Con cierto paralelismo fueron surgiendo otros campos de la IA
que hoy, ya bien elaborados toman fuerza y
definen el desarrollo de
esta. Principalmente se identifican como los tres paradigmas del
desarrollo de la IA: Redes Neuronales, Algoritmos
Genéticos y Sistemas de Lógica
Difusa.
Las Redes Neuronales simulan ciertas
características de los humanos como la capacidad de
asociar hechos, de memorizar, de aprender y porque no
también, de olvidar. Una red neuronal es "un
nuevo sistema para el
tratamiento de la información, cuya unidad básica de
procesamiento está inspirada en la célula
fundamental del sistema nervioso
humano: la neurona"
[1].
La capacidad de aprendizaje
adaptativo de estas redes condiciona la
realización de tareas a partir de modelos
creados mediante entrenamientos supervisados o no supervisados.
Auto-adaptarse para poder
encontrar soluciones
hasta el momento no conocidas, es parte de sus
características de aprendizaje, lo logran gracias a que
son muy dinámicas y se auto-ajustan con facilidad. Por lo
general una red después de su
entrenamiento
puede continuar aprendiendo durante toda su vida sin la necesidad
de la creación por parte se su diseñador de
algún algoritmo para
resolver el problema, pues ellas generan sus propias
distribuciones de los pesos en los enlaces.
Tienen gran tolerancia a los
fallos en cuanto a la entrada de datos como la
integridad de la red, son capaces de aprender a reconocer
patrones con diferentes interferencias y aunque parte del sistema
esté dañado pueden seguir realizando sus funciones hasta
cierto punto.
Auto-organizan la información de manera tal que si
alguna entrada no esta clara o completa puedan dar una
solución o aun cuando no habían sido expuestas a
esas situaciones.
Los campos en los que se pueden aplicar las Redes
Neuronales son amplios, entre ellos
resaltan:Maximización de solución, Reconocimiento
de patrones, Aprendizaje supervisado y no supervisado y en
Autómatas.
Los Algoritmos Genéticos maximizan soluciones
para ello imitan la evolución biológica para resolver
problemas,
seleccionando de un grupo de
soluciones generadas aleatoriamente las que mas se puedan acercar
a posibles soluciones de la situación planteada
permitiéndoseles vivir y reproducirse con técnicas
de cruzamientos o introduciéndole mutaciones para producir
pequeñas variaciones en su constitución. Los nuevos individuos se
someten a otra iteración en la cual los que han empeorado
o no han mejorado se desechan y se vuelven a reproducir los
vencedores. Se espera que los resultados mejoren sustancialmente
con el transcurso de las generaciones llegando a obtener
resultados muy precisos.
El objetivo de
los AG es buscar dentro de varias hipótesis la mejor de ellas, que en este
caso es la que optimiza el resultado del problema dado, es decir,
la que más se aproxima a dicho valor
numérico una vez evaluada por la función de
evaluación.
Entre las principales funciones de selección
de individuos que se convertirán en padres se encuentran:
Función de Selección Proporcional a la
Función Objetivo, donde cada individuo
tiene una probabilidad
de ser seleccionado como padre que es proporcional al valor de su
función objetivo; Selección Elitista, intenta
escoger el mejor individuo de la población; Selección por Torneo, la
idea principal consiste en escoger al azar un grupo de individuos
de la población.
Una vez seleccionados los individuos padres deberán ser
cruzados por medio de la selección de un punto de corte
para posteriormente intercambiar las secciones. Se puede
introducir un operador de mutación para generar
pequeñas variaciones en el código
genético de los individuos.
Los Algoritmos
Genéticos son aplicables a la Ingeniería Aeroespacial; a la Astronomía y Astrofísica para
obtener la curva de rotación de una galaxia, determinar el
periodo de pulsación de una estrella variable; a la
Química; a
la Ingeniería Eléctrica; a las Matemáticas y algoritmia para resolver
ecuaciones de
derivadas
parciales no lineales de alto orden; la Biología Molecular;
Reconocimiento de Patrones y Explotación de Datos y la
Robótica para controlar y decidir que
acciones
realizar en diferentes situaciones.
Los Sistemas de Lógica Difusa manejan y trabajan
la certidumbre de datos difusos, permiten representar de forma
matemática
conceptos o conjuntos
borrosos en los cuales no se pueden determinar soluciones exactas
a partir de datos umbrales. En contraposición con la
Lógica Clásica, esta trabaja con valores entre
cero (0) y uno (1) donde pueden existir varios resultados
verdaderos con diferentes grados de precisión. Si usted
necesita determinar si una persona es alta
con la ayuda de la Lógica Clásica, normalmente lo
haría comparando con un valor numérico para obtener
un resultado booleano de verdadero o falso, pero,
¿Cómo saber cuan alta es una persona? Con la ayuda
de la Lógica Difusa es muy fácil resolver esta
dificultad, solo hay que trabajar con grados y a estos asignarles
valores de cuantificación, así si una persona mide
1.85 metros podemos decir que en una escala de cero a
uno [0,1] tiene un valor de 0.92 al cual puede estar asignado el
valor cuantificador de "bastante alto".
Esta lógica se adapta mucho mejor a la vida cotidiana y
es capaz de interpretar expresiones como: "hace poco
frío" o "estoy muy cansado".esto se logra
al adaptar el lenguaje
para que comprenda nuestros cuantificadores.
Para los conjuntos difusos se definen también las
operaciones de
unión, intersección, diferencia, negación o
complemento. Cada conjunto difuso tiene una función de
pertenencia para sus elementos que indican en que medida el
elemento forma parte de ese conjunto. Algunas de las formas de
funciones de pertenencia más típicas son lineales,
trapezoidales y curvas.
Su basamento está sustentado por reglas
heurísticas de la forma
SI(expresión)ENTONCES(acción)
donde la expresión – que es un antecedente – y la
acción –que es el consecuente – son conjuntos
difusos.
Ej.: SI hace muchísimo frió ENTONCES aumento
considerablemente la temperatura.
La Lógica Difusa se usa cuando los problemas a resolver
poseen una amplia complejidad o no existen modelos matemáticos precisos, para procesos
altamente no lineales y cuando se envuelven definiciones y
conocimiento
no estrictamente definido,para tratar variables
lingüísticas, con grados de partencia a diferentes
conjuntos o términos de variables
lingüísticas. Algunos ejemplos de aplicación
de la Lógica Difusa tienen pie en: Sistemas de
Control de Acondicionadores de aire;
Electrodomésticos familiares; Optimización de
Sistemas
Industriales; Sistemas Expertos; Bases de Datos
Difusas para almacenar y consultar información imprecisa;
en la Inteligencia
Artificial para la resolución de problemas
relacionados con el control
industrial y sistemas de decisión en general.
Conclusiones
La Inteligencia
Artificial como ciencia,
promete la solución a diferentes dificultades de la vida
humana, exploraciones en lugares donde los humanos no pueden
acceder, realización de trabajos con riesgos para
la vida, toma de
decisiones que impliquen pensamientos sentimentales y
reconocimiento de patrones.
Gracias a los paradigmas o modelos de la IA que son sin dudas
los motores que la
impulsan hacia el desarrollo continuo de nuevos procedimientos y
técnicas, los sistemas son cada vez mas especializados,
más robustos y confiables demuestran sin lugar a dudas que
esta ciencia avanza con paso firme hacia el futuro y que es un
hecho la solución de muchas problemáticas.
Definiciones
Patrones: Un diseño
mecánico o artístico que revela trazos constantes o
características replicables.(www.udesarrollo.cl/udd/CDD/charlas/files/B4-Glosario_Terminos.doc)
Torres de Hanoi: Es un rompecabezas o juego
matemático inventado en 1883 por el matemático
francés éduard Lucas. (http://es.wikipedia.org/)
Criptoaritmética: Consiste en sustituir cada
letra por un dígito, de modo que las cuentas
(operaciones) sean correctas. A igual letra, igual dígito,
y a distinta letra, distinto dígito. Como es habitual, los
números no pueden tener ceros a
izquierda.(http://www-2.dc.uba.ar/charlas/lud/criptoar.htm)
Microcosmos: Pequeño espacio de un sistema
ordenado o armonioso.
Sistema Experto: Sistema basado en Inteligencia
Artificial que mediante una base de conocimientos obtenida de la
experiencia de diferentes expertos (personas) es capaz de
resolver problemas en un campo específico.
Programación descriptiva: Es la programación que se preocupa
fundamentalmente por el QUé voy ha hacer y no por el
CÓMO, se auxilia de una base de hechos y reglas
proposicionales.
Algoritmo: Conjunto de reglas para efectuar
algún cálculo,
bien sea a mano o (más frecuentemente) a máquina.
No debe implicar ninguna decisión subjetiva, ni requerir
intuición o creatividad.
(www.nachocabanes.com/diccio/ndic.php)
Heurísticas: Regla que permite orientar un
algoritmo hacia la solución de un problema. Técnica
de programación que permite a un sistema la
creación gradual de un valor óptimo para una
variable específica por medio del registro de
los valores
obtenidos en operaciones anteriores. (www.euromaya.com/glosario/H_GLOSARIO.htm)
Computación evolutiva: Está basada
fundamentalmente en la evolución de las especies. Se apoya
en las teorías
evolutivas de Charles Darwin y en las
Leyes de
Mendel.
Paradigma: Modelo,
patrón, objetivo a seguir para cumplir con una
meta.
Referencias
Bibliográficas
[1] Bollilla, Ana. "Redes Neuronales" en
http://www.monografias.com.
Monografías.com. 03 mayo 2003.
Bibliografía
David Santiago, Pablo. "Inteligencia Artificial" en
http://www.monografias.com.
Monografías.com. 18 enero 2005.
Bollilla, Ana. "Redes Neuronales" en
https://www.monografias.com.
Monografías.com. 03 mayo 2003.
Patricia Daza, Sandra. "Redes neuronales artificiales
Fundamentos, modelos y aplicaciones" en
https://www.monografias.com. Monografías.com
Manuel Castillejos Reyes, Juan. "Inteligencia
Artificial" (2004) en http://www.enterate.unam.mx/Articulos/2004/junio/artificial.htm.
Entérate en línea. Num. 64. 29 noviembre
2007.
Marczyk, Adam. "Algoritmos Genéticos y Computación Evolutiva" (2004) en
http://the-geek.org/docs/algen/
Elguea, Javier. "Inteligencia artificial y psicología: la
concepción contemporánea de la mente humana"
(1987) en http://biblioteca.itam.mx/estudios/estudio/estudio10/sec_13.html
El perceptrón de Rossenblatt en
http://www.cinefantastico.com/nexus7/ia/neurocomp5.htm
Autor:
Michel Velázquez Mariño
Cuba
2008
Universidad de las Ciencias
Informáticas
Facultad III
Ciudad de la Habana
 Página anterior | Volver al principio del trabajo | Página siguiente  |