Con cierto paralelismo fueron surgiendo otros campos de la IA que hoy, ya bien elaborados toman fuerza y definen el desarrollo de esta. Principalmente se identifican como los tres paradigmas del desarrollo de la IA: Redes Neuronales, Algoritmos Genéticos y Sistemas de Lógica Difusa.
Las Redes Neuronales simulan ciertas características de los humanos como la capacidad de asociar hechos, de memorizar, de aprender y porque no también, de olvidar. Una red neuronal es "un nuevo sistema para el tratamiento de la información, cuya unidad básica de procesamiento está inspirada en la célula fundamental del sistema nervioso humano: la neurona" [1].
La capacidad de aprendizaje adaptativo de estas redes condiciona la realización de tareas a partir de modelos creados mediante entrenamientos supervisados o no supervisados. Auto-adaptarse para poder encontrar soluciones hasta el momento no conocidas, es parte de sus características de aprendizaje, lo logran gracias a que son muy dinámicas y se auto-ajustan con facilidad. Por lo general una red después de su entrenamiento puede continuar aprendiendo durante toda su vida sin la necesidad de la creación por parte se su diseñador de algún algoritmo para resolver el problema, pues ellas generan sus propias distribuciones de los pesos en los enlaces.
Tienen gran tolerancia a los fallos en cuanto a la entrada de datos como la integridad de la red, son capaces de aprender a reconocer patrones con diferentes interferencias y aunque parte del sistema esté dañado pueden seguir realizando sus funciones hasta cierto punto.
Auto-organizan la información de manera tal que si alguna entrada no esta clara o completa puedan dar una solución o aun cuando no habían sido expuestas a esas situaciones.
Los campos en los que se pueden aplicar las Redes Neuronales son amplios, entre ellos resaltan:Maximización de solución, Reconocimiento de patrones, Aprendizaje supervisado y no supervisado y en Autómatas.
Los Algoritmos Genéticos maximizan soluciones para ello imitan la evolución biológica para resolver problemas, seleccionando de un grupo de soluciones generadas aleatoriamente las que mas se puedan acercar a posibles soluciones de la situación planteada permitiéndoseles vivir y reproducirse con técnicas de cruzamientos o introduciéndole mutaciones para producir pequeñas variaciones en su constitución. Los nuevos individuos se someten a otra iteración en la cual los que han empeorado o no han mejorado se desechan y se vuelven a reproducir los vencedores. Se espera que los resultados mejoren sustancialmente con el transcurso de las generaciones llegando a obtener resultados muy precisos.
El objetivo de los AG es buscar dentro de varias hipótesis la mejor de ellas, que en este caso es la que optimiza el resultado del problema dado, es decir, la que más se aproxima a dicho valor numérico una vez evaluada por la función de evaluación.
Entre las principales funciones de selección de individuos que se convertirán en padres se encuentran: Función de Selección Proporcional a la Función Objetivo, donde cada individuo tiene una probabilidad de ser seleccionado como padre que es proporcional al valor de su función objetivo; Selección Elitista, intenta escoger el mejor individuo de la población; Selección por Torneo, la idea principal consiste en escoger al azar un grupo de individuos de la población.
Una vez seleccionados los individuos padres deberán ser cruzados por medio de la selección de un punto de corte para posteriormente intercambiar las secciones. Se puede introducir un operador de mutación para generar pequeñas variaciones en el código genético de los individuos.
Los Algoritmos Genéticos son aplicables a la Ingeniería Aeroespacial; a la Astronomía y Astrofísica para obtener la curva de rotación de una galaxia, determinar el periodo de pulsación de una estrella variable; a la Química; a la Ingeniería Eléctrica; a las Matemáticas y algoritmia para resolver ecuaciones de derivadas parciales no lineales de alto orden; la Biología Molecular; Reconocimiento de Patrones y Explotación de Datos y la Robótica para controlar y decidir que acciones realizar en diferentes situaciones.
Los Sistemas de Lógica Difusa manejan y trabajan la certidumbre de datos difusos, permiten representar de forma matemática conceptos o conjuntos borrosos en los cuales no se pueden determinar soluciones exactas a partir de datos umbrales. En contraposición con la Lógica Clásica, esta trabaja con valores entre cero (0) y uno (1) donde pueden existir varios resultados verdaderos con diferentes grados de precisión. Si usted necesita determinar si una persona es alta con la ayuda de la Lógica Clásica, normalmente lo haría comparando con un valor numérico para obtener un resultado booleano de verdadero o falso, pero, ¿Cómo saber cuan alta es una persona? Con la ayuda de la Lógica Difusa es muy fácil resolver esta dificultad, solo hay que trabajar con grados y a estos asignarles valores de cuantificación, así si una persona mide 1.85 metros podemos decir que en una escala de cero a uno [0,1] tiene un valor de 0.92 al cual puede estar asignado el valor cuantificador de "bastante alto".
Esta lógica se adapta mucho mejor a la vida cotidiana y es capaz de interpretar expresiones como: "hace poco frío" o "estoy muy cansado".esto se logra al adaptar el lenguaje para que comprenda nuestros cuantificadores.
Para los conjuntos difusos se definen también las operaciones de unión, intersección, diferencia, negación o complemento. Cada conjunto difuso tiene una función de pertenencia para sus elementos que indican en que medida el elemento forma parte de ese conjunto. Algunas de las formas de funciones de pertenencia más típicas son lineales, trapezoidales y curvas.
Su basamento está sustentado por reglas heurísticas de la forma SI(expresión)ENTONCES(acción) donde la expresión – que es un antecedente – y la acción –que es el consecuente – son conjuntos difusos.
Ej.: SI hace muchísimo frió ENTONCES aumento considerablemente la temperatura.
La Lógica Difusa se usa cuando los problemas a resolver poseen una amplia complejidad o no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido,para tratar variables lingüísticas, con grados de partencia a diferentes conjuntos o términos de variables lingüísticas. Algunos ejemplos de aplicación de la Lógica Difusa tienen pie en: Sistemas de Control de Acondicionadores de aire; Electrodomésticos familiares; Optimización de Sistemas Industriales; Sistemas Expertos; Bases de Datos Difusas para almacenar y consultar información imprecisa; en la Inteligencia Artificial para la resolución de problemas relacionados con el control industrial y sistemas de decisión en general.
Conclusiones
La Inteligencia Artificial como ciencia, promete la solución a diferentes dificultades de la vida humana, exploraciones en lugares donde los humanos no pueden acceder, realización de trabajos con riesgos para la vida, toma de decisiones que impliquen pensamientos sentimentales y reconocimiento de patrones.
Gracias a los paradigmas o modelos de la IA que son sin dudas los motores que la impulsan hacia el desarrollo continuo de nuevos procedimientos y técnicas, los sistemas son cada vez mas especializados, más robustos y confiables demuestran sin lugar a dudas que esta ciencia avanza con paso firme hacia el futuro y que es un hecho la solución de muchas problemáticas.
Definiciones
Patrones: Un diseño mecánico o artístico que revela trazos constantes o características replicables.(www.udesarrollo.cl/udd/CDD/charlas/files/B4-Glosario_Terminos.doc)
Torres de Hanoi: Es un rompecabezas o juego matemático inventado en 1883 por el matemático francés éduard Lucas. (http://es.wikipedia.org/)
Criptoaritmética: Consiste en sustituir cada letra por un dígito, de modo que las cuentas (operaciones) sean correctas. A igual letra, igual dígito, y a distinta letra, distinto dígito. Como es habitual, los números no pueden tener ceros a izquierda.(http://www-2.dc.uba.ar/charlas/lud/criptoar.htm)
Microcosmos: Pequeño espacio de un sistema ordenado o armonioso.
Sistema Experto: Sistema basado en Inteligencia Artificial que mediante una base de conocimientos obtenida de la experiencia de diferentes expertos (personas) es capaz de resolver problemas en un campo específico.
Programación descriptiva: Es la programación que se preocupa fundamentalmente por el QUé voy ha hacer y no por el CÓMO, se auxilia de una base de hechos y reglas proposicionales.
Algoritmo: Conjunto de reglas para efectuar algún cálculo, bien sea a mano o (más frecuentemente) a máquina. No debe implicar ninguna decisión subjetiva, ni requerir intuición o creatividad. (www.nachocabanes.com/diccio/ndic.php)
Heurísticas: Regla que permite orientar un algoritmo hacia la solución de un problema. Técnica de programación que permite a un sistema la creación gradual de un valor óptimo para una variable específica por medio del registro de los valores obtenidos en operaciones anteriores. (www.euromaya.com/glosario/H_GLOSARIO.htm)
Computación evolutiva: Está basada fundamentalmente en la evolución de las especies. Se apoya en las teorías evolutivas de Charles Darwin y en las Leyes de Mendel.
Paradigma: Modelo, patrón, objetivo a seguir para cumplir con una meta.
Referencias Bibliográficas
[1] Bollilla, Ana. "Redes Neuronales" en http://www.monografias.com.
Monografías.com. 03 mayo 2003.
Bibliografía
David Santiago, Pablo. "Inteligencia Artificial" en http://www.monografias.com.
Monografías.com. 18 enero 2005.
Bollilla, Ana. "Redes Neuronales" en https://www.edu.red.
Monografías.com. 03 mayo 2003.
Patricia Daza, Sandra. "Redes neuronales artificiales Fundamentos, modelos y aplicaciones" en https://www.edu.red. Monografías.com
Manuel Castillejos Reyes, Juan. "Inteligencia Artificial" (2004) en http://www.enterate.unam.mx/Articulos/2004/junio/artificial.htm. Entérate en línea. Num. 64. 29 noviembre 2007.
Marczyk, Adam. "Algoritmos Genéticos y Computación Evolutiva" (2004) en http://the-geek.org/docs/algen/
Elguea, Javier. "Inteligencia artificial y psicología: la concepción contemporánea de la mente humana" (1987) en http://biblioteca.itam.mx/estudios/estudio/estudio10/sec_13.html
El perceptrón de Rossenblatt en http://www.cinefantastico.com/nexus7/ia/neurocomp5.htm
Autor:
Michel Velázquez Mariño
Cuba
2008
Universidad de las Ciencias Informáticas
Facultad III
Ciudad de la Habana
 Página anterior | Volver al principio del trabajo | Página siguiente  |