Documente Academic
Documente Profesional
Documente Cultură
Los RoboCops
Grupo 3
por medio del conjunto de “neuronas”, que en este campo es la unidad básica de
procesamiento de la red Neuronal. Estas poseen un número determinado de conexiones de
entrada, mediante las cuales reciben estímulos externos. Posteriormente la neurona realiza un
cálculo o función interna para generar un valor de salida. A la función que se desarrolla
dentro se le conoce como suma ponderada (es decir se la da cierto valor de peso o intensidad
a cada valor de entrada). Se puede modificar el peso de las variables de entrada para modelar
la función, los valores que genere dicha función se comparan con un umbral previamente
establecido y se asigna un valor binario (0 o 1) (Rendon, 2011, pp.11-12). Al jugar
modificando estos elementos se pueden generar compuertas similares a las que se ocupan en
circuitos computacionales, es decir AND (solo es positivo cuando ambas condiciones se
cumplen) y OR (solo es necesaria que una se cumpla). Una sola neurona forma la red
neuronal más simple y se le conoce como perceptrón. Si se juntan unas neuronas entre sí se
pueden formar compuertas más complejas, como la XOR (para que el valor de salida sea 1
una condición se cumple y la otra forzosamente no). Así es como se logra modular
información más compleja: por medio de capas consecutivas de neuronas donde las salidas de
una se convierten en las entradas de las siguientes y se va formando información más
compleja, esto deriva en el concepto de conocimiento jerarquizado y conocimiento profundo
(deep learning). El problema es que con solo lo anterior visto solo es posible resolver
problemas o procesar información simple, para solucionar esto se usan las funciones de
activación las cuales vuelven no lineales los valores de salida y permiten soluciones más
complejas con la conexión o sinapsis de neuronas (Dot CSV,2018).
¿Cuál es la relación del aprendizaje con la inteligencia artificial?
Para explicar la relación no queda más claro que lo siguiente según la Universidad Privada
Telesup (2016, p.13) “tendremos una solución de problemas propia de la inteligencia
artificial cuando incluye algún tipo de aprendizaje: simbólico o conexionista. Sin aprendizaje
no hay inteligencia artificial”. Para lograr esto actualmente se crean algoritmos de
aprendizaje, los cuales entrenan a las redes neuronales para que reajusten sus parámetros y
que así aprendan la representación interna de la información que procesan. El método más
importante en este campo se le conoce como Backpropagation, donde en términos prácticos
se recorre desde el resultado de la red neuronal hacia atrás para asignarle una carga de
responsabilidad a cada neurona. Es así como se entrenan las redes neuronales y pueden
aprender a minimizar sus errores.
LOS ROBOCOPS 5
Existen programas tan variados como los que diagnostican infecciones en la sangre y
pueden indicar un tratamiento. Hay otros que interpretan datos sismológicos en exploración
geológica y otros que configuran complejos equipos de alta tecnología. Existen también
programas que ayudan a doctores y químicos a desarrollar estructuras útiles químicas jamás
antes desarrolladas. Estas tareas reducen costos y reducen riesgos en la manipulación humana,
por lo tanto mejoran el desempeño del personal inexperto, y mejoran el control de calidad en
el ámbito comercial.
LOS ROBOCOPS 6
¿Qué concluimos?
Referencias
Bonilla, A. (2017). México frente al desarrollo de inteligencia artificial. Ciencia UV.
Recuperado de:
https://www.uv.mx/cienciauv/files/2017/03/me-xico-frente-al-desarrollo-de-inteligenc
ia-artificial.pdf
Burguan, D., Sánchez, M., Salto, M. & Tenorio,C. (2010) Recuperado de:
https://es.scribd.com/doc/42834762/Software-de-Inteligencia-Artificial
ecuperado
Chávez, G. (2017). El problema detrás de la inteligencia artificial. Tec Review. R
de: https://tecreview.tec.mx/el-problema-detras-de-la-inteligencia-artificial/
Dot CSV. . (2018, Marzo 19). ¿Qué es una red neuronal?. Recuperado de:
https://www.youtube.com/watch?v=MRIv2IwFTPg
Hochel, M. y Gómez Milán, E. (s.f). La Inteligencia Artificial. Universidad de Granada.
Recuperado de: https://www.ugr.es/~setchift/docs/conciencia_capitulo_2.pdf
Martínez, M., Santana, E., & Beliz, N. (2017). Análisis de los paradigmas de inteligencia
artificial, para un modelo inteligente de gestión de la energía eléctrica. Revista De
Iniciación Científica, 3(1), 77 - 84. Recuperado de:
https://revistas.utp.ac.pa/index.php/ric/article/view/1701
Martinho, E., Miller, H., Asare, I., Petheram, A., Stirling, R., Gómez, C. & Martínez, C.
(2015). Hacia una Estrategia de IAen México: Aprovechando la Revolución de la IA.
México. Embajada Británica en México.
ecuperado de:
Rendon, O. (2011). Inteligencia Artificial. R
https://es.scribd.com/document/49288818/Inteligencia-Artificial
ecuperado de:
Universidad Privada Telesup. (2016). Inteligencia Artificial. R
https://es.scribd.com/doc/297628426/Inteligencia-Artificial