Introducción a la inteligencia artificial (Presentacion PowerPoint) (página 2)

Partes: 1, 2, 3

La prueba de Turing

Sistemas que piensan como humanos
El modelo es el funcionamiento de la mente humana.
Se intenta establecer una teoría sobre el funcionamiento de la mente (experimentación psicológica).
A partir de la teoría se pueden establecer modelos computacionales.
Influencia de las neurociencias y de las ciencias cognitivas.

El misterio de la conciencia
Si identificamos el núcleo cognitivo de la conciencia (que no es el simple conocimiento de nuestra existencia), ¿podemos incorporarlo en una máquina?
Las mayores religiones localizan la conciencia en un ánima que sobrevive a la muerte del cuerpo.
Woody Allen: “No quiero alcanzar la inmortalidad a través de mi obra. Quiero alcanzarla no muriéndome”.
Estas cuestiones, antes objeto solo de especulaciones teológicas, ahora son estudiadas por la neurociencia cognitiva.

Problemas fáciles y difíciles
David Chalmers trata el tema de la conciencia en términos de dos problemas:
Problema Fácil: distinguir entre pensamiento consciente e inconsciente (Freud):
superficies que tenemos delante
planes para el día
sueños con ojos abierto durante las clases
control del latido del corazón
reglas que ordenan las palabras cuando hablamos
secuencias de contracciones musculares
Problema Difícil: explicar cómo puede nacer la experiencia subjetiva de la computación neuronal

El cerebro como máquina
La “hipótesis asombrosa” de Francis Crick (1916–2004) :
Nuestros pensamientos, sensaciones, alegrías, dolores consisten enteramente de actividad fisiológica en los tejidos del cerebro.
La conciencia es un producto biológico natural, tan vacía de elementos sobrenaturales como la digestión o la circulación de la sangre.

Sistemas que piensan racionalmente
Las leyes del pensamiento racional se fundamentan en la lógica (Aristóteles, 384 BC–322 BC).
La lógica formal está a la base de los programas inteligentes (logicismo).
Se presentan dos obstáculos:
Es muy difícil formalizar el conocimiento.
Hay un gran salto entre la capacidad teórica de la lógica y su realización práctica.

Sistemas que actúan racionalmente
Actuar racionalmente significa conseguir unos objetivos dadas unas creencias.
El paradigma es el agente racional, que se aplica, por ejemplo, a muchos sistemas robóticos.
Un agente percibe y actúa, siempre teniendo en cuenta el entorno en el que está situado.
Las capacidades necesarias:
percepción
procesamiento del lenguaje natural
representación del conocimiento
razonamiento
aprendizaje automático
Visión de la actuación general y no centrada en el modelo humano
Ejemplos:
Stanley, Junior (Grand challenge)
Asimo

¿Es la IA posible?
La posibilidad de la inteligencia artificial plantea problemas filosóficos complejos.
¿Las máquinas pensantes poseen consciencia?
La habitación china (Searle, 1980)
¿Es la inteligencia una propiedad emergente de los elementos biológicos que la producen?
No hay una conclusión definitiva.

La habitación china

Historia de la IA
Los inicios (1943-1956)

McCulloch y Pitts: primer modelo de neurona, demostración de que cualquier función es computable por una red de neuronas, aprendizaje

Hebb: regla de aprendizaje Hebbiano o de Hebb

Minsky, Edmonds: primer simulador de red neuronal (40 neuronas)

Taller de Dartmouth (bautizo de la IA): McCarthy, Minsky, Shannon, Rochester, More, Samuel, Solomonoff, Selfridge, Newell, Simon

Newell, Simon: Teórico Lógico (TL)

Historia de la IA
Entusiasmo inicial, grandes expectativas (1952-1969)

SRGP: sistema de resolución general de problemas, imitación de las demostraciones humanas

Samuel: programa jugador de damas, aprendizaje

Sistemas planificadores, representación interna del mundo

Aplicaciones en dominios reducidos: integración simbólica, mundo de bloques

Redes neuronales: perceptrones, aprendizaje

Historia de la IA
La dura realidad (1966-1973)

Muchos sistemas de IA actuaban de manera prometedora en problemas sencillos y fallaban ante problemas reales.

Muchos problemas eran intratables (NP); el tamaño del problema es relevante.

La búsqueda exhaustiva es impracticable.

Minsky, Papert: en Perceptrons se demuestra la escasa capacidad de representación de los perceptrones.

ELIZA (1966)
Conversación con ELIZA

-> Hello. I am ELIZA. How can I help you?
+> I am feeling sad.
-> I am sorry to hear you are sad.
+> I had some nightmares tonight.
-> You say you had some nightmares tonight.
+> Yes, my dreams are worrying me.
-> What does that dream suggest to you?
+> Thrill, scare.
-> I am not sure I understand you fully.
+> My dreams annoy me.
-> Do you dream often?
+> Yes, daily.

Traducción automática
inglés ? ruso (o castellano)? inglés

“The spirit is willing, but the flesh is weak” ?

? ??? ?????? ?????, ?? ????? ????? ?

? “The vodka is good, but the meat is rotten”

(Alternativas:
“Spirit is willingly ready, but flesh is weak”
“The alcohol is arranged, but the meat is weak”)

Historia de la IA
Los sistemas basados en el conocimiento (1969-1979)

Los mecanismos generales de resolución de problemas no son practicables (métodos débiles).

DENDRAL: el conocimiento del dominio del problema ayuda a resolverlo mejor.

Sistemas Expertos (MYCIN, PROSPECTOR): incertidumbre, factores de certeza

Representación del conocimiento y razonamiento (redes semánticas, marcos, Prolog)

Historia de la IA
La IA se industrializa (1980s)

El éxito de los sistemas expertos lleva a su uso comercial: R1, XCON (sistema de configuración en Digital Equipment Corporation).

Japoneses: quinta generación de ordenadores (fracaso)

Estadounidenses: MCC

Software para el desarrollo de la IA

Máquinas de arquitectura dedicada

Historia de la IA
Los altibajos del final de los 80s y principio de los 90s

The collapse of the Lisp machine market in 1987:
Specialized computers, called Lisp machines, were optimized to process the programming language Lisp.
Apple and IBM computers in 1987 became more powerful than the more expensive Lisp machines.
The desktop computers had rule-based engines such as CLIPS available. An entire industry worth half a billion dollars was demolished overnight.
The maturation of Common Lisp saved many systems such as ICAD which found application in knowledge-based engineering. Other systems, such as Intellicorp's KEE, moved from Lisp to a C++ on the PC via object-oriented technology and helped establish the o-o technology.

Historia de la IA
Los altibajos del final de los 80s y principio de los 90s

The fall of expert systems:
Expert systems proved too expensive to maintain. They were difficult to update, they could not learn, they were "brittle" (i.e., they could make grotesque mistakes when given unusual inputs). They proved useful, but only in a few special contexts.
The few remaining expert system shell companies were eventually forced to downsize and search for new markets and software paradigms, like case-based reasoning.
Failure to adapt
Expert systems were carried over to the new desktop computers by for instance CLIPS. The failure to adapt to such a change in the outside computing milieu is cited as one reason for the 80's AI winter.

IA en la actualidad
Razonamiento:
Satisfacción de restricciones
Búsqueda heurística
Razonamiento basado en modelos
Razonamiento no monotónico
Planificación de tareas y scheduling
Razonamiento cualitativo
Razonamiento con incertidumbre
Razonamiento temporal y espacial

IA en la actualidad
Aprendizaje automático:
Razonamiento basado en casos
Análisis de datos
Computación evolutiva
Redes de neuronas
Aprendizaje por refuerzo