UNIVERSIDAD PRIVADA TELESUP

INGENIERIA DE SISTEMAS E INFORMATICA

INTELIGENCIA ARTIFICIAL
CURSO

INVESTIGACION OPERATIVA

CICLO

PROFESOR

ANTENOR LEVA APAZA

ALUMNOS

:
ALFREDO JOSE REYES VARGAS
MANUEL JOSE SANCHEZ RODRIGUEZ

Noviembre 2012

Agradecemos a nuestras familias el

apoyo incondicional que nos brindan
para alcanzar nuestros objetivos.

INDICE
RESUMEN............................................................................................................... 5
SUMMARY............................................................................................................... 6
INTRODUCCION...................................................................................................... 7
ANTECEDENTES...................................................................................................... 8
HISTORIA............................................................................................................. 8
DEFINICION........................................................................................................... 13
LA INTELIGENCIA ARTIFICIAL............................................................................. 13
CARACTERISTICAS DE LA INTELIGENCIA ARTIFICIAL........................................14
Smbolos vs. Mtodos Numricos....................................................................16
Alfabeto del Lenguaje de la Lgica de Primer Orden.........................................17
FUNCIONAMIENTOS GENERALES DE LA INTELIGENCIA ARTIFICIAL......................20
Tipos de Algoritmos Utilizados............................................................................... 20
Algoritmo Gentico................................................................................................ 22
Sistemas Basados en Conocimiento.......................................................................23
Niveles de conocimiento........................................................................................ 25
Sistemas Expertos................................................................................................. 25
Fases del proceso.................................................................................................. 28
TENDENCIAS DE LOS SISTEMAS DE INTELIGENCIA ARTIFICIAL.............................29
Redes neuronales.................................................................................................. 29
Analoga de redes neuronales biolgicas y artificiales.............................................30
Sistemas de lgica difusa....................................................................................... 31
Algoritmos genticos............................................................................................. 32
CRITICAS A LA INTELIGENCIA ARTIFICIAL.............................................................33
Teoras organizativas y paradigmas organizativos...................................................33
CONCLUSIONES.................................................................................................... 35
Referencias bibliogrficas................................................................................. 36
Referencias electrnicas................................................................................... 36
ANEXOS................................................................................................................ 37

ANEXO N 1. Definiciones de la Inteligencia Artificial........................................37

ANEXO N 2. Niveles del conocimiento..............................................................38
ANEXO N 3. Neuronas y conexiones sinpticas................................................39
ANEXO N 4. MODELO DE RED EN CASCADA DE VARIAS CAPAS...........................40
ANEXO N 5. COMPARATIVO ENTRE NEURONAS REALES Y LAS UNIDADES DE
PROCESO EMPLEADAS EN LOS MODELOS COMPUTACIONEALES.......................41
ANEXO N 6. Jerarqua de las Necesidades de Maslow.........................................42
ANEXO N 7. Clasificacin de Herzbert.................................................................43

RESUMEN
La Inteligencia Artificial tiene una larga historia que se inicia con los aportes de
Aristteles y el comienzo de esta ciencia asentando sus bases cientficas y
tecnolgicas en el siglo 20, hasta sus aportes ms recientes en el siglo 21.
Con su avance la Inteligencia Artificial ha dejado de ser solo un conjunto de
propuestas abstractas a su aplicacin en la Bsqueda Heurstica de Soluciones,
Representacin del Conocimiento, Deduccin Automtica, Programacin Simblica
(LISP) y Redes Neuronales. Estas tcnicas son las bases de las aplicaciones. Como
base para su aplicacin a una serie de tecnologas. Las tecnologas son ms
especializadas que las tcnicas bsicas y estn ms cerca de las aplicaciones
finales. Se pueden mencionar a la Robtica y Visin, Lenguaje Natural, Sistemas
Expertos
Tambin existen una serie de aplicaciones: Diagnstico, Prediccin (sistemas de
autocontrol de reactores atmicos), Secuenciamiento de operaciones ("Scheduling"),
Diseo, Interpretacin de datos. Todas ellas son familias de problemas tipo. Por
ejemplo, el diagnstico se refiere a encontrar las causas de fallas, ya sea que se
trate de fallas en una lnea de produccin o de enfermedades en una persona.
Todos los avances mencionados anteriormente proporcionados por el avance de la
Inteligencia Artificial han producido un gran impacto en campos tan disimiles como la
Ingeniera, Medicina, Sistemas de Manufactura, Administracin, Apoyo a la Toma de
Decisiones Gerenciales, etc. Todas caen dentro de las reas de los sistemas
computacionales, pero que se consideran como clientes de la Inteligencia Artificial.

SUMMARY
The address and
.

INTRODUCCION

La presente monografa tiene como finalidad el comprender el desarrollo y evolucin

de la Inteligencia Artificial y como se relaciona con la Investigacin Operativa
aplicado a la solucin de los problemas que se presentan en los entornos
empresariales.
En la actualidad la permanente innovacin en la informtica ha llevado a una carrera
tecnolgica que muy claramente se expresa en la frase de Alan Turing Las
mquinas me sorprenden con mucha frecuencia. Cada da aparecen equipos ms
avanzados que estn llevando a las computadoras a niveles que hace un par de
dcadas eran solo ficcin. A la par del avance tecnologa el conocimiento del ser
humano por la psicologa y la neurologa ha dado sus aportes a una mejor
comprensin de los intrincados mecanismos que entran en juego en los procesos de
pensamiento, razonamiento y aprendizaje, aplicndose los mismos a los aspectos
tecnolgicos correspondientes a la Inteligencia Artificial.
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 evala si determinado producto cumple o no con las
especificaciones demandadas, control del proceso qumico en el grado de acidez,
algoritmos genticos aplicados al problema cuadrtico de asignacin de facilidades
que trata de la asignacin de N trabajos en M mquinas, los autmatas
programables que se usan para la optimizacin de sistemas de produccin, en fin,
todava queda mucho por descubrir con respecto a las aplicaciones de esta ciencia.

ANTECEDENTES
HISTORIA
La Inteligencia Artificial "naci" en 1943 cuando Warren McCulloch y Walter Pitts
propusieron un modelo de neurona del cerebro humano y animal. Estas neuronas
nerviosas abstractas proporcionaron una representacin simblica de la actividad
cerebral. Ms adelante, Norbert Wiener elabor estas ideas junto con otras, dentro
del mismo campo, que se llam "ciberntica"; de aqu nacera, sobre los aos 50, la
Inteligencia Artificial.
Los primeros investigadores de esta innovadora ciencia, tomaron como base la
neurona formalizada de McCulloch y postulaban que:
"El cerebro es un solucionador inteligente de problemas, de modo que imitemos al
cerebro".
La Inteligencia Artificial surge definitivamente a partir de algunos trabajos publicados
en la dcada de 1940 que no tuvieron gran repercusin, pero a partir del influyente
trabajo en 1950 de Alan Turing, matemtico britnico, se abre una nueva disciplina
de las ciencias de la informacin.
En su histrico artculo de 1950, Turing propuso que la pregunta puede pensar
una mquina? era demasiado filosfica para tener valor y, para hacerlo ms
concreto, propuso un juego de imitacin. En la prueba de Turing intervienen dos
personas y un computadora. Una persona, el interrogador, se sienta en una sala y
teclea preguntas en la terminal de una computadora. Cuando aparecen las
respuestas en la terminal, el interrogador intenta determinar si fueron hechas por
otra persona o por una computadora. Si acta de manera inteligente, segn Turing
es inteligente. Turing, seal que una mquina podra fracasar y an ser inteligente.
Aun as crea que las mquinas podran superar la prueba a finales del siglo XX.
De todas maneras esta prueba no tuvo el valor prctico que se esperaba, aunque
sus repercusiones tericas son fundamentales. El enfoque de Turing de ver a la
inteligencia artificial como una imitacin del comportamiento humano no fuen tan
prctico a lo largo del tiempo y el enfoque dominante ha sido el del comportamiento
racional, de manera similar, en el campo de la aeronutica se dej de lado el
enfoque de tratar de imitar a los pjaros y se tom el enfoque de comprender las
reglas de aerodinmica. Aunque desde luego, el enfoque del comportamiento

humano y el del pensamiento humano siguen siendo estudiados por las ciencias
cognitivas y continan aportando interesantes resultados a la Inteligencia Artificial, y
viceversa.
El trmino "inteligencia artificial" fue acuado formalmente en 1956 durante la
conferencia de Darthmounth, ms para entonces ya se haba estado trabajando en
ello durante cinco aos en los cuales se haba propuesto muchas definiciones
distintas que en ningn caso haban logrado ser aceptadas totalmente por la
comunidad investigadora. La IA es una de las disciplinas ms nuevas junto con la
gentica moderna. Ambos son dos de los campos ms atractivos para los cientficos
hoy da.
Las ideas ms bsicas se remontan a los griegos, antes de Cristo. Aristteles (384322 a. C.) fue el primero en describir un conjunto de reglas que describen una parte
del funcionamiento de la mente para obtener conclusiones racionales: Estas reglas
de pensamiento supuestamente gobiernan la manera de operar de la mente: su
estudio fue el inicio de un campo llamado lgica 1. Ctesibio de Alejandra (250 a. C.)
construy la primera mquina autocontrolada, un regulador del flujo de agua
(racional pero sin razonamiento).
En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento
poda ser efectuado de manera artificial.
En 1936 Alan Turing disea formalmente una Mquina universal que demuestra la
viabilidad de un dispositivo fsico para implementar cualquier cmputo formalmente
definido.
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas
artificiales, el cual se considera el primer trabajo del campo, aun cuando todava no
exista el trmino. Los primeros avances importantes comenzaron a principios de los
aos 1950 con el trabajo de Alan Turing, a partir de lo cual la ciencia ha pasado por
diversas situaciones.
En 1955 Herbert Simon, Allen Newell y J.C. Shaw, desarrollan el primer lenguaje de
programacin orientado a la resolucin de problemas, el IPL-11. Un ao ms tarde
desarrollan el LogicTheorist, el cual era capaz de demostrar teoremas matemticos.
En 1956 fue inventado el trmino inteligencia artificial por John McCarthy, Marvin
Minsky y Claude Shannon en la Conferencia de Dartmouth, un congreso en el que

RUSSEL, STUART J. y PETER NORVIG. Inteligencia Artificial: un enfoque

moderno.
5

se hicieron previsiones triunfalistas a diez aos que jams se cumplieron, lo que

provoc el abandono casi total de las investigaciones durante quince aos.
En 1957 Newell y Simon continan su trabajo con el desarrollo del General Problem
Solver (GPS). GPS era un sistema orientado a la resolucin de problemas.
En 1958 John McCarthy desarrolla en el Instituto de Tecnologa de Massachusetts
(MIT) el LISP. Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje
para procesamiento simblico.
A finales de los 50 y comienzos de la dcada del 60 Robert K. Lindsay desarrolla
Sad Sam, un programa para la lectura de oraciones en ingls y la inferencia de
conclusiones a partir de su interpretacin.
Fue en los aos 60 cuando Alan Newell y Herbert Simon, que trabajando la
demostracin de teoremas y el ajedrez por ordenador logran crear un programa
llamado GPS (General Problem Solver: solucionador general de problemas). ste
era un sistema en el que el usuario defina un entorno en funcin de una serie de
objetos y los operadores que se podan aplicar sobre ellos. Este programa era capaz
de trabajar con las torres de Hanoi, as como con criptoaritmtica y otros problemas
similares, operando, claro est, con microcosmos formalizados que representaban
los parmetros dentro de los cuales se podan resolver problemas. Lo que no poda
hacer el GPS era resolver problemas ni del mundo real, ni mdicos ni tomar
decisiones importantes. El GPS manejaba reglas heursticas (aprender a partir de
sus propios descubrimientos) que la conducan hasta el destino deseado mediante el
mtodo del ensayo y el error.
En 1963 Quillian desarrolla las redes semnticas como modelo de representacin
del conocimiento.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information
Retrieval) el cual era capaz de inferir conocimiento basado en informacin que se le
suministra. Bobrow desarrolla STUDENT.
Posteriormente entre los aos 1968-1970 Terry Winograd desarroll el sistema
SHRDLU, que permita interrogar y dar rdenes a un robot que se mova dentro de
un mundo de bloques.
A mediados de los aos 60, aparecen los sistemas expertos, que predicen la
probabilidad de una solucin bajo un set de condiciones. Por ejemplo DENDRAL,
iniciado en 1965 por Buchanan, Feigenbaum y Lederberg, el primer Sistema
Experto, que asista a qumicos en estructuras qumicas complejas euclidianas,

MACSYMA, que asista a ingenieros y cientficos en la solucin de ecuaciones

matemticas complejas.
En 1968 Minsky publica Semantic Information Processing. Ese mismo ao Seymour
Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programacin
LOGO.
Al ao siguiente Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se
publica en 1980.
En los aos 70, un equipo de investigadores dirigido por Edward Feigenbaum
comenz a elaborar un proyecto para resolver problemas de la vida cotidiana o que
se centrara, al menos, en problemas ms concretos. As es como naci el sistema
experto.
En 1973 Alain Colmenauer y su equipo de investigacin en la Universidad de AixMarseille crean PROLOG (del francs PROgrammation en LOGique) un lenguaje de
programacin ampliamente utilizado en IA. Shank y Abelson desarrollan los guiones,
o scripts, pilares de muchas tcnicas actuales en Inteligencia Artificial y la
informtica en general. Al ao siguiente Edward Shortliffe escribe su tesis con
MYCIN, uno de los Sistemas Expertos ms conocidos, que asisti a mdicos en el
diagnstico y tratamiento de infecciones en la sangre.
En las dcadas de 1970 y 1980, creci el uso de sistemas expertos, como MYCIN:
R1/XCON, ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos
permanecen hasta hoy (Shells) como EMYCIN, EXPERT, OPSS.
En 1981 Kazuhiro Fuchi anuncia el proyecto japons de la quinta generacin de
computadoras.
En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes
Neuronales).
En 1988 se establecen los lenguajes Orientados a Objetos.
En 1997 Garry Kasparov, campen mundial de ajedrez, pierde ante la computadora
autnoma Deep Blue.
En 2006 se celebr el aniversario con el Congreso en espaol 50 aos de
Inteligencia Artificial - Campus Multidisciplinar en Percepcin e Inteligencia 2006.
En el ao 2009 ya hay en desarrollo sistemas inteligentes teraputicos que permiten
detectar emociones para poder interactuar con nios autistas.
En el ao 2011 IBM desarroll una supercomputadora llamada Watson , la cual gan
una ronda de tres juegos seguidos de Jeopardy, venciendo a sus dos mximos

campeones, y ganando un premio de 1 milln de dlares que IBM luego don a

obras de caridad.

DEFINICION
LA INTELIGENCIA ARTIFICIAL
La inteligencia artificial es considerada una rama de la computacin y relaciona un
fenmeno natural con una analoga artificial a travs de programas de computador.
La inteligencia artificial puede ser tomada como ciencia si se enfoca hacia la
elaboracin de programas basados en comparaciones con la eficiencia del hombre,
contribuyendo a un mayor entendimiento del conocimiento humano.
Si por otro lado es tomada como ingeniera, basada en una relacin deseable de
entrada-salida para sintetizar un programa de computador. "El resultado es un
programa de alta eficiencia que funciona como una poderosa herramienta para quien
la utiliza."
A travs de la inteligencia artificial se han desarrollado los sistemas expertos que
pueden imitar la capacidad mental del hombre y relacionan reglas de sintaxis del
lenguaje hablado y escrito sobre la base de la experiencia, para luego hacer juicios
acerca de un problema, cuya solucin se logra con mejores juicios y ms
rpidamente que el ser humano. En la medicina tiene gran utilidad al acertar el 85 %
de los casos de diagnstico.
Existen mltiples definiciones pero una de las ms cercanas a la realidad es la que
se indica en la Encyclopedia of Artificial Intelligence: La IA es un campo de la
ciencia y de la Ingeniera que se ocupa de la comprensin, desde el punto de vista
informtico de lo que se denomina comnmente comportamiento inteligente.
Tambin se ocupa de la creacin de artefactos que exhiben este comportamiento 2.
COMPORTAMIENTO HUMANO: ENFOQUE DE LA PRUEBA DE TURING
Propuesta por Alan Turing se plante para proporcionar una definicin operacional
clara y satisfactoria de la inteligencia. Turing propuso una prueba basada en la
incapacidad de diferenciar entre entidades inteligentes indiscutibles y seres
humanos. El computador supera esta prueba si un evaluador humano no es capaz
de distinguir si las respuestas, a una serie de preguntas planteadas son de una
persona o no.
El computador debera poseer las siguientes caractersticas para superar la prueba:
2

PINO DIEZ, RAUL; GOMEZ GOMEZ, ALBERTO y OTROS. Introduccin a la Inteligencia Artificial: Sistemas expertos,

Redes Neuronales Artificiales y computacin evolutiva.

Procesamiento de lenguaje natural.

Representacin del conocimiento

Razonamiento automtico

Aprendizaje automtico

La prueba de Turing evito la interaccin entre el computador y un humano, ya que

para medir la inteligencia es innecesario interactuar fsicamente con una persona.
CARACTERISTICAS DE LA INTELIGENCIA ARTIFICIAL
Una caracterstica fundamental que distingue a los mtodos de Inteligencia Artificial
de los mtodos numricos es el uso de smbolos no matemticos, aunque no es
suficiente para distinguirlo completamente. Otros tipos de programas como los
compiladores y sistemas de bases de datos, tambin procesan smbolos y no se
considera que usen tcnicas de Inteligencia Artificial.
El comportamiento de los programas no es descrito explcitamente por el algoritmo.
La secuencia de pasos seguidos por el programa es influenciado por el problema
particular presente. El programa especifica cmo 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, explcitamente, cmo 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 mbito del conocimiento en que ellos
operan. Al contrario de los programas para propsito especfico, como los de
contabilidad y clculos cientficos; los programas de Inteligencia Artificial pueden
distinguir entre el programa de razonamiento o motor de inferencia y base de
conocimientos dndole la capacidad de explicar discrepancias entre ellas.
Aplicabilidad a datos y problemas mal estructurados, sin las tcnicas de Inteligencia
Artificial los programas no pueden trabajar con este tipo de problemas. Un ejemplo
es la resolucin de conflictos en tareas orientadas a metas como en planificacin, o
el diagnstico de tareas en un sistema del mundo real: con poca informacin, con
una solucin cercana y no necesariamente exacta.
La Inteligencia Artificial incluye varios campos de desarrollo tales como: la robtica,
usada principalmente en el campo industrial; comprensin de lenguajes y traduccin;
visin en mquinas que distinguen formas y que se usan en lneas de ensamblaje;
5

reconocimiento de palabras y aprendizaje de mquinas; sistemas computacionales

expertos.
Los sistemas expertos, que reproducen el comportamiento humano son programas
tan variados como los que diagnostican infecciones en la sangre e indican un
tratamiento, los que interpretan datos sismolgicos en exploracin geolgica y los
que configuran complejos equipos de alta tecnologa.
Estas tareas reducen costos, reducen riesgos en la manipulacin humana en reas
peligrosas, mejoran el desempeo del personal inexperto, y mejoran el control de
calidad sobre todo en el mbito comercial.

FUNCIONAMIENTO BASICO DE LA INTELIGENCIA ARTIFICIAL

Smbolos vs. Mtodos Numricos
El primer perodo de la Inteligencia Artificial, llamado sub-simblico, data de
aproximadamente 1950 a 1965. Este perodo utiliz representaciones numricas (o
sub-simblicas) del conocimiento. Aunque la mayor parte de los libros de Inteligencia
Artificial enfatizan el trabajo realizado por Rosenblatt y Widrow con redes neuronales
durante este perodo, la realidad es que otra importante escuela sub-simblica data
tambin de la misma poca y estos son los algoritmos evolutivos.
La escuela clsica dentro de la Inteligencia Artificial, utiliza representaciones
simblicas basadas en un nmero finito de primitivas y de reglas para la
manipulacin de smbolos. El perodo simblico se considera aproximadamente
comprendido entre 1962 y 1975, seguido por un perodo dominado por los sistemas
basados en el conocimiento de 1976 a 1988. Sin embargo, en este segundo perodo
las representaciones simblicas (por ejemplo, redes semnticas, lgica de
predicados, etc.) siguieron siendo parte central de dichos sistemas.
La Programacin Lgica tiene sus orgenes ms cercanos en los trabajos de J. A.
Robinson que propone en 1965 una regla de inferencia a la que llama resolucin,
mediante la cual la demostracin de un teorema puede ser llevada a cabo de
manera automtica.
La resolucin es una regla que se aplica sobre cierto tipo de frmulas del Clculo de
Predicados de Primer Orden, llamadas clusulas y la demostracin de teoremas
bajo esta regla de inferencia se lleva a cabo por reduccin al absurdo.
Otros trabajos importantes de esa poca que influyeron en la programacin lgica,
fueron los de Loveland, Kowalski y Green, que disea un probador de teoremas que
extrae de la prueba el valor de las variables para las cuales el teorema es vlido.
Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una
poca, pero, por su ineficiencia, fueron relegados hasta el nacimiento de Prolog, que
surge en 1971 en la Universidad de Marsella, Francia.
La Lgica de Primer Orden, es uno de los formalismos ms utilizados para
representar conocimiento en Inteligencia Artificial. La Lgica cuenta con un lenguaje
formal mediante el cual es posible representar frmulas llamadas axiomas, que
permiten describir fragmentos del conocimiento y, adems consta de un conjunto de

reglas de inferencia que aplicadas a los axiomas, permiten derivar nuevo

conocimiento.
Alfabeto del Lenguaje de la Lgica de Primer Orden
Contiene dos tipos de smbolos:
a) Smbolos lgicos, entre los que se encuentran los smbolos de constantes
proposicionales true y false; los smbolos de operadores proposicionales para
la negacin, la conjuncin, la disyuncin y las implicaciones (=>, <=); los
smbolos de operadores de cuantificacin como el cuantificador universal; el
cuantificador existencial; y los smbolos auxiliares de escritura como
corchetes [,], parntesis (,) y coma.
b) Smbolos no lgicos, agrupados en el conjunto de smbolos constantes; el
conjunto de smbolos de variables individuales; el conjunto de smbolos de
funciones n-arias; y el conjunto de smbolos de relaciones n-arias.
A partir de estos smbolos se construyen las expresiones vlidas en el Lenguaje de
Primer Orden: los trminos y las frmulas.
Un trmino es cualquiera de las tres expresiones siguientes: una constante, por
ejemplo, el nmero "100", la palabra "alfredo" y la letra "c"; o una variable, por
ejemplo, "X" o bien una expresin de la forma "f(t1,...,tn)" donde "f" es un smbolo de
funcin n-aria y t1,...,tn son trminos. Ejemplos de funciones son: f(100,X), padre(Y)
y sucesor(X).
Las frmulas atmicas o elementales son expresiones de la forma R(t1,...,tn) donde
R es un smbolo de relacin n-aria y t1,...,tn son trminos.
Ejemplos de frmulas son:
positivo(3),not(igual(4,doble(2))),

recetar(X,aspirina)<=tiene(X,fiebre),

tiene(X,cefalea).
Esta ltima establece una regla que dice que, si X tiene fiebre y cefalea (dolor de
cabeza), X debe tomar una aspirina.
El Lenguaje de Primer Orden posee un amplio poder de expresin, los trminos
permiten nombrar los objetos del universo, mientras que las frmulas permiten
afirmar o negar propiedades de stos o bien establecen las relaciones entre los
objetos del universo.
Puede decirse que la Programacin Lgica utiliza la Lgica de Primer Orden como
lenguaje de programacin. Prolog es un ejemplo de lenguaje basado en la Lgica de

Primer Orden y aunque toma su nombre de este trmino ("PROgramming in LOGic"),

no abarca toda la riqueza de la Lgica de Primer Orden para resolver problemas,
pues est restringido al uso de cierta clase de frmulas denominadas clusulas
definidas o clusulas de Horn.
Un programa lgico est formado por un conjunto finito de clusulas de programa
que son hechos o reglas. Por ejemplo:
padre(luis,miguel). Hecho
padre(miguel,jose). Hecho
padre(jose,juan). Hecho
abuelo(X,Y):-padre(X,Z), padre(Z,Y). regla
Este programa est formado por cuatro clusulas de programa, las tres primeras son
del tipo hecho y definen la relacin padre/2 y la cuarta una regla que define la
relacin abuelo/2. Ntese el uso de las variables X,Y y Z en esta clusula, las cuales
permiten definir de manera general en Prolog la relacin "ser abuelo de", pues la
lectura declarativa de dicha clusula es la siguiente: "Para cualesquiera X,Y,Z se
cumple que: X abuelo de Y, si X padre de Z y Z padre de Y".
En Prolog es posible hacer preguntas sobre objetos y relaciones del dominio y estas
preguntas se formulan como objetivos o metas, que son evaluadas por el intrprete
de Prolog utilizando su mecanismo de inferencia interno, el cual determina si la meta
a demostrar es una consecuencia lgica del programa, aplicando reglas de
deduccin para obtener la respuesta.
Por ejemplo, del programa anterior, utilizando la clusula de tipo meta ?
abuelo(X,juan), para preguntar quin es el abuelo de Juan? o bien quines son
los abuelos de Juan?, es posible deducir que Luis es abuelo de Juan, aunque
implcitamente no existe en el programa ningn hecho que as lo afirme.
En este ejemplo de anlisis de oraciones, podemos observar de qu manera se
analiza una oracin ingresada por el usuario y cmo el ordenador lo traduce en un
lenguaje lgico de primer orden.
En este caso la ejecucin del programa, para dicha meta, arrojara como resultado
que X=luis.
El mtodo de deduccin utilizado por Prolog, para dar respuesta a los objetivos
planteados, se basa en el uso de una nica regla de inferencia: el Principio de
Resolucin.

Los primeros trabajos de prueba automtica de teoremas utilizaban la resolucin,

aplicada a clusulas cualesquiera, pero el problema de las deducciones con
clusulas generales es el gran nmero de combinaciones posibles para llevar a cabo
las resoluciones.
Por ello Prolog restringe el conjunto de clusulas, lo que le permite llevar a cabo una
prueba dirigida y, en la mayora de los casos, con un universo de posibilidades
explorable en tiempo de ejecucin.

FUNCIONAMIENTOS GENERALES DE LA INTELIGENCIA ARTIFICIAL

Tipos de Algoritmos Utilizados

Cuando una tarea se realiza por medio de un algoritmo perfectamente definido de
almacenamiento, clasificacin o clculo, lo puede hacer un computador. Este
concepto de algoritmo, secuencial, fijo y de determinadas operaciones, es incapaz
de manejar problemas donde el camino del razonamiento es variable y donde deben
afrontarse situaciones diversas sin haber sido especificadas.
La Inteligencia Artificial hace uso de un tipo de lenguaje diferente como es el caso de
LISP y PROLOG.
En 1932, Cannon visualiz la evolucin natural como un proceso de aprendizaje.
Alan Turing reconoci, en 1950, que debe haber una conexin obvia entre el
aprendizaje de mquina y la evolucin, y seal que se podran desarrollar
programas para jugar ajedrez usando esta tcnica. Campbell conjetur en 1960 que
en todos los procesos que llevan a la expansin del conocimiento, se involucra un
proceso ciego de variacin y supervivencia selectiva.
Los primeros intentos de aplicar de manera formal la teora de la evolucin, a
problemas prcticos de ingeniera, apareci en las reas de control de procesos
estadsticos, aprendizaje de mquina y optimizacin de funciones. Tal vez el primer
intento serio de este tipo se dio en el trabajo que realizaron Box y sus colegas en
1957, en el desarrollo de una tcnica que denominaron operacin evolutiva, la cual
se aplic a una planta de manufactura, y que se implanto sobre la base de los votos
de un comit de jefes tcnicos. Bajo este esquema, la calidad del producto avanzaba
a travs de mutaciones aleatorias y la seleccin era determinada por el comit.
Por su parte, Friedberg intent, en 1958, hacer que un programa en lenguaje
mquina se mejorara a s mismo, seleccionando instrucciones que se asociaran ms
frecuentemente con un resultado exitoso. Aunque Friedberg nunca mencion
explcitamente estar simulando la evolucin natural, esa es la interpretacin ms
comnmente aceptada de su trabajo, y a pesar de que tuvo cierto xito
evolucionando manipuladores de bits y determinando las interconexiones de una
caja negra de 1400 terminales, la comunidad de Inteligencia Artificial de la poca
prest poca atencin a su trabajo. Por ejemplo, Minsky lo critic duramente,

argumentando que una bsqueda puramente aleatoria era mucho mejor que el
algoritmo de Friedberg.
El trabajo de Bremermann, en 1958, se enfoc ms a la optimizacin, introduciendo
el importante manejo de un valor de aptitud, y definiendo a un individuo como una
cadena de smbolos binarios (unos y ceros). Bremermann advirti, acertadamente,
que la mutacin jugaba un papel importante en la evolucin, pues impeda el
estancamiento en mnimos locales. Aunque muchas de sus ideas se usan hoy en
da, Bremermann cometi el error de tratar de optimizar funciones lineales y
convexas, obteniendo resultados decepcionantes, pues sus algoritmos evolutivos
tenan que ser complementados con otras heursticas para converger en una
solucin. Hoy sabemos que los algoritmos evolutivos difcilmente pueden competir
con las tcnicas tradicionales de optimizacin en esos dominios.
Barricelli ofreci, en 1954, una de las primeras simulaciones que usaba principios
evolutivos, utilizando los mismos procedimientos generales que se usan hoy en da
en la disciplina conocida como vida artificial. Sin embargo, en este trabajo, as como
el que Reed realiz posteriormente en 1967, se concluy que la cruza no pareca
mejorar la velocidad de la adaptacin selectiva, y el operador primordial era la
mutacin.
Fue Fogel el que introdujo la primera tcnica evolutiva que realmente funcion ms o
menos dentro de los lineamientos actuales de la computacin evolutiva. Su
programacin evolutiva consista en hacer evolucionar autmatas de estados finitos
por medio de mutaciones. Fogel introdujo los importantes conceptos de poblacin y
seleccin, y aunque las revisiones iniciales de su trabajo fueron favorables, algunos
investigadores, como Solomonoff, enfatizaron que el mtodo de Fogel no deba
verse en su estado actual (en 1966) como algo particularmente til para resolver
problemas, a excepcin de los ms simples posibles. Solomonoff vio a la
programacin evolutiva como una especie de bsqueda escalando la colina
modelada mediante autmatas, y otros investigadores como Holland, Kieras, Rada y
Lenat compartieron esa opinin.
Otra tcnica evolutiva dirigida particularmente a la optimizacin de funciones
continuas de alta complejidad se desarroll en Alemania, en 1965, por Rechenberg y
Schwefel. Esta tcnica, llamada estrategia evolutiva, se utiliz inicialmente para
resolver problemas de ingeniera que desafiaban a los mtodos de optimizacin
tradicionales, como el gradiente conjugado, y se basa en la modificacin sistemtica

de un vector de nmeros reales (representando las variables de decisin del

problema) mediante operadores probabilsticos, usando ciertos criterios para decidir
en qu direccin dirigir la bsqueda. La estrategia evolutiva utiliza como operador
principal a la mutacin, y en su versin ms reciente usa la cruza como operador
secundario.
Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento muy
similar al que John Holland llam planes evolutivos a fines de los 60, es al segundo
al que se le suele atribuir la creacin de la tcnica que se conoce como algoritmo
gentico, a raz de que Holland publicara el libro "Adaptation in Natural and Artificial
Systems" en 1975.

Algoritmo Gentico
La principal diferencia del algoritmo gentico con las tcnicas antes mencionadas, es
que utiliza la cruza como operador principal y a la mutacin como operador
secundario (e incluso opcional). El algoritmo gentico, al igual que las redes
neuronales, funciona como una caja negra que recibe ciertas entradas y produce
(tras una cantidad de tiempo indeterminada) las salidas deseadas. Sin embargo, a
diferencia de stas, los algoritmos genticos no necesitan entrenarse con ejemplos
de ningn tipo, sino que son capaces de generar sus propios ejemplos y
contraejemplos que guen la evolucin a partir de poblaciones iniciales totalmente
aleatorias.
Los mecanismos de seleccin del ms apto y de reproduccin sexual del algoritmo
gentico, son los encargados de preservar las caractersticas ms adecuadas de
cada individuo a fin de hacer converger a la poblacin en soluciones ptimas.
Los algoritmos genticos se distinguen tambin por no quedar atrapados fcilmente
en mnimos locales, como la mayor parte de las tcnicas de bsqueda clsicas,
adems de usar operadores probabilsticos ms robustos que los operadores
determinsticos, que las otras tcnicas suelen usar.
No obstante, siendo una heurstica, tampoco pueden garantizar encontrar siempre la
solucin ptima, si bien la experiencia acumulada hasta la fecha parece demostrar
que, cuando se utilizan apropiadamente, pueden proporcionar soluciones muy
aceptables y, en la mayora de los casos, superiores a las encontradas con otras
tcnicas de bsqueda y optimizacin.

Aunque an atacados por algunos sectores de la comunidad de Inteligencia Artificial,

los algoritmos genticos, al igual que las redes neuronales, se han ido ganando poco
a poco, y sobre la base de la efectividad de sus resultados en aplicaciones prcticas,
el reconocimiento de los investigadores como una tcnica efectiva en problemas de
gran complejidad, como lo demuestra un nmero creciente de conferencias y
publicaciones especializadas alrededor del mundo, en los ltimos aos.
Sistemas Basados en Conocimiento
Los mtodos generales desarrollados para la resolucin de problemas y tcnicas de
bsqueda al inicio de la era de la Inteligencia Artificial demostraron no ser suficientes
para resolver los problemas orientados a las aplicaciones, ni fueron capaces de
satisfacer los difciles requerimientos de la investigacin.
A este conjunto de mtodos, procedimientos y tcnicas, se lo conoce como
Inteligencia Artificial Dbil. La principal conclusin que se deriv de este trabajo
inicial fue que los problemas difciles slo podran ser resueltos con la ayuda del
conocimiento especfico acerca del dominio del problema.
La aplicacin de estas ideas dio lugar al desarrollo de los denominados Sistemas
Basados en Conocimiento (Knowledge Based Systems) y al aparecimiento de la
Ingeniera Cognoscitiva, como una rama de la Inteligencia Artificial, que estudia los
sistemas basados en el conocimiento. La definicin de un sistema basado en
conocimiento puede ser la siguiente:
Componentes: software de interfaz, base de datos, programa computacional.
Una relativamente nueva categora de sistemas de informacin orientada al servicio
es el sistema experto, llamado as porque su base de datos guarda una descripcin
de habilidades en la toma de decisiones de experiencias humanas en un estrecho
dominio de procedimientos, tales como interpretacin mdica de imagen, impuestos,
diseo de piping, configuracin de hardware en un sistema de computadores,
equipamiento para reparar malfuncionamientos o, en la preparacin de cerveza.
La motivacin para construir sistemas expertos es el deseo de replicar el escaso, in
estructurado y quizs el pobremente documentado conocimiento emprico de
especialistas que de este modo puede ser rpidamente usado por otros.
Un programa computacional que usa inteligencia artificial resuelve problemas en un
dominio especializado que ordinariamente requiere experiencia humana.

El primer sistema experto fue desarrollado en 1965 por Edward Feigenbaum y

Joshua Lederberg de la Universidad de Standford en California, EEUU, y se lo llam
Dendral. Fue diseado para analizar componentes qumicos.
Dado que cada condicin que puede ser encontrada puede ser descrita por una
regla, los sistemas expertos basados en reglas no pueden manejar eventos no
anticipados, pero pueden evolucionar con el uso, y permanece limitado a un
estrecho dominio de problemas.
Otra variante de sistemas expertos, uno que no posee esta limitacin, emplea una
base de conocimiento que consiste de descripciones estructuradas de situaciones,
de problemas del mundo real y de decisiones actualmente hechas por expertos
humanos.
En medicina, por ejemplo, el registro de un paciente contiene descripciones de datos
personales, exmenes fsicos y de laboratorio, diagnstico clnico, tratamiento
propuesto, y los resultados de tales tratamientos.
Dada una gran base de datos con tales registros en una especialidad mdica, el
mdico puede indagar acerca de eventos anlogos a los relacionados con el
paciente. Esto en contraste con el sistema que idealmente intenta reemplazar al ser
humano, ya que en casos como estos slo podra usarse este tipo de conocimiento
como una herramienta que ayuda en la toma de decisiones.
El software requerido para este tipo de sistemas se ha ido complicando con el
tiempo ya que su desarrollo demanda tiempo, un buen equipo de programadores y
un buen producto final.
Se percibe este trabajo como una tarea para el ingeniero y consiste de:

Identificacin y anlisis de los requerimientos del usuario.

Desarrollo de las especificaciones del sistema (software y hardware).

Diseo del software.

Implementacin

Testeo

Mantenimiento

Tareas tpicas para sistemas expertos involucran clasificacin, diagnstico,

monitoreo, diseo, inventario y planificacin para esfuerzos especializados.

Niveles de conocimiento

A pesar de no disponerse de un modelo general comnmente aceptado, existe

unanimidad en cuanto a la aprobacin de tres niveles distintos de conocimientos, a
los que corresponde tres fases diferentes de estudio y sobre los que se basa, en
general, la concepcin de un sistema experto. Esos niveles son el de estructuracin,
el conceptual y el cognoscitivo. El primero es el que define el mecanismo que genera
la certeza. Este mecanismo vara segn el campo al que se aplique el sistema
experto, ya que las evidencias asociadas a cada campo no son idnticas. La
determinacin del nivel de estructuracin permite definir un formalismo de
representacin del conocimiento as como un mecanismo adecuado de deduccin.
El nivel conceptual es el que determina el conjunto de los conceptos que emplea el
experto humano en la materia; cada uno de ellos corresponde a un nudo del
razonamiento del experto. Se le asocia un descriptor que se experimenta con el
formalismo correspondiente al nivel de estructuracin. Finalmente, el nivel
cognoscitivo corresponde al conjunto de los conocimientos que el experto humano
pone en prctica para la resolucin del problema planteado. Este conjunto de
conocimientos debe poder traducirse al lenguaje definido mediante el formalismo de
representacin del conocimiento adoptado. En cuanto al desarrollo actual de la
investigacin en el campo de los sistemas expertos, la primera fase corresponde al
desarrollo de sistemas y programas que traten directamente el lenguaje natural, si
bien persisten todava dos escollos importantes. Por un lado, el problema de cmo
emplear de un modo eficaz una gran cantidad de informacin sin necesidad de echar
mano de la combinatoria; es decir, cmo conseguir un sistema dotado de
conocimientos (metaconocimientos) que le permitan utilizar los conocimientos del
sistema y que, a su vez, le permitan deducir automticamente nuevos
conocimientos, ya que no cabe pensar en la reunin de todos los conocimientos
necesarios en casos de campos tan sumamente vastos como el del diagnstico en
la medicina.

Sistemas Expertos
Los sistemas expertos se basan en la simulacin del razonamiento humano. El
razonamiento humano tiene para ellos, un doble inters: por una parte, el del anlisis
del razonamiento que seguira un experto humano en la materia a fin de poder
codificarlo mediante el empleo de un determinado lenguaje informtico; por otra, la
sntesis artificial, de tipo mecnico, de los razonamientos de manera que stos sean
5

semejantes a los empleados por el experto humano en la resolucin de la cuestin

planteada.
Estos dos campos de inters han conducido a los investigadores que trabajan en el
campo de la inteligencia artificial (de la cual los sistemas expertos son un campo
preferente) a intentar establecer una metodologa que permita verificar el
intercambio con los expertos humanos y aislar los diversos tipos de razonamiento
existentes (inductivo, deductivo, formal, etc.), as como construir los elementos
necesarios

para

modelizarlos.

Los sistemas expertos

son, por lo

tanto,

intermediarios entre el experto humano, que transmite sus conocimientos al sistema,

y el usuario de dicho sistema, que lo emplea para resolver los problemas que se le
plantean con la competencia de un especialista en la materia y que, adems, puede
adquirir una destreza semejante a la del experto gracias a la observacin del modo
de actuar de la mquina. Los sistemas expertos son, pues, simultneamente, un
sistema de ejecucin y un sistema de transmisin del conocimiento. Asimismo, los
sistemas expertos se definen mediante su arquitectura; obtienen, por lo tanto, una
realidad palpable. Mientras que en las operaciones de programacin clsicas se
diferencia nicamente entre el propio programa y los datos, en el caso de los
sistemas expertos se diferencian tres componentes principales. Son los siguientes:
La base de conocimientos aloja la totalidad de las informaciones especficas
relativas al campo del saber deseado. Est escrita en un lenguaje especfico de
representacin de los conocimientos que contiene y en el cual el experto puede
definir su propio vocabulario tcnico.
A la inversa de lo que sucede en los programas clsicos, en la base de
conocimientos las informaciones entran tal como llegan, ya que el orden no influye
en los resultados obtenidos. Sucede as porque cada elemento de conocimiento es
comprensible por s mismo tomado de forma aislada y, por lo tanto, no es necesario
referirse al contexto en el cual est inserto. La informacin se representa, por regla
general, mediante reglas de produccin o redes semnticas. Las reglas de
produccin constituyen el mtodo ms utilizado para construir bases de
conocimientos en los sistemas expertos. Llamadas tambin implicaciones lgicas, su
estructura es la siguiente: para unas ciertas causas, unos efectos; o, para
determinadas condiciones, ciertas consecuencias. Junto a cada regla, se almacena
tambin su porcentaje en forma de probabilidad. ste indica, mediante un tanto por
ciento, el grado de certeza de las consecuencias que se obtienen como resultado de

la aplicacin de la regla de produccin. En cuanto a las redes semnticas, se trata

de un mtodo de construccin de bases de conocimientos en el cual los
conocimientos se muestran mediante un grafo en el que los vrtices representan los
conceptos u objetos y las aristas indican las relaciones entre ellos.
Adems el sistema dispone de la llamada base de hechos, que alberga los datos
propios correspondientes a los problemas que se desea tratar con la ayuda del
sistema. Asimismo, a pesar de ser la memoria de trabajo, la base de hechos puede
desempear el papel de memoria auxiliar. La memoria de trabajo memoriza todos
los resultados intermedios, permitiendo conservar el rastro de los razonamientos
llevados a cabo. Puede, por eso, emplearse para explicar el origen de las
informaciones deducidas por el sistema en el transcurso de una sesin de trabajo o
para llevar a cabo la descripcin del comportamiento del propio sistema experto. Al
principio del perodo de trabajo, la base de hechos dispone nicamente de los datos
que le ha introducido el usuario del sistema, pero, a medida que va actuando el
motor de inferencias, contiene las cadenas de inducciones y deducciones que el
sistema forma al aplicar las reglas para obtener las conclusiones buscadas.
El ltimo elemento, el motor de inferencias, es un programa que, mediante el empleo
de los conocimientos puede resolver el problema que est especificado. Lo resuelve
gracias a los datos que contiene la base de hechos del sistema experto. Por regla
general, el tipo de reglas que forman la base de conocimientos es tal que, si A es
vlido, puede deducirse B como conclusin. En este caso, la tarea que lleva a cabo
el motor de inferencias es la de seleccionar, validar y activar algunas reglas que
permiten obtener finalmente la solucin correspondiente al problema planteado.
El sistema experto establecido se compone, por lo tanto, de dos tipos bien
diferenciados de elementos, los propios del campo de los expertos relacionados con
el problema concreto (es decir, la base de conocimientos y la base de hechos) y el
que se puede aplicar de forma general a una gran variedad de problemas de
diversos campos (como el caso del motor de inferencias). Sin embargo, el motor de
inferencias no es un mecanismo universal de deduccin, ya que hay dos tipos
diverso: los que emplean el razonamiento aproximativo (para el cual el resultado
puede ser errneo) y aquellos que emplean un tipo de razonamiento capaz de
obtener un resultado (si llegan a l), con toda seguridad, verdadero.

Fases del proceso

Sin embargo, a pesar de no existir una metodologa generalmente aceptada en
cuanto a la concepcin de los sistemas expertos, se admite por regla general un
esquema que consta de tres fases. En la primera fase, la discusin con el experto o
los expertos humanos en la cual se intenta, por un lado, delimitar el problema a
resolver y, por el otro, los modos de razonamiento que se emplearn para su
solucin. La segunda fase comprende el desglose del formalismo de expresin del
conocimiento y la determinacin del motor de inferencias adecuado a dicho
formalismo. Por ltimo, la tercera etapa, corresponde a la creacin de la base de
conocimientos (en colaboracin con los expertos humanos), as como a la
comprobacin y ajuste del funcionamiento del sistema experto mediante el empleo
de ejemplos.

TENDENCIAS DE LOS SISTEMAS DE INTELIGENCIA ARTIFICIAL

Actualmente segn Delgado3 y Stuart4, existen tres paradigmas en cunto al
desarrollo de la IA.

Redes Neuronales.

Algoritmos genticos.

Sistemas de Lgica difusa.

Pero se han venido destacando otros paradigmas como lo son los agentes de
decisin inteligente y autmatas programables, con respecto a estos ltimos se
suelen emplear en gran medida en procesos industriales de acuerdo a necesidades
a satisfacer como, espacio reducido, procesos de produccin peridicamente
cambiantes, procesos secuenciales, maquinaria de procesos variables, etc.
A juicio de los autores se determina que todos estos desarrollos acortan bastante el
proceso de decisiones y optimizan las mismas, pero hay que tener mucho cuidado
ya que hay que analizar los diferentes impactos ya sea ambiental, social, poltico y
econmico.
Redes neuronales
A grandes rasgos, se recordar que el cerebro humano se compone de decenas de
billones de neuronas interconectadas entre s formando circuitos o redes que
desarrollan funciones especficas.
Una neurona tpica recoge seales procedentes de otras neuronas a travs de una
plyada de delicadas estructuras llamadas dendritas. La neurona emite impulsos de
actividad elctrica a lo largo de una fina y delgada capa denominada axn, que se
escinde en millares de ramificaciones.
Las extremidades de estas ramificaciones llegan hasta las dendritas de otras
neuronas y establecen conexin llamada sinapsis, que transforma el impulso
elctrico en un mensaje neuroqumico mediante liberacin de unas sustancias
llamadas neurotransmisores que excitan o inhiben sobre la neurona, de esta manera
la informacin se transmite de neuronas a otras y va siendo procesada a travs de
las conexiones sinpticas y el aprendizaje vara de acuerdo a la efectividad de la
sinapsis.

3
4

Delgado Alberto. Inteligencia Artificial y Mini robots.

Stuart Rusell. Norving Meter. Inteligencia Artificial un Enfoque Moderno.

Un psiclogo D Hebb [1949], introdujo dos ideas fundamentales que han influido de
manera decisiva en el campo de las redes neuronales. La hiptesis de Hebb,
basadas en investigaciones psicofisiolgicas, presentan de manera intuitiva el modo
en que las neuronas memorizan informacin y se plasman sintticamente en la
famosa regla de aprendizaje de Hebb (tambin conocida como regla de producto).
Esta regla indica que las conexiones entre dos neuronas se refuerzan si ambas son
activadas. Muchos de los algoritmos actuales proceden de los conceptos de este
psiclogo.
Widrow [1959], publica una teora sobre la adaptacin neuronal y unos modelos
inspirados en esta teora, el Adaline (Adaptative Linear Neuron) y el Madaline
(Mltiple Adaline). Estos modelos fueron usados en numerosas aplicaciones y
permitieron usar, por primera vez, una red neuronal en un problema importante del
mundo real: filtros adaptativos que eliminan ecos en las lnea telefnicas.
Hopfield [1980], elabora un modelo de red consistente en unidades de proceso
interconectadas que alcanzan mnimos energticos, aplicando los principios de
estabilidad desarrollados por Grossberg. El modelo result muy ilustrativo sobre los
mecanismos de almacenamiento y recuperacin de la memoria. Su entusiasmo y
claridad de presentacin dieron un nuevo impulso al campo y provoc el incremento
de las investigaciones.
Otros desarrollos destacables de esta dcada son la mquina de Boltzmann y los
modelos Bam (Bi-directinal Associative Memory).

Analoga de redes neuronales biolgicas y artificiales

Las neuronas se modelan mediante unidades de proceso, caracterizadas por una
funcin de actividades que convierte la entrada total recibida de otras unidades en
un valor de salida, el cual hace la funcin de tasa de disparo de la neurona.
Las conexiones sinpticas se simulan mediante conexiones ponderadas, la fuerza o
peso de la conexin cumple el papel de la efectividad de la sinapsis. Las conexiones
determinan si es posible que una unidad influya sobre otra.
Una unidad de proceso recibe varias entradas procedentes de las salidas de otras
unidades de proceso de entrada total de una unidad de proceso y se suele calcular
como la suma de todas las entradas ponderadas, es decir, multiplicadas por el peso
de la conexin. El efecto inhibitorio o excitatorio de la sinapsis se logra usando
pesos negativos o positivos respectivamente
5

Las redes neuronales deben tener como estructura varias capas las cuales son:
primera capa como buffer de entrada, almacenando la informacin bruta
suministrada en la red realizando un sencillo preproceso de la misma, la llamamos
capa de entrada; otra capa acta como interfaz o buffer de salida que almacena la
respuesta de la red para que pueda ser leda, la llamamos capa de salida; y las
capas intermedias, principales encargadas de extraer, procesar y memorizar la
informacin, las denominan capas ocultas.
Sistemas de lgica difusa
Es la segunda herramienta que permite emular el razonamiento humano. Los seres
humanos pensamos y razonamos por medio de palabras y en grados entre dos
estados por ejemplo blanco y negro fro y caliente, etc. Estos sistemas de lgica
difusa son una mejora a los sistemas experto tradicionales, en el sentido de que
permiten utilizar lenguaje humano como nosotros razonamos
Ya hablando de sistemas expertos tradicionales, estos intentan reproducir el
razonamiento humano de forma simblica. Es un tipo de programa de aplicacin
informtica que adopta decisiones o resuelve problemas de un determinado campo,
como los sistemas de produccin, las finanzas o la medicina, utilizando los
conocimientos y las reglas analticas definidas por los expertos en dicho campo. Los
expertos solucionan los problemas utilizando una combinacin de conocimientos
basados en hechos y en su capacidad de razonamiento. En los sistemas expertos,
estos dos elementos bsicos estn contenidos en dos componentes separados,
aunque relacionados: una base de conocimientos y una mquina de deduccin, o de
inferencia. La base de conocimientos proporciona hechos objetivos y reglas sobre el
tema, mientras que la mquina de deduccin proporciona la capacidad de
razonamiento que permite al sistema experto extraer conclusiones. Los sistemas
expertos facilitan tambin herramientas adicionales en forma de interfaces de
usuario y los mecanismos de explicacin. Las interfaces de usuario, al igual que en
cualquier otra aplicacin, permiten al usuario formular consultas, proporcionar
informacin e interactuar de otras formas con el sistema. Los mecanismos de
explicacin, la parte ms fascinante de los sistemas expertos, permiten a los
sistemas explicar o justificar sus conclusiones, y tambin posibilitan a los

programadores verificar el funcionamiento de los propios sistemas. Los sistemas

expertos comenzaron a aparecer en la dcada de 1960. Sus campos de aplicacin
son la qumica, la geologa, la medicina, la banca e inversiones y los seguros.
A experiencia de uno de los autores, el hardware en que se fundamentan estos
sistemas que son circuitos integrados digitales son muy eficaces y de durabilidad de
por vida si se les da correcto uso.
Algoritmos genticos
Es una tcnica inspirada en aspectos biolgicos, el proceso de la evolucin del que
Charles Darwin hace referencia se puede aplicar para optimizar dispositivos de
control o robots o cualquier otro tipo de aspectos que sean susceptibles de ser
optimizados como lneas de produccin.
En general es aceptado que cualquier algoritmo gentico para resolver un problema,
debe tener cinco componentes bsicos como se ver a continuacin:

Se necesita una codificacin o representacin del problema, que resulte

adecuada al mismo.

Una manera de crear una poblacin inicial de soluciones.

Una funcin de ajuste adaptacin al problema, tambin llamada funcin de

evaluacin, la cual asigna un nmero real a cada posible solucin codificada.

Durante la ejecucin del algoritmo, los padres dos individuos pertenecientes

a la poblacin inicial, que son soluciones factibles del problema- deben ser
seleccionados

para

la

reproduccin;

continuacin

dichos

padres

seleccionados se cruzarn generando dos hijos, nuevas soluciones al

problema, sobre cada uno de los cuales actuar un operador de mutacin de
acuerdo con una cierta

probabilidad. El resultado de la combinacin de las anteriores funciones ser

un conjunto de individuos (posibles soluciones al problema), los cuales en la
evolucin del Algoritmo Gentico formarn parte de la siguiente poblacin.

Valores para los parmetros: tamao de la poblacin, probabilidad de

aplicacin de los operadores genticos.

APLICACIONES DE LA INTELIGENCIA ARTIFICIAL

Aplicaciones de la inteligencia artificial y las tcnicas que usan

Dentro del enfoque de la ingeniera de la Inteligencia Artificial, se clasifican las
tcnicas que pueden ser usadas como herramientas para solucionar problemas en
las siguientes categoras:
1. Tcnicas bsicas, as llamadas por encontrarse a la base de diversas
aplicaciones de IA. Entre otras se encuentran Bsqueda Heurstica de
Soluciones,

Representacin

del

Conocimiento,

Deduccin

Automtica,

Programacin Simblica (LISP) y Redes Neuronales. Estas tcnicas son las

bases de las aplicaciones. En su mayora, no necesita conocerla el usuario final,
sino los profesionales que se dedican a su aplicacin y la generacin de
aplicaciones comerciales.
2. Tecnologas, o combinaciones de varias tcnicas bsicas, orientadas a resolver
familias de problemas. Las tecnologas son ms especializadas que las tcnicas
bsicas y estn ms cerca de las aplicaciones finales. Se pueden mencionar a la
Robtica y Visin, Lenguaje Natural, Sistemas Expertos
3. Clases o tipos de aplicaciones: Diagnstico, Prediccin (sistemas de autocontrol
de reactores atmicos), Secuenciamiento de operaciones ("Scheduling"), Diseo,
Interpretacin de datos. Todas ellas son familias de problema tipo. Por ejemplo, el
diagnstico se refiere a encontrar las causas de fallas, ya sea que se trate de
fallas en una lnea de produccin o de enfermedades en una persona.
4. Campos de aplicacin: Ingeniera, Medicina, Sistemas de

Manufactura,

Administracin, Apoyo a la Toma de Decisiones Gerenciales, etc. Todas caen

dentro de las reas de los sistemas computacionales, pero que se consideran
como clientes de la Inteligencia Artificial.

Aplicacin de la inteligencia artificial en los sistemas productivos

La incorporacin de agentes de decisin inteligente, redes neuronales, sistemas
expertos, algoritmos genticos y autmatas programables para optimizacin de
sistemas de produccin es una tendencia activa en el ambiente industrial de pases
con alto desarrollo tecnolgico y con una gran inversin en investigacin y
desarrollo. Dichos componentes de la Inteligencia Artificial tienen como funcin
5

principal controlar de manera independiente, y en coordinacin con otros agentes,

componentes industriales tales como celdas de manufactura o ensamblaje, y
operaciones de mantenimiento, entre otras.
Existe

una

tendencia

creciente

la

implementacin

de

sistemas

de

manufactura/ensamblaje ms autnomos e inteligentes, debido a las exigencias del

mercado por obtener productos con niveles muy altos de calidad; lo cual con
operaciones manuales se hace complicada y hace que los pases subdesarrollados
como el nuestro no alcance niveles competitivos a nivel mundial. Al disear un
sistema de produccin integrado por computadora se debe dar importancia a la
supervisin, planificacin, secuenciacin cooperacin y ejecucin de las tareas de
operacin en centros de trabajo, agregado al control de los niveles de inventario y
caractersticas de calidad y confiabilidad del sistema. Los factores mencionados
determinan la estructura del sistema y su coordinacin representa una de las
funciones ms importantes en el manejo y control de la produccin.
Muy frecuentemente, la razn para construir un modelo de simulacin es para
encontrar respuestas a interrogantes tales como Cules son los parmetros
ptimos para maximizar o minimizar cierta funcin objetivo? En los ltimos aos se
han producido grandes avances en el campo de la optimizacin de sistemas de
produccin. Sin embargo, el progreso en el desarrollo de herramientas de anlisis
para resultados de modelos de simulacin ha sido muy lento. Existe una gran
cantidad de tcnicas tradicionales de optimizacin que slo individuos con gran
conocimiento estadstico y de conceptos de simulacin han logrado aportes
significativos en el rea.
Debido al auge de los algoritmos de bsqueda meta-heursticos, se ha abierto un
nuevo campo en el rea de optimizacin con simulacin. Nuevos paquetes de
software, tales como OptQuest (Optimal Technologies), SIMRUNNER (Promodel
Corporation) y Evolver (Palisade Software), han salido al mercado brindando
soluciones amigables de optimizacin de sistemas que no requieren control interno
sobre el modelo construido, sino sobre los resultados que dicho modelo arroja bajo
diferentes condiciones. Adems, nuevas tcnicas de inteligencia artificial aplicadas a
problemas de optimizacin estocstica, han demostrado su eficiencia y capacidad de
cmputo y aproximacin.
El Aprendizaje Reforzado (Reinforcement Learning) es un conjunto de tcnicas
diseadas para dar solucin a problemas cuya base son los procesos de decisin

markovianos. Los procesos markovianos son procesos estocsticos de decisin que

se basan en el concepto de que la accin a tomar en un estado determinado, en un
instante determinado, depende slo del estado en que se encuentre el sistema al
momento de tomar la decisin.
Una de las reas que puede tener mayor incidencia directa en los procesos
productivos de la industria nivel mundial, es el diseo de sistemas de soporte para la
toma de decisiones basados en la optimizacin de los parmetros de operacin del
sistema. Para tal efecto, el uso de tcnicas inteligentes paramtricas y no
paramtricas para el anlisis de datos es de gran inters.
Sin embargo, a juicio de los autores en la mayora de las arquitecturas propuestas
hasta el momento para manufactura integrada por computadora, carecen de un
factor de integracin fundamental. La comunicacin entre los diversos niveles
jerrquicos de una planta de produccin es muy poca, ya que cada departamento se
limita a realizar su funcin sin buscar una integracin de toda la planta productiva a
excepciones de empresas como ABB con su software Baan, etc.

CRITICAS A LA INTELIGENCIA ARTIFICIAL

Teoras organizativas y paradigmas organizativos

Las principales crticas a la inteligencia artificial tienen que ver con su capacidad de
imitar por completo a un ser humano. Estas crticas ignoran que ningn humano
individual tiene capacidad para resolver todo tipo de problemas, y autores como
Howard Gardner han propuesto que existen inteligencias mltiples. Un sistema de
inteligencia artificial debera resolver problemas. Por lo tanto es fundamental en su
diseo la delimitacin de los tipos de problemas que resolver y las estrategias y
algoritmos que utilizar para encontrar la solucin.
En los humanos la capacidad de resolver problemas tiene dos aspectos: los
aspectos innatos y los aspectos aprendidos. Los aspectos innatos permiten por
ejemplo almacenar y recuperar informacin en la memoria y los aspectos aprendidos
el saber resolver un problema matemtico mediante el algoritmo adecuado. Del
mismo modo que un humano debe disponer de herramientas que le permitan
solucionar ciertos problemas, los sistemas artificiales deben ser programados de
modo tal que puedan resolver ciertos problemas.
Muchas personas consideran que el test de Turing ha sido superado, citando
conversaciones en que al dialogar con un programa de inteligencia artificial para
chat no saben que hablan con un programa. Sin embargo, esta situacin no es
equivalente a un test de Turing, que requiere que el participante est sobre aviso de
la posibilidad de hablar con una mquina.
Otros experimentos mentales como la Habitacin china de John Searle han
mostrado cmo una mquina podra simular pensamiento sin tener que tenerlo,
pasando el test de Turing sin siquiera entender lo que hace. Esto demostrara que la
mquina en realidad no est pensando, ya que actuar de acuerdo con un programa
preestablecido sera suficiente. Si para Turing el hecho de engaar a un ser humano
que intenta evitar que le engaen es muestra de una mente inteligente, Searle
considera posible lograr dicho efecto mediante reglas definidas a priori.
Uno de los mayores problemas en sistemas de inteligencia artificial es la
comunicacin con el usuario. Este obstculo es debido a la ambigedad del
lenguaje, y apareci ya en los inicios de los primeros sistemas operativos

informticos. La capacidad de los humanos para comunicarse entre s implica el

conocimiento del lenguaje que utiliza el interlocutor. Para que un humano pueda
comunicarse con un sistema inteligente hay dos opciones: o bien el humano aprende
el lenguaje del sistema como si aprendiese a hablar cualquier otro idioma distinto al
nativo, o bien el sistema tiene la capacidad de interpretar el mensaje del usuario en
la lengua que el usuario utiliza.
Un humano durante toda su vida aprende el vocabulario de su lengua nativa. Un
humano interpreta los mensajes a pesar de la polisemia de las palabras utilizando el
contexto para resolver ambigedades. Sin embargo, debe conocer los distintos
significados para poder interpretar, y es por esto que lenguajes especializados y
tcnicos son conocidos solamente por expertos en las respectivas disciplinas. Un
sistema de inteligencia artificial se enfrenta con el mismo problema, la polisemia del
lenguaje humano, su sintaxis poco estructurada y los dialectos entre grupos.
Los desarrollos en inteligencia artificial son mayores en los campos disciplinares en
los que existe mayor consenso entre especialistas. Un sistema experto es ms
probable de ser programado en fsica o en medicina que en sociologa o en
psicologa. Esto se debe al problema del consenso entre especialistas en la
definicin de los conceptos involucrados y en los procedimientos y tcnicas a utilizar.
Por ejemplo, en fsica hay acuerdo sobre el concepto de velocidad y cmo calcularla.
Sin embargo, en psicologa se discuten los conceptos, la etiologa, la psicopatologa
y cmo proceder ante cierto diagnstico. Esto dificulta la creacin de sistemas
inteligentes porque siempre habr desacuerdo sobre lo que se esperara que el
sistema haga. A pesar de esto hay grandes avances en el diseo de sistemas
expertos para el diagnstico y toma de decisiones en el mbito mdico y
psiquitrico.

CONCLUSIONES

La Inteligencia Artificial es un campo que recin empieza a mostrar los alcances

que tiene y sus aplicaciones.

Los grandes avances de I.A aplicada a sistemas de produccin han hecho que
da a da la industria en su constante bsqueda por mejorar su competitividad
logren dicho objetivo, sin embargo el impacto social producido por la
automatizacin ha sido alto.

Los avances alcanzados por la Inteligencia Artificial han producido un gran

impacto en campos tan disimiles como la Ingeniera, Medicina, Sistemas de
Manufactura, Administracin, Apoyo a la Toma de Decisiones Gerenciales, etc.
Todas caen dentro de las reas de los sistemas computacionales, pero que se
consideran como clientes de la Inteligencia Artificial.

FUENTES DE INFORMACION

Referencias bibliogrficas
Delgado Alberto. Inteligencia Artificial y Mini robots. Segunda Edicin. Ecoe
Ediciones. Julio 1998.
PINO DIEZ, RAUL; GOMEZ GOMEZ, ALBERTO y OTROS. Introduccin a la
Inteligencia Artificial: Sistemas expertos, Redes Neuronales Artificiales y
computacin evolutiva. 2. Universidad de Oviedo, 2001. Pg. 106.
RUSSEL, STUART J. y PETER NORVIG. Inteligencia Artificial: un enfoque
moderno. 2. Edicin. Editorial Pearson Prentice Hall. Madrid, 2004. Pg. 1240
Stuart Rusell. Norving Meter. Inteligencia Artificial un Enfoque Moderno.
Printice Hall. Mxico 1996.

Referencias electrnicas
http://es.wikipedia.org/wiki/Inteligencia_artificial
http://es.wikipedia.org/wiki/Historia_de_la_inteligencia_artificial
http://www.monografias.com/trabajos16/inteligencia-artificial-historia/inteligenciaartificial-historia.shtml
http://www.monografias.com/trabajos14/inteligenciartif/inteligenciartif.shtml

ANEXOS
ANEXO N 1. Definiciones de la Inteligencia Artificial

ANEXO N 2. Niveles del conocimiento.

ANEXO N 3. Neuronas y conexiones sinpticas.

42

ANEXO N 4. MODELO DE RED EN CASCADA DE VARIAS CAPAS

42

ANEXO N 5. COMPARATIVO ENTRE NEURONAS REALES Y LAS UNIDADES

DE PROCESO EMPLEADAS EN LOS MODELOS COMPUTACIONEALES.

42

ANEXO N 6. XXX.

42

ANEXO N 7. XXX.

42

42