Inteligencia artificial y robótica: investigación de sistemas de cómputo (página 3)

Otra técnica evolutiva dirigida particularmente a la
optimización de funciones
continuas de alta complejidad se desarrolló en Alemania, en
1965, por Rechenberg y Schwefel. Esta técnica, llamada
estrategia
evolutiva, se utilizó inicialmente para resolver problemas de
ingeniería que desafiaban a los métodos de
optimización tradicionales, como el gradiente conjugado, y
se basa en la modificación sistemática de un vector
de números reales (representando las variables de
decisión del problema) mediante operadores
probabilísticos, usando ciertos criterios para decidir en
qué dirección dirigir la búsqueda. La
estrategia evolutiva utiliza como operador principal a la
mutación, y en su versión más reciente usa
la cruza como operador secundario.

Aunque el australiano Fraser propuso, desde fines de los 50,
un procedimiento muy
similar al que John Holland llamó planes evolutivos a
fines de los 60, es al segundo al que se le suele atribuir la
creación de la técnica que se conoce como algoritmo
genético, a raíz de que Holland publicara el
libro
"Adaptation in Natural and Artificial Systems" en 1975.

La principal diferencia del algoritmo genético con las
técnicas antes mencionadas, es que utiliza
la cruza como operador principal y a la mutación como
operador secundario (e incluso opcional). El algoritmo
genético, al igual que las redes
neuronales, funciona como una caja negra que recibe ciertas
entradas y produce (tras una cantidad de tiempo
indeterminada) las salidas deseadas. Sin embargo, a diferencia de
éstas, los algoritmos
genéticos no necesitan entrenarse con ejemplos de
ningún tipo, sino que son capaces de generar sus propios
ejemplos y contraejemplos que guíen la evolución a partir de poblaciones iniciales
totalmente aleatorias.

Los mecanismos de selección
del más apto y de reproducción sexual del algoritmo
genético, son los encargados de preservar las
características más adecuadas de cada individuo a
fin de hacer converger a la población en soluciones
óptimas.

Los algoritmos genéticos se distinguen también
por no quedar atrapados fácilmente en mínimos
locales, como la mayor parte de las técnicas de
búsqueda clásicas, además de usar operadores
probabilísticos más robustos que los operadores
determinísticos, que las otras técnicas suelen
usar.

No obstante, siendo una heurística, tampoco pueden
garantizar encontrar siempre la solución óptima, si
bien la experiencia acumulada hasta la fecha parece demostrar
que, cuando se utilizan apropiadamente, pueden proporcionar
soluciones muy aceptables y, en la mayoría de los casos,
superiores a las encontradas con otras técnicas de
búsqueda y optimización.

Aunque aún atacados por algunos sectores de la comunidad de
Inteligencia
Artificial, los algoritmos genéticos, al igual que las
redes neuronales,
se han ido ganando poco a poco, y sobre la base de la efectividad
de sus resultados en aplicaciones prácticas, el
reconocimiento de los investigadores como una técnica
efectiva en problemas de gran complejidad, como lo demuestra un
número creciente de conferencias y publicaciones
especializadas alrededor del mundo, en los últimos
años.

Base de Conocimiento.
Sistemas Basados
en Conocimiento

Los métodos generales desarrollados para la
resolución de problemas y técnicas de
búsqueda al inicio de la era de la Inteligencia
Artificial demostraron no ser suficientes para resolver los
problemas orientados a las aplicaciones, ni fueron capaces de
satisfacer los difíciles requerimientos de la
investigación.

A este conjunto de métodos, procedimientos y
técnicas, se lo conoce como Inteligencia Artificial
Débil. La principal conclusión que se derivó
de este trabajo
inicial fue que los problemas difíciles sólo
podrían ser resueltos con la ayuda del conocimiento
específico acerca del dominio del
problema.

La aplicación de estas ideas dio lugar al desarrollo de
los denominados Sistemas Basados en Conocimiento (Knowledge Based
Systems) y al aparecimiento de la Ingeniería Cognoscitiva,
como una rama de la Inteligencia Artificial, que estudia los
sistemas basados en el
conocimiento. La definición de un sistema basado en
conocimiento puede ser la siguiente:

Es un sistema computarizado capaz de resolver problemas en
el dominio en el cual posee conocimiento
específico.

La solución es esencialmente la misma que hubiera dado
un ser humano confrontado con idéntico problema, aunque no
necesariamente el proceso
seguido por ambos puede ser igual.

El simple concepto dado,
puede causar confusión ya que muchos sistemas basados en
programas
convencionales podrían ser incorrectamente categorizados
como sistemas basados en conocimiento. Esta inconsistencia puede
ser aclarada, sobre la base de tres conceptos fundamentales que
distinguen a los sistemas basados en conocimiento de los
programas algorítmicos convencionales y de los programas
generales basados en búsqueda:

Inteligencia Artificial débil.

·        
Primero, la separación del conocimiento y el modo en que
es usado.

·        
Segundo, la naturaleza del
conocimiento empleado (heurística antes que
algorítmica).

·        
Tercero, El uso de conocimiento específico de un
determinado dominio.

Las características principales son:

·        
amplia difusión del conocimiento

·        
fácil modificación

·        
respuestas coherentes

·        
disponibilidad casi completa

·        
conservación del conocimiento

·        
capacidad de resolver problemas disponiendo de información incompleta

·        
capacidad de explicar los resultados y la forma de obtenerlos

Los principales problemas asociados a este método
son:

·         las
soluciones no siempre son las mejores o correctas

·        
conocimiento limitado frente al dominio de un experto

·        
carecen del sentido común o criterio que puede tener un
experto

·         es
difícil extraer todo el conocimiento que maneja un
experto.

Experiencia, Habilidades y Conocimiento.

Los tipos de experiencia que son de interés en
los sistemas basados en conocimiento, pueden ser clasificados en
tres categorías: asociativa, motora y teórica.

Los sistemas basados en conocimiento son excelentes para
representar conocimiento asociativo. Este tipo de
experiencia refleja la habilidad heurística o el
conocimiento que es adquirido mayoritariamente, a través
de la observación.

Puede ser que no se comprenda exactamente lo que ocurre al
interior de un sistema (caja negra), pero se pueden asociar
entradas o estímulos con salidas o respuestas, para
resolver problemas que han sido previamente conocidos.

La experiencia motora es más física que cognitiva.
La habilidad se adquiere fundamentalmente a través del
ejercicio y la práctica física constante. Los
sistemas basados en conocimiento no pueden emular
fácilmente este tipo de experiencia, principalmente por la
limitada capacidad de la tecnología robótica.

La experiencia teórica y el conocimiento
profundo permite que los humanos puedan resolver problemas que no
se han visto antes, es decir, no existe una posibilidad
asociativa. El conocimiento teórico y profundo se adquiere
a través de estudio y entrenamiento
formal, así como por medio de la resolución directa
de problemas.

Debido a su naturaleza teórica, este conocimiento se
puede olvidar fácilmente, a no ser que se use en forma
continua. Al momento, los sistemas convencionales basados en
conocimiento tienen muchas dificultades para duplicar este tipo
de experiencia. Sin embargo, los Sistemas de Razonamiento
Basado en Modelos representan un notable intento de
encapsular este conocimiento profundo y razonar con
él.

Estructura de los Sistemas Basados en Conocimiento.

La arquitectura de
un sistema basado en conocimiento de alguna manera refleja la
estructura
cognitiva y los procesos
humanos. La primera parte es la memoria de
largo plazo, en la que guarda los hechos (Base de Hechos) y los
conocimientos (Base de Conocimientos) acerca del dominio en el
que tiene experiencia.

Estructura de un sistema basado en
conocimiento

La segunda parte es el sistema que realiza la función de
razonamiento para resolver problemas (Motor de
Inferencia). Finalmente, la tercera parte la conforman las
unidades de entrada y salida que permiten la comunicación entre el sistema y su
entorno.

La representación del conocimiento determina el
desarrollo de un sistema experto e influye en las estrategias de
control. Es muy
versátil, hay muchas formas de hacerlo y es complicada la
elección. Generalmente la elección está
basada en la intuición o en las especiales circunstancias
del problema.

La primera fase es la adquisición del conocimiento
desde un experto y depende de la cantidad y de su adecuada
representación. Se deben conocer los límites,
pues sólo llegan hasta donde son capaces de resolver un
problema. Esto implica, que tiene que circunscribirse a un
dominio homogéneo.

El lenguaje de
programación debe ser adecuado, se usan principalmente
el LISP y PROLOG, que difieren de los lenguajes clásicos
en que sus reglas (que también contienen hechos) entran
masivamente, y que el programa, es
decir, el motor de inferencia, encontrará el camino a
través de reglas.

Por otra parte, la programación procedural consiste en una
cuidadosa descripción de los algoritmos que marcan el
camino de los diferentes procedimientos y funciones en los
programas.

Estos dos modos de programación son teóricamente
iguales, pero en la práctica difieren.

La programación declarativa es un tipo de
programación implantada en los sistemas
expertos y por ciertos lenguajes. La principal diferencia es
que en la declarativa las reglas se formulan independientemente
de su secuencia de aplicación. El modo en que se ejecutan
las reglas corresponde al motor de inferencia y es independiente
de las reglas en sí mismas. En la programación
procedural, las reglas se implantan y ejecutan en un orden
establecido.

Las ventajas en los sistemas expertos es la modularidad, no
hay un solo camino para responder a un problema y son
fáciles de leer, lo que simplifica comprobar su
consistencia.

La representación del conocimiento es esencial en
inteligencia artificial y es la base de la construcción de un sistema experto.

Fases en la adquisición del conocimiento:

·        
identificación del problema.

·        
Estructuración del conocimiento.

·         La
arquitectura del sistema y la maqueta.

·         El
prototipo y terminación del sistema.

Tecnología de los Sistemas Basados en
Conocimiento.

Desde el punto de vista tecnológico, los Sistemas
Basados en Conocimiento pueden presentar varias formas de
aplicación:

·        
Aislada: un Sistema Basado en Conocimiento único se
relaciona con el entorno.

·        
Integrada: varios Sistemas Basados en Conocimiento
conectados a bases de conocimiento comunes. Tipo Front-End cuando
todos los hechos y datos
están físicamente en la base común. Tipo
Back-End cuando los hechos y datos necesarios que no estén
en las bases comunes, pueden obtenerse de otros SBC.

·        
Embebida: un Sistema Basado en Conocimiento está
integrado con otros sistemas y no se lo distingue.

Motor de
Inferencia

Un motor de inferencia interpreta y evalúa los hechos
en la base de conocimientos para proveer una respuesta. Este debe
ser independiente del conocimiento y de los hechos. Se puede
caracterizar por:

El lenguaje en
que ha sido escrito.

·   La velocidad de
trabajo: Inferencias / segundo.

·   Las estrategias de búsqueda de
soluciones:

No Ordenada: aleatoria, heurística.

Ordenada: Encadenamiento hacia adelante (guiado por los datos,
deductivo), encadenamiento hacia atrás (guiado por los
objetivos,
inductivo).

·   La forma en que elige el
conocimiento.

·   La posibilidad de incorporar
metaconocimiento.

·   El tipo de lógica
que emplea en el razonamiento:

Booleana, trivalente, multivalente, difusa.

Monotónica o no monotónica.

Atemporal o temporal.

Lógica de orden 0, orden 0+, orden 1.

·   El método que utiliza para la
evaluación del conocimiento incompleto o
incierto:

Determinístico.

Probabilístico.

Aproximado.

Difuso.

En un sistema experto, dado un estado
particular de la base de datos, se deben reconocer las reglas
aplicables y esto se llama filtrado o identificación de
patrones, operación especialmente larga, ya que muchos
sistemas realizan una preselección de las reglas antes de
que comience la identificación propiamente tal. Es decir,
se considera un subconjunto de reglas y entre éstas, las
aplicables. Esto, es lo que se llama restricción.

Adicionalmente puede existir una Base de Datos
con información puntual sobre problemas específicos
anteriormente resueltos por el sistema, y que se usa como
información adicional en el proceso de inferencia.

Una vez que las reglas han sido reconocidas deben ser
elegidas, dependiendo de la estrategia de control, que es la
selección.

Una vez que las regla han sido elegida ha de ejecutarse.

Al módulo central del sistema experto que maneja estas
tres operaciones se le
denomina motor de inferencia o intérprete de reglas. Hay
diversos tipos de motores de
inferencia según los métodos con que se manejan las
tres operaciones precedentes.

Identificación de patrones

Esta operación determina cuáles son las reglas
potencialmente aplicables en un estado dado de la base de
datos.

Hay ciertos métodos típicos para resolver
problemas mediante Inteligencia Artificial como:
descomposición de problemas, inferencia deductiva,
deducción lógica, etc.

No es necesario que la búsqueda se aplique a todas las
reglas, el sistema de control puede decidir cuáles no son
necesarias a ese nivel.

El filtrado significa tener el conocimiento para encontrar las
reglas cuya precondición se satisfaga. Se debe comparar
por tanto la precondición con la base de datos. Si es una
regla deductiva "si premisa entonces conclusión", la parte
a ser probada de la regla, se llama disparador o activador
(tigger) es siempre una fórmula bien formada ya sea de
lógica proposicional o de lógica de primer orden.
Puede aplicarse a cualquier hecho.

El único lenguaje que está totalmente basado en
el cálculo
de predicados es el PROLOG.

Los procesos de identificación de patrones pueden
mejorarse examinando, dentro del activador de cada regla, primero
los predicados con más restricciones, es decir, los que
tienen el menor número de variables libres. Otra forma de
proceder es que, para cada regla o parte de su activador, se
guarda en la memoria el
resultado de las posibles unificaciones para cada parte del
activador. Después de cada ciclo del motor de inferencia,
esta memoria se actualiza y se denomina filtrado por
propagación.

Ejecución de las reglas

Después de la fase de filtrado, cuando una regla
está reconocida como aplicable, teniendo en cuenta la base
de datos existente, solo resta ejecutarla. Si hay varias posibles
reglas, la elección la realiza la estrategia de
control.

La conclusión de la regla tiene por objeto modificar la
base de conocimiento, creando, modificando o suprimiendo un
hecho.

La fase de restricción

En un sistema dirigido por los datos, el filtrado consiste en
retener todas las reglas cuyas premisas son verdaderas teniendo
en cuenta los hechos (verdaderos) presentes en la base de datos.
Este sistema funciona en encadenamiento hacia delante.

Si el sistema es a la vez dirigido por los datos y por los
objetivos, se denomina mixto.

La restricción también puede estar especificado
explícitamente por el experto para utilizar reglas dentro
de las reglas, es decir, meta reglas. Indica qué grupo de
reglas debe ser retenido, por prioridad, o definir un orden en
los subconjuntos de las reglas.

El conocimiento puede organizarse en forma de red como en las redes
semánticas utilizadas en el análisis sintáctico del lenguaje. Su
posición dentro de la red dirige las restricciones
utilizando heurísticas. Esta formulación es
particularmente eficiente si se establece válidamente una
organización jerárquica del
conocimiento, en este caso existiría una taxonomía
de los hechos.

Otro modo de gobernar las restricciones es organizar las
reglas en paquetes o esquemas, lo que genera una estructura de
árbol en reglas, lo que es una ventaja.

Todos estos modos dependen de la forma en que está
representado el conocimiento.

La fase de selección

Como después de las fases anteriores quedan varias
reglas se debe seleccionar una y luego de procesada el programa
debe saber dónde volver.

Cuando hay una o más reglas, se usan dos
estrategias:

– La búsqueda en anchura, que elige una, generalmente
la primera y se van ejecutando por turno antes de comprobar que
se ha alcanzado la condición final. Si no es así se
inicia otro ciclo del motor de inferencia. Este tipo de
búsqueda es exhaustiva y la usa el sistema experto
MYCIN.

·         Otra
estrategia es la de elegir una regla entre las aplicables por
medio de una heurística, procesarla y modificar la base de
datos. Si no se alcanza la condición final, comienza otro
ciclo del motor de inferencia. Es por lo tanto, una estrategia en
profundidad.

Cada una de las estrategias puede ser irrevocables o avanzar
por prueba y error.

Muchos sistemas efectúan marcha atrás, si no hay
regla aplicable, pero si el sistema está bajo un control
irrevocable se detendrá.

Visto en la práctica, las reglas poseen la siguiente
estructura:

SI (CONJUNTO_DE_PREMISAS) ENTONCES CONSECUENCIA

O bien:

(CONJUNTO_DE_PREMISAS) CONSECUENCIA

El CONJUNTO_DE_PREMISAS contiene las cláusulas, o
simplemente condiciones, que deben cumplirse para que la regla
pueda ejecutarse, y la CONSECUENCIA representa el resultado de la
ejecución de dicha regla.

O bien:

SI (x ES CATEDRÁTICO) ENTONCES (x ES DOCTOR)

En este caso CATEDRÁTICO y DOCTOR representan de nuevo
relaciones que deben estar representadas sobre el sistema.

¿Cómo representar estas nuevas
relaciones?

Como todo sistema informático los SE pueden operar
sobre un conjunto finito de elementos, para esto es necesario
definir el universo de
trabajo dentro del cual probaremos nuestras reglas. Sobre esta
base la definición de la relación SER
CATEDRÁTICO o CATEDRÁTICO, según sea la
representación usada, debe hacerse puntualmente para cada
individuo del universo, por
ejemplo:

CATEDRÁTICO ("Mario Pérez")

CATEDRÁTICO ("Manuel Fernández")

CATEDRÁTICO ("Maria González")

Los componentes de la relación SER DOCTOR se deducen a
partir de la relación SER CATEDRÄTICO y la regla
anterior, por lo que no es necesario una representación o
definición explícita.

La inferencia o extracción de conclusiones:

Para extraer una conclusión, o inferencia, se hace
necesario, antes que nada, saber el objetivo a
satisfacer, o problema a resolver. Este problema se plantea en
forma de objetivo que se toma por el Motor de Inferencia el cual
a través de la activación y encadenamiento de
reglas trata de llegar a una solución. Al seguir con el
ejemplo:

Objetivo:

"Es Mario Pérez Doctor"?

Solución:

Al aplicar la regla: SI (x ES CATEDRÁTICO) ENTONCES (x
ES DOCTOR)

Se debe chequear, como precondición de
activación, el cumplimiento de la relación:

CATEDRÁTICO ("Mario Pérez")

Se debe chequear la base de Axiomas o Afirmaciones:

CATEDRÁTICO ("Mario Pérez") existe en la base de
axiomas, por lo que la precondición es verdadera.

Se dispara la consecuencia y se llega a la conclusión
que Mario Pérez es doctor.

Encadenamientos de reglas:

Existen dos mecanismos fundamentales de encadenamiento de
reglas:

1. Encadenamiento hacia delante:

Se produce cuando el objetivo propuesto al sistema hace que se
ejecute una regla, y la conclusión obtenida permite que se
ejecute otra, y así sucesivamente hasta llegar a una
respuesta, positiva o negativa. El punto final se detecta cuando
no se pueden producir más encadenamientos, por ejemplo
cuando se llega a un axioma.

Por ejemplo:

(1). SI (x ES JEFE_DPTO) ENTONCES (x ES
CATEDRÁTICO)

(2). CATEDRÁTICO ("Mario Pérez")

(3). CATEDRÁTICO ("Manuel Fernandez")

(4). CATEDRÁTICO ("Maria Gonzalez")

Al evaluar el objetivo: "Mario Pérez es Jefe_Dpto"?, se
dispara la regla (1), la cual a su vez se encadena con la (2), en
este momento no se pueden producir más encadenamientos
pues la regla (2) es un axioma. Llegado a este punto el Motor de
Inferencia retrocede y da una respuesta positiva a la
pregunta.

2. Encadenamiento hacia atrás:

Consiste en, dado un objetivo, buscar una regla que permita
establecer dicha conclusión, el proceso se repite hasta
encadenar con la regla cuya conclusión satisfaga el
objetivo propuesto, o se detecte que dicho problema no se puede
resolver positivamente. Por ejemplo para averiguar si "Mario
Pérez es doctor" se busca un regla que tenga esta
afirmación en sus consecuencias. Analizando las reglas
anteriores vemos que la regla:

(5). SI (x ES CATEDRÁTICO) ENTONCES (x ES DOCTOR)

Satisface estas condiciones; siguiendo esta regla hacia
atrás tenemos que buscar una nueva que permita validar si
"Mario Pérez" es catedrático, lo cual se hace con
el axioma (2).

Los encadenamientos constituyen, de esta manera, una de las
herramientas
fundamentales del Motor de Inferencia; el Lenguaje
PROLOG solamente soporta el encadenamiento hacia atrás, el
cual constituye el más frecuentemente implementado.

Sistemas Expertos
como Sistemas de
Información Orientados al Servicio

En la Conferencia de
Dartmouth en 1956 donde Newell, Shaw y Simon presentaron sus
programas para demostrar las proposiciones lógicas
(Logical Theorist). La expresión de Inteligencia
Artificial la inventó en aquel mismo año John
McCarthy.

En 1959-60, aparece un programa demostrador de teoremas basado
en la lógica proposicional (General Problem Solver, por
Newell, Shaw y Simon).

La década comprendida entre 1960-70 vio sentar los
principios
básicos de la investigación en las estructuras en
árbol así como el movimiento de
ideas empleadas actualmente en la resolución de problemas
y los sistemas expertos. Los textos de Newell y Simon (1972) y
Nillson (1971) marcan el final de este periodo.

Los principales métodos de búsqueda en
estructuras en árbol, que todavía se emplean hoy en
los programas de sistemas expertos, estaban ya disponibles en
esos años.

Las primeras aplicaciones se hicieron en problemas
fáciles de describir, pero complejos de resolver, como por
ejemplo: juego de
ajedrez y
demostración de teoremas matemáticos.

Los sistemas expertos orientados al servicio
derivaron de la necesidad de resolver problemas cada vez
más complejos, con poca información estructurada y
con resultados probables, donde uno de los caminos era encontrar
la mejor solución a un problema, no necesariamente la
única posible.

Los hechos para una base de conocimiento deben ser adquiridos
a partir de experiencias humanas a través de entrevistas y
observaciones. Este conocimiento es usualmente representada en la
forma de reglas "if-then" (reglas de producción): " si alguna condición
es verdadera, entonces la siguiente inferencia puede ser hecha (o
alguna acción
tomada)". La base de conocimientos de un sistema experto mejor
incluye miles de reglas. Un factor de probabilidad
es con frecuencia unido a las conclusiones de cada regla de
producción, porque la conclusión no es una
certeza.

Por ejemplo, un sistema para el diagnóstico de enfermedades del ojo debe
indicar, basado en información que apoye esto, un 90% de
probabilidad de que una persona tiene
glaucoma, y
este puede también listar conclusiones con más
bajas posibilidades.

Un sistema experto puede desplegar la secuencia de reglas a
través de las cuales éste llega a su
conclusión. Trazar el flujo ayuda al usuario para apreciar
la credibilidad de su recomendación y es útil como
una herramienta de aprendizaje para
estudiantes.

Los expertos humanos frecuentemente emplean las reglas
heurísticas, o "regla del pulgar", además de la
simple producción de reglas. Por ejemplo, un administrador de
crédito
puede saber que un solicitante con una historia pobre de
crédito, con un registro limpio
desde que adquirió un nuevo empleo, puede
actualmente ser un buen sujeto de crédito.

Los sistemas expertos han incorporado tales reglas
heurísticas e incrementándolas tienen la habilidad
de aprender a partir de la experiencia. Sin embargo, los sistemas
expertos son más bien soporte o apoyo más que
reemplazos para los expertos humanos.

Definición y Antecedentes.

Los sistemas de información proveen apoyo para las
operaciones o servicios que
organizaciones
realizan para la sociedad. Los
sistemas son orientados verticalmente a sectores
específicos e industrias, ej.
Manufactura,
servicios financieros, publicidad,
educación,
salud y
entretenimiento. Más que dirección administrativa y
funciones
administrativas, ellos apoyan actividades y procesos que son
la razón para una existencia organizacional (en muchos
casos, algún tipo de actividad manufacturera o el
desarrollo de servicios.

Los sistemas de este tipo varían enormemente, pero
ellos tienden a caer dentro de tres tipos principales:
manufactura, transacciones y Sistemas Expertos.

La meta conceptual de la industria
moderna es la manufactura integrada por computador
(CIM). Involucra diseño
y desarrollo de ingeniería, manufactura, marketing y
ventas, y todo
el campo de soporte y servicios.

El diseño asistido por computador (CAD) fue aplicado
primero en la industria electrónica. Hoy ellos dan forma a las
técnicas de modelación tridimensional para dibujo y
manipulación de objetos sólidos en una pantalla y
para derivar éstos a programas de diseño de piezas
y conjuntos,
modelación estructural y térmica,
fabricación en máquinas
CNC (control numérico).

Una vez que un producto es
diseñado, su proceso de producción puede ser
delineado usando sistemas de planificación de procesos asistidos por
computador (CAPP) que ayuden a seleccionar secuencias de
operaciones y condiciones de máquinado. Los modelos del
sistema de manufactura pueden ser simulado por computadores antes
de que sean construidos. Las funciones básicas de la
manufacturación: máquinado, formado, unión,
ensamble e inspección, son apoyados por el sistema de
manufactura asistida por computador (CAM) y sistemas de manejo de
material automatizado. El sistema de control de inventario busca
mantener un óptimo stock de partes y materiales
para controlar el movimiento del inventario, predecir los
requerimientos e iniciar procedimientos de órdenes de
compra.

La sofisticación tecnológica de los sistemas de
información de manufactura es impresionante y esto incluye
incrementadamente aplicaciones robóticas, visión de
computador y sistemas expertos. Lo central en el concepto de CIM
es una base de datos integrada que apoya a las empresas
manufactureras y es conectada a otras bases de datos
administrativas.

En organizaciones de servicio no-manufacturero el tipo de
sistemas de información que prevalece es el que apoya los
procesos de transacción.

Transacciones son sets de entradas discretas, suministradas
por usuarios en impredecibles intervalos, los cuales llaman a la
base de datos buscando, analizando y modificando. El procesador
evalúa el requerimiento y ejecuta éste
inmediatamente. Partes de la función de procesamiento
pueden ser llevadas a un terminal inteligente que distribuye el
requerimiento en la carga computacional. El tiempo de respuesta
(el lapso de tiempo entre el final de un requerimiento y el
comienzo de la respuesta) es una característica importante
de este tipo de sistema de teleproceso en tiempo real.

Los sistemas de transacción por teleproceso constituyen
la base de las industrias de servicio tales como bancarios,
seguros,
seguridad,
transporte y
bibliotecas.
Ellos están reemplazando el piso del mayor intercambio
comercial de stock del mundo, conectando la más amplia
vía de telecomunicaciones en línea en un mercado
financiero global. De nuevo, lo central en un sistema de
transacción es su base de datos integrada.

El foco del sistema es el recipiente de servicios más
que el operador del sistema. Debido a esto, un agente viajero
local es capaz de planear un itinerario completo de un viajero:
incluyendo las reservaciones en aerolíneas, hoteles, arriendo de autos,
programas culturales y deportivos, e incluso restaurantes, en
cualquier continente y ajustar éstos al programa y
presupuesto
del viajero.

Componentes: software de interfaz, base
de datos, programa computacional.

Una relativamente nueva categoría de sistemas de
información orientada al servicio es el sistema experto,
llamado así porque su base de datos guarda una
descripción de habilidades en la toma de
decisiones de experiencias humanas en un estrecho dominio de
procedimientos, tales como interpretación médica de imagen, impuestos,
diseño de piping, configuración de hardware en un sistema de
computadores, equipamiento para reparar malfuncionamientos o, en
la preparación de cerveza.

La motivación para construir sistemas expertos
es el deseo de replicar el escaso, in estructurado y
quizás el pobremente documentado conocimiento
empírico de especialistas que de este modo puede ser
rápidamente usado por otros.

Un programa computacional que usa inteligencia artificial
resuelve problemas en un dominio especializado que ordinariamente
requiere experiencia humana.

El primer sistema experto fue desarrollado en 1965 por Edward
Feigenbaum y Joshua Lederberg de la Universidad de
Standford en California, USA. Dendral fue diseñado para
analizar componentes químicos.

Los sistemas expertos ahora tienen aplicaciones comerciales en
campos tan diversos como diagnóstico médico,
ingeniería petrolera e inversión financiera.

Para realizar tareas de aparente inteligencia, un sistema
experto recurre a tres componentes: un software de interfaz, una
base de conocimiento y un motor de inferencia.

1) El software de interfaz, mediante el cual el usuario
formula preguntas a éste, el sistema experto solicita
más información desde el usuario y éste le
explica al usuario el proceso de razonamiento empleado para
llegar a una respuesta.

2) La base de datos, llamada la base de conocimiento
que consiste de axiomas (hechos) y reglas para hacer inferencias
a partir de esos hechos acerca del dominio del sistema.

En el transcurso de las tres décadas pasadas, la
tecnología para soportar el desarrollo de aplicaciones
intensivas de datos tuvo una evolución de cuatro
generaciones, sistemas de archivos,
sistemas de bases de datos jerárquicos, sistemas de bases
de datos en red y sistemas de bases de datos relacionales. En
todos los casos, la transición de una generación a
otra, ha sido motivada por la necesidad de minimizar los costos de
desarrollo (que escalan rápidamente), así como los
de mantenimiento
y mejora de programas de aplicación.

Los sistemas convencionales (relacionales y prerrelacionales)
han servido para satisfacer las necesidades de aplicaciones del
ambiente para
el cual fueron diseñadas, es decir, de procesamiento de
datos en negocios,
tales como control de inventario, nóminas,
cuentas por
cobrar, etc. Sin embargo, tan pronto como esta
tecnología abandonó los laboratorios de
investigación y registró su marca en el
mercado, serias limitaciones comenzaron a ser expuestas.

Una variedad de aplicaciones comenzó a ser identificada
como difícil para implantarse con el uso de sistemas de
bases de datos relacionales. Estas nuevas aplicaciones incluyen
diseño asistido por computador, ingeniería de
software, gestión
y administración de procesos (CAD, CAE, CASE
y CAM), sistemas basados en conocimiento (sistemas expertos y
"shell" para sistemas expertos), sistemas multimedia que
manejan imágenes,
gráficas, voz y documentos
textuales; modelos estadísticos y científicos y
análisis de programas, y sistemas de información
geográfica, entre otras.

Con este nuevo esquema se presentan algunas dificultades
atribuibles al modelo de
datos que es una representación lógica de datos,
relaciones e interacción entre los datos . Un lenguaje
de base de datos es una sintaxis para representar un modelo y
operaciones con una semántica definida sobre el modelo de
datos.

Las aplicaciones requieren, muchas veces: a) facilidades para
modelar y manejar entidades anidadas complejas (tales como
diseño de objetos y documentos compuestos); b) un conjunto
sofisticado de tipos de datos,
por ejemplo, tipos de datos definidos por el usuario, y tipos
grandes pero sin estructura (tales como imágenes, audio y
documentos textuales); c) representación de conceptos
semánticos (tales como relaciones de generalización
y agregación); d) el concepto de evolución temporal
de datos (por ejemplo, dimensión temporal de datos y
mantener versiones de datos); etc.

Por otra parte, también se presentan importantes
dificultades que no están relacionadas con el modelo de
datos. Algunas de estas aplicaciones requieren de cómputo
altamente intensivo, con un gran volumen de datos
en memoria residente, e imponen demandas de ejecución que
no pueden reunir los sistemas administradores de datos
relacionales y de datos prerrelacionales. El ambiente de algunas
de las aplicaciones también requiere de transacciones de
larga duración (por ejemplo, el objeto es tan grande que
su actualización toma mucho tiempo), transacciones
interactivas y cooperativas.

Existen dos razones principales por las que la metodología orientada a objetos es un
sólido fundamento para la nueva generación de
tecnología de base de datos.

Primero, un modelo de datos orientado a objetos puede
representar no solamente los datos, las relaciones y la
interacción de datos de modelos de datos convencionales,
sino también permite encapsular los datos y programas que
operan datos con un protocolo
definido y proporcionan una estructura uniforme para el trato de
tipos de datos arbitrarios definidos por el usuario. Algunas
relaciones en el modelo de datos, que son difíciles en
sistemas de bases de datos convencionales, son inherentes a un
modelo de datos basados en objetos.

Una segunda razón, es que a través de la
noción de encapsulamiento y herencia, esta
metodología está fundamentalmente diseñada
para reducir la dificultad de desarrollo y evolución de
sistemas complejos de "software". Esto fue, precisamente,
la meta que
motivó a la tecnología de administración de datos, a transformar
sistemas de archivos hacia sistemas de bases de datos
relacionales.

Un modelo de datos orientado a objetos satisface el objetivo
de facilitar el diseño y desarrollo de bases de datos
complejas, sofisticadas y muy grandes.

Pero, muchos de los productos
comerciales comunes poseen distintos grados de calidad en cuanto
a desempeño y funcionalidad. Con frecuencia,
los proveedores
ofrecen solamente motores (máquinas) de Bases de Datos con
interfaces propietarias para desarrollo de aplicaciones por los
programadores; la inclusión de herramientas de desarrollo
está comenzando a surgir.

Segundo, la fuerza de un
modelo de datos orientado a objetos es también su
debilidad. La riqueza de este modelo hace posible la
generación de unos más complejos y sus relaciones
con las aplicaciones de procesamiento de datos, introducen
aspectos complejos que el usuario debe manejar.

Tercero, no obstante el alto grado de desarrollo y
experimentación en lenguajes de
programación orientados a objetos y aplicaciones,
todavía no hay un consenso en la industria sobre la
semántica de su paradigma que
vaya más allá de un conjunto de conceptos de alto
nivel sobre la programación orientada a objetos, por lo
que aún no existen estándares en esta
tecnología.

3) El programa computacional, llamado el motor de
inferencia, ejecuta el proceso de hacer inferencias, interpreta y
evalúa los hechos en la base de conocimiento para proveer
una respuesta.

La base de conocimiento es una estructura de reglas conectadas
que aplica experiencias humanas, con frecuencia intuitivas, en la
solución de problemas.

El proceso de adquisición de tal conocimiento
típicamente tiene tres fases:

·         Un
análisis funcional del ambiente, usuarios, y las tareas
desarrolladas por el experto.

·        
Identificación de los conceptos del dominio de
experiencias y su clasificación de acuerdo a varias
relaciones.

·         Una
entrevista,
por técnicas humanas o automatizadas del o los expertos en
el tema.

Los resultados de estos pasos son traducidos en una llamada
producción de reglas (de la forma "si la condición
x existe, entonces la acción y sigue) y es guardado en la
base de conocimiento.

Cadenas de producción de reglas forman las bases para
las capacidades deductivas automatizadas del sistema experto y
para su capacidad para explicar sus acciones a los
usuarios.

Los sistemas expertos son una variedad comercial de una
clase de
programas computacionales llamados sistemas basados en
conocimiento. El conocimiento en sistemas expertos es altamente
in estructurado, esto es, el proceso de solucionar problemas de
un dominio no es manifiesto. Y es establecido
explícitamente en relaciones o deductivamente inferidos
desde la cadena de proposiciones.

Dado que cada condición que puede ser encontrada puede
ser descrita por una regla, los sistemas expertos basados en
reglas no pueden manejar eventos no
anticipados, pero pueden evolucionar con el uso, y permanece
limitado a un estrecho dominio de problemas.

Otra variante de sistemas expertos, uno que no posee esta
limitación, emplea una base de conocimiento que consiste
de descripciones estructuradas de situaciones, de problemas del
mundo real y de decisiones actualmente hechas por expertos
humanos.

En medicina, por
ejemplo, el registro de un paciente contiene descripciones de
datos personales, exámenes físicos y de laboratorio,
diagnóstico clínico, tratamiento propuesto, y los
resultados de tales tratamientos.

Dada una gran base de datos con tales registros en una
especialidad médica, el médico puede indagar acerca
de eventos análogos a los relacionados con el paciente.
Esto en contraste con el sistema que idealmente intenta
reemplazar al ser humano, ya que en casos como estos sólo
podría usarse este tipo de conocimiento como una
herramienta que ayuda en la toma de decisiones.

El software requerido para este tipo de sistemas se ha ido
complicando con el tiempo ya que su desarrollo demanda
tiempo, un buen equipo de programadores y un buen producto
final.

Redes
Neuronales

Las Redes Neuronales surgieron del movimiento conexionista,
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.

Así pues, la Inteligencia Artificial tradicional 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
contraposición, 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 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:

El Axón da un nivel eléctrico correspondiente a
sus entradas y a la importancia que les da a cada una de ellas.
De esta forma, una neurona puede no reaccionar ante un nivel muy
alto de una de sus entradas, o dar una salida muy favorable
cuando otra de ellas está mínimamente activa.

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 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 Perceptrón unicapa.

Un Perceptrón unicapa no es más que un conjunto
de neuronas no unidas entre sí, de manera que cada una de
las entradas del sistema se conectan a cada neurona, produciendo
cada una de ellas su salida individual:

Como se ha dicho, un conjunto de neuronas no sirve para nada
si previamente no se le enseña qué debe hacer.

Existen tres métodos de aprendizaje para un
Perceptrón: Supervisado, Por Refuerzo y No
Supervisado.

En el Aprendizaje Supervisado se presentan al
Perceptrón unas entradas con las correspondientes salidas
que se quiere éste aprenda. De esta manera la red primero,
calcula la salida que da ella para esas entradas y luego,
conociendo el error que está cometiendo, ajusta sus pesos
proporcionalmente al error que ha cometido (si la diferencia
entre salida calculada y salida deseada es nula, no se
varían los pesos).

En el Aprendizaje No Supervisado, solo se presentan al
Perceptrón las entradas y, para esas entradas, la red debe
dar una salida parecida.

En el Aprendizaje Por Refuerzo se combinan los dos anteriores,
y de cuando en cuando se presenta a la red una valoración
global de como lo está haciendo.

El Perceptrón multicapa.

Esta estructura nació con la intención de dar
solución a las limitaciones del Perceptrón
clásico o unicapa, y supuso el resurgimiento del
movimiento conexionista. Como su nombre indica, se trata de unos
cuantos (dos o tres) perceptrones unicapa conectados en cascada,
como en la siguiente figura:

El problema de este tipo de Perceptrón está en
su entrenamiento, ya que es difícil modificar
correctamente los pesos de la capa oculta (la capa 1 en el
ejemplo anterior). Para poder hacer
aprender cosas a un Perceptrón de este tipo, se
implementó el algoritmo de BackPropagation, que tal como
su nombre indica tiene la función de ir propagando los
errores producidos en la capa de salida hacia atrás.

El proceso de aprendizaje tiene un gran coste de tiempo.
Debido a eso, todavía no se ha estudiado a fondo. Las
redes neuronales todavía se han de desarrollar mucho.
Aún se debe estudiar para qué sirven realmente,
conocer en qué tareas pueden resultar realmente
útiles, ya que por ejemplo, es difícil saber
cuánto tiempo necesita una red para aprender cierta
tarea, cuántas neuronas se necesitan como mínimo
para realizar cierta tarea, etc.

Las redes neuronales pueden llegar a ser algo realmente
importante, pero todavía hace falta tiempo para estudiar
cómo almacenan el conocimiento para desarrollar el
hardware paralelo específico que requieren.

En la robótica, las redes neuronales también
parecen prometer mucho, sobre todo en su sensorización,
para que el robot sea capaz de generalizar lo que siente como
estímulos individuales a considerar.

Conclusión

Por medio del trabajo que acabamos de presentar, puedo
concluir que la robótica y la inteligencia artificial van
tomadas de la mano ya que la una se encarga de la parte mecánica, y la otra de la parte
analítica.

La robótica es el diseño, fabricación y
utilización de máquinas automáticas
programables con el fin de  realizar tareas repetitivas como
el ensamble de automóviles, aparatos, etc. y otras
actividades, por ello pienso que la robótica es la parte
mecánica de una tecnología, en
cambio creo
que la inteligencia artificial es la parte analítica o la
parte que determina la acción de los robots, ya que los
robots no podrían realizar ninguna tarea sin que se les
indicara u ordenara la tarea, por ello, aquí es donde
entra la inteligencia artificial.

Gracias a la inteligencia artificial se ha logrado que una
máquina sea capaz de desarrollar áreas de
conocimiento muy específicas y complicadas, haciendo que
la máquina pueda simular procesos que el hombre
realiza. Pero cabe destacar que aún no se ha logrado que
una máquina piense como un humano, pienso que una
limitación es el hecho de que el hombre es
irremplazable ya que el ser humano cuenta con una
característica propia el cual es el sentido
común.

Pero no podemos olvidar que el desarrollo de estas
tecnologías no pretenden reemplazar al ser humano sino que
tratan de mejorar el estilo de vida
del ser humano, ya que recordemos que, por lo menos los robots
hacen que el trabajo pesado sea mas facil de realizar, y que una
máquina no se enferma, ni protestas, ni se cansa y esto
puede elevar su utilidad. En fin
esperemos que estas tecnologías no se nos vaya de las
manos, y que no nos perjudique, sino que nos ayude.

Bibliografía

Buscadores web:

·        
www.altavista.com

·        
www.google.com

·        
www.copernic.com

Sitios de Internet:

·        
www.aiinsti.com.es/int_art/044s.htlm

·        
robotica.pagina.nl

·        
robotica.uv.es (Instituto de Robotica)

·        
http://www.monografias.com/trabajos13/intar/intar.shtml?monosearch#co

·        
http://www.monografias.com/trabajos6/larobo/larobo.shtml

·        
/trabajos12/inteartf/inteartf2.shtml

·        
/trabajos16/la-inteligencia-artificial/la-inteligencia-artificial.shtml.

Autor:

Ariel Paz e Silva

La Chorrera, 4 de Diciembre del 2007

República de Panamá

Ministerio de Educación

Dirección Nacional de Jóvenes y Adultos

Escuela Secundaria Nocturna Oficial de la Chorrera