- Resumen
- Inteligencia
artificial - Sistemas
expertos - Inteligencia
organizacional: razonamiento basado en
casos - Redes
neuronales - Lógica
Difusa - Algoritmos
Genéticos - Sistemas
inteligentes - Conclusiones
- Recomendaciones
- Bibliografía
El presente artículo está centrado en
analizar más a fondo la inteligencia
artificial con sus diferentes paradigmas,
siendo los más relevantes las redes
neuronales, algoritmos
genéticos, sistemas de
lógica
difusa, autómatas programables y sistemas de inteligencia
artificial híbridos, con sus diferentes aplicaciones en la
vida cotidiana y específicamente aplicados a las soluciones de
problemas
relacionados con la gerencia
empresarial.
Se considera que la gerencia empresarial en nuestros
días puede estar muy apoyada en las nuevas
tecnologías, como es la inteligencia artificial ya sea
como soporte para una toma de
decisiones más eficaz o en la ayuda de labores,
tareas, que exijan gran demanda de
tiempo o
representen un alto grado de peligrosidad al ser
humano.
ABSTRAC
The present article is centered in analyzing thorough
more the artificial intelligence with its different paradigms,
being the most excellent neuronal networks, genetic algorithms,
systems of fuzzy logic, programmable robots and hybrid systems of
artificial intelligence, with its different applications in the
daily life and specifically applied from the solutions of
problems related to the enterprise management.
It is considered that the enterprise management in our
days can be very supported in the new technologies, as it is the
artificial intelligence either as has supported for an effective
decision making the more or aid of workings, tasks, that they
demand great demand of time or they represent a high degree of
danger the human being.
KEYWORDS : Artificial Intelligence, Nets
neuronales, Systems of diffuse logic, Genetic Algorithms,
Intelligent systems.
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 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".
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.
Es así como los sistemas de administración de base de datos
cada vez más sofisticados, la estructura de
datos y el desarrollo de
algoritmos de inserción, borrado y locación de
datos,
así como el intento de crear máquinas capaces de
realizar tareas que son pensadas como típicas del
ámbito de la inteligencia humana, acuñaron el
término Inteligencia Artificial en 1956.
Son muchos los estudios y aplicaciones que se han
logrado con el desarrollo de esta ciencia , entre las cuales
tenemos redes
neuronales aplicadas al control de la
calidad donde
la red evalúa
si determinado producto
cumple o no con las especificaciones demandadas, control del
proceso
químico en el grado de acidez, algoritmos genéticos
aplicados al problema cuadrático de asignación de
facilidades que trata de la asignación de N trabajos en M
máquinas, los autómatas programables que se usan
para la optimización de sistemas de
producción, en fin, todavía queda mucho por
descubrir con respecto a las aplicaciones de esta
ciencia.
La Inteligencia Artificial[1] trata de
conseguir que los ordenadores simulen en cierta manera la
inteligencia humana. Se acude a sus técnicas
cuando es necesario incorporar en un sistema
informático, conocimiento o
características propias del ser humano.
Las definiciones de Inteligencia Artificial han
evolucionado tal es así que los autores como Rich &
Knight (1994), Stuart (1996), quienes definen en forma general la
IA como la capacidad que tienen las máquinas para realizar
tareas que en el momento son realizadas por seres humanos; otros
autores como Nebendah (1988), Delgado (1998), arrojan
definiciones más completas y las definen cómo el
campo de estudio que se enfoca en la explicación y
emulación de la conducta
inteligente en función de
procesos
computacionales basadas en la experiencia y el
conocimiento continuo del ambiente.
Hay más autores como Marr (1977), Mompin (1987),
Rolston (1992), que en sus definiciones involucran los
términos de soluciones a problemas muy
complejos.
A criterio de los autores las definiciones de Delgado y
Nebendan son muy completas, pero sin el apoyo del juicio formado,
emocionalidad del ser humano pueden perder peso dichas
soluciones, por eso, hay que lograr un ambiente sinérgico
entre ambas partes para mayor efectividad de
soluciones.
En la actualidad Laundon, K. & Laundon,
J[2](2004), definen a la Inteligencia Artificial como
el esfuerzo de desarrollar sistemas basados en computadora
que se pueden comportar como los humanos con la capacidad de
aprender lenguajes naturales, efectuar tareas físicas
coordinadas, utilizar un aparato perceptor y de emular la
experiencia y la toma de decisiones.
1.1 IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL
A medida que el mundo se vuelve más complejo, debemos usar
nuestros recursos materiales y
humanos con más eficiencia, y
para lograrlo, se necesita la ayuda que nos ofrecen los
computadores.
Existe la falsa impresión de que uno de los
objetivos de
la inteligencia artificial es sustituir a los trabajadores
humanos y ahorrar dinero. Pero
en el mundo de los negocios, la
mayoría de personas está más entusiasmada
ante las nuevas oportunidades que ante el abatimiento de costos.
Además, la tarea de reemplazar totalmente a un trabajador
humano abarca de lo difícil a lo imposible, ya que no se
sabe cómo dotar a los sistemas de IA de toda esa capacidad
de percibir, razonar y actuar que tienen las personas. Sin
embargo, debido a que los humanos y los sistemas inteligentes
tienen habilidades que se complementan, podrían apoyarse y
ejecutar acciones
conjuntas:
En la agricultura,
controlar plagas y manejar cultivos en forma más
eficiente.
En las fábricas, realizar montajes peligrosos y
actividades tediosas (labores de inspección y mantenimiento).
En la medicina,
ayudar a los médicos a hacer diagnósticos,
supervisar la condición de los pacientes, administrar
tratamientos y preparar estudios estadísticos.
En el trabajo
doméstico, brindar asesoría acerca de dietas,
compras, supervisión y gestión de consumo
energético y seguridad del
hogar.
En las escuelas, apoyar la formación de los
estudiantes, especialmente en aquellas materias consideradas
complejas.
Ayudar a los expertos a resolver difíciles
problemas de análisis o a diseñar nuevos
dispositivos.
Aprender de los ejemplos para explorar bases de datos en
busca de regularidades explotables.
Proporcionar respuestas a preguntas en lenguaje
natural usando datos estructurados y texto
libre.
La inteligencia artificial aplicada es la contraparte de
ingeniería de la ciencia
cognoscitiva y complementa sus perspectivas tradicionales. La
ciencia cognoscitiva es una mezcla de psicología, lingüística y
filosofía.
La metodología y terminología de la
inteligencia artificial está todavía en vías
de desarrollo. La inteligencia artificial se está
dividiendo y encontrando otros campos relacionados:
lógica, redes neuronales, programación
orientada a objetos, lenguajes formales, robótica,
etc. Esto explica por qué el estudio de inteligencia
artificial no está confinado a la matemática, ciencias de la
computación, ingeniería, o a la
ciencia cognoscitiva, sino que cada una de estas disciplinas es
un potencial contribuyente.
Una característica fundamental que
distingue a los métodos de Inteligencia Artificial de
los métodos numéricos[3] es el uso
de símbolos no matemáticos,
aunque no es suficiente para distinguirlo completamente.
Otros tipos de programas
como los compiladores[4] y sistemas de bases de
datos, también procesan símbolos y no se
considera que usen técnicas de Inteligencia
Artificial.
El comportamiento de los programas no es
descrito explícitamente por el
algoritmo[5]. La secuencia de pasos seguidos por
el programa es
influenciado por el problema particular presente. El
programa especifica cómo encontrar la secuencia de
pasos necesarios para resolver un problema dado (programa
declarativo). En contraste con los programas que no son de
Inteligencia Artificial, que siguen un algoritmo definido, que especifica,
explícitamente, cómo encontrar las variables de salida para cualquier variable
dada de entrada (programa de procedimiento).El razonamiento basado en el
conocimiento[6], implica que estos programas
incorporan factores y relaciones del mundo real y del
ámbito del conocimiento en que ellos operan. Al
contrario de los programas para propósito
específico, como los de contabilidad y cálculos
científicos; los programas de Inteligencia
Artificial pueden distinguir entre el programa de
razonamiento o motor de
inferencia y base de conocimientos dándole la
capacidad de explicar discrepancias entre ellas.
Aplicabilidad a datos y problemas mal estructurados, sin
las técnicas de Inteligencia Artificial los
programas no pueden trabajar con este tipo de problemas. Un
ejemplo es la resolución de conflictos en tareas
orientadas a metas como en planificación, o el
diagnóstico de tareas en un sistema del mundo real:
con poca información, con una solución
cercana y no necesariamente exacta.
La Inteligencia Artificial incluye varios campos de
desarrollo tales como: la robótica, usada
principalmente en el campo industrial; comprensión
de lenguajes y traducción; visión en
máquinas que distinguen formas y que se usan en
líneas de ensamblaje; reconocimiento de palabras y
aprendizaje
de máquinas; sistemas computacionales expertos.
Los sistemas expertos[7], que reproducen el
comportamiento humano en un estrecho
ámbito del conocimiento, son programas tan variados
como los que diagnostican infecciones en la sangre e
indican un tratamiento, los que interpretan datos
sismológicos en exploración geológica
y los que configuran complejos equipos de alta tecnología.
Tales tareas reducen costos, reducen riesgos
en la manipulación humana en áreas
peligrosas, mejoran el desempeño del personal
inexperto, y mejoran el control de
calidad sobre todo en el ámbito
comercial.- CARATERISTICAS DE LA INTELIGENCIA
ARTIFICIAL - EL ALCANCE DE LA INTELIGENCIA
ARTIFICIAL
Se puede dar una lista de los procesos que generalmente
pueden ser llamados inteligencia artificial si son programados en
una computadora.
- Solución de problemas en general
- Percepción
- Comprensión del lenguaje natural
- Aprendizaje, demostración de teoremas,
juegos
- Sistemas Expertos
- Lenguaje de la Inteligencia Artificial
- Hardware para la Inteligencia Artificial
- Robótica
- IMPORTANCIA DE LA INTELIGENCIA ARTIFICIAL EN LA
GERENCIA EMPRESARIAL
En el momento actual la Inteligencia Artificial se
aplica a numerosas actividades humanas, y como líneas de
investigación más explotadas destacan el
razonamiento lógico, la traducción
automática y comprensión del lenguaje natural, la
robótica, la visión artificial y, especialmente,
las técnicas de aprendizaje y de ingeniería del
conocimiento. Estas dos últimas ramas son las más
directamente aplicables al campo de las finanzas pues,
desde el punto de vista de los negocios, lo que interesa es
construir sistemas que incorporen conocimiento y, de esta manera,
sirvan de ayuda a los procesos de toma de decisiones en el
ámbito de la gestión
empresarial.
En el ámbito específico del
Análisis Contable, según Ponte, Sierra, Molina y
Bonsón[8] (1996) la Inteligencia Artificial
constituye una de las líneas de actuación futura
más prometedoras, con posibilidades de aplicación
tanto en el ámbito de la investigación como en el
diseño
de sistemas de
información inteligentes, que no solamente
proporcionen datos al decisor sino que recomienden el mejor curso
de actuación a seguir.
De entre todos los paradigmas y estrategias de la
Inteligencia Artificial, actualmente dos tienen el mayor interés
para las aplicaciones en la empresa: los
sistemas
expertos y las redes neuronales artificiales[9].
Estos sistemas se pueden combinar, por lo que una solución
práctica es utilizar sistemas mixtos que incorporan un
módulo de sistema experto con sus reglas junto a otros
módulos neuronales y estadísticos.
1.5 LA INTELIGENCIA ARTIFICIAL Y EL ANÁLISIS
DE LA SOLVENCIA
EMPRESARIAL
Según Altman y Saunders (1998, p. 1722) el
análisis de la solvencia empresarial ha sufrido una gran
evolución a lo largo de los últimos
20 años, debido a factores tales como el aumento en el
número de quiebras, la desintermediación creciente
que se observa en los mercados
financieros, la disminución de los tipos de
interés o el desarrollo de nuevos instrumentos
financieros. Todo ello ha impulsado el desarrollo de nuevos y
más sofisticados métodos de análisis de la
solvencia, y entre este tipo de sistemas ocupan un papel
destacado aquellos que están basados en técnicas de
Inteligencia Artificial.
La determinación de la solvencia futura de
una empresa
puede ser entendida en la mayoría de los casos como una
operación de clasificación, es decir, dada una
información inicial o conjunto de atributos asociados a
una empresa, y
extraídos en su mayor parte de los estados contables de la
misma, lo que pretende el analista es tomar la decisión de
clasificar a esa empresa dentro de una categoría concreta
de riesgo
financiero, de entre varias posibles[10]. Aplicando la
clásica división que hizo Simon[11] de
los procesos de decisión entre estructurados y no
estructurados, es claro que esa decisión es de tipo no
estructurado ya que no existe un procedimiento definido para
abordarla, siendo necesario el juicio y la propia evaluación
del decisor. Tal y como señalan diversos autores Ball y
Foster[12], Martín Marín[13],
no existe una teoría
comúnmente aceptada que explique el fenómeno del
fracaso empresarial, por lo que a priori no es posible establecer
qué variables financieras ni qué valores en las
mismas determinan la futura solvencia o insolvencia de una
firma.
Debido a lo anterior, el estudio de la solvencia implica
una investigación selectiva dentro de un espacio de
alternativas inmenso pues, como se ha comentado, no existe un
procedimiento que conduzca de forma inequívoca a la
solución óptima. Por lo tanto, la selección
ha de estar basada en reglas prácticas o
heurísticas[14], debiendo fijarse
también un criterio de suficiencia para determinar cuando
las soluciones encontradas son satisfactorias. Todo ello
concuerda plenamente con el paradigma de
la racionalidad limitada, que gobierna los procesos de
decisión en el ámbito económico. Ese
análisis heurístico se ha implementado
tradicionalmente a través de la aplicación de
técnicas estadísticas, tales como el análisis
multidiscriminante lineal o los diversos modelos de
variable de respuesta cualitativa (logit, probit,
etc.).
Sin embargo todas estas técnicas presentan
limitaciones, pues parten de hipótesis más o menos restrictivas,
que por su propia naturaleza la
información económica, y en especial los datos
extraídos de los estados
financieros de las empresas, no van
a cumplir, perjudicando así los
resultados[15].
La aplicación de técnicas procedentes del
campo de la Inteligencia Artificial surge como un intento de
superar esta limitación, pues estas últimas no
parten de hipótesis
preestablecidas y se enfrentan a los datos de una forma
totalmente exploratoria, configurándose como procedimientos
estrictamente no paramétricos.
En los epígrafes restantes se revisan las
aplicaciones al campo del análisis de la solvencia de los
diversos sistemas de Inteligencia Artificial. Las principales
diferencias entre las mismas radican en la forma en la que
abordan el proceso de elicitación, que es la fase
en la cual se extrae el conocimiento de las fuentes
elegidas y, en este sentido, O’Leary[16] indica
que los sistemas inteligentes pueden construirse a partir de dos
enfoques:
- Introducir en el ordenador el conocimiento que un(os)
experto(s) humano(s) ha(n) ido acumulando a lo largo de su vida
profesional, obteniéndose así lo que se conoce
como sistema experto.
El principal problema que ocasiona este enfoque
consiste en que el proceso de captación de la
información ha de hacerse mediante entrevistas
al experto o bien observando directamente su comportamiento a
través de un análisis de protocolos.
Esto ocasiona un cuello de botella en el desarrollo de las
aplicaciones, por lo que para solucionarlo surge el enfoque
indicado en el siguiente acápite.
- Elaborar programas de ordenador capaces de generar
conocimiento a través del análisis de los datos
empíricos y, en una fase posterior, usar ese
conocimiento para realizar inferencias sobre nuevos datos.
Fruto de este enfoque surgen diversos procedimientos, conocidos
como Machine Learning[17] (Aprendizaje
Automático) o Data Mining[18]
(Explotación de Datos), que van a permitir la
transformación de una base de datos en una base de
conocimiento. Las técnicas aplicables pertenecen en su
mayor parte a dos bloques principales: - Las que buscan el conocimiento a través de un
proceso consistente en anticipar patrones en los datos. Las
diversas arquitecturas de Redes Neuronales Artificiales van
encaminadas a este propósito. - Aquellas consistentes en inferir reglas de
decisión a partir de los datos de la base. Para ello
existen diversos algoritmos de inducción de reglas y árboles de decisión.
Los sistemas expertos son la técnica de
Inteligencia Artificial que primero se utilizó en los
sistemas de análisis del riesgo de crédito. No obstante, muchos sistemas
expertos están plenamente vigentes y en servicio en
diversas instituciones,
y sus posibilidades se han visto enriquecidas con los nuevos
enfoques que han aportado otras técnicas de
aparición más reciente, como los sistemas de
inducción, que se revisarán más
adelante.
Los sistemas expertos son programas de ordenador
que capturan el conocimiento de un experto e imitan sus
procesos de razonamiento al resolver los problemas de un
determinado dominio
Sánchez Tomás[19][20]. Al igual
que las bases de datos contienen conocimiento, pero en las
bases de datos ese conocimiento es únicamente
declarativo (hechos).En contraposición, los sistemas expertos
incorporan experiencia, que consiste tanto en conocimiento
de tipo declarativo, como conocimiento de tipo
procedimental (pautas de actuación), lo que les
permite emular los procesos de razonamiento de los expertos
humanos, Ruiz, (1991). p. 29.Existen distintos tipos de sistemas expertos,
según la forma de representar el conocimiento
incluido en ellos[21].Los más comúnmente utilizados en el
ámbito del análisis de la solvencia son los
basados en reglas, siendo la estructura de cada una de las reglas
incluidas en los mismos la siguiente:SI premisa ENTONCES
conclusión.Sobre esta estructura básica se pueden
buscar variantes combinando diferentes premisas mediante
operadores lógicos (y/o). Otro tipo de sistemas
expertos de más reciente desarrollo son los sistemas
basados en casos (Case Based Reasoning Systems).
Éstos constituyen modelos de razonamiento
consistentes en resolver un problema determinado a
través de analogías con situaciones pasadas,
de tal manera que se buscará el caso almacenado en
la base de conocimientos que más se parezca al
problema a resolver y se adaptará la decisión
tomada para ese caso a la situación actual
Morris[22], . En este tipo de sistemas se
produce aprendizaje cuando nuevos casos son resueltos y
pasan a formar parte de la base de conocimientos[ * ] .Morris y Sinha[23] indican que los
sistemas basados en casos son especialmente adecuados a los
problemas financieros, debido a que la falta de una
teoría comúnmente aceptada para muchos de los
problemas hace que la relación entre los atributos
(variables independientes) y la solución (variable
dependiente) no sea lo suficientemente bien entendida como
para ser representada mediante reglas.En adición, debe de comentarse que estos
dos enfoques, reglas y casos, no son incompatibles, ya que
como indican Mulvenna[24] et al. es
posible la construcción de sistemas que combinen el
conocimiento basado en reglas con el basado en casos, y
además estos sistemas híbridos se
caracterizarán por un mayor grado de robustez con
respecto a los sistemas expertos tradicionales, elaborados
a partir de reglas. No obstante, todavía no se
registra un número apreciable de aplicaciones del
razonamiento basado en casos al ámbito financiero, y
por eso en el resto del epígrafe se hace referencia
únicamente a los sistemas expertos tradicionales, es
decir, a los basados en reglas.- Concepto y tipos de Sistemas
Expertos - Estructura de un sistema experto basado en
reglas.
Como señalan diversos autores
(Mishkoff[25]; Harmon y King[26], dada la
gran diversidad de sistemas expertos basados en reglas no se
puede hablar de un estructura única. Sin embargo, en la
mayoría de ellos es posible identificar los siguientes
componentes básicos:
- Base de Conocimientos: Contiene la información
sobre el dominio de conocimientos a que viene referido el
sistema experto. Dentro de ella puede distinguirse entre
conocimiento declarativo (hechos) y procedimental
(reglas). - Base de Datos, Memoria de
Trabajo o Modelo
Situacional: Es una memoria auxiliar que contiene
información sobre el problema a resolver (datos
iniciales) y el estado
del sistema a lo largo del proceso de inferencia (datos
intermedios). - Motor de Inferencias: El motor de inferencias o
estructura de control es la parte del sistema experto que se
encarga de realizar los procesos de inferencia que relacionan
la información contenida en la memoria
de trabajo con la base de conocimientos, con el fin de llegar a
unas conclusiones. En un sistema basado en reglas realiza tres
operaciones
Palazón Argüelles[27]: reconocer
cuáles son las reglas aplicables, decidir cual se va a
aplicar y aplicarla. - Interfaz del Usuario: El interfaz del usuario o
subsistema de consulta es la parte del sistema que posibilita
la
comunicación entre el usuario y el motor de
inferencias. Permite introducir la información que
necesita el sistema y comunicar al usuario las respuestas del
sistema experto. - Módulo de Justificación o Subsistema de
Explicación: Es la parte del sistema que explica los
pasos realizados por el motor de inferencias para llegar a las
conclusiones, indica también por qué utiliza
ciertas reglas y no otras, y por qué se planteó
determinada pregunta durante el diálogo con el usuario. - Subsistema de Adquisición del conocimiento: Es
un interfaz que facilita la introducción del conocimiento en la base
y de los mecanismos de inferencia en el motor de inferencia,
también comprueba la veracidad y coherencia de los
hechos y reglas que se introducen en la base de
conocimiento.
3. INTELIGENCIA ORGANIZACIONAL: RAZONAMIENTO
BASADO EN CASOS
Esta técnica de inteligencia artificial intenta
llegar a la solución de nuevos problemas, de forma similar
a como lo hacen los seres humanos[28].
Es una tecnología de la inteligencia artificial
que representa el conocimiento como una base de datos de casos y
soluciones[29].
Cuando un individuo se
enfrenta a un nuevo problema comienza por buscar en su memoria
experiencias anteriores similares a la actual y a partir de ese
momento establece semejanzas y diferencias y combina las
soluciones dadas con anterioridad para obtener una nueva
solución. Este proceso es intuitivo y la persona lo
realiza prácticamente sin darse cuenta. Una vez que la
persona tiene situadas un grupo de
situaciones anteriores similares a la actual, analiza las
variantes que se presentan en la nueva situación y
cómo puede dar respuesta a estos cambios. De manera
resumida el proceso ocurre como sigue:
- El individuo buscó en su memoria casos
similares. - Intenta inferir una respuesta a partir del caso mas
similar que encontró. - Tuvo que realizar algunas concesiones y ajustes
para adaptar el caso anterior a la situación
actual.
Finalmente la solución obtenida no es igual a la
anterior, pero cumple dos aspectos muy importantes, el primero da
respuesta al nuevo problema y el segundo, ha enriquecido su
experiencia anterior con la nueva solución. El
funcionamiento del RBC[30] [31]parte de
estos principios y para
ello comprende cuatro actividades principales:
- Recuperar los casos más parecidos.
- Reutilizar el o los casos para tratar de resolver el
nuevo problema. - Revisar y adaptar la solución propuesta, en
caso de ser necesario. - Almacenar la nueva solución como parte de un
nuevo caso.
Un nuevo problema se compara con los casos almacenados
previamente en la base de casos y se recuperan uno o varios
casos. Posteriormente se utiliza y evalúa una
solución, sugerida por los casos que han sido
seleccionados con anterioridad, para ver si se aplica al problema
actual[32][33][34]. A menos que el caso recuperado sea
igual al actual, la solución probablemente tendrá
que ser revisada y adaptada, produciéndose un nuevo caso
que será almacenado. La elaboración de un sistema
que emplea el RBC presenta dos problemas principales: el primero
saber cómo almacenar la experiencia de tal forma que
ésta pueda ser recuperada en forma adecuada y el segundo
conseguir utilizar la experiencia previa en un problema
actual[35][36]
La forma de representar y almacenar estas experiencias
se realiza a través de casos. Un caso mantiene todos los
atributos y características relevantes de un evento
pasado. Estas características servirán como
índices para la recuperación del caso
futuro[37]. De acuerdo a la naturaleza del problema
tratado se define la representación del caso, es decir,
cuáles son los atributos importantes, qué problemas
serán tratados,
cuál es la solución propuesta, etc. Además
es necesario definir el o los mecanismos de recuperación
de casos [38].
Las Redes Neuronales surgieron del movimiento
conexionista [39] (1), que nació junto con la
Inteligencia Artificial simbólica o tradicional. Esto fue
hacia los años 50, con algunos de los primeros ordenadores
de la época y las posibilidades que
ofrecían.
La Inteligencia Artificial simbólica se basa en
que todo conocimiento se puede representar mediante combinaciones
de símbolos, derivadas de
otras combinaciones que representan verdades incuestionables o
axiomas. Y asume que el conocimiento es independiente de la
estructura que maneje los símbolos, siempre y cuando la
'máquina' realice algunas operaciones básicas entre
ellos.
En cambio, los
'conexionistas' intentan representar el conocimiento desde el
estrato más básico de la inteligencia: el estrato
físico. Creen que el secreto para el aprendizaje y
el conocimiento se halla directamente relacionado con la
estructura del cerebro:
concretamente con las neuronas[40] y la
interconexión entre ellas. Trabajan con grupos de
neuronas artificiales, llamadas Redes Neuronales.
La estructura básica de una neurona
natural es:
Éstas funcionan como sigue:
Cada neurona puede tener infinitas entradas llamadas
Dendritas que condicionan el estado de su
única salida, el Axón. Este Axón puede ir
conectado a una Dendrita de otra neurona mediante la Sinapsis
correspondiente, de la siguiente manera:
Se estima que en cada milímetro del cerebro hay
cerca de 50.000 neuronas. El tamaño y la forma de las
neuronas es variable, pero con las mismas subdivisiones. El
cuerpo de la neurona o Soma contiene el núcleo. Se encarga
de todas las actividades metabólicas [41] de la
neurona y recibe la información de otras neuronas vecinas
a través de las conexiones sinápticas.
Como ya hemos indicado, las dendritas son las conexiones
de entrada de la neurona, y el axón es la "salida" de la
neurona y se utiliza para enviar impulsos o señales
a otras células
nerviosas. Cuando el axón esta cerca de sus células
destino se divide en muchas ramificaciones que forman
sinápsis con el soma o axones de otras células.
Esta unión puede ser "inhibidora" o "excitadora"
según el transmisor que las libere. Cada neurona recibe de
10.000 a 100.000 sinápsis y el axón realiza una
cantidad de conexiones similar.
La transmisión de una señal de una
célula
a otra por medio de la sinápsis es un proceso
químico. En él se liberan substancias transmisoras
en el lado del emisor de la unión. El efecto es elevar o
disminuir el potencial eléctrico dentro del cuerpo de
la
célula receptora. Si su potencial alcanza el umbral se
envía un pulso o potencial de acción
por el axón. Se dice, entonces, que la célula se
disparó. Este pulso alcanza otras neuronas a través
de las distribuciones de los axones.
El sistema de neuronas biológico esta compuesto
por neuronas de entrada (censores) conectados a una compleja red
de neuronas "calculadoras" (neuronas ocultas), las cuales, a su
vez, están conectadas a las neuronas de salidas que
controlan, por ejemplo, los músculos.. Los censores pueden
ser señales de los oídos, ojos, etc. las respuestas
de las neuronas de salida activan los músculos
correspondientes. En el cerebro hay una gigantesca red de
neuronas "calculadoras" u ocultas que realizan la
computación necesaria. De esta manera similar, una red neuronal artificial
debe ser compuesta por censores del tipo mecánico o
eléctrico.
En las primeras etapas de nuestra vida, cuando
realizamos el aprendizaje de nuestros cerebros, entrenamos
nuestras neuronas mediante el éxito o
fracaso de una acción a unos estímulos
sensoriales.
Cuando cierta acción realizada en respuesta a
alguna entrada sensorial[42] es exitosa (por ejemplo,
al beber agua calmamos
la sed), las conexiones sinápticas entre un grupo de
neuronas se fortalecen, de manera que cuando tengamos una
sensación sensorial parecida, la salida será la
correcta. De esta forma se forman fuertes conexiones entre grupos
de neuronas, que pueden servir para realizar otras acciones
complejas.
El esquema de una neurona artificial es:
Esta neurona funciona de la siguiente manera:
Cada entrada x tiene su peso asociado w, que le
dará más o menos importancia en la
activación de la neurona. Internamente se calcula la suma
de cada entrada multiplicada por su peso:
Con este valor de suma
ponderada se calcula una función de activación, que
será la salida que dará la neurona.
4.1 Las Redes Neuronales Artificiales
4.1.1 La Neurona Artificial
La neurona Artificial se puede representar como, un
circuito eléctrico que realice la suma ponderada de las
diferentes señales que recibe de otras unidades iguales y
produzca en la salida un uno o un cero según el resultado
de la suma con relación al umbral o nivel de
disparo.
La neurona artificial es un dispositivo eléctrico
que responde a señales eléctricas. La respuesta la
produce el circuito activo o función de transferencia que
forma parte del cuerpo de la neurona. Las "dendritas" llevan las
señales eléctricas al cuerpo de la misma. Estas
señales provienen de censores o son salidas de neuronas
vecinas. Las señales por las dendritas pueden ser voltajes
positivos o negativos; los voltajes positivos contribuyen a la
excitación del cuerpo y los voltajes negativos contribuyen
a inhibir la respuesta de la neurona.
4.1.2 Diferencias entre el cerebro y un
ordenador
La diferencia más importante y decisiva el
cómo se produce el almacenamiento de
información en el cerebro y en el ordenador.
Ordenador: Los datos se guardan en posiciones de memoria
que son celdillas aisladas entre sí. Así cuando se
quiere acceder a una posición de memoria se obtiene el
dato de esta celdilla. Sin que las posiciones de memoria aldeanas
sé de por aludidas.
Cerebro: La gestión es totalmente diferente.
Cuando buscamos una información no hace falta que sepamos
donde se encuentra almacenada y en realidad no lo podemos saber
ya que nadie sabe donde guarda hasta hoy en ida el cerebro los
datos.
Pero tampoco es necesario ya que basta con que pensemos
en el contenido o significado de la información para que
un mecanismo, cuyo funcionamiento nadie conoce, nos proporcione
automáticamente no solo la información deseada sino
que también las informaciones vecinas, es decir, datos que
de una u otra manera hacen referencia a lo buscado.
Los expertos han concebido una serie de tecnicismos para
que lo incomprensible resulte algo más comprensible.
Así a nuestro sistema para almacenar información se
lo llama memoria asociativa. Esta expresión quiere dar a
entender que los humanos no memorizan los datos
diseccionándolos en celdillas, sino por asociación
de ideas; esto es, interrelacionando contenidos, significados,
modelos.
En todo el mundo pero sobre todo en Estados Unidos y
Japón,
científicos expertos tratan de dar con la clave de la
memoria asociativa. Si se consiguiera construir un chip de
memoria según el modelo humano, la ciencia daría un
paso gigante en la fascinante carrera hacia la inteligencia
artificial. Y además el bagaje del saber humano
quedaría automáticamente enriquecido.
4.1.2 Un superordenador llamado
cerebro
El hombre
necesita un sistema de proceso de datos de múltiple
propósito capaz de tratar gran cantidad de
información muy distinta y en muy poco tiempo y con el
mayor sentido práctico (pero no necesariamente con
exactitud), para inmediatamente poder actuar
en consecuencia. Los ordenadores, en cambio, son altamente
especializados con capacidad para procesar con exactitud
información muy concreta (en principio solo
números) siguiendo unas instrucciones dadas.
El cerebro humano[45] posee mas de diez
millones de neuronas las cuales ya están presentes en el
momento del nacimiento conforme pasa el tiempo se vuelven
inactivas, aunque pueden morir masivamente.
Nuestro órgano de pensamiento
consume 20 Vatios/hora de energía
bioquímica[46], lo que corresponde a una
cucharada de azúcar
por hora. Los ordenadores domésticos consumen una cantidad
semejante. Las necesidades de oxigeno y
alimento es enorme en comparación con el resto del
cuerpo humano:
casi una quinta parte de toda la sangre fluye por el cerebro para
aprovisionar de oxigeno y nutrieres. La capacidad total de
memoria es difícil de cuantificar, pero se calcula que
ronda entre 10 ª 12 y 10 ª 14 bits.
La densidad de
información de datos de un cerebro todavía no se ha
podido superar artificialmente y en lo que se refiere a velocidad de
transmisión de datos, a pesar de la lentitud con que
transmite cada impulso aislado, tampoco esta en desventaja,
gracias a su sistema de proceso en paralelo: la
información recogida por un ojo representa 10 ª 16
bits por segundo.
Según todos los indicios el cerebro dispone de
dos mecanismos de almacenamiento de datos: la memoria intermedia
acepta de cinco a diez unidades de información, aunque
solo las mantiene durante algunos minutos. La memoria definitiva
guarda las informaciones para toda la vida, lo que no significa
que nos podamos acordar siempre de todo. La memoria inmediata
trabaja como una espacie de cinta continua: la información
circula rotativamente en forma de impulsos eléctricos por
los registros. El
sistema es comparable a la memoria dinámica de un ordenador, en la que la
información tiene que ser refrescada continuamente para
que no se pierda. En cambio, la memoria definitiva parece
asemejare mas bien a las conocidas memoria de celdillas de los
ordenadores. Se cree que esta memoria funciona gracias a
formaciones químicas de las proteínas
presentes en el cerebro humano.
Diferencias entre el cerebro y una
computadora
Cerebro | Computadora |
|
|
La frecuencia de los impulsos nerviosos puede | La frecuencia de transmisión es |
| Las compuertas lógicas tienen una |
| La información se guarda en posiciones de |
| En el interior de una computadora los impulsos |
4.1.4 Similitudes entre el cerebro y una
computadora
- Ambos codifican la información en impulsos
digitales. - Tanto el cerebro como la
computadora tienen compuertas lógicas. - Existen distintos tipos de
memoria. - Los dos tienen aproximadamente el mismo consumo de
energía.
4.1.5 Método de
transmisión de la información en el
cerebro
Antes conviene saber que en los primeros tiempos de la
informática a los ordenadores se los
llamaba calculadoras de cifras electrónicas o simplemente
calculadoras digitales. Los sistemas
digitales trabajan con cifras en código
binario[47] que se transmiten en formas de impulsos
(bits). Los sistemas analógicos procesan señales
continuamente cambiantes, como música o palabra
hablada.
Por suerte para nuestro propósito de imitar con
un ordenador el cerebro este también codifica la
información en impulsos digitales. En los humanos las
sensaciones se generan digitalmente y se transmiten así a
través del sistema nervioso.
Con otras palabras cuando la luz se hace más intensa, el
sonido
más alto o la presión
más fuerte, entonces no es que fluya mas corriente a
través de los nervios, sino que la frecuencia de los
impulsos digitales aumenta.
En principio los ordenadores trabajan de manera
semejante. Así una sensación más fuerte
corresponde en un equipo informático a una cifra
más alta (o en una palabra más larga). Sin embargo
en un ordenador los datos se transmiten siempre a un mismo ritmo;
la frecuencia base es inalterable. Por eso las cifras más
altas tardan más tiempo en ser transmitidas. Como por lo
general el ordenador o trabajan en tiempo real, esto no tiene
mayor importancia, pero cuando se trata de un procesador en
tiempo real, como son los empleados en proceso industrial, hace
falta de ampliar él numero de canales de
transmisión para que en el mismo espacio de tiempo pueda
fluir mayor cantidad de datos.
4.1.6 La Tecnología
Salva Vidas
Los científicos, dicen que dentro de un siglo la
medicina será capaz no sólo de reemplazar cualquier
parte dañada del cuerpo, sino que podrá sustituir,
por medio de un chip implantado en el cerebro cierto
déficit de la inteligencia para que todos los individuos
estén a la altura del progreso técnico y
científico del conjunto.
La electrónica ayuda a la medicina, se ha
aliado con ella y ha inventado implantes que podrán parar
el mal de Parkinson o la
epilepsia, así como órganos artificiales que
mejoran el modo de vida. También permitirá una
administración precisa de los medicamentos,
colocando minibombas en alguna parte del cuerpo que
proporcionarán las dosis adecuadas para cada paciente,
evitando los efectos secundarios.
Entre los grandes inventos tenemos:
La Retina Artificial, Oido Artificial,
Motricidad Asistida, Minibomba Para Dibeticos, Mini
Desfibrilador, Corazon Artificial, Descargas Eléctricas Contra La
Epilepsia, Etc.
4.1.7 Red Neuronal Artificial en los Negocios – El
Internet
Todas las empresas están en la carrera de
conquistar los mercados
mundiales y aprovechar la llamada globalización, pero se estrellan con la
realidad, sobre las formas de pago, despachos etc. El Internet se convierte en una
red neuronal, y el fin es la relación de los clientes, y de
esa manera completar el circulo económico.
Ese tipo de relaciones, revoluciona los negocios
electrónicos y todos tratan de colocar la mejor
presentación a su pagina web . Las
inversiones en
este campo se basa en la virtualizacion de relaciones de negocios
ya existentes.
Las empresas están comenzando a utilizar las
extranets y portales NAN, para optimizar cadenas de valor
mediante el mejoramiento de procesos, tanto en el lado de la
compra como en el lado de la venta.
También es el surgimiento de consorcios que ayuden a esto
procesos mediante la colocación de procesos verticales por
outsourcing.
Las empresas que han abordado el tema de los negocios
electrónicos, están tomando posiciones mas
pragmática, todavía esperan eliminar costos
excesivos en la cadena de
suministro y en las relaciones con canales y socios de
negocios.
Los negocios electrónicos han variado
ostensiblemente, antes estos mercados los lideraban las grandes
empresas de la elite tecnológica (Intel, Microsoft
etc.), ahora las pequeñas empresas están dando un
salto directo del papel fax al proceso
digital, teniendo acceso a cambios radicales en procesos de
negocios. Estos cambios obligan a las empresas de la
tecnología al cambio y que se ajusten a la realidad, y se
espera mayor desarrollo en la de persona a sistema y sistema a
sistema y así integrar mas los procesos.
La Lógica Difusa es conocida también como
Lógica Borrosa, es una tecnología basada en reglas
que tolera imprecisiones e incluso las aprovecha para resolver
problemas que antes no tenían
solución[48]
La lógica borrosa es una rama de la inteligencia
artificial que se funda en el concepto "Todo es
cuestión de grado" , lo cual permite manejar
información vaga o de difícil especificación
si quisiéramos hacer cambiar con esta información
el funcionamiento o el estado de un sistema especifico. Es
entonces posible con la lógica borrosa gobernar un sistema
por medio de reglas de 'sentido común' las cuales se
refieren a cantidades indefinidas.
Las reglas involucradas en un sistema borroso, pueden
ser aprendidas con sistemas adaptativos que aprenden al '
observar ' como operan las personas los dispositivos reales, o
estas reglas pueden también ser formuladas por un experto
humano. En general la lógica borrosa se aplica tanto a
sistemas de
control como para modelar cualquier sistema continuo de
ingeniería, física, biología o economía.
Se fundamenta en los denominados conjuntos
borrosos y un sistema de inferencia borroso basado en reglas de
la forma " SI……. ENTONCES…… ", donde los valores
lingüísticos de la premisa y el consecuente
están definidos por conjuntos borrosos, es así como
las reglas siempre convierten un conjunto borroso en
otro.
En consecuencia una lógica difusa, se puede
definir como un tipo de lógica que reconoce más que
simples valores verdaderos y falsos. Con lógica difusa,
las proposiciones pueden ser representadas con grados de
veracidad o falsedad. Por ejemplo, la sentencia "hoy es un
día soleado", puede ser 100% verdad si no hay nubes, 80%
verdad si hay pocas nubes, 50% verdad si existe neblina y 0% si
llueve todo el día.
La mayoría de los fenómenos que
encontramos cada día son imprecisos, es decir, tienen
implícito un cierto grado de difusidad en la descripción de su naturaleza. Esta
imprecisión puede estar asociada con su forma,
posición, momento, color, textura, o
incluso en la semántica que describe lo que son. En
muchos casos el mismo concepto puede tener diferentes grados de
imprecisión en diferentes contextos o tiempo. Un
día cálido en invierno no es exactamente lo mismo
que un día cálido en primavera. La
definición exacta de cuando la temperatura va
de templada a caliente es imprecisa -no podemos identificar un
punto simple de templado, así que emigramos a un simple
grado, la temperatura es ahora considerada caliente. Este tipo de
imprecisión o difusidad asociado continuamente a los
fenómenos es común en todos los campos de estudio:
sociología, física, biología,
finanzas, ingeniería, oceanografía,
psicología, etc.
Aceptamos la imprecisión como una consecuencia
natural de ''la forma de las cosas en el mundo''. La
dicotomía entre el rigor y la precisión del
modelado matemático en todo los campos y la
intrínseca incertidumbre de ''el mundo real'' no es
generalmente aceptada por los científicos, filósofos y analistas de negocios. Nosotros
simplemente aproximamos estos eventos a
funciones
numéricas y escogemos un resultado en lugar de hacer un
análisis del conocimiento empírico. Sin embargo
procesamos y entendemos de manera implícita la
imprecisión de la información fácilmente.
Estamos capacitados para formular planes, tomar decisiones y
reconocer conceptos compatibles con altos niveles de vaguedad y
ambigüedad.
La Lógica Difusa, es usada, comúnmente en
la toma de decisiones de las empresas y en el control de toda
la
organización. Actualmente se usa esta lógica en
el Japón y tiene gran aceptación en los Estados
Unidos, y esto debido a que los presidentes de las grandes
compañías las utilizan para reducir costos y
requieren de menos reglas para su desarrollo y se mejoran la
calidad de los productos.
Los algoritmos Genéticos, se refieren a varias
técnicas de solución de n problema, que se basan
conceptualmente en el método que los organismos vivos usan
para adaptarse a su entorno.
Holland[49] se enfrentó a los
algoritmos genéticos, y los objetivos de su
investigación fueron dos:
1.- Imitar los procesos adaptativos de los sistemas
naturales, y
2.- Diseñar sistemas artificiales (normalmente
programas) que retengan los mecanismos importantes de los
sistemas naturales.
Los algoritmos genéticos son
métodos sistemáticos para la resolución de
problemas de búsqueda y optimización que aplican a
estos los mismos métodos de la evolución
biológica: selección basada en la población, reproducción sexual y
mutación.
Los algoritmos genéticos son métodos de
optimización, que tratan de resolver el mismo conjunto de
problemas que se ha contemplado anteriormente, es decir, hallar
(xi,…,xn) tales que
F(xi,…,xn) sea
máximo. En un algoritmo genético, tras parametrizar
el problema en una serie de variables,
(xi,…,xn) se codifican
en un cromosoma. Todas los operadores utilizados por un algoritmo
genético se aplicarán sobre estos cromosomas, o
sobre poblaciones de ellos. En el algoritmo genético va
implícito el método para resolver el problema; son
solo parámetros de tal método los que están
codificados, a diferencia de otros algoritmos evolutivos como la
programación genética.
Hay que tener en cuenta que un algoritmo genético es
independiente del problema, lo cual lo hace un algoritmo
robusto, por ser útil para cualquier problema,
pero a la vez débil, pues no está
especializado en ninguno.
Las soluciones codificadas en un cromosoma
compiten para ver cuál constituye la mejor
solución (aunque no necesariamente la mejor de todas las
soluciones posibles). El ambiente, constituido por las
otras camaradas soluciones, ejercerá una presión
selectiva sobre la población, de forma que sólo los
mejor adaptados (aquellos que resuelvan mejor el problema)
sobrevivan o leguen su material genético a las siguientes
generaciones, igual que en la evolución de las especies.
La diversidad genética se introduce mediante mutaciones y
reproducción sexual.
En la Naturaleza lo único que hay que optimizar
es la supervivencia, y eso significa a su vez maximizar diversos
factores y minimizar otros. Un algoritmo genético, sin
embargo, se usará habitualmente para optimizar sólo
una función, no diversas funciones relacionadas entre
sí simultáneamente. La optimización que
busca diferentes objetivos simultáneamente, denominada
multimodal o multiobjetivo, también se suele abordar con
un algoritmo genético especializado.
Por lo tanto, un algoritmo genético consiste en
lo siguiente: hallar de qué parámetros depende el
problema, codificarlos en un cromosoma, y se aplican los
métodos de la evolución: selección y
reproducción sexual con intercambio de información
y alteraciones que generan diversidad.
Los algoritmos genéticos requieren que el
conjunto se codifique en un cromosoma. Cada cromosoma
tiene varios genes, que corresponden a sendos parámetros
del problema. Para poder trabajar con estos genes en el
ordenador, es necesario codificarlos en una cadena, es
decir, una ristra de símbolos (números o letras)
que generalmente va a estar compuesta de 0s y 1s.
Por ejemplo, en esta cadena de bits, el valor del
parámetro p1 ocupará las posiciones 0 a 2,
el p2 las 3 a 5, etcétera,. El número de
bits usado para cada parámetro dependerá de la
precisión que se quiera en el mismo o del número de
opciones posibles (alelos) que tenga ese parámetro. Por
ejemplo, si se codifica una combinación del Mastermind,
cada gen tendrá tantas opciones como colores halla, el
número de bits elegido será el
log2(número de colores).
Tradicionalmente, herramientas y
máquinas han sido usadas por los humanos como artefactos
mecánicos pasivos que prolongan, mejoran y multiplican
nuestras habilidades físicas y mentales (martillo,
automóvil, libro, etc.).
Adicionalmente, nos hemos servido de entidades vivas, como
animales de
carga, esclavos, asistentes secretariales, expertos en dominios
específicos (doctores en medicina, maestros, etc.) para
que nos apoyen en nuestra labor y/o toma de decisión.
Durante los últimos años, las computadoras
han sido usadas como herramientas sofisticadas que han permitido
mejorar dramáticamente las habilidades humanas, tales como
memoria, capacidad de cálculo y
comunicación. Todo esto con el fin ultimo
de mejorar la calidad de
vida.[50]
Los Sistemas [51] Inteligentes son aquellos
sistemas que aprenden durante su existencia. (En otras palabras:
aprende en cada
situación cuál es la
respuesta
que le permite alcanzar sus objetivos).
Actúa continuamente, en forma
mental y externa, y actuando así alcanza sus objetivos
más frecuentemente que si lo hiciera por puro azar
(generalmente mucho más frecuentemente). Por el hecho de
actuar y por sus procesos internos consume energía, un
sistema inteligente aprende cómo actuar para poder
alcanzar sus objetivos.
Por lo tanto debe existir un
entorno con el cual el sistema pueda
interactuar y a la vez tiene que ser capaz de recibir
comunicaciones
del entorno, para poder elaborar la situación
actual. El Sistema
Inteligente debe tener un objetivo,
debe ser capaz de controlar si la última
acción realizada fue favorable, si sirvió para
acercarse más a su objetivo o
no.
En el aspecto empresarial es necesario tomar las
decisiones adecuadas, por lo tanto los Sistemas Inteligentes para
alcanzar su objetivo, debe seleccionar su respuesta.
Una manera fácil para decidirse por una respuesta, es la
de elegir una que haya sido favorable en una situación
similar anterior.
Un Sistema Inteligente tiene que ser capaz de
aprender,
ya que la misma respuesta es a veces favorable y a veces no, debe
recordar en qué situación la respuesta
resultó favorable y en cuál no lo fue. Es por esto
que almacena situaciones, respuestas y resultados. Un sistema
inteligente autónomo ha sido definido[52] como
aquél que puede descubrir y registrar si una acción
hecha en una situación dada fue favorable.
Finalmente, debe ser capaz de actuar,
para alcanzar la respuesta
seleccionada. Se tiene la información de que existe
la forma en la cual los sistemas inteligentes autónomos
pueden construir automáticamente operadores (teorías) que modelizan su
entorno[53]
Fuente: http:://www.cruzrojaguayas.org/inteligencia
Un agente es todo aquello que puede considerarse que
percibe su ambiente mediante sensores y que
responde o actúa en tal ambiente por medio de efectores.
Los agentes humanos tienen ojos, oídos y otros
órganos que le sirven de sensores, así como manos,
piernas, boca y otras partes de su cuerpo que le sirven de
efectores. En el caso de agentes robóticos, los sensores
son sustituidos por cámaras infrarrojas y los efectores
son reemplazados mediante motores. En el
caso de un agente de software, sus percepciones y
acciones vienen a ser la cadena de bits codificados.
Teniendo en cuenta que se a través de la
Inteligencia Artificial se busca llegar a la racionalidad de los
agentes, señalaremos cuatro factores que se da en el
carácter de la racionalidad:
Fuente:
http:://www.cruzrojaguayas.org/inteligencia
El agente inteligente es capaz de autoevaluarse,
autoaprender y cambiar su acción de acuerdo al ambiente,
por ejemplo, se tiene un reloj suizo y el dueño viaja a
otro país, lo adecuado sería que el reloj cambie la
hora automáticamente. Si el reloj no hace lo anterior se
tendría que regular manualmente el reloj a la hora del
país destino. Por ambos criterios, los relojes
actúan racionalmente porque hacen siempre lo
correcto.
7.1 Tipos de agentes
- Agentes de reflejo simple: Este tipo de agente
no contiene internamente estados y sus procesos o acciones que
realiza son respuestas a la entrada de percepciones, a esta
conexión entre percepciones y acciones se las denomina
reglas de condición-acción. Ejemplo: Si el
carro de adelante está frenando entonces empiece a
frenar.
- Agentes bien informados de todo lo que pasa:
Este tipo de agente guarda estados internos lo que nos sirve
sin consideración para ejecutar una acción. Los
sensores no nos pueden informar a la vez de todos los estados
que maneja nuestro ambiente, es por este caso que el agente
necesita actualizar algo de información en el estado
interno. Esto le permite discernir que entre estados del
ambiente que generan la misma entrada de percepciones pero, sin
embargo; para cada uno de los estados se necesitan acciones
distintas. - Agentes basados en metas: Además de los
estados, los agentes necesitan cierto tipo de
información sobre sus metas Estas metas van a detallar
las situaciones a las que se desea llegar de este modo, el
programa de agente puede combinar las metas con la
información de los resultados (acciones) que emprenda y
de esta manera poder elegir aquellas acciones que permitan
alcanzar la
meta.
- Agentes basados en utilidad:
Las metas por sí solas me garantizan la obtención
de una conducta de alta calidad. En mi programa de agente se
podría tener un conjunto de metas pero la
obtención de éstas no me garantizan distinciones
entre estados felices e infelices, mediante una medida de
desempeño se podría establecer una
comparación entre los diversos estados del mundo
(ambientes) para poder encontrar el estado de felicidad para el
agente. Este estado ofrecerá una mayor utilidad al
agente.
7.2 Tipos de Ambientes
Como se puede apreciar, los agentes inteligentes
están altamente determinados por el ambiente que los
rodea, por lo que podemos señalar los tipos de ambientes
ante los que tiene que hacer frente:
- Accesibles y no accesibles
Si los sensores de un agente le permiten tener accesos
al estado total del ambiente se dice que este es accesible a
tal agente. Un agente es realmente accesible si los sensores
detectan todos los aspectos relevantes a la elección de
una acción.
- Deterministas y no deterministas
Si el estado siguiente de un ambiente se determina
completamente mediante el estado actual, así mismo como
las acciones escogidas por el agente, nos encontramos ante un
ambiente determinista.
- Episódicos y no
episódicos
En este ambiente la experiencia del agente se divide
en "episodios". Cada episodio consta de un agente que percibe y
actúa. La calidad de su actuación
dependerá del episodio mismo dado que los episodios
subsecuentes no dependerán de las acciones producidas en
episodios anteriores.
- Estáticos y
dinámicos
Si existe la posibilidad de que el ambiente sufra
modificaciones mientras que el agente se encuentra deliberando,
se dice que tal ambiente se comporta en forma dinámica
en relación con el agente.
- Discretos y continuos
Si existe una cantidad limitada de percepciones y
acciones distintas y claramente discernibles, se dice que el
ambiente es discreto caso contrario es continuo.
Fuente:
http:://www.cruzrojaguayas.org/inteligencia
Los sistemas inteligentes son sistemas diseñados
para soportar los complejos análisis requeridos para
descubrir las tendencias del negocio. La información
obtenida de estos sistemas permite a los gerentes tomar
decisiones basadas en análisis exactos de las tendencias
del negocio. Son sistemas de información interactivos que
proveen de información, herramientas o modelos para ayudar
a los gerentes o profesionales a tomar decisiones.
La inteligencia de Negocios se logra a través de
la Administración del Conocimiento, soportada por
Tecnologías de Información que incluyen
herramientas de Sistemas de Soporte a la Decisión (DSS) y
la contribución de expertos.
E1 agente inteligente por excelencia es el hombre
mismo. No es de extrañar entonces, que en la
búsqueda por obtener ayudantes a su labor, el hombre haya
ensayado el replicar las llamadas capacidades inteligentes tales
como razonamiento, lenguaje y aprendizaje a fin que el computador
se convierta en un asistente sofisticado. De allí que
Inteligencia Artificial se rige como una de las disciplinas que
dio origen al concepto de agente (inteligente) de
software.
Fuente:
http:://www.cruzrojaguayas.org/inteligencia
El tema de los agentes inteligentes se ha propalado
masivamente en el tema del comercio
electrónico, tal es así que la Universidad
Carlos III de Madrid[54] ofrece sus servicios en
la generación de agentes inteligentes para la
aplicación del comercio electrónico.
de la creación de los agentes inteligentes se
puede desplegar que su principal objetivo es la de
generación de información necesaria para la toma de
decisiones, tal es el caso de los ERP
(entreprise resource planning) que es un sistema transaccional de
comunicación entre las distintas áreas de una
empresa. El ERP gestiona de manera integrada y eficiente la
información de la empresa, comunicando las diferentes
áreas del negocio mediante procesos electrónicos.
La función principal es organizar y estandarizar procesos
y datos internos de la empresa, transformándolos en
información útil para ser analizados para la toma
de decisiones. Es importante recordar que finalmente, aunque
estos sistemas apoyan en la toma de decisiones, no quiere decir
que ellos lo hagan, sino que los administradores (humanos) tienen
el poder final para tomar las decisiones estratégicas y
adecuadas en la empresa.
Además, para tener información real y
oportuna para cuando sea demandada es necesario estar enlazado a
otras sucursales o entidades que den soporte de lo que se
requiere. Para ello se considera al ERP como parte importante de
la arquitectura
del negocio y a los otros sistemas enlazados como sus proveedores.
Sólo con ellos será posible tener
información en tiempo real y con sistemas en red. Se
podrá tener acceso a ella en todo tiempo y todo lugar. Esa
es la gran tendencia
las ventajas que proveen estos sistemas transaccionales,
flexibles e innovadores para la empresa y su forma tradicional de
operar. Principalmente, se puede mencionar que estos sistemas,
junto con Internet y nuevas tecnologías, conforman una
estrategia de
e-business,
donde la implantación de dichas tecnologías mejora
la rentabilidad
de la empresa y le otorga una ventaja competitiva.
- Tienen un flujo eficiente de información y
transaccional íntegro a través de las diferentes
áreas de la empresa, unidades de negocio y áreas
geográficas hace que se tengan beneficios aún
mayores, sobre todo en cuestión de tiempos y acceso a la
información. - Los procesos de planificación estratégica, manejo
de recursos
humanos, optimización de recursos, reducción
de costos y capacidad de atención a clientes y proveedores se ven
beneficiados, en tiempo y costo, por
el manejo de sistemas integrados de este tipo. - Se optimizan los procesos empresariales y se
incrementa la capacidad de proporcionar información
confiable y en tiempo real. - Mejoras en cuanto al servicio al
cliente y atención de los mismos, Así como
mayor competitividad conforme haya cambios en el
medio.
Existen también los Sistemas de Soporte a la
Decisión (DSS). Estos pueden considerarse como una tercera
generación de Sistemas de Información, cuyo
objetivo es intentar descubrir qué pasaría si se
toman una serie de decisiones, o ir más allá
proporcionando automáticamente las decisiones o
sugerencias que asistan al administrador.
Este tipo de sistemas comienza a surgir en la década de
los 70, y se definen (Sprague 1983) como:
Sistemas basados en sistemas de cómputo que
ayudan a quien toma decisiones enfocados a problemas mal
estructurados a través de una directa interacción con datos y modelos de
análisis
Un DSS es una importante tecnología
de información para el gerente, que
puede ser usada para proveerle datos y análisis oportunos
que soporten sus decisiones, basándose ya no en el simple
juicio o intuición, sino en información generada a
través de métodos deductivos y
analíticos[55].
Un DSS generalmente se compone de reglas y mecanismos,
una base de conocimiento organizacional donde se encuentran
diferentes alternativas a la solución de un problema
específico. Con esto, el administrador puede visualizar
que pasará si decide toma una decisión o si decide
cambiarla y combinarla con otros
escenarios[56].
El carácter genérico del término
DSS ha dado origen a sistemas específicos enfocados a
tipos concretos de problemas, como pueden ser los Sistemas de
Información Gerencial (Management Information Systems,
MIS), los Sistemas Expertos (Expert Systems, ES), las Redes
Neuronales (Neural Networks, NN), los Sistemas de
Información para Ejecutivos (Executive Information
Systems, EIS), de Ayuda a la Decisión en Grupos (Group
Decisión Support Systems, GDSS), de Ayuda a la
administración (Management Support Systems, MSS) o los
de Ayuda a los Ejecutivos (Executive Support Systems, ESS) y la
Automatización de Oficinas (Office
Automation).
Las aplicaciones de estas herramientas, las más
complejas, se dan a partir del análisis multidimensional
de los datos corporativos, las cuales, proporcionan la habilidad
de manipular y explorar los datos de la empresa desde cualquier
ángulo concebible, con lo cual pueden obtener una
visión verdaderamente multidimensional de la
empresa
Gracias a los avances de los sistemas de
información y de las tecnologías de
información, es necesario que las empresas desarrollen la
habilidad de adaptación a los cambiantes entornos. La
inteligencia de negocios radica en la competencia para
tomar decisiones, para enfoques dinámicos de los problemas
y oportunidades y para desarrollar los recursos y capacidades
internas de la organización. Generar cambios
estratégicos construidos con los recursos de la
organización, para desarrolla una organización
más flexible y dinámica, con el apoyo de las
tecnologías para la toma de decisiones y la
intervención de los expertos del negocio
Como resultado del uso de sistemas inteligentes, se
tiene el caso del uso de un sistema que se podría
considerar sencillo, que es el NOVA[57], el cual ha
conseguido las siguientes cifras en el negocio
hotelero:
- Las reservaciones en línea para
hoteles a través de
Internet crecerá de 4.6 billones generados en el
2000 a 20.3 billones de dólares para el
2004. - Cadenas internacionales de hoteles, como
Choice International y Hilton han incrementado sus ventas y
reservaciones a través de Internet en un
700%. - 40% de las personas que visitan los sitios web de
hoteles han confirmado su reservación en línea,
en comparación de solo el 20% en el 2002.
En cuanto a los Sistemas Inteligentes se tiene que tener
en cuenta de que un sistema será autónomo en la
medida en que su conducta a mas de estar definida por una base de
conocimientos integrados va a estar definido por su propia
experiencia.
- Dentro del ámbito de las Ciencias de la
Computación la Inteligencia Artificial es una de las
áreas que causa mayor expectación, incluso dentro
de la sociedad en
general, debido a que la búsqueda para comprender los
mecanismos de la inteligencia, ha sido la piedra filosofal del
trabajo de muchos científicos por muchos años y
lo sigue siendo. - Los métodos tradicionales en Inteligencia
Artificial que permitieron el desarrollo de los primeros
sistemas expertos y otras aplicaciones, ha ido de la mano de
los avances
tecnológicos y las fronteras se han ido expandiendo
constantemente cada vez que un logro, considerado imposible en
su momento, se vuelve posible gracias a los avances en todo el
mundo, generando incluso una nueva mentalidad de trabajo que no
reconoce fronteras físicas ni políticas. Se entiende como un esfuerzo
común. - De las diversas técnicas, los sistemas
expertos son la más tradicional y la que tiene mayor
implantación, especialmente en entidades financieras,
que los utilizan para analizar el riesgo de crédito
etc., La mayor parte de los sistemas expertos están
basados en reglas de clasificación, las cuales se
obtienen a partir de la experiencia acumulada por uno o varios
expertos humanos. No obstante, en los últimos
años ha comenzado a aplicarse una nueva
metodología, los sistemas basados en casos (case based
reasoning), en los cuales el análisis de cada nueva
empresa se realiza por aproximación al caso más
parecido de los existentes en la base de
conocimientos. - Las funciones que realiza un cerebro humano, son
imitadas por la inteligencia artificial. Al igual que las redes
neuronales, se han formadas redes de comunidades que se
relaciones a través de la electrónica, El
Internet ayuda a mejorar las relaciones entre los grandes
mercados del mundo, y es el gran causante de la
globalización. - La mayoría de lo problemas a los que se van a
aplicar los Algoritmos Genéticos, son de naturaleza no
lineal, por lo que es mejor que sea la naturaleza sea nuestra
guía para resolverlos. Aunque intuitivamente pueda
parecer la forma menos acertada. - Es importante entender que las herramientas de
soporte a la toma de decisiones, son eso, herramientas, y que
la selección y uso, simplifican muchas operaciones y
procesos en el negocio, pero que los tomadores de decisiones
son la piedra angular.
- La inteligencia Artificial es una herramienta, que
debe ser utilizada en todo tipo de organización ya sea
en el sector
público o privado, para que sus ejecutivos tomen
decisiones en forma oportuna y de manera eficiente y la
organización sea competitiva frente a la
globalización y su entorno.
- Althoff, K. (1997): "Potential uses of case-based
reasoning in the experience-based construction of software
systems.", kaiserslautern, Alemania.
Proceedings of the 5th German Workshop in Case-Based Reasoning,
Centre for learning Systems and Applications, University of
Kaiserslautern. - Althoff, K. (2001): "Case-Based Reasoning. Handbook
of Software Engineering and Knowledge Engineering.",
kaiserslautern, Alemania. Fraunhofer Institute for Experimental
Software Engineering (IESE). - Ball, R. y Foster, G. (1982): "Corporate financial
reporting: a methodological review of empirical research",
Journal of Accounting Research, supplement, pp.
161-234. - Bergmann, R. (1999) : "Developing Industrial Case
Based Reasoning Applications. The INRECA Methodology.",
Berlín, Alemania. - Bonsón Ponte, E.; Escobar Rodríguez, T.
y Martín Zamora, M.P. (1997b): "Decisión tree
induction systems. Applications in Accounting and Finance", en
Sierra Molina, G. y Bonsón Ponte, E. (Eds.): Intelligent
Technologies in Accounting and Business, Huelva, pp.
191-211. - Cuena, J. (1988): "Sistemas Inteligentes. Conceptos,
Técnicas y Métodos.", Publicación de la
Facultad de Informática de la Universidad
Politécnica de Madrid,
Madrid, España. - Harmon, P. y King, D. (1988): Sistemas expertos.
Aplicaciones de la Inteligencia Artificial en la actividad
empresarial, Díaz de Santos, Madrid.Palazón
Argüelles, A. (1991): "Los sistemas expertos como ayuda a
las empresas", Dirección y Progreso, nº 119, pp.
22-24. - Laudon K, & Laudon, J (2004): "Sistemas de
Información Gerencial", Administración de la
Empresa Digital. Octava Edición. Pag. 327 - Martín Marín, J.L. (1984): "El
diagnóstico de las dificultades empresariales mediante
modelos de mercado de
capitales", Boletín de Estudios Económicos,
nº 123, diciembre, pp. 621-635. - Morris, B.W. y Sinha, A.P. (1996): "Applicability of
a case based reasoning forbusiness problems: a study of three
systems", en Sierra Molina, G. y Bonsón Ponte, E.
(Eds.): Intelligent Systems in Accounting and Finance, Huelva,
pp. 63-76. - Mulvenna, M.D.; McIvor, R.T., y Hughes, J.C. (1996):
"The application of case based reasoning to the interpretation
of financial data for acquisition analysis", en Sierra Molina,
G. y Bonsón Ponte, E. (Eds.): Intelligent Systems in
Accounting and Finance, Huelva, pp. 139-156.Mishkoff, H.C.
(1988): A fondo: Inteligencia Artificial, Anaya,
Madrid. - O'Leary, D.E. (1995): "Artificial intelligence in
business", AI/ES Section of the American Accounting
Association, (en Internet, http://www.rutgers.edu/
accounting /raw /aaa/aiet). - Palazón Argüelles, A. (1991): "Los
sistemas expertos como ayuda a las empresas", Dirección
y Progreso, nº 119, pp. 22-24. - Rich, E. (1994): "Inteligencia Artificial",
McGraw-Hill / Interamericana de España, segunda
edición. - Riesbech, Ch.(1998): "Inside Case-based Reasoning",
by Lawrence Erlbaum Associates Inc. - Sánchez Tomás, A. (1991): "Sistemas
Expertos en Contabilidad", Técnica Contable, nº
514, octubre 1991, pag 534-545. - Sánchez Tomás, A. (1996):
"Aplicación de los sistemas expertos en Contabilidad",
Biblioteca
Electrónica Ciberconta, (en Internet, http://ciberconta.unizar.es/
Biblioteca/Biblioteca.html). - Sarle, W.S., ed. (1998): "Frecuently Asked Questions
about Neural Networks", documento hipertexto en la
dirección ftp://ftp.sas.com/pub/neural/FAQ.html - Simon, H. A. (1960): The new science of management
decsision, Harper&Row, New York (USA). - Serrano, C. y Martín del Brío, B.
(1993): "Predicción de la crisis
bancaria mediante el empleo de
redes neuronales artificiales", Revista
Española de Financiación y Contabilidad, vol
XXII, nº 74, pag 153-176.
Serrano Cinca, C (2000): "La Inteligencia
Artificial", [en línea] 5campus.com, Sistemas
Informativos Contables http://www.5campus.com/leccion/IA- Sierra, G.; Bonson, E.; Nunez, C. y Orta, M. (1995):
Sistemas Expertos en Contabilidad y Administración de Empresas, Ed. rama,
Madrid. - Simon, H. A. (1960): The new science of management
decsision, Harper&Row, New York (USA). - Schank, R.: "Inside Case-based Explanation", 1994 by
Lawrence Erlbaum Associates Inc. - Springer-Verlag.Watson, I. (1997): "Applying
Case-Based Reasoning: Techniques for Enterprise Systems.",
Morgan Kaufmann Publishers, Inc. - Turban, E. (1998): "Decision Support Systems and
Intelligent Systems", Prentice Hall Inc, Quinta edición,
New Jersey, Estados Unidos.
WEB SITES
http://html.rincondelvago.com/metodos-numericos_5.html
http://www.lfcia.org/~cipenedo/cursos/scx/Tema2/nodo2-1.html
http://www.monografias.com/trabajos11/compil/compil
http://es.wikipedia.org/wiki/Algoritmo
http://www.inf.udec.cl/revista/ediciones/edicion8/Rbc.pdf
http://www.lcc.uma.es/~eva/asignaturas/lic/apuntes/1
http://www.5campus.com/leccion/IA
http://www.rutgers.edu/accounting/raw/aaa/aiet
http://aepia.dsic.upv.es/revista/datos.html
http://www.go.to/inteligencia_artificial
Ensayo elaborado por:
Marcial Flores Zúñiga
Unidad de Postgrado Facultad de Ciencias Contables y
Administrativas
Doctorado en Ciencias Empresariales
Universidad Nacional de San Agustín