Monografias.com > Computación > Software
Descargar Imprimir Comentar Ver trabajos relacionados

La inteligencia artificial en la gestión empresarial




Enviado por cmfz1



    RESUMEN

    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.

    KEYWORDS : Artificial Intelligence, Nets
    neuronales, Systems of diffuse logic, Genetic Algorithms,
    Intelligent systems.

    INTRODUCCIÓN

    La Inteligencia Artificial comenzó como el
    resultado de la investigación en psicología cognitiva
    y lógica
    matemática. Se ha enfocado sobre la explicación
    del trabajo mental
    y construcción de algoritmos de
    solución a problemas de propósito general. Punto de
    vista que favorece la abstracción y la
    generalidad.

    La 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.

    1. INTELIGENCIA ARTIFICIAL

    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.


    1. 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.

    2. CARATERISTICAS DE LA INTELIGENCIA
      ARTIFICIAL
    3. 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
    1. 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.

    2. SISTEMAS EXPERTOS

    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.

    1. 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.

    2. Concepto y tipos de Sistemas
      Expertos
    3. 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].

    4. REDES NEURONALES

    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:

    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

    • Sistema de datos de múltiple
      propósito capaz de tratar gran cantidad de
      información en poco tiempo pero no necesariamente
      con exactitud.
    • Sistemas altamente especializados con capacidad
      para procesar información muy concreta, siguiendo
      unas instrucciones dadas.

    La frecuencia de los impulsos nerviosos puede
    variar.

    La frecuencia de transmisión es inalterable
    y esta dada por el reloj interno de la maquina.

    • Las llamadas sinapsis cumple en el cerebro la
      función simultánea de varias compuertas
      (and, or, not etc.)

    Las compuertas lógicas tienen una
    función perfectamente determinada e
    inalterable.

    • La memoria es del tipo asociativo y no se sabe
      dónde quedara almacenada.

    La información se guarda en posiciones de
    memoria de acceso directo por su dirección.

    • Los impulsos fluyen a 30 metros por
      segundo.

    En el interior de una computadora los impulsos
    fluyen a la velocidad de la luz.

    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.

    5 Lógica Difusa

    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.

    6 Algoritmos Genéticos

    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).

    7 SISTEMAS INTELIGENTES

    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 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.

    8. CONCLUSIONES

    • 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.

    9. RECOMENDACIONES

    • 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.

    10. BIBLIOGRAFIA

    1. 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.
    2. Althoff, K. (2001): "Case-Based Reasoning. Handbook
      of Software Engineering and Knowledge Engineering.",
      kaiserslautern, Alemania. Fraunhofer Institute for Experimental
      Software Engineering (IESE).
    3. Ball, R. y Foster, G. (1982): "Corporate financial
      reporting: a methodological review of empirical research",
      Journal of Accounting Research, supplement, pp.
      161-234.
    4. Bergmann, R. (1999) : "Developing Industrial Case
      Based Reasoning Applications. The INRECA Methodology.",
      Berlín, Alemania.
    5. 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.
    6. Cuena, J. (1988): "Sistemas Inteligentes. Conceptos,
      Técnicas y Métodos.", Publicación de la
      Facultad de Informática de la Universidad
      Politécnica de Madrid,
      Madrid, España.
    7. 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.
    8. Laudon K, & Laudon, J (2004): "Sistemas de
      Información Gerencial", Administración de la
      Empresa Digital. Octava Edición. Pag. 327
    9. 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.
    10. 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.
    11. 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.
    12. 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).
    13. Palazón Argüelles, A. (1991): "Los
      sistemas expertos como ayuda a las empresas", Dirección
      y Progreso, nº 119, pp. 22-24.
    14. Rich, E. (1994): "Inteligencia Artificial",
      McGraw-Hill / Interamericana de España, segunda
      edición.
    15. Riesbech, Ch.(1998): "Inside Case-based Reasoning",
      by Lawrence Erlbaum Associates Inc.
    16. Sánchez Tomás, A. (1991): "Sistemas
      Expertos en Contabilidad", Técnica Contable, nº
      514, octubre 1991, pag 534-545.
    17. Sánchez Tomás, A. (1996):
      "Aplicación de los sistemas expertos en Contabilidad",
      Biblioteca
      Electrónica Ciberconta, (en Internet, http://ciberconta.unizar.es/
      Biblioteca/Biblioteca.html).
    18. Sarle, W.S., ed. (1998): "Frecuently Asked Questions
      about Neural Networks", documento hipertexto en la
      dirección ftp://ftp.sas.com/pub/neural/FAQ.html
    19. Simon, H. A. (1960): The new science of management
      decsision, Harper&Row, New York (USA).
    20. 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.

    21. Serrano Cinca, C
      (2000): "La Inteligencia
      Artificial", [en línea] 5campus.com, Sistemas
      Informativos Contables http://www.5campus.com/leccion/IA
    22. Sierra, G.; Bonson, E.; Nunez, C. y Orta, M. (1995):
      Sistemas Expertos en Contabilidad y Administración de Empresas, Ed. rama,
      Madrid.
    23. Simon, H. A. (1960): The new science of management
      decsision, Harper&Row, New York (USA).
    24. Schank, R.: "Inside Case-based Explanation", 1994 by
      Lawrence Erlbaum Associates Inc.
    25. Springer-Verlag.Watson, I. (1997): "Applying
      Case-Based Reasoning: Techniques for Enterprise Systems.",
      Morgan Kaufmann Publishers, Inc.
    26. 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

    Marcial Flores Zúñiga

    Nota al lector: es posible que esta página no contenga todos los componentes del trabajo original (pies de página, avanzadas formulas matemáticas, esquemas o tablas complejas, etc.). Recuerde que para ver el trabajo en su versión original completa, puede descargarlo desde el menú superior.

    Todos los documentos disponibles en este sitio expresan los puntos de vista de sus respectivos autores y no de Monografias.com. El objetivo de Monografias.com es poner el conocimiento a disposición de toda su comunidad. Queda bajo la responsabilidad de cada lector el eventual uso que se le de a esta información. Asimismo, es obligatoria la cita del autor del contenido y de Monografias.com como fuentes de información.

    Categorias
    Newsletter