Documente Academic
Documente Profesional
Documente Cultură
2
........................................................................................................................................................... 19
10. BIBLIOGRAFIA ................................................................................................................... 21
3
4
1. INTELIGENCIA ARTIFICIAL
Es una rama de las ciencias computacionales encargada de estudiar modelos de cómputo capaces
de realizar actividades propias de los seres humanos en base a dos de sus características
primordiales: el razonamiento y la conducta. Existen distintas definiciones de IA de acuerdo a
distintos enfoques; algunas de estas definiciones se muestran a continuación “La interesante tarea
de lograr que las computadoras piensen... máquinas con mente, en su amplio sentido literal.”
CLASIFICACION
5
TEMAS RELACIONADOS
Aunque existen puntos de vista diferentes sobre qué es la inteligencia artificial, hay un acuerdo
importante sobre cuáles son los resultados atribuibles a esta rama de la Informática, así como a la
clasificación de los métodos y técnicas desarrollados. Repasamos a continuación los cuatro
grandes temas de la inteligencia artificial.
Inteligencia artificial distribuida. Durante sus primeros años la inteligencia artificial era
monolítica. Ahora, con los ordenadores multiprocesador e Internet, hay interés en
soluciones distribuidas. Estas van desde versiones paralelas de métodos ya existentes a
nuevos problemas relacionados con los agentes autónomos (programas software con
autonomía para tomar decisiones e interaccionar con otros).
Además de los cuatro temas mencionados más arriba, existen otros que están fuertemente
relacionados con la inteligencia artificial. Son los enumerados a continuación:
a) El lenguaje natural.
b) La visión artificial.
c) La robótica.
d) El reconocimiento del habla.
APLICACIONES DE IA
Hasta la fecha se han desarrollado muchas aplicaciones que utilizan algunos de los métodos o
algoritmos diseñados en el área de la inteligencia artificial. Las primeras aplicaciones en esta área
estuvieron enfocadas a desarrollar algoritmos para juegos. Actualmente, la IA es una rama de la
teoría de la computación que incluye áreas tales como el razonamiento automático, la
demostración de teoremas, los sistemas expertos, el procesamiento de lenguaje natural, robótica,
lenguajes y ambientes de IA, aprendizaje, redes neuronales, algoritmos genéticos, por mencionar
solo algunas.
Áreas de aplicación de la IA
Actualmente algunas aplicaciones como Pinterest, Siri, Fotos de Google, etc., usan inteligencia
artificial.
En los próximos años, la adopción de esta tecnología debería suceder de forma exponencial, ya
sea para uso personal o de negocio, teniendo un impacto similar al de Internet y la computación
móvil.
6
Pero también hay áreas de aplicación. En efecto, estos procesos de la AI se aplican en los
sistemas reales en una gran variedad de ramas y problemas:
Watson analiza grandes volúmenes datos, entiende preguntas complejas y presenta respuestas y
soluciones (en un lenguaje que cualquiera puede entender) a ciertos problemas con base en la
información encontrada. Es un hijo de la computación cognitiva.
El superordenador vive ahora en la nube, pero en su día fue un objeto físico. En la sede de IBM en
Manhattan, un edificio de 12 plantas donde trabajan alrededor de 600 empleados, residía Watson, el
superordenador, un monolito azul oscuro, como su abuelo Deep Blue.
Watson reside en el núcleo de Silicon Alley. Este nombre ‘el callejón del silicio’, nació a mediados de
los 90, cuando una nueva ola de compañías tecnológicas se establecieron en este barrio, cerca del
Midtown. Según la literatura de ciencia ficción, el silicio es la sangre de las máquinas, un buen
conductor de propiedades similares al carbono y segundo elemento más abundante de la corteza
terrestre.
7
cuenta, de aprender.
La gente describe Watson como una supercomputadora. No lo es, una supercomputadora es una
definición que sea da para una máquina que hace cálculos, que rompe récords. Watson tiene una
capacidad enorme de manejo de memoria, pero no tiene una capacidad muy grande de hacer
cálculos. IBM vende Watson como servicio. No vendemos un conjunto de software y hardware
porque lo pueden copiar. Sería como vender la gallina de los huevos de oro. Después vas por la
calle y encuentras un ‘Watson’ al tercio de precio que dice: ‘made in china’.
No hay máquina que sea capaz de transformar un genio en un idiota o un idiota en un genio. La
diferencia está en el uso que se la da a la máquina. Si le das un cuchillo a un artista, podrá hacer
una escultura. El mismo cuchillo en manos de alguien violento es un arma. El tema no es la
máquina, es el hombre.
Mi preocupación es otra. Tenemos que buscar que los países de Latinoamérica no existan
solamente tontos, desinformados. Tenemos que educar a la gente de nuestros países para que los
ciudadanos tengan la capacidad de sacar buen provecho de la vanguardia tecnológica.
Es una necesidad porque la cantidad de información que tenemos almacenada adquirió tal tamaño
que los hombres no pueden administrarla. Este tipo de tecnología va a ser tan necesaria que ya no
vamos a notar su presencia, va a estar en todas partes: en asistentes médicos, carros sin
conductor, en servicios financieros y en cada nicho de la industria donde sea útil.
8
APLICACIONES DE WATSON
Uno de los campos donde se ha empezado a aplicar la tecnología de Watson es en de la salud.
Por ejemplo, el Centro Cancerológico MD Anderson de la Universidad de Texas está utilizando la
computación cognitiva para tomar los datos de pacientes afectados por enfermedades como la
leucemia y plantear mejores tratamientos. También existe una división llamada Chef Watson que
plantea recetas con base en los ingredientes proporcionados por el usuario. Para plantear los
mejores platos, se basa en una extensa bibliografía. Existe un emprendimiento llamado WayBlazer
que es, en esencia, un sistema que les brinda consejos de viaje a los turistas. Es una suerte de
consejero de viaje virtual.
Reconocimiento Visual
Después de crear una instancia del servicio de reconocimiento visual, puede ver la clave de API
seleccionando credenciales de servicio en el panel de servicio.
9
Clasificación
Clasificar una imagen Clasifique una URL o cargue una sola imagen o un archivo .zip de varias
imágenes con las clases integradas. Para identificar clasificadores personalizados, incluya los
parámetros id_clasificacion y propios.
Detectar caras
Analizar las caras en imágenes y obtener datos sobre ellas, como la edad estimada, el género,
más los nombres de las celebridades. Las imágenes pueden estar en formato .jpg o .png. Esta
característica no es entrenable y no admite el reconocimiento facial biométrico general. Para cada
imagen, la respuesta incluye la ubicación de la cara, una edad mínima y máxima estimada, un
género y las puntuaciones de confianza. Las puntuaciones oscilan entre 0 y 1 con una puntuación
más alta que indica una mayor correlación.
Clasificadores personalizados
Crear un clasificador
Capacitar un nuevo clasificador de múltiples facetas en los datos de imagen subidos. Cree su
clasificador personalizado con ejemplos positivos o negativos. Incluya al menos dos conjuntos de
ejemplos, ya sea dos archivos de ejemplo positivo o uno positivo y uno negativo. Puede cargar un
máximo de 256 MB por llamada.
Actualizar un clasificador
Recopilación de datos
Manejo de errores
El servicio de reconocimiento visual utiliza códigos de respuesta HTTP estándar para mostrar si un
método se completó correctamente. Una respuesta 200 siempre indica éxito. Una respuesta de tipo
400 es algún tipo de fallo, y una respuesta de tipo 500 normalmente indica un error interno del
sistema.
10
PASOS
Regístrate en Bluemix, o utiliza una cuenta existente. Si crea una cuenta, primero tendrá que
crear una organización y un espacio; se le pedirá que lo haga cuando inicie sesión por primera
vez.
f) Disfruta
11
4. DESCRIBIR LA API
VISUAL-RECOGNITION / API, API VERSION: 3.0]
El servicio de reconocimiento visual de IBM Watson ™ identifica escenas, objetos y caras de
celebridades en las imágenes que suba al servicio. Puede crear y formar un clasificador
personalizado para identificar temas que se adapten a sus necesidades.
5. ASPECTO TÉCNICO
EXPLORADOR DE API
Para interactuar con esta API, utilice el explorador de API de reconocimiento visual . Utilice el
explorador para probar sus llamadas a la API y para ver las respuestas en directo desde el
servidor.
AUTENTICACIÓN
Se autentica a la API de reconocimiento visual proporcionando la clave de API que se proporciona
en las credenciales de servicio para la instancia de servicio que desea utilizar.
Después de crear una instancia del servicio Reconocimiento visual, puede ver la clave de la API
seleccionando Credenciales de servicio en el panel izquierdo del panel de servicio.
MÉTODOS
Clasificar una imagen
Cargue imágenes o URL para identificar clases de forma predeterminada. Las imágenes deben
estar en formato .jpeg o .png. Utilice imágenes con un mínimo de 224 x 224 píxeles para obtener
los mejores resultados de calidad. Para identificar clasificadores personalizados, incluya
los parámetros classifier_ids o owners .
Detectar caras
Analizar las caras en las imágenes y obtener datos sobre ellas, como la edad estimada, el género,
más los nombres de las celebridades. Las imágenes deben estar en formato .jpeg o .png. Esta
funcionalidad no es entrenable y no admite el reconocimiento facial biométrico general.
Para cada imagen, la respuesta incluye la ubicación de la cara, una edad mínima y máxima
estimada, un género y las puntuaciones de confianza. Las puntuaciones oscilan entre 0 y 1 con
una puntuación más alta que indica una mayor correlación.
CLASIFICADORES PERSONALIZADOS
Crear un clasificador
Entrenar un nuevo clasificador de múltiples facetas en los datos de imagen subidos. Un nuevo
clasificador personalizado puede ser entrenado por varios archivos comprimidos (.zip), incluyendo
archivos que contienen imágenes positivas o negativas (.jpg o .png). Debe proporcionar al menos
dos archivos comprimidos, ya sea dos archivos de ejemplo positivo o uno positivo y otro negativo.
Los archivos comprimidos que contienen ejemplos positivos se utilizan para crear "clases" que
definen lo que es el nuevo clasificador. El prefijo que especifique para cada parámetro de ejemplo
positivo se utiliza como nombre de clase dentro del nuevo clasificador. Se requiere el sufijo
"_positive_examples". No hay límite en el número de archivos de ejemplo positivo que puede
cargar en una sola llamada.
El archivo comprimido que contiene ejemplos negativos no se utiliza para crear una clase dentro
del clasificador creado, sino que define lo que el nuevo clasificador no es. Los archivos de ejemplo
negativos deben contener imágenes que no representen el tema de ninguno de los ejemplos
positivos. Sólo puede especificar un archivo de ejemplo negativo en una sola llamada. Para
obtener más información, véase Estructura de los datos de formación y Directrices para una buena
formación .
12
CARACTERISTICAS
Clasificación general
Genere palabras clave de clase que describan la imagen. Utilice sus propias imágenes o extraiga o
los URL de imágenes desde páginas web de acceso público para su análisis.
Detección de rostros
Detecte rostros humanos en la imagen. Este servicio también proporciona una indicación general
del rango de edad y el sexo de los rostros.
Entrenamiento visual
Cree clasificadores visuales personalizados y exclusivos. Utilice el servicio para reconocer los
conceptos visuales personalizados no disponibles con la clasificación general.
13
7. EJEMPLOS DE VISUAL RECOGNITION
Este trabajo se puede orientar a cualquier otro reconocimiento visual, tal como
1 Industria médica: software que pudiera detectar melanoma y diferenciarlo de un lunar
regular.
Requisitos:
Para este laboratorio creé un repo en Github el cual puede ser aprovechado por cualquiera.
Cree su cuenta en Bluemix. Gratis por 30 días.
Cree un servicio de reconocimiento visual (Visual Recognition). Y extraiga la llave de acceso como
se indica a continuación: http://www.ibm.com/watson/developercloud/doc/visual-
recognition/classifiers-tutorials.shtml
Una vez creado, baje el código del Repo, abra una consola y diríjase al folder cancerdemo-
backend y corra:
npm install
Reemplace la llave de acceso: En la línea 24 del archivo selfcheck/cancerdemo-
backend/app.js o en el archivo .env
node server
Se levantará una pantalla similar a la siguiente.
14
Se debe ir a la sección de Train del sitio web y cargar los dos .zip.
Una vez entrenado, he dejado un endpoint (REST) que recibe una foto y la clasifica. Para esto, se
incluye en el Repo un proyecto en Ionic 2 que envía la foto desde un dispositivo móvil, sin embargo
no es obligatorio que la foto sea enviada desde un celular. La foto puede ser enviada desde un
dispositivo o una web, sin problema.
O bien, se puede probar directo desde su computadora con un cliente de HTTP. Descargue una
foto de internet de un melanoma y pruebe Watson con Postman.
15
Diríjase de vuelta al tab "Watson" dentro del web app para copiar el código único. Por ejemplo:
Al darle click a Send va a consultar al Endpoint llamado custom_classify con la foto de melanoma,
el cual a su vez se comunica con el Watson entrenado y le retorna si es o no melanoma.
El siguiente paso del demo de reconocimiento de melanoma es reconocer cada posible
característica visual de un lunar cancerígeno por aparte. Eso se lograría contando con más
ejemplos de imágenes.
16
2 OmniEarth utiliza Watson para combatir la sequía en California:
Dilema de sequía en California
La historia de OmniEarth brinda una visión fascinante de cómo la aplicación del aprendizaje
automático a grandes trozos de datos -en este caso, imágenes aéreas- puede ayudar a resolver
problemas complicados, de múltiples capas y pesados de información, demasiado intimidantes
para los enfoques convencionales.
La historia comienza con la sequía en curso en el oeste de Estados Unidos, que alcanzó un
punto de crisis en abril de 2015, momento en el cual el gobernador de California, Jerry Brown,
emitió las primeras restricciones de agua obligatorias del estado. Las ciudades y ciudades
tuvieron que reducir el consumo de agua en un 25 por ciento durante los próximos 10 meses, un
objetivo extremadamente agresivo.
Una solución basada en datos
El equipo de OmniEarth sabía cómo ayudar. Fundada en 2014 por un pequeño equipo de
científicos y empresarios, esta empresa de tecnología ambiental utiliza geoanálisis avanzado,
impulsado por el servicio cognitivo IBM W atson Visual Recognition, para procesar, aclarar y
fusionar grandes cantidades de imágenes satelitales y aéreas con otros conjuntos de datos. Al
proporcionar datos granulares sobre el consumo de agua, la empresa podría ayudar a las
agencias locales a identificar rápidamente las parcelas que necesitaban reducir el consumo de
agua, y por cuánto.
"Si podemos determinar la cantidad de agua que una propiedad necesita en cada día dado", dice
Chelsea Minton, ingeniero de ventas senior de OmniEarth, "y luego compar amos eso con la
cantidad que esta propiedad está usando, podemos calcular exactamente cuánto potencial esa
propiedad o que el propietario tiene que ahorrar agua ".
OmniEarth aprovecha a Watson
La solución OmniEarth requirió un análisis de gran amplitud de datos. Así que llegaron a IBM
Watson. El objetivo: aprovechar las avanzadas capacidades de procesamiento, aprendizaje y
reconocimiento visual de Watson para darle sentido rápidamente a toda esa información.
El servicio cognitivo de reconocimiento visual de Watson analizó la extensa colección de
imágenes aéreas de lotes afectados por la sequía de OmniEarth para áreas específicas donde el
uso del agua podría reducirse. En un caso, las capacidades cognitivas de Watson hicieron
posible que el equipo de OmniEarth identificara las piscinas en 150.000 parcelas en sólo 12
minutos, algo que habría tomado horas o días si se hacía manualmente.
Armados con esta información, los distritos de agua pudieron hacer recomendaciones muy
específicas, ahorradoras de agua, a los propietarios y gobiernos en las zonas de sequía.
El estudio de caso de California es sólo un ejemplo de cómo los científicos de OmniEarth
planean desarrollar aplicaciones inteligentes y de toma de decisiones que revolucionan la
agricultura y el uso de la tierra. El equipo ha indicado que IBM Watson jugará un papel
importante en la habilitación de esta "revolución de datos verdes".
17
8. PROPUESTA DE APLICACIONES EN SANTA CRUZ
Comercio
Los minoristas de venta por correo de Internet de ropa y accesorios de marcas múltiples de
hombres y mujeres pueden probar el reconocimiento visual de Watson para mejorar la experiencia
del cliente "similar" al identificar lo que un cliente está usando cuando entra en una tienda y luego
determinar lo que más probablemente desearía comprar. El cliente también puede hablar con el
chat-bot del sitio para completar una búsqueda de imágenes similar.
Industrias de Fabricación
Asegura de que los productos están correctamente posicionados en una línea de montaje
Aseguradoras
Agiliza la atención de procesos de reclamos a través de la clasificación de imágenes de estos
mismos.
Seguridad
Monitor para actividad, instantáneamente clasifica objetos de los que son peligrosos y los que no.
18
9. ANEXOS
19
20
10. BIBLIOGRAFIA
Test de Turing (1950)
Vicenç Torra (2011,Diciembre). Instituto de Investigación en Inteligencia Artificial
(CSIC) Recuperado en
http://www.fgcsic.es/lychnos/es_es/articulos/inteligencia_artificial (2017,04 de
septiembre)
ÉDGAR MEDINA(2016,ABRIL). El Tiempo
Recuperado en
http://www.eltiempo.com/archivo/documento/CMS-16557600
Watson recuperado en https://www.ibm.com/watson/developercloud/visual-
recognition/api/v3/?java#
http://elcomercio.pe/tecnologia/actualidad/cuatro-aplicaciones-actuales-
inteligencia-artificial-videos-436450
http://www.silicon.es/aplicaciones-inteligencia-artificial-
2336536?inf_by=59cb3199681db85e278b47ee
http://www.ticbeat.com/tecnologias/inteligencia-artificial-revisando-un-concepto-
que-se-ha-tergiversado/
http://www-03.ibm.com/marketing/mx/watson/what-is-watson/
http://www.eltiempo.com/archivo/documento/CMS-16557600
https://github.com/ProMadGenius/Watson-SW2
https://watson-api-explorer.mybluemix.net/apis/visual-recognition-v3
21