Unidad 1.- Introducción a los sistemas inteligentes.
1.1 Inteligencia Artificial
Empezaremos
planteando la pregunta filosófica fundamental, para así poder dedicar nuestros
esfuerzos a aspectos de carácter científico-técnico. ¿Es físicamente posible
que una máquina presente capacidad de abstracción similar a la inteligencia
humana? hay que tener en cuenta que el cerebro humano es el sistema de
reconocimiento de patrones más complejo y eficiente que conocemos. Los humanos
realizamos acciones tan sorprendentes como identificar a un conocido entre la
multitud o reconocer de oído el solista de un concierto para violín.
¿Cómo
se define la inteligencia artificial (IA)?, esta tiene como objetivo el estudio
de las entidades inteligentes; pero a diferencia de la filosofía, la
psicología, las neurociencias, y demás disciplinas cuyo objeto está relacionado
con la inteligencia, su meta no tiene que ver únicamente con la comprensión de
estas entidades, si no con su construcción.
Figura 1.- Modelo de Ciencias Cognitivas.
Así
que la Inteligencia Artificial se enfoca en lograr la compresión de entidades
inteligentes. En la actualidad es una gran variedad de subcampos que van desde
propósito general, como el aprendizaje y la percepción, a otras más a
específicas como el realizar demostración de teoremas matemáticos, la escritura,
lectura y diagnóstico de enfermedades, problemas de economía, finanzas,
construcción de vehículos, automatización de plantas entre otros.
Los
temas fundamentales de la inteligencia artificial, se compone en varias areas
de estudio, las mas comunes e importantes son: búsqueda de soluciones, sistemas
expertos, procesamiento del lenguaje natural, reconocimiento de modelos,
robótica, aprendizaje de las maquinas, lógica, incertidumbre y lógica difusa
Definiciones principales
de IE
A
lo largo de la historia se han seguido los cuatro enfoques. Como es de esperar,
existe un enfrentamiento entre los enfoques centrados en los humanos y los
centrados en la racionalidad. El enfoque centrado en el comportamiento humano
no debe de ser una ciencia empírica, que incluya una hipótesis y confirmaciones
mediante experimentos. El enfoque racional implica una combinación de
matemáticas e ingeniería.
Sistemas
que piensan como humanos:
El nuevo y excitante esfuerzo de hacer que los computadores piensen, maquinas
con mentes en el más amplio sentido literal, la automatización de las
actividades que vinculamos con procesos de pensamiento humano, actividades como
la toma de decisiones, resolución de problemas de aprendizaje.
Sistemas que piensan racionalmente: El estudio de las facultades mentales
mediante el uso de modelos computacionales, el estudio de los cálculos que
hacen posible percibir, razonar y actuar.
Sistemas
que actúan como humanos:
El arte de desarrollar maquinas con capacidad para realizar funciones que cuando
son requieran de inteligencia, el estudio de cómo lograr que los computadores
realicen tareas que por el momento los humanos hacer mejor.
Sistemas que actúan
racionalmente: La
inteligencia computacional es el estudio del diseño de agentes inteligentes, la
inteligencia artificial está relacionada con conductas, inteligentes en
artefactos.
1.2 Desarrollo histórico.
Esta
disciplina no es nueva. Hace algo más de cincuenta años, el 31 de agosto de
1955, Marvin Minsky, John McCarty, Nathan Rochester y Claude Shannon
propusieron la celebración de una reunión de dos meses de duración, que tuvo
lugar en el Dartmouth College durante el verano de 1956. Su principal objetivo
era discutir: ¿la conjetura de que todos los aspectos del aprendizaje o de
cualquier otra característica de la inteligencia pueden, en principio, ser
descritos de modo tan preciso que se pueda construir una máquina capaz de
simularlos? El tema parecía tan novedoso que acuñaron un nuevo término para él:
Inteligencia Artificial. A esa conferencia asistieron algunos de los
científicos que posteriormente se encargaron de desarrollar la disciplina en
diferentes ámbitos y de dotarla de una estructura teórica y computacional
apropiada. Entre los asistentes estaban John McCarthy, Marvin Minsky, Allen
Newell y Herbert Simon. En la conferencia, A. Newell y H. Simon presentaron un
trabajo sobre demostración automática de teoremas al que denominaron Logic
Theorist. El Logic Theorist fue el primer programa de ordenador que emulaba características
propias del cerebro humano, por lo que es considerado el primer sistema de inteligencia
artificial de la historia. El sistema era capaz de demostrar gran parte de los
teoremas sobre lógica matemática que se presentaban en los tres volúmenes de
los Principia Mathematica de Alfred N. Whitehead y Bertrand Russell
(1910-1913).
Minsky
y McCarthy fundaron más tarde el laboratorio de inteligencia artificial del
Massachusets Institute of Technology (MIT), uno de los grupos pioneros en el
ámbito. La actividad de los años cincuenta es consecuencia de trabajos teóricos
de investigadores anteriores como Charles Babbage (autor de la Máquina
analítica, 1842), Kurt Gödel (teorema de incompletitud, 1930), Alan Turing
(máquina universal, 1936), Norbert Wiener (cibernética, 1943) y John von
Newmann (arquitectura del computador, 1950). La arquitectura de von Newmann
consta de una unidad central de proceso (CPU) y de un sistema de almacenamiento
de datos (memoria), y fue utilizada en 1954 por RAND Corporation para construir
JOHNNIAC (John v. Neumann Numerical Integrator and Automatic Computer), una de
las primeras computadoras en las que más tarde se implementaron sistemas de
inteligencia artificial como el Logic Theorist de Newell y Simon.
En
1954 también apareció el IBM 704, la primera computadora de producción en
cadena, y con ella se desarrollaron numerosos lenguajes de programación
específicamente diseñados para implementar sistemas de inteligencia artificial
como el LISP. Junto con estos avances, se produjeron los primeros intentos para
determinar la presencia de comportamiento inteligente en una máquina. El más
relevante desde el punto de vista histórico fue propuesto por Alan Turing en un
artículo de 1950 publicado en la revista Mind y titulado Computing Machinery
and Intelligence.
Tras
los primeros trabajos en IA de los años cincuenta, en la década de los sesenta
se produjo un gran esfuerzo de formalización matemática de los métodos
utilizados por los sistemas de IA.
Los
años setenta, en parte como respuesta al test de Turing, se produjo el
nacimiento de un área conocida como procesado del lenguaje natural (NLP,
Natural Language Processing), una disciplina dedicada a sistemas artificiales
capaces de generar frases inteligentes y de mantener conversaciones con humanos.
El NLP ha dado lugar a diversas áreas de investigación en el campo de la
lingüística computacional, incluyendo aspectos como la desambiguación semántica
o la comunicación con datos incompletos o erróneos. A pesar de los grandes
avances en este ámbito, sigue sin existir una máquina que pueda pasar el test
de Turing tal y como se planteó en el artículo original. Esto no es tanto
debido a un fracaso de la IA como a que los intereses del área se se han ido
redefiniendo a lo largo de la historia. En 1990, el controvertido empresario
Hugh Loebner y el Cambridge Center for Behavioral Studies instauraron el premio
Loebner, un concurso anual ciertamente heterodoxo en el que se premia al
sistema artificial que mantenga una conversación más indistinguible de la de un
humano. Hoy en día, la comunidad científica considera que la inteligencia
artificial debe enfocarse desde una perspectiva diferente a la que se tenía en
los años cincuenta, pero iniciativas como la de Loebner expresan el impacto
sociológico que sigue teniendo la IA en la sociedad actual.
En
los años ochenta empezaron a desarrollarse las primeras aplicaciones
comerciales de la IA, fundamentalmente dirigidas a problemas de producción,
control de procesos o contabilidad. Con estas aplicaciones aparecieron los
primeros sistemas expertos, que permitían realizar tareas de diagnóstico y toma
de decisiones a partir de información aportada por profesionales expertos. En
torno a 1990, IBM construyó el ordenador ajedrecista Deep Blue, capaz de
plantarle cara a un gran maestro de ajedrez utilizando algoritmos de búsqueda y
análisis que le permitían valorar cientos de miles de posiciones por segundo.
Más
allá del intento de diseñar robots humanoides y sistemas que rivalicen con el
cerebro humano en funcionalidad y rendimiento, el interés hoy en día es diseñar
e implementar sistemas que permitan analizar grandes cantidades de datos de
forma rápida y eficiente. En la actualidad, cada persona genera y recibe a
diario una gran cantidad de información no sólo a través de los canales
clásicos (conversación, carta, televisión) sino mediante nuevos medios que nos
permiten contactar con más personas y transmitir un mayor número de datos en
las comunicaciones (Internet, fotografía digital, telefonía móvil). Aunque el
cerebro humano es capaz de reconocer patrones y establecer relaciones útiles
entre ellos de forma excepcionalmente eficaz, es ciertamente limitado cuando la
cantidad de datos resulta excesiva. Un fenómeno similar ocurre en el ámbito
empresarial, donde cada día es más necesario barajar cantidades ingentes de
información para poder tomar decisiones. La aplicación de técnicas de IA a los
negocios ha dado lugar a ámbitos de reciente implantación como la inteligencia
empresarial, Business Intelligence o la minería de datos (Data Mining). En
efecto, hoy más que nunca la información está codificada en masas ingentes de
datos, de forma que en muchos ámbitos se hace necesario extraer la información
relevante de grandes conjuntos de datos antes de proceder a un análisis detallado.
Algunas
veces nos interesará caracterizar los datos de forma simplificada para poder
realizar un análisis en un espacio de dimensión reducida o para visualizar los
datos de forma más eficiente. Por ejemplo, puede ser interesante saber qué
subconjunto de índices bursátiles internacionales son los más relevantes para
seguir la dinámica de un cierto producto o mercado emergente. En otras
ocasiones, el objetivo será identificar patrones en los datos para poder
clasificar las observaciones en diferentes clases que resulten útiles para
tomar decisiones respecto un determinado problema. Un ejemplo de este segundo
tipo de aplicación sería el análisis de imágenes médicas para clasificar a
pacientes según diferentes patologías y así ayudar al médico en su diagnóstico.
Por último, en muchos casos se hace necesario realizar búsquedas entre una gran
cantidad de datos u optimizar una determinada función de coste, por lo que
también será necesario conocer métodos de búsqueda y optimización. En esta
clase de problemas encontramos, por ejemplo, el diseño de los horarios de una
estación de trenes de forma que se minimice el tiempo de espera y el número de
andenes utilizados.
Figura 2.- Primera computadora.
Figura 3.-Maquina universal desarrollada
por Alan Turing.
Figura 4.-El primero robot de la
historia “Elektro”.
1.3 Prueba de Turing
La
contribución del matemático inglés Alan Turing al mundo de la computación en
general, y al de la IA en particular, fue muy considerable. Turing, participó
en el diseño de uno de los primeros computadores que existieron, desarrollado
para el ejército inglés, entre los años 40 y 50. Además de aportar los
conceptos básicos de la arquitectura secuencial de los computadores, publicó en
1950 un provocador artículo que tiene por título “Computer Machinery and
Intelligence”, que comienza con la no menos provocadora pregunta: ¿Pueden las
máquinas pensar? En dicho artículo el autor intenta abordar formalmente
acciones consideradas hasta ese momento propias de los seres humanos, de forma
que después pudieran implementarse en las máquinas, dotándolas así de
capacidades como: aprender, crear, etc.
Mediante
la prueba de Turing, propuesta por Alan Turing (1950), se intenta ofrecer una
satisfactoria definición operativa de lo que es la inteligencia. Turing definió
una conducta inteligente como la capacidad de lograr eficiencia a nivel humano
en todas las actividades de tipo cognoscitivo, suficiente para engañar a un
elevador. Brevemente, la prueba que Turing propuso consistía en que un humano
interrogase a una computadora por medio de un teletipo; la prueba se
consideraba aprobada si el evaluador era capaz de determinar si una computadora
o un humano era quien había respondido las preguntas en el otro extremo de la
terminal. Cabe señalar que hoy por hoy, el trabajo que entraña programar una
computadora para pasar la prueba es considerable. La computadora debería ser
capaz de lo siguiente:
• Procesar
un lenguaje natural. Para así poder establecer comunicación satisfactoria,
sea en inglés o en cualquier otro idioma humano.
• Representar
el conocimiento. Para así guardar toda la información que se le haya dado
antes o durante el interrogatorio.
• Razonar
automáticamente. Con el propósito de utilizar la información guardada al
responder preguntas y obtener nuevas conclusiones.
• Autoaprendizaje
de la máquina. Para que se adapte a nuevas circunstancias y para detectar y
extrapolar esquemas determinados.
En
la prueba de Turing deliberadamente se evitó la interacción física directa
entre evaluador y computadora, dado que para medir la inteligencia era
innecesario simular físicamente a un humano. Sin embargo, en la denominada
prueba total de Turing se utiliza una señal de video para que el evaluador
pueda calificar la capacidad de percepción del evaluado, y también para que
aquél pueda pasar objetos físicos “a través de la trampa”.
Para
aprobar la prueba total de Turing, es necesario que la computadora esté dotada
de:
•
Visión. Que le permita percibir
objetos.
•
Robótica. Para desplazar los
objetos.
En
el campo de la IA no se han hecho muchos esfuerzos para pasar la prueba de
Turing. La necesidad de actuar como los humanos se presenta básicamente cuando
los programas de IA deben interactuar con gente, por ejemplo, cuando un sistema
experto de procesamiento de lenguaje natural entabla diálogo con un usuario.
Programas
como los anteriores deberán comportarse de acuerdo con ciertas convenciones
normales de las interacciones humanas con el objetivo de poder entenderlos. Por
otra parte, la manera de elaborar representaciones y de razonar en qué se basan
estos sistemas podrá o no conformarse de acuerdo con un modelo humano.
1.4.- Concepto de sistema inteligente
Un
sistema es una parte o fragmento del universo, todo lo que existe limitado en
espacio y tiempo, la inteligencia se puede observar como una medida que indica
que tan fácil logra un sistema su objetivo, a partir de esos dos conceptos lo podemos
definir como un sistema que aprende durante su existencia el cómo actuar para
alcanzar sus objetivos.
Podemos complementarlo que es un sistema
completo que incluye "sentidos" que le permiten recibir información
de su entorno. Puede actuar, y tiene una memoria para archivar el resultado de
sus acciones. Tiene un objetivo e, inspeccionando su memoria, puede aprender de
su experiencia. Aprende cómo lograr mejorar su rendimiento y eficiencia.
1.4.1.- Arquitectura de un sistema inteligente
Los
seres humanos y animales son sistemas inteligentes naturales, y los sistemas
artificiales tratan progresivamente de emular sus capacidades. Estos sistemas
se caracterizan por sus capacidades de adaptarse a situaciones cambiantes,
capacidad que los actuales sistemas se encuentran en proceso de lograrlo. A
partir de este concepto nacen los sistemas expertos o inteligentes, que son las
Redes Neuronales Artificiales, PID Difuso, Arboles de Decisiones, Búsqueda
local y algoritmos genéticos, clustering y clasificadores, machine Learning entre
otros.
A
continuación, podemos observar el modelo genérico de un sistema inteligente:
Figura 5.-Modelo de un sistema
inteligente.
Un
sistema inteligente normalmente posee conocimiento de un experto en el proceso
(sistema) que ayuda a establecer las reglas para el aprendizaje. La base del conocimiento representa el
conocimiento experto y el problema en forma de hechos descriptivos y reglas de
inferencia lógica. La base de conocimientos es algo más que una base de datos,
ya que su mecanismo de búsqueda (query) es más que una simple comparación (text
matching), de hecho (como se verá más delante), es una búsqueda donde un
elemento puede "encadenar" a otro (chaining) utilizando comparaciones
más sofisticadas (unification and pattern matching). Desde luego, la calidad
del conocimiento de salida dependerá de la calidad del conocimiento depositado
en su correspondiente base de conocimiento (garbage-in, garbage-out). La base de conocimiento traduce reglas
siguiendo sus propios algoritmos de búsqueda, control y resolución de
conflictos. Dos métodos típicos de búsqueda (encadenamiento de reglas) son: 1)
forward chaining y 2) backward chaining. De manera simplificada, el proceso
inicia partiendo de los hechos del problema que se alimenten al sistema, e.g.
un dato, lectura, señal, imágen, etc. Luego, la máquina intenta llegar a una
conclusión válida buscando aquellas relgas que crea puedan cumplirse, i.e.
mecanismo de encadenamiento. Cada vez que se cumple una regla, existe un nuevo
hecho que de no ser la solución definitiva, puede usarse este "nuevo"
conocimiento como un "nuevo" hecho en la base de conocimientos. Además,
podemos argumentar que estos son capaces de proporcionar recomendaciones al
sistema a partir del conocimiento (módulo de razonamiento), toman soluciones
basadas en las reglas totalmente justificadas.
1.4.2.-Sistema Tradicional Vs Sistema Inteligente
El
sistema tradicional es capaz de recibir datos, procesarlos y presentar los
resultados, y un sistema inteligente es capaz de percibir, razonar y actuar.
Esas son las principales diferencias entre ellos.
Figura 6.-Modelo de un sistema
tradicional.
Las
ventajas de un sistema inteligente en cuanto a disponibilidad comparado con un
empleado son las siguientes:
·
Están
disponibles ininterrumpidamente de día y noche, ofreciendo siempre su máximo
desempeño.
·
Pueden
duplicarse ilimitadamente, i.e. tener tantos de ellos como se requieran.
·
Pueden
trabajar en entornos hostiles y peligrosos.
·
Siempre
se ajustan a las normas establecidas y son consistentes en su desempeño, i.e.
no desarrollan apreciaciones subjetivas, tendenciosas, irracionales o
emocionales. No padece de olvido, fatiga, dolor o comete errores de cálculo.
·
No
requiere un sueldo, promociones, seguros médicos, incapacidades.
·
Siempre
están dispuestos a dar explicaciones, asistir o enseñar a la gente, así como a
aprender.
·
Pueden
tener una vida de servicio ilimitada
Por
estas características los sistemas inteligentes están sustituyendo a los
humanos para realizar actividades diarias ya que son más eficientes para un
proceso. Así como también tienen ventajas cuenta con desventajas que pueden
llevar a que un proceso no se inteligente:
·
El
conocimiento es difícil de extraer de los expertos humanos para realizar un
proceso complicado.
·
La
aproximación de cada experto a la situación evaluada puede ser diferente.
·
Tienen
una noción muy limitada acerca del contexto de problema, i.e. no pueden
percibir todas las cosas que un experto humano puede apreciar de una situación.
·
Pueden
existir decisiones que sólo son de competencia para un ser humano y no una
máquina.
·
No
saben cómo subsanar sus limitaciones, e.g. no son capaces de trabajar en equipo
o investigar algo nuevo.
·
Son
muy costosos de desarrollar y mantener.
Las
ventajas de un sistema tradicional al de un sistema inteligente la podemos
observar en la siguiente tabla:
Sistemas Inteligentes
|
Sistemas Tradicionales
|
·
Toman Decisiones
·
Calculan Resultados
·
Basados en Heurísticas
·
Dan Explicaciones de los Resultados
·
Usan Reglas de Inferencia
·
Accesan Bases de Conocimientos (Deductivas)
·
Centrados en el Experto y el Usuario
·
Manejan Conocimiento Impreciso, Contradictorio o
Incompleto
·
Usan Datos y Lenguajes Simbólicos
|
·
Calculan resultados
·
Basados en Algoritmos
·
Dan Resultados sin Explicaciones
·
Usan Secuenciación, Ciclos y Condicionales
·
Centrados en el Analista y el Programador
·
Conocimientos Precisos, Completos y Exactos
·
Usan Datos Numéricos y Lenguajes Procedurales
|
En
este trabajo revisamos los conceptos de Inteligencia Artificial, Sistema
Inteligente y también exploramos un poco en la historia de la inteligencia
artificial, las ventajas y desventajas de los sistemas inteligentes y demás
conceptos que nos ayudaron a entender un poco de la inteligencia artificial y
sus sistemas inteligentes. También enfrentamos un sistema tradicional contra un
sistema inteligente para observar cuales son las diferencias entre los mismos.
Describiremos
el funcionamiento de un sistema inteligente actualmente usado para analizar a
fondo los conceptos adquiridos.
Un ejemplo usado en la
industria actual es la automatización de los procesos que conllevan a realizar
un producto final. Normalmente para realizar un proceso de control de una refinería implica abrir o cerrar válvulas,
ajustar temperaturas o presiones para realizar esto se utilizan personas para
completar estas acciones, actualmente se pueden realizar esos procesos con un
sistema inteligente que es capaz de controlar las variables de presión o
temperatura y apertura y cierre de válvulas. La percepción del sistema serán las lecturas de la temperatura y
presión, las acciones serán abrir o
cerrar válvulas, ajustar la temperatura o presión y las metas serán lograr la mayor pureza de los hidrocarburos,
rendimiento y seguridad de la refinería. Es un proceso que no lleva a un propósito,
para lograr una optimización de la refinería en la operación de la misma.
