Monografias.com > Sin categoría
Descargar Imprimir Comentar Ver trabajos relacionados

Inteligencia Artificial y Contabilidad (página 2)



Partes: 1, 2

Como puede evidenciarse, las actividades manuales se han
reducido notablemente en las empresas y aunque
se ha sostenido que estas no son la función
del contador, se puede afirmar que eran las que mayor tiempo les
quitaban. Estas reducciones de tiempo se pueden apreciar en los
negocios donde
se aplica la Inteligencia
Artificial en las actividades contables, con la
implantación de programas capaces
de realizar tareas que eran llevadas a cabo por los
contadores.

Inteligencia
Artificial. Surgimiento y
evolución
histórica.

La Inteligencia
Artificial aparece 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. 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, propician el
surgimiento del término Inteligencia Artificial.

Las primeras investigaciones
en Inteligencia Artificial comenzaron a mediados de los
años 1950 con el trabajo de
Alan Turing, cuando planteó que existirá
Inteligencia Artificial cuando no seamos capaces de distinguir
entre un ser humano y un programa de
computadora en
una conversación a ciegas. En 1956 John McCarthy, Marvin
Minsky y Claude Shannon en la Conferencia de
Darmouth, un congreso en el que se hicieron previsiones
triunfalistas a diez años que jamás se cumplieron,
lo que provocó el abandono casi total de las
investigaciones durante quince años, acuñan
formalmente el término de Inteligencia Artificial. Fue en
los años sesenta, cuando lo investigadores Alan Newel y
Herbert Simon trabajaban en la demostración de teoremas y
el ajedrez por
ordenador, lograron crear un programa llamado General Problem
Solver (Solucionador General de Problemas).En 1970 se comienza a
elaborar un proyecto,
elaborado por un grupo de
investigadores dirigidos por Edward Feigenbaum, para resolver
problemas de la vida cotidiana o que se centrara en problemas
más concretos. Es así como nace el primer sistema de
experto. En 1980 la historia se repitió
con el desafío japonés de la quinta
generación de computadoras,
que dio lugar al auge de los sistemas
expertos pero que no alcanzó muchos de sus objetivos, por
lo que este campo sufrió una nueva interrupción en
los años noventa.

En 1987 Martin Fischles y Oscar Firschein describieron los
atributos de un agente inteligente. Al intentar describir con un
mayor ámbito (no solo la
comunicación) los atributos de un
agente inteligente, la Inteligencia Artificial se ha
extendido a muchas áreas que han creado ramas de
investigaciones enormes y diferenciadas. Dichos atributos
del agente inteligente son: 

1. Tiene actitudes
mentales tales como creencias e intenciones 2. Tiene la
capacidad de obtener conocimiento,
es decir, aprender. 3. Puede resolver problemas, incluso
desglosando problemas complejos en otros más
simples. 4. Entiende. Posee la capacidad de crearle sentido,
si es posible, a ideas ambiguas o contradictorias. 5.
Planifica, predice consecuencias, evalúa alternativas
(como en los juegos de ajedrez) 6. Conoce los límites de
sus propias habilidades y conocimientos. 7. Puede distinguir
a pesar de las similitudes de las situaciones.8. Puede ser
original, creando incluso nuevos conceptos o ideas, y hasta
utilizando analogías. 9. Puede generalizar.10. Puede
percibir y modelar el mundo exterior.11. Puede entender y
utilizar el lenguaje y
sus símbolos.

Es a partir de esta etapa en que se desarrollan sistemas de
expertos aplicables a la contabilidad.
En 1987 se crea el sistema de experto AUDITPLANNER, aplicable a
la auditoria. Este sistema ayuda a los auditores sobre los
juicios de la materialidad en las etapas de la planificación de la auditoria. El objetivo
principal de este sistema era investigar la forma en que la
información cualitativa y cuantitativa
influye en los juicios de materialidad de los auditores.

En 1990 se crea sistema de experto ANALYSIS, el cual clasifica
funcionalmente el balance y la cuenta de pérdida y
ganancia, el cálculo de
los flujos económicos, la rentabilidad,
la gestión
del activo económico y la solvencia. En el año 1992
surge el sistema de experto COMPAS (Sistema Computarizado de
Planificación de Auditoría), aplicable en la auditoria en el
proceso de
planificación. Este sistema ayuda a seleccionar los
procedimientos
de auditoria.

La base de conocimiento del sistema contiene
información sobre los posibles procedimientos de
detección de los componentes importantes de los estados
financieros. También en este año se creó
el SECOCET (Sistema Soporte de Decisión Experto Aplicado
al Control de
Costos de
Empresas de Transformación). Este sistema ayuda en el
control de costos y análisis de las desviaciones de los costos
de una sección. Son muchos los sistemas de expertos que se
han creado a lo largo de estos años para facilitar el
trabajo de los contadores y ahorrar tiempo en las actividades de
estos. En la actualidad la Inteligencia artificial vive un
intenso período en el que se desarrollan y comercializan
las aplicaciones de esta ciencia en
todos los campos. Cada vez más, las técnicas
de Inteligencia Artificial, están dejando de ser
curiosidades académicas con mucho futuro pero poca
aplicación en el presente, para pasar a ser uno de los
motores que
impulsan la industria de
la computación, con inversiones
crecientes año tras año. Las posibilidades desde
luego son asombrosas, pero no hay que dejar volar la
imaginación más de lo necesario. La Inteligencia
Artificial es una ciencia nueva que debe andar mucho camino
todavía y sus primeros pasos están siendo
prometedores.

Definiciones y
características de la Inteligencia Artificial

La Inteligencia Artificial, a lo largo de la historia ha sido
un tema muy polémico, por lo que existen varias
definiciones de esta. Según Farid Fleifel Tapia, la
Inteligencia Artificial es "la rama de la ciencia de
la computación que estudia la resolución de
problemas no algorítmicos mediante el uso de cualquier
técnica de computación disponible, sin tener en
cuenta la forma de razonamiento subyacente a los métodos
que se apliquen para lograr esa resolución"
([2])

No es este el único concepto de
Inteligencia artificial que existe, otros investigadores
sostienen que la inteligencia Artificial es el arte de crear
máquinas con capacidad de realizar funciones que
realizadas por personas requieren de inteligencia. En 1991 se
entendía por Inteligencia Artificial como "el estudio de
lograr que las computadoras realizaran las tareas que los humanos
realizan mejor" ([3]). En 1993 Luger y
Stubblefield, definieron la Inteligencia Artificial como "la rama
de la ciencia de la computación que se ocupa de la
automatización de la conducta
inteligente" ([4]).

En la mayoría de los casos se sostiene que la
Inteligencia Artificial es la rama de la ciencia del computador,
sin embargo se puede agregar que también intente la
creación de programas para máquinas que imiten el
comportamiento
y la comprensión humana. Algunos ejemplos se encuentran en
el área de control de sistemas, planificación,
automática, la habilidad de responder a
diagnósticos y a consultas de los consumidores de escritura,
reconocimiento del habla y reconocimiento de patrones. De este
modo, se ha convertido en una disciplina
científica, enfocada en proveer soluciones a
problemas de la vida diaria.

El concepto de Inteligencia Artificial es aún demasiado
difuso. Contextualizando y teniendo en cuenta un punto de vista
científico, podríamos englobar a esta ciencia como
la encargada de imitar a una persona y no por
fuera, sino su cerebro, en todas
las funciones posibles.

Los sistemas de Inteligencia Artificial, actualmente son parte
de la rutina en los campos como la economía, ingeniería y la milicia, y se han usado en
gran variedad de aplicaciones de software, juegos de estrategia como
ajedrez de computador y otros videojuegos.

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 Inteligencia Artificial 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.

Características de la Inteligencia
Artificial

Una característica fundamental que distingue a los
métodos de Inteligencia Artificial de los métodos
numéricos es el uso de símbolos no matemáticos, aunque no es suficiente para
distinguirlo completamente. Otros tipos de programas como los
compiladores 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. 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, 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, 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.

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

Enfoques de la inteligencia Artificial

La Inteligencia Artificial se divide en dos enfoques o
escuelas del pensamiento la
Inteligencia Artificial Convencional y la Inteligencia Artificial
Computacional. La concepción de la Inteligencia Artificial
como el intento de desarrollar una tecnología capaz de
suministrar al ordenador capacidades de razonamiento o
discernimiento similares o aparentemente similares a las de la
inteligencia humana, es llamado Inteligencia Artificial
Convencional que tiene que ver con métodos que actualmente
se conocen como máquinas de aprendizaje, algunos
métodos de esta rama incluyen los sistemas de expertos y
razonamiento basado en casos. Los sistemas de 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.
El razonamiento basado en casos intenta dar solución a los
problemas de forma similar a la de los seres humanos, es decir
intenta solucionar un problema determinado, basándose en
casos anteriores que presenten similitudes, para así
llegar al resultado, la solución del problema.

La concepción de la Inteligencia Artificial como
investigación relativa a los mecanismos de
inteligencia humana, que emplea el ordenador como herramienta de
simulación para la validación de
teorías, se conoce como la Inteligencia
Computacional.

La inteligencia computacional implica desarrollo o
aprendizaje, el cual se realiza basándose en datos
empíricos. Algunos métodos de esta rama
incluyen:

  • Redes neuronales: sistemas con grandes capacidades de
    reconocimiento de patrones.

  • Sistemas difusos: técnicas para lograr el
    razonamiento bajo incertidumbre. Ha sido ampliamente usada en
    la industria moderna y en productos de consumo masivo, como
    las lavadoras.

  • Computación evolutiva: aplica conceptos inspirados
    en la biología, tales como población,
    mutación y supervivencia del más apto para
    generar soluciones sucesivamente mejores para un problema.
    Estos métodos a su vez se dividen en algoritmos
    evolutivos (algoritmos genéticos) e inteligencia
    colectiva. (algoritmos hormiga)

El primer enfoque es por lo general el más
práctico, este se centra en los resultados obtenidos, en
la utilidad y no
tanto en el método. El
segundo está orientado a la creación de un sistema
artificial que sea capaz de realizar los procesos cognitivos
humanos.

Aplicaciones de la
Inteligencia Artificial

En la actualidad son muchas las áreas de
la Inteligencia Artificial en que se investiga.. La
representación del conocimiento, que busca en el
descubrimiento de métodos expresivos y eficientes,
describir información sobre aspectos del mundo.

. Los métodos de aprendizaje
automático, que extienden las técnicas estadísticas con el fin de posibilitar la
identificación de un amplio rango de tendencias generales
a partir de un conjunto de datos de entrenamiento.

. El campo de la planificación, que
enfrenta el desarrollo de algoritmos que construyen y ejecutan
automáticamente secuencias de comandos
primitivos con el fin de alcanzar ciertas metas de alto
nivel.

. Los trabajos en el área de razonamiento
posible, que hacen uso de principios
estadísticos para desarrollar codificaciones de
información incierta. . El estudio de las arquitecturas de
agentes, que busca la integración de otras áreas de la
Inteligencia Artificial con el objeto de crear agentes
inteligentes, entidades robustas capaces de comportamiento
autónomo y en tiempo real. . La coordinación y colaboración
multiagentes, que ha permitido el desarrollo de técnicas
para la representación de las capacidades de otros agentes
y la especificación del conocimiento necesario para la
colaboración entre ellos. . Los campos de procesamiento de
voz y lenguaje, que
buscan la creación de sistemas que se comunican con la
gente en su lenguaje.

. La síntesis y
comprensión de imágenes,
que conduce a la producción de algoritmos para el
análisis de fotografías, diagramas y
videos, así como también de técnicas para el
despliegue visual de información cuantitativa y
estructurada.

Pero también hay áreas de aplicación. La
inteligencia Artificial se aplica en los sistemas reales en una
gran variedad de rama y problemas; la gestión y
control
con la aplicación en el análisis
inteligente y la fijación de objetivos; en la
fabricación
(diseño,
planificación, programación); en la educación con la
aplicación en el adiestramiento
práctico, exámenes y diagnóstico, en la
ingeniería con el diseño, control y
análisis; en el equipamiento, se aplica la
Inteligencia Artificial en el diagnóstico, adiestramiento,
mantenimiento,
configuración, monitorización y ventas; en
la cartografía mediante la interpretación de fotografías,
diseño, resolución de problemas
cartográficos; en sistemas de armamento se aplica
la Inteligencia Artificial en la guerra
electrónica, identificación de
objetivos, control adaptativo, proceso de imágenes,
proceso de señales; en el procesamiento de
datos
se aplica en la educación,
interfase en lenguaje natural, acceso inteligente a datos y
gestores de bases de datos y en el análisis inteligente de
datos; en las finanzas
se aplica la Inteligencia artificial en la planificación y
en el análisis e interpretación de los estados
financieros de las empresas u organizaciones.

Existen varias aplicaciones comerciales de la Inteligencia
Artificial, una de ellas es en la configuración de
componentes de un sistema de computación, en el
diagnóstico de hardware
informáticos, de redes de ordenadores y en
diagnósticos médicos. También se aplica la
Inteligencia Artificial en la interpretación y
análisis de datos geológicos, en problemas
matemáticos complejos, en la evaluación
de amenazas militares, en la motorización de equipos, en
la fabricación y gestión de procesos
científicos, en la planificación y gestión
de activo y pasivo, en la gestión de carteras y en le
análisis de créditos y préstamos. Son muchas las
aplicaciones que tiene la Inteligencia Artificial hoy en
día, pero queda mucho por investigar y con el tiempo
seguirán apareciendo nuevos adelantos en esta ciencia, de
los cuales se beneficiará en gran medida el hombre.

Técnicas de
Inteligencia Artificial

En los últimos años del siglo pasado y los
primeros del presente, se han apreciado cambios en el mundo
empresarial, debido al avance de las tecnologías de la
información y junto a esto la necesidad de obtener
información veraz y en el menor tiempo posible, la
globalización de los mercados y la
incertidumbre en la toma de
decisiones. Todo esto ha propiciado el desarrollo de las
nuevas técnicas de Inteligencia Artificial.

Técnicas de Inteligencia
Artificial

  • Razonamiento basado en casos

  • Sistemas expertos.

  • Redes neuronales artificiales

  • Vida artificial.

  • Computación evolutiva.

  • Algoritmos genéticos

  • Estrategias evolutivas.

  • Lógica difusa.

  • Aprendizaje Automático.

  • Ingeniería del conocimiento.

  • Sistemas reactivos.

  • Sistemas multi-agente.

  • Sistemas basados en reglas.

  • Redes Bayesianas.

  • Técnicas de Representación de
    Conocimiento

  • Redes semánticas.

  • Frames.

  • Visión artificial.

  • Audición artificial.

  • Lingüística computacional.

  • Procesamiento del lenguaje natural.

  • Minería de datos.

En la actualidad, la Inteligencia artificial se está
aplicando a numerosas actividades realizadas por los seres
humanos y entre las técnicas de investigación
más destacadas de la Inteligencia Artificial aplicadas al
campo de la Contabilidad tenemos : el razonamiento basado en
casos, los sistemas expertos, las redes
neuronales, los algoritmos genéticos y la lógica
difusa. Estas técnicas pueden combinarse para obtener una
solución más adecuada del problema en estudio.

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. Es una tecnología de la
inteligencia artificial que representa el conocimiento como una
base de datos de casos y soluciones.

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 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. Luego se utiliza y evalúa una solución,
sugerida por los casos que han sido seleccionados con
anterioridad, para ver si se aplica al problema actual. 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.

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. 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.

Sistemas
Expertos

Los sistemas expertos son la rama de la Inteligencia
Artificial más empleada en la gestión
empresarial. Su origen se sitúa a mediados de los
años setenta, sin embargo, es a partir de la década
de los ochenta cuando se desarrollan aplicaciones en toda su
plenitud. Un sistema experto recopila en un programa
informático el conocimiento de especialistas en una
materia. Sus
dos componentes principales son la base de conocimientos y un
programa de inferencia. El saber de un experto se representa
mediante el uso de símbolos, creando una base de
conocimiento, posteriormente se diseña un programa de
inferencia que manipula la información simbólica
almacenada en dicha base de conocimiento mediante procesos de
búsqueda.

La tarea de adquisición del conocimiento es una tarea
compleja que precisa de varios actores. El ingeniero del
conocimiento, especialista informático que extrae el
conocimiento del especialista humano y lo plasma en el programa
informático. El especialista humano, que es quien posee el
conocimiento, la experiencia. El usuario del sistema, encargado
de utilizar el sistema experto.

Los sistemas expertos o inteligentes recogen una serie de
características fundamentales para cumplir con el objetivo
de ofrecer asesoramiento inteligente o tomar una decisión
inteligente sobre una función de un proceso
determinado:

  • Los sistemas expertos pueden resolver problemas muy
    difíciles.

  • Pueden funcionar con datos que contienen errores, usando
    reglas inciertas de enjuiciamiento.

  • Pueden contemplar múltiples hipótesis en
    competición simultáneamente.

  • Pueden explicar su proceso de razonamiento y justificar
    sus conclusiones.

Estos sistemas están diseñados para servir de
soporte a los complejos análisis que se requieren en el
descubrimiento de las tendencias del negocio, con el fin de tomar
decisiones eficientes y oportunas. Esto le permite a quienes
toman decisiones afrontar los retos del nuevo mundo empresarial
en el cual el conocimiento aparece como el factor esencial para
el desarrollo de las organizaciones. Algunas de las áreas
de aplicación de los sistemas expertos en el mundo
empresarial son las siguientes:

. Planeación
corporativa financiera. Análisis de inversiones.
Concesión de créditos . Análisis de
estados financieros. Interpretación de índices.
Análisis de tendencias . Recuperación y
revisión analítica de registros.
Cálculo y asignación de costos. Asignación
de recursos escasos . Control y análisis de desviaciones.
Diseño de sistemas de
información y de gestión. Análisis de
riesgos . Evaluación del control
interno de una empresa .
Opinión de un auditor.

Los Sistemas de Expertos son sistemas basados en reglas por lo
que pueden superar la capacidad de síntesis humana, por
ejemplo, cuando se requiere analizar un gran volumen de datos
en un corto espacio de tiempo. El experto humano se verá
obligado a despreciar parte de la información desechando
la que no considere relevante; sin embargo, el sistema experto,
dada su mayor velocidad de
proceso, puede analizar toda la información, sin que
aparezca fatiga u otros efectos propios del ser humano que
empeoran los resultados. Estos sistemas, convenientemente
construidos, pueden también superar al experto humano
cuando la decisión exige aplicar conocimientos de varios
campos.

Pese a su innegable potencia y
utilidad, los sistemas expertos presentan una serie de
inconvenientes como son su programación y mantenimiento,
la dificultad y el elevado costo en tiempo y
dinero para extraer el conocimiento de los especialistas humanos,
la poca flexibilidad a cambios o la dificultad que presenta la
manipulación de información incompleta,
inconsistente o errónea. Otro hecho importante a tener en
cuenta es la existencia de problemas que no son resolubles
algorítmicamente, o cuya solución mediante un
sistema experto u otro método convencional no es
suficientemente buena.

Estructura de un
sistema experto basado en reglas

Como señalan diversos autores, dada la gran diversidad
de sistemas expertos basados en reglas no se puede hablar de una
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: 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.

Redes Neuronales
Artificiales.

La computación programada, basada en reglas de
decisión y algoritmos codificados en programas que se
ejecutan sobre ordenadores digitales, ha dominado el
procesamiento de la información en las últimas
décadas. El avance de la Electrónica y las Ciencias de la
Computación ha permitido que hoy en día podamos
disponer sobre nuestra mesa de trabajo de ordenadores de gran
potencia. Pese a ello, existen tareas que ni las grandes
supercomputadores son capaces de resolver, o lo hacen de un modo
poco eficiente, mientras que el cerebro lo viene haciendo desde
hace millones de años con suma facilidad y eficiencia.

Debido a esto, los científicos se centraron en el
cerebro humano tratando de estudiarlo desde el punto de vista de
la computación. Las diferencias que separan cerebro y
ordenador son enormes. Un computador tradicional, es una
máquina que ejecuta una serie de instrucciones de forma
secuencial, siendo capaz de realizar complicadas operaciones
lógicas y aritméticas de una forma muy
rápida. La estructura del cerebro es radicalmente
diferente. No está compuesto por un único microprocesador
altamente complejo y eficiente, sino por miles de millones de
ellos, las neuronas, que realizan de modo impreciso y
relativamente lento un tipo de cálculo muy simple. Pese a
ello, estos sistemas resuelven ciertas tareas como la
visión o el control motor que manejan grandes cantidades
de información redundante, defectuosa y cambiante como
ninguna máquina que el hombre haya
podido construir hasta la fecha.

En este proceso del pensamiento científico surgen los
sistemas neuronales artificiales, con la idea de tomar las
características esenciales de la estructura neuronal del
cerebro para crear sistemas que lo minimicen en parte, mediante
sistemas electrónicos o mediante simulación por
ordenador, aprovechando sus propiedades de cálculo. Estos
sistemas están compuestos por multitud de procesadores
simples que operan sobre la base de reconocimiento de patrones, y
que pueden adquirir, almacenar y utilizar conocimiento
experimental, obtenido a partir de ejemplos. Esta forma de
adquirir el conocimiento es una de sus características
más destacables: no se programa de forma directa, es
decir, se adquiere a partir de ejemplos, por ajuste de
parámetros de las neuronas mediante un algoritmo de
aprendizaje. En cuanto al modo interno de trabajo las redes
neuronales recuerdan más a los modelos
estadísticos multivariantes.

Sistemas expertos y redes neuronales se asemejan en cuanto al
objetivo de modelizar el conocimiento, pero son radicalmente
opuestos en cuanto a cómo aspiran a conseguirlo. Como
vemos, los sistemas expertos se acercarían más al
razonamiento deductivo y las redes neuronales al inductivo. La
gestión empresarial utiliza frecuentemente ambos esquemas
de razonamiento, por lo que ambas técnicas tienen cabida.
Además, ambos modelos son perfectamente compatibles, de
forma que se pueden integrar en un único sistema, que se
suele conocer como red experta (es un sistema
combinado de una red neuronal con un
sistema experto). Probablemente este tipo de sistemas mixtos, si
son capaces de recoger las ventajas de ambos modelos, conozcan un
gran desarrollo en un futuro cercano.

Los elementos básicos de neurocomputación son
las neuronas artificiales. Estas se agrupan en capas,
constituyendo una red neuronal. Una o varias redes, más
los interfaces con el entorno, conforman el sistema global. Un
conjunto de capas constituyen una red neuronal, aunque
también existen estructuras de
una única capa. Una determinada red neuronal está
confeccionada y entrenada para llevar a cabo una labor
específica. Existen diferentes modelos de conexiones entre
capas, en general se suelen distinguir dos básicos: las
arquitecturas hacia adelante o feedforward y las realimentadas o
feedback. En las arquitecturas feedforward, la información
siempre se propaga hacia adelante. En las arquitecturas
realimentadas, las señales pueden en ocasiones fluir hacia
atrás a través de lazos de realimentación.
Un sistema neuronal incluye una o varias redes neuronales, los
interfaces de entrada y salida con el medio exterior, y puede
incluir otros subsistemas no necesariamente de tipo neuronal.

Las primeras investigaciones sobre redes
neuronales datan de principios del siglo XIX pero fue hasta la
década de los 40 y 50, en el siglo XX, cuando el estudio
de las redes neuronales cobró mayor fuerza,
gracias al movimiento
Conexionista. Este movimiento sostenía la premisa de que
el secreto para el aprendizaje y
el conocimiento se halla en axiomas o verdades incuestionables y
que el conocimiento es independiente de la estructura que maneje
los símbolos, y la representación del conocimiento
se hace desde el estrato más básico de la
inteligencia. Ya en los años 80 los nuevos avances en el
campo tecnológico y en el conocimiento de la estructura
del cerebro provocaron un resurgimiento del interés
por las redes neuronales permitiendo hasta el día de hoy
la creación de un número creciente de aplicaciones
en distintos campos y con diversos propósitos. Las redes
neuronales artificiales se constituyen en una técnica de
procesamiento masivo y paralelo de la información que
emula las características esenciales de la estructura
neuronal del cerebro biológico.

Las Redes Neuronales Artificiales son el resultado de
investigaciones académicas que utilizan fórmulas
matemáticas para modelar operaciones del
sistema
nervioso, es decir, es un modelo de
procesamiento de información que es inspirado por el modo
de un sistema nervioso biológico, tal como el cerebro
procesa información. El elemento clave de este paradigma es
la estructura original del sistema de procesamiento de
información. Este se compone de un gran número de
elementos interconectados procesando y trabajando en
armonía para resolver problemas específicos. Una
Red Neuronal Artificial es configurada para una aplicación
específica, tal como el reconocimiento de patrones o
clasificación de datos, a través de un proceso de
aprendizaje. Aprender en sistemas biológicos implica
ajustes para las conexiones sinópticas que existen entre
las neuronas. Esto lo hace una Red Neuronal Artificial.

También, las Redes Neuronales Artificiales se han
aplicado a un gran número de problemas reales de
complejidad considerable. Su ventaja más importante
está en resolver problemas que son demasiado complejos
para tecnologías convencionales, problemas que no tienen
un algoritmo de solución o que su algoritmo de
solución es muy difícil de encontrar. En general, a
causa de su abstracción del cerebro biológico, las
Redes Neuronales Artificiales están aptas para resolver
problemas que la gente puede resolver, pero las computadoras no
pueden. Estos problemas incluyen reconocimiento de patrones y
pronósticos, los cuales requieren el
reconocimiento de tendencias de datos.

Los sistemas neuronales presentan ciertos inconvenientes. Uno
importante es que habitualmente realizan un complejo
procesamiento que supone millones de operaciones, por lo que no
es posible seguir paso a paso el razonamiento que les ha llevado
a extraer sus conclusiones. Sin embargo, en redes
pequeñas, mediante simulación o por el estudio de
los pesos sinápticos sí es posible saber, al menos,
qué variables de las introducidas han sido relevantes para
tomar la decisión. Falta todavía mucho por estudiar
en el modo de operación de las redes neuronales.

Otro problema es que al ser una herramienta novedosa y en
pleno desarrollo, no se trata de una disciplina con un cuerpo
formal, coherente y establecido, por lo que el investigador se
encuentra con muchos problemas a los que todavía no se ha
encontrado solución.

Algoritmos
Genéticos

Los algoritmos genéticos son el resultado de los
recientes avances de la computación evolutiva y la
genética y se constituyen en una de las
principales herramientas
tecnológicas de la inteligencia artificial. Estos
algoritmos simulan la mecánica de la selección
natural y de la genética utilizando la información
histórica para encontrar nuevos puntos de búsqueda
de una solución óptima, permitiendo obtener
soluciones a un problema que por su complejidad no tiene
ningún método de solución de forma preciso.
Dicha solución exige cálculos complejos que de
manera normal tomarían demasiado tiempo.

La configuración básica de un algoritmo
genético es la siguiente:

  • Una representación, en términos de
    "cromosoma", de las configuraciones de nuestro problema.

  • Una manera de crear las configuraciones de la
    población inicial.

  • Una función de evaluación que permite
    ordenar los cromosomas de acuerdo con la función
    objetivo.

  • Operadores genéticos que permiten alterar la
    composición de los nuevos cromosomas generados por los
    padres durante la reproducción.

  • Valores de los parámetros que el algoritmo
    genético usa (tamaño de la población,
    probabilidades asociadas con la aplicación de los
    operadores genéticos.

Las principales aplicaciones de los algoritmos
genéticos en el campo de la gestión financiera
empresarial son: la predicción de la bancarrota de una
empresa;
evaluación y predicción de la capacidad financiera
de una empresa para absorber un préstamo y con el fin de
decidir el otorgamiento del mismo, la inferencia de reglas que
indiquen las mejores decisiones sobre la asignación de
recursos con base en información histórica de
varios años.

Generalmente, los algoritmos genéticos se emplean con
bastante éxito
en la investigación
de operaciones para resolver problemas de optimización
numérica y combinatoria.

Algoritmos genéticos aplicados al
problema cuadrático de asignación de facilidades
(QAP)

El QAP es un problema combinatorio, considerado por algunos
autores como NP-completo. El objetivo del QAP es encontrar una
asignación de facilidades a sitios, a fin de minimizar una
función que expresa costos o distancias.

La localización y distribución de facilidades es uno de los
tópicos más importantes en la formación de
profesionales en el área de Ingeniería
Industrial y de todos aquellos profesionales que se encargan
de la planificación, organización y crecimiento
sistemático de las ciudades. En la vida cotidiana y
profesional de todo individuo, se presentan una gran variedad de
problemas de localización de facilidades.

Los problemas de localización y distribución de
facilidades son estratégicos para el éxito de
cualquier operación de manufactura.
La principal razón es que los costos de manejo de
materiales comprenden entre el 30 y el 75% de los costos
totales de manufactura. Una buena solución problema de
asignación de facilidades contribuiría a la
eficiencia total de las operaciones, una pobre
distribución puede conducir a la acumulación de
inventario de
producto en
proceso, sobrecarga de los sistemas de manejo de materiales,
puestas a punto ineficientes y largas colas. Dentro de esta
amplia clase de
problemas que pueden ser catalogados como QAP se encuentra el
problema de flujo en línea generalizado, que es una
línea de flujo en la cual las operaciones fluyen hacia
adelante y no se procesan necesariamente en todas las
máquinas de la línea. Un trabajo en tal clase de
línea puede comenzar a procesarse y completar su proceso
en cualquier máquina, moviéndose siempre hacia
delante por operaciones sucesivas de acuerdo con la secuencia de
trabajo del proceso. Cuando la secuencia de operaciones para un
trabajo no especifica una máquina colocada delante de su
localización actual, el trabajo tiene que viajar en
sentido contrario a fin de completar la operación
requerida.

Lógica
Difusa

La lógica difusa (lógica borrosa) es una de las
disciplinas matemáticas que cuenta con mayor número
de seguidores en la actualidad  y un número creciente
de aplicaciones entre las cuales podemos mencionar: la
construcción de artefactos electrónicos de uso
doméstico y de entretenimiento, el diseño de
dispositivos artificiales de deducción automática y el
diseño de  sistemas de diagnóstico  y
de  control de complejos procesos industriales. De esta
manera la lógica difusa se constituye en una herramienta
con un gran potencial para el desarrollo de nuevos métodos
o técnicas de la Inteligencia Artificial.

La lógica difusa se funda en el concepto de que todo es
cuestión de grado, lo cual permite manejar
información vaga o de difícil
especificación, importante para la resolución de un
problema, por medio de una serie de reglas aprendidas con
sistemas adaptativos que se nutren de la observación de las personas o de la
formulación por parte del experto humano.

El aspecto central de las técnicas de lógica
difusa es que, a diferencia de la lógica clásica,
la lógica difusa tiene la capacidad de reproducir de
manera aceptable y eficiente los modos usuales del razonamiento
humano, al tener en cuenta que la certeza de una
proposición es una cuestión de grado, por esta
razón parte de la base del razonamiento aproximado y no
del razonamiento preciso como lo hace la lógica
clásica. De esta forma las características
más importantes de la lógica difusa son: la
flexibilidad, la tolerancia con la
imprecisión, la capacidad para moldear problemas
no-lineales y su fundamento en el lenguaje del sentido
común.

En el campo de las empresas la teoría
sobre la borrosidad se ha extendido en general a todas las
áreas de decisión en las que se manejan
estimaciones subjetivas basadas en la información
disponible y en su propia experiencia tales como: modelos de
decisión utilizados con criterios de optimización,
modelo de producción, inventario, seguro de vida,
localización de plantas
industriales, selección de carteras, estrategia de entrada
a mercados extranjeros, valoración de intangibles en
empresas de Internet, etc. Asimismo, la
utilización de las técnicas de lógica difusa
es aconsejable para resolver procesos muy complejos, es decir,
cuando se carece de un modelo matemático simple o para
procesos altamente no lineales, o si el procesamiento del
conocimiento experto puede ser desempeñado.

Son muchos los estudios y aplicaciones que se han logrado con
el desarrollo de esta ciencia (Inteligencia Artificial), 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.

Después de conocer las técnicas de Inteligencia
Artificial más importantes hasta el momento, es necesario
señalar que de entre todas las técnicas,
actualmente dos tienen el mayor interés para las
aplicaciones en las empresas: los sistemas de expertos y las
redes neuronales artificiales. 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.

 

Autora:

Lic. Fanny Molina Flores

Lic. Contabilidad y FinanzasUniversidad Central
Marta Abreu de Las Villas. Cuba

UCLV – Dir. Economía –
Departamento de Finanzas

[1] Horngren Charles, T. Contabilidad
Financiera I: Introducción a la Contabilidad. Editorial
Prentice-Hall Internacional, 1983.

[2] Fleifel Tapia, Farid. Inteligencia
Artificial. Disponible en: http//www.redcientífica.com/gaia/ia/iac.htm.

[3] y (4) Introducción a la
Inteligencia Artificial. Disponible en:
http//es.wikipedia.org/wiki/Inteligencia_Artificial/Introducción.

Partes: 1, 2
 Página anterior Volver al principio del trabajoPágina siguiente 

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