad de recursos en línea (como al clima o al
tráfico, noticias, precios de acciones, horario del usuario, precios al por menor,
etc.). Algunos ejemplos de asistentes personales son Siri de Apple, Briana, Google
Assistant, Google Now, Amazon Echo, Microsoft Cortana, S Voice de Samsung,
Voice Mate, Silvia y Hidi de HTC. Y Bixby de Samsung. Uno de los aspectos clave
de un asistente personal inteligente es su habilidad para organizar y mantener

 Agente virtuales:

. Los agentes virtuales utilizan la inteligencia artificial (IA) para echar una
mano a los clientes que necesitan ayuda o atención a través de diferentes
canales de comunicación, es decir, lo mismo que hacen los agentes
humanos. Los agentes virtuales también ayudan a los agentes humanos
durante las interacciones en tiempo real con clientes: les ofrecen
información útil y adaptada al contexto a lo largo de la conversación. Con su
intervención, consiguen reducir la carga de trabajo de los agentes
humanos, ya que se ocupan también de las interacciones en la modalidad
de autoservicio.

Si cree que los agentes virtuales y los chatbots se parecen mucho, está en
lo cierto. Hay quien se empeña en distinguirlos, asegurando que los
agentes virtuales son más inteligentes que los chatbots o que actúan en
canales de interacción diferentes. Con la avanzada tecnología de IA

15
 incluida en Bold360, que utiliza Natural Language Understanding
(NLU) y procesamiento del lenguaje natural (PLN), no hay distinción entre
chatbots y agentes virtuales, solo una solución que ofrece conversaciones
inteligentes y adaptadas al contexto en cualquier canal.

 I.A. Aplicada a Videos Juegos:

En un videojuego, se refiere a las técnicas utilizadas en computadoras y

videojuegos para producir la ilusión de inteligencia en el comportamiento de
los personajes no jugadores (PNJ). Es un agente electrónico que puede pensar,
evaluar y actuar en ciertos principios de la optimización y la coherencia para
cumplir con una meta o propósito.
Como la IA se centra en el aspecto de la inteligencia y una buena jugabilidad, su
enfoque es muy diferente a la de la IA tradicional, soluciones alternativas y trucos

16
son aceptables y, en muchos casos, las habilidades bajan el tono para dar a los
jugadores humanos un sentido de justicia. Esto, por ejemplo, es cierto en
los videojuegos de acción en primera persona, donde la puntería perfecta estaría
más allá de la habilidad humana.

La IA se utiliza en una amplia variedad de campos dentro de un juego. La más

evidente es en el control de los PNJ en el juego, aunque las secuencias
de comandos es actualmente el medio más común de control. La búsqueda de
ruta es otro de uso común para la IA, ampliamente visto en los juegos de
estrategia en tiempo real. Buscando camino es el método para determinar cómo
obtener un PNJ de un punto en un mapa a otro, teniendo en cuenta el terreno, los
obstáculos y, posiblemente, "niebla de guerra". Más allá de búsqueda de caminos,
la navegación es un subcampo de la IA del juego que se centra en dar a los PNJ
la capacidad de navegar en su entorno, la búsqueda de un camino hacia un
objetivo, evitando colisiones con otras entidades o colaborar con ellos. La IA
también está involucrada con el equilibrio de la dificultad del juego, que consiste
en el ajuste de la dificultad de un juego de videojuego en tiempo real basado en la
habilidad del jugador.

17
  I.a aplicada a la robótica:

La robótica es la ciencia multidisciplinaria encargada del diseño y creación de las maquinas

llamadas robots, "Karel Capek utilizo el término checo robota (trabajo forzado, labor) que en
su traducción se le conoce como robot".

La inteligencia artificial se ve aplicada en la acción de poder comandar y controlar a las

diferentes maquinas haciéndolas capases de recibir y procesar la información exterior
mediante su programación y sensores especializados, naciendo así los llamados robots, los
robots son diseñados para que realicen trabajos con la finalidad reducir el esfuerzo del
hombre, den confort en base a esto los e divide a los robots teniendo en cuenta la aplicación
que se le dé en un campo especifico por ejemplo la enseñanza, la medicina, construcción, el
hogar, etc. 

18
 I.A. Aplicada a la Cyberseguridad:

A medida que los ataques cibernéticos crecen en volumen y complejidad, la

inteligencia artificial (IA) está ayudando a que analistas de operaciones de
seguridad que tienen recursos insuficientes se anticipen a las amenazas. La
IA selecciona la inteligencia sobre amenazas de millones de documentos de
investigación, blogs y noticias para proporcionar información instantánea
que le ayude a luchar a través del ruido de miles de alertas diarias, lo que
reduce drásticamente los tiempos de respuesta.
Vea el vídeo de Kevin Skapinetz, vicepresidente de estrategia y diseño de
IBM Security, que explica cómo la IA avanzada puede actuar como un
asesor de los analistas, ayudándoles a identificar y obtener información
acerca de las amenazas rápidamente.

 I.A Armas Inteligentes:

o Aunque parezca salido de un cuento de Ciencia Ficción, la Inteligencia

Artificial (IA) y ciertas capacidades autonómicas ya están siendo utilizadas
en los sistemas de armas aplicados a la Defensa en la actualidad, como
por ejemplo en el procesamiento de datos, reconocimiento de blancos y
ciberseguridad, aunque aún se trata una tecnología muy básica.

o Lo que es espera en el futuro próximo, en cambio, promete ser disruptivo

y generar una multitud de problemas éticos: armas que se manejen por sí
mismas, con escaso o nulo control humano y vulnerables a ciberataques;
armas que operen masivamente e interconectadas, con capacidad de
reconocimiento facial; armas que tomen por sí solas la decisión de matar,
y estén encargadas de distinguir entre combatientes, no combatientes y
civiles, si es que esa distinción sigue vigente.

19
 o Este ha sido el objeto del seminario "Inteligencia Artificial y Ética: el
desafío de las armas autónomas letales", organizado el miércoles por la
Red de Seguridad Humana para América Latina y el Caribe (SEHLAC) y el
Centro de Estudios en Política Internacional de la Facultad de Ciencias
Sociales de la UBA, que convocó a diferentes expertos de las ciencias de
la computación, al Defensa y el Derecho Internacional para debatir sobre
la implementación de estas armas.

 Principales FrameWorks para desarrollar I.A:

PYTHON

Python es uno de los lenguajes más utilizados para configurar IA. Su simplicidad y
las filosofías DRY (Don’t Repeat Yourself) y RAD (Rapid Application Development)
en las que se basa lo convierten en un candidato ideal. Puede utilizarse tanto para
estructurar datos como para generar algoritmos de IA. Además, dispone de un
catálogo de librerías muy extenso que permite hacer realidad cualquier tipo de
20
proyecto. Ningún soporte se resiste a Python, puesto que sirve para trabajar en
aplicaciones de todo tipo, sean mobile, web, data science o IA.

R dispone de paquetes de programación muy numerosos. Algunos de ellos se

utilizan en el ámbito del Machine Learning, como RODBC. Para garantizar la
funcionalidad de la IA, implementan algoritmos de aprendizaje automático. Se trata
de uno de los mejores lenguajes para analizar y tratar con datos. Por ello, es
posible crear buenas IA con finalidades estadísticas.

LISP

Desde su nacimiento en 1958 de la mano de John McCarthy, Lisp no ha dejado de

crecer. De hecho, su creador trabajó en el MTI junto a Marvin Minsky, uno de los
padres de la Inteligencia Artificial. Lisp trabaja con expresiones simbólicas y
prototipado, herramientas útiles en el campo del Machine Learning. Además, se
utiliza en proyectos como CYC, cuyo objetivo es permitir a las aplicaciones
basadas en IA ejecutar razonamientos similares a los humanos.

PROLOG

Suele utilizarse en proyectos médicos y para diseñar sistemas de IA

especializados. Se trata de un lenguaje de referencia en el entorno de la
ingeniería. Una de sus funcionalidades más destacadas es que permite
automatizar el backtracking, que consiste en buscar errores y retroceder hasta el
punto anterior para tomar otra alternativa. Para conseguir esto, se basa en
estructuras de datos arbóreas que facilitan la búsqueda de patrones. Todas estas
características combinadas convierten este lenguaje en uno de los más flexibles.

21
JAVA

Java es un lenguaje de programación orientado a objetos que posee todas las

herramientas necesarias para trabajar en proyectos de Inteligencia Artificial. Las
características más destacadas de Java son la transparencia, la mantenibilidad y
la portabilidad. Permite codificar algoritmos muy fácilmente y es un lenguaje
escalable. Teniendo en cuenta que una IA está basada en gran medida en estos
algoritmos, Java es una muy buena opción. Además, dispone de interfaces de
datos muy atractivas para mejorar la experiencia del usuario. Si tenemos alguna
duda, dispone de una nutrida comunidad de usuarios que pueden ayudarnos.

C++

De C++ se dice que es el lenguaje de programación más rápido del mundo. En

este sentido, se trata de uno de los mejores lenguajes de programación para IA,
puesto que esta tecnología requiere de ejecuciones y tiempos de respuesta
rápidos. C++ convierte el código creado por el usuario en datos legibles para las
máquinas, cosa que lo convierte en una opción muy eficiente.

TORCH:

Torch no es únicamente un lenguaje de programación. También es una librería

de Machine Learning y un framework de computación científica. Provee de un
amplio rango de algoritmos para el aprendizaje automático y se basa en LuaJIT.
Este lenguaje aprovecha toda la potencia de la GPU para trabajar en Inteligencia
Artificial.

 Visión Robótica (Cámaras Inteligentes).

22
En general, los sensores de visión  tienen más prestaciones, complejidad y
mayor precio que los tradicionales sensores fotoeléctricos, pero menor que las
cámaras inteligentes, los sistemas de visión integrados o los sistemas de visión
basados en PC. De hecho, los sensores de visión pueden hacer la labor de
múltiples sensores fotoeléctricos, sin embargo, mientras los sistemas de visión
proporcionan datos, los sensores de visión proporcionan resultados de
paso/fallo.

Comparado con otros sistemas de visión, el sensor de visión incluye la

funcionalidad para su fácil puesta en marcha, acostumbra a tener un tamaño
muy reducido y tiene menor potencia de cálculo y menor coste.

Sistemas Visión Integrados

Los sistemas de visión integrados son sistemas de visión artificial que difieren relativamente de
las cámaras inteligentes, en que el sensor y la memoria de la cámara se sitúa en un cabezal
remoto de muy reducido tamaño y el procesador, las entradas/salidas y la conexión con el resto
del entorno industrial se sitúan en un elemento de dimensiones reducidas, que puede colocarse
junto a otros elementos de automatización. Una de las ventajas de un sistema de visión artificial
de este tipo, que presenta esta tecnología con respecto a las cámaras inteligentes tradicionales
es que, con un solo elemento de proceso, se pueden conectar varios cabezales de visión
remotos, reduciendo el coste en aplicaciones de visión donde se requieran varias tomas de l

 Domótica:

El concepto de domótica es decir de automatización tiene muchos años de existencia como

tal, desde que a un universitario se le ocurrió conectar dos cables eléctricos a las manecillas
de un reloj despertador, para que poco tiempo después, y movidos por dichas manecillas, los
cables cerraran un circuito formado por una pila y una lámpara. Ese pudo ser el momento en
que nació la idea de temporizar una función eléctrica. La idea de la moderna automatización
de hogares, lugares de trabajo, etc. Se dio para proporcionar a los usuarios mayor comodidad,

23
ahorro de energía y por supuesto, dinero, tiene pocos años, y fue desarrollada y patentada por
una empresa escocesa utilizando un novedoso sistema de transmisión de señales a través de
la red eléctrica. Más tarde se fue perfeccionando dicha idea y se utilizaron una serie de
emisores que se enchufaban en una parte de la red eléctrica y que eran capaces de emitir una
señal que circulaba a través de ella.

 Automatización en Marketing:
. Automatización de Marketing' (Marketing Automation) es el proceso a través
del cual, mediante diferentes plataformas o programas de software, se consiguen
automatizar las diferentes fases de mercadotecnia que conforman la finalización
de la venta de un producto o servicio de una determinada empresa.[1]
Es importante que las diferentes fases de marketing estén adecuadamente
definidas para poder proceder a la automatización de las mismas. En muchas
ocasiones las plataformas elegidas para llevar a cabo el proceso de
automatización no son compatibles con las diferentes fases de marketing de la
empresa o no ofrecen las posibilidades que se necesitan para llevar a cabo con
éxito la automatización de los procesos de negocio.

Algunos ejemplos de plataformas bajo licencia o gratuitas son las siguientes:

Hubspot, Eloqua, Unika, Mautic, Marketo, Hibris por mencionar sólo algunas.

24
o

 Hardware Optimizado con I.A.:

La Inteligencia Artificial está demandando nuevo hardware más potente y
específicamente diseñado para las cargas de trabajo y cálculos diferentes a las
actuales, como son predicción, inferencia o intuición.

Para IBM, si vamos a hacer grandes avances en IA, nuestro hardware también
debe cambiar. Comenzando con GPU, luego evolucionando a dispositivos
analógicos, y después a computadoras cuánticas tolerantes a fallas.
El Deep Learning distribuido (DDL) ha progresado a un ritmo de aproximadamente
2.5 veces por año desde 2009, cuando las GPU pasaron de aceleradores gráficos
de videojuegos a formadores modelo de aprendizaje profundo. Los algoritmos DDL
se «entrenan» en los datos visuales y de audio, y la mayor cantidad de GPU
deberían significar un aprendizaje más rápido.

25
  Sistemas Biométricos Inteligentes:
Para comenzar a explicar los conceptos básicos y algunas de las ideas centrales
relativas a la autenticación online de usuarios, creo que resulta útil abordar la
autenticación biométrica. ¿Por qué? Según un estudio elaborado por Visa, dos
tercios de los europeos preferirían usar una autenticación biométrica para sus
pagos/transacciones a través de Internet. Se trata de una proporción notable e
indica las preferencias de la mayoría de usuarios de Internet.

La denominada autenticación multifactorial hace referencia al uso de más de un

factor para determinar la identidad de un usuario online. Un segundo factor
ampliamente utilizado es el envío de un código SMS al número de teléfono
26
registrado del usuario (lo que se denomina una contraseña única). Sin embargo,
este método extendido ha sido objeto de muchas críticas y se ha demostrado su
vulnerabilidad, por lo que ahora su uso ha sido desaconsejado por empresas
como NIST(National Institute of Standards and Technology). En términos
generales, los factores pueden clasificarse en tres categorías:

o Algo que se sabe (por ejemplo, una contraseña)

o Algo que se posee (por ejemplo, un dispositivo de claves, un teléfono o una

tarjeta inteligente)

o Algo que se es (por ejemplo, una huella dactilar)

 Gemelos Digitales:
Una de las principales tendencias tecnológicas remarcada durante los últimos
años por diversas consultoras es la creación de gemelos digitales, un concepto al
que en ocasiones también se refieren por su nombre en inglés: ‘Digital twins’. A
grandes rasgos, la apuesta por esta tecnología no es más que la generación de
una réplica virtual de un producto, servicio o proceso que simula el
comportamiento de su homólogo físico, con el objetivo de monitorizarlo, analizar
su reacción ante determinadas situaciones y mejorar su rendimiento y eficacia.

Por lo tanto, la puesta en marcha de un gemelo digital se concreta en un

sistema u objeto real cuya estructura y la información que maneja cuenta con una
copia virtual donde es posible experimentar sin correr riesgos, algo muy
beneficioso para los procesos de fabricación. De hecho, Gartner predice que en
2021 la mitad de las compañías industriales usará gemelos digitales, lo cual les
ayudará a aumentar su eficacia en un 10%.

27
 El término ‘digital twin’ comenzó a aplicarse a la Industria 4.0 a partir de 2003,
cuando fue utilizado por el ingeniero informático Michael Grieves en una
conferencia en la Universidad de Michigan sobre la gestión del ciclo de vida de un
producto. No obstante, este método tiene su origen en los trabajos realizados por
la NASA en los años 80 del pasado siglo. Durante esta década, la agencia
espacial de Estados Unidos comenzó a realizar simulaciones sobre el
comportamiento de las naves o equipamientos para asegurar la viabilidad de
ciertas misiones y velar por la integridad física de los astronautas. Ahora, los
avances en ‘big data’, ‘cloud computing’ o el internet de las cosas (IoT), así como
la facilidad de acceso a estas tecnologías, han facilitado la expansión de los
gemelos digitales en otro tipo de organizaciones y sectores.

Principales beneficios
La unión de los mundos físico y virtual mediante gemelos digitales posibilita un
análisis exhaustivo de la información, algo que combinado con soluciones de ‘big
data’, internet de las cosas e inteligencia artificial permite llevar un riguroso control
de los sistemas para evitar problemas, prevenir tiempos de inactividad, probar
nuevas oportunidades de negocio, planificar escenarios futuros mediante
simulaciones y personalizar la producción a partir de los requerimientos de los
clientes.

Al contar con una réplica virtual se puede obtener un ‘feedback’ inmediato de la

actividad en curso y aplicar las posibles correcciones en un tiempo récord. Por
este motivo, los gemelos digitales son especialmente útiles para el mantenimiento
de máquinas y equipos conectados que generan y analizan grandes volúmenes de
datos.

28
  DarkTrace:
Es una empresa que se especializa en defensa cibernética. La compañía se
estableció en 2013 y tiene su sede en Cambridge, Reino Unido y San Francisco,
con más de 40 oficinas en todo el mundo.
Sistema inmunitario de Darktrace Enterprise
El sistema inmunitario empresarial de Darktrace utiliza algoritmos de inteligencia
artificial y aprendizaje automático patentados para construir el llamado "patrón de
vida" para cada red, dispositivo y usuario dentro de una organización. Luego
emplea técnicas de correlación para clasificar y hacer referencias cruzadas de
estos modelos, estableciendo una comprensión muy precisa de la "actividad
normal" dentro de ese entorno particular.

A partir de esta comprensión evolutiva de "normal", puede detectar amenazas

potenciales a medida que emergen en tiempo real. [11] Es un sistema autónomo y
no se basa en reglas, firmas o suposiciones previas de amenazas conocidas. El
tiempo total de instalación de la tecnología es de aproximadamente una hora y los
resultados se producen de inmediato, sin ajustes ni configuraciones.

Enterprise Immune System emplea además una tecnología de respuesta

autónoma, Antigena, que permite a las redes tomar medidas instantáneas y
autónomas contra los ciberataques en curso. Antigena toma medidas específicas,
por ejemplo, ralentizar o detener una conexión o dispositivo comprometido, para
neutralizar las amenazas sin afectar las operaciones comerciales normales.

Un usuario final, Michael Sherwood, de la Ciudad de Las Vegas, comentó:

"Darktrace Antigena es la única tecnología de respuesta automática que es capaz
de librar las batallas más importantes para nosotros. Usando la IA de Darktrace,

29
ahora podemos detenernos nunca antes vistos amenazas en su camino, lo que
nos permite ser excepcionalmente proactivos frente a un panorama de amenazas
que cambia rápidamente”.

El producto también visualiza la actividad de la red en una interfaz de usuario,

llamada 'Threat Visualizer', que hace que la red y cualquier anomalía detectada
puedan buscarse por completo, y proporciona una visibilidad integral de TI
tradicional y no tradicional.

Darktrace Industrial
En noviembre de 2017, Darktrace lanzó una nueva unidad de negocios,
Darktrace Industrial dedicada a combatir las amenazas en redes industriales y
SCADA. Darktrace Industrial utiliza IA desarrollada específicamente para detectar
ciberamenazas y vulnerabilidades latentes en entornos de OT y TI. Darktrace
Industrial trabaja aprendiendo 'normal' en una variedad de entornos OT,
proporcionando la misma forma de protección para tecnologías y tipos de
implementación radicalmente diferentes, desde PLC de décadas de antigüedad
hasta sensores distribuidos y el Internet de las cosas industrial.

30
  Reconocimiento de emociones

La mayoría de los sistemas de reconocimiento de emociones analizan la

voz y las expresiones faciales de un individuo, así como todas las palabras
que expresa o escribe. Por ejemplo, si las comisuras de los labios apuntan
hacia arriba, la máquina puede determinar que la persona está de buen
humor, mientras que la nariz arrugada sugiere cabreo o disgusto. Un tono
elevado, tembloroso y apresurado puede indicar miedo; mientras que, si
alguien grita la palabra “¡salud!”, probablemente esté feliz.

Los sistemas más complejos también analizan los gestos e incluso tienen
en cuenta el entorno, junto con las expresiones faciales y el habla. Dicho
sistema reconoce que una persona que se ve forzada a sonreír a punta de
pistola, probablemente no esté muy contenta.

31
 Los sistemas de reconocimiento de emociones generalmente aprenden a
establecer nexos entre una emoción y su manifestación externa a partir de
grandes conjuntos de datos categorizados. Los datos pueden incluir
grabaciones de audio o vídeo de programas televisivos, entrevistas y
experimentos donde participa gente real; vídeos cortos de interpretaciones
teatrales o películas y diálogos interpretados por actores profesionales.

Se puede educar a los sistemas más sencillos con conjuntos de fotos y

textos, dependiendo del objetivo.

Seguridad
El reconocimiento de emociones puede usarse para evitar la violencia, ya sea
doméstica o de otro tipo. Varias publicaciones científicas han abordado este
problema y los empresarios ya están comercializando dichos sistemas en
escuelas y otras instituciones.

Contratación de personal

Algunas empresas despliegan una IA capaz de reconocer emociones como

asistentes de Recursos Humanos. Los sistemas evalúan las palabras clave, la
entonación y las expresiones faciales de los solicitantes en la fase inicial (y la más
laboriosa) del proceso de selección y redactan un informe para las personas
encargadas de la contratación sobre si el interés del candidato en la vacante es
real, entre otras cosas.

32
Conclusión

Como se ha podido observar una de las críticas más grande de la inteligencia

artificial es la característica de imitar por completo a un ser humano, pero estas
críticas pasan por alto que ningún ser humano tiene la capacidad de resolver
todos los problemas existentes. Por lo tanto, es muy importante detonar que tipos
de problemas que podrán resolver, la estrategia y algoritmos que realizara para
llegar a dicha respuesta.

33
Un problema que se presta en la I.A es la comunicación que esta tendrá con el
usuario. Este contratiempo se debe a la diversidad del lenguaje, la cual apareció
ya en los primeros sistemas operativos informáticos. El ser humano se puede
comunicar mediante su lengua nativa, lo que implica que bien la persona deberá
aprender el idioma de la máquina como cualquier otra lengua conocida, o la
máquina tendrá que interpretar el mensaje que la persona se la dé.

 Bibliografía:

 https://es.m.wikipedia.org/wiki/Propagación_hacia_atrás

 https://torres.ai/redes-neuronales-recurrentes/

 https://www.edicioneseni.com/open/mediabook.aspx?
idR=52d7ca116ab7088a98f46987ec42c36b

 www.elevenpaths.com/es/aplicabilidad-de-gans-y-autoencoders-
ciberseguridad/index.html

 en.m.wikipedia.org/wiki/Restricted_Boltzmann_machine

 https://www.google.com/search?q=•+Chatbots&o

 es.m.wikipedia.org/wiki/RNA_de_base_radial

 https://es.m.wikipedia.org/wiki/Procesamiento_de_lenguajes_naturales

34
 https://es.m.wikipedia.org/wiki/Asistente_virtual/conversational-ai/virtual-
agent es.m.wikipedia.org/wiki/Inteligencia_artificial_(videojuegos)

 m.monografias.com/trabajos93/inteligencia-artificial-aplicada-
robotica/inteligencia-artificial-aplicada-robotica.shtml

 elcapitalfinanciero.com/inteligencia-artificial-en-la-ciberseguridad/

 https://www.digitaltechinstitute.com/8-mejores-lenguajes-de-programacion-
para-ia/

 http://indesacompany.com/vision-artificial/

 https://m.monografias.com/trabajos87/inteligencia-artificial-
domotica/inteligencia-artificial-domotica.shtml

 l es.m.wikipedia.org/wiki/Automatización_de_marketing

 https://www.yachaytech.edu.ec/noticia/inteligencia-artificial-hardware/

 www.universidadviu.com/gemelo-digital-definicion-funcionamiento-y-
ejemplos/

 https://en.m.wikipedia.org/wiki/Darktrace
 https://es.slideshare.net/mobile/ottorm9/reconocimiento-de-emociones-
inteligencia-artificial

35