HISTORIA DE LA INTELIGENCIA ARTIFICIAL

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". Pero si consideramos la enorme complejidad del mismo esto es ya prcticamente imposible, ni que mencionar que el hardware de la poca ni el software estaban a la altura para realizar semejantes proyectos. Se comenz a considerar el pensamiento humano como una coordinacin de tareas simples relacionadas entre s mediante smbolos. Se llegara a la realizacin de lo que ellos consideraban como los fundamentos de la solucin inteligente de problemas, pero lo difcil estaba todava sin empezar, unir entre s estas actividades simples. Es en los aos 50 cuando se logra realizar un sistema que tuvo cierto xito, se llam el Perceptrn de Rossenblatt. ste era un sistema visual de reconocimiento de patrones en el cual se asociaron esfuerzos para que se pudieran resolver una gama amplia de problemas, pero estas energas se diluyeron enseguida. 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 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. El primer sistema experto fue el denominado Dendral, un intrprete de espectrograma de masa construido en 1967, pero el ms influyente resultara ser el Mycin de 1974. El Mycin era capaz de diagnosticar trastornos en la sangre y recetar la correspondiente medicacin, todo un logro en aquella poca que incluso fueron utilizados en hospitales (como el Puff, variante de Mycin de uso comn en el Pacific Medical Center de San Francisco, EEUU). Ya en los aos 80, se desarrollaron lenguajes especiales para utilizar con la Inteligencia Artificial, tales como el LISP o el PROLOG. Es en esta poca cuando se desarrollan sistemas expertos ms refinados, como por el ejemplo el EURISKO. Este programa perfecciona su propio cuerpo de reglas heursticas automticamente, por induccin.

Desarrollo Histrico (segn Jackson, 1986)

1950-1965 Periodo "clsico"

Gestacin (McColluck y Pitts, Shannon, Turing) Inicio - reunin de Darmouth College en 1956 (Minsky, McCarthy)

Redes neuronales, robtica (Shakey) Bsqueda en un espacio de estados, Heursticas, LISP Solucionador general de problemas (GPS) (Newell, Simon) Juegos, prueba de teoremas Limitaciones de pura bsqueda, explosin combinatoria.

1965-1975 Periodo "romntico"

Representacin "general" del conocimiento. Redes semnticas (Quillian) Prototipos (frames) (Minsky) Perceptrn (Minsky y Papert) Lgica (Kowalski) Mundo de bloques (SHDRLU) (Winograd) Compresin de lenguaje, visin, robtica. Dificultades de representacin "general", problemas de "juguete".

1975-Hoy Periodo "moderno". Inteligencia "especifica" vs. "general"

Representacin explcita del conocimiento especfico del dominio. Sistemas expertos o basados en conocimiento. Regreso de redes neuronales (Hopfield, Rumelhart, Hinton), algoritmos genticos (Holland, Goldberg) Reconocimiento de voz (HMM),

incertidumbre (RB, Lgica difusa), planeacin, aprendizaje. Aplicaciones "reales" (medicina, finanzas, ingeniera, exploracin, etc.).

Limitaciones: conocimiento "superficial"

Desarrollo Histrico (segn Russell y Norvig, 1995):

Gestacin (1943-1956):

McCullock y Pitts (1943) Hebb (1949) Shannon (1950) Turing (1953)

Minsky y Edmonds (1951) Darmouth College (1956) McCarthy, Newell y Simon, The Logic Theorist

Entusiasmo y grandes expectativas (1952-1969):

Samuel - checkers (1952) McCarthy (1958): LISP: time sharing, Programs with common sense. Minsky y McCarthy en MIT moldearon mucho del rea. Minsky, Evans, Student, Waltz, Winston, Winograd, etc. Trabajo en RN: Hebb, Widrow, Rosenblatt

Dosis de realidad (1966-1974):

Simn predeca que en 10 aos se tendra una mquina inteligente. Predicciones similares en traduccin automtica y ajedrez. Teora de NP- completness. Experimentos en machine evolution (ahora algoritmos genticos; estaban bien fundados pero no produjeron nada.) (Friedberg, 1958)

Minsky y Papert Perceptrons (1969) (aunque irnicamente el mismo ao se descubri backpropagation (Bryson y Ho))

Sistemas basados en conocimiento (1969-1979):

Dendral, Mycin, HPP, Prospector, Winograd, SHDRLU, Shank (no hay sintxis), frames, Prolog, Planner

IA como industria (1980-1988):

R1/XCON, proyecto de la quinta generacin, shells y mquinas de LISP.

Regreso de redes neuronales (1986-presente):

Hopfield, Rumelhart y Hinton y descenso de los SE

Eventos recientes (1987-presente):

Cambio gradual hacia los tcnicos y lejos de los rudos (implica cierto grado de madurez y estabilidad) ej., reconocimiento de voz (HMM), incertidumbre (Bayes), planeacin (Tweak), robtica, aprendizaje (PAC), etc.

Que es la Inteligencia Artificial

Se denomina inteligencia artificial (IA) a las inteligencias no naturales en agentes racionales no vivos;

Segn John McCarthy, acu el trmino en 1956, la defini: Es la ciencia e ingeniera de hacer mquinas inteligentes, especialmente programas de cmputo inteligentes.; a las inteligencias no naturales en agentes racionales no vivos. Tambin se dice que es:

Farid Fleifel Tapia describe a la IA como:

"La rama de la ciencia de la computacin que estudia la resolucin de problemas no algortmicos mediante el uso de cualquier tcnica de computacin disponible, sin tener en cuenta la forma de razonamiento subyacente a los mtodos que se apliquen para lograr esa resolucin.

Aplicaciones en otras Ciencia

En la medicina, ayudar a los mdicos a hacer diagnsticos, supervisar la condicin de los pacientes, administrar tratamientos y preparar estudios estadsticos. En el trabajo domstico, brindar asesora acerca de dietas, compras, supervisin y gestin de consumo energtico y seguridad del hogar. En las escuelas, apoyar la formacin de los estudiantes, especialmente en aquellas materias consideradas complejas. Ayudar a los expertos a resolver difciles problemas de anlisis o a disear nuevos dispositivos.

Aprender de los ejemplos para explorar bases de datos en busca de regularidades explotables. Proporcionar respuestas a preguntas en lenguaje natural usando datos estructurados y texto libre. La inteligencia artificial aplicada es la contraparte de ingeniera de la ciencia cognoscitiva y complementa sus perspectivas tradicionales. La ciencia cognoscitiva es una mezcla de psicologa, lingstica y filosofa. La metodologa y terminologa de la inteligencia artificial est todava en vas de desarrollo. La inteligencia artificial se est dividiendo y encontrando otros campos relacionados: lgica, redes neuronales, programacin

orientada a objetos, lenguajes formales, robtica, etc. Esto explica por qu el estudio de inteligencia artificial no est confinado a la matemtica, ciencias de la computacin, ingeniera, o a la ciencia cognoscitiva, sino que cada una de estas disciplinas es un potencial contribuyente.

Importancia de la Inteligencia Artificial.

La Inteligencia Artificial constituye una de las lneas de actuacin futura ms prometedoras, con posibilidades de aplicacin tanto en el mbito de la investigacin como en el diseo de sistemas de informacin inteligentes, que no solamente proporcionen datos al decisor sino que recomienden el mejor curso de actuacin a seguir. De entre todos los paradigmas y estrategias de la Inteligencia Artificial, actualmente dos tienen el mayor inters para las aplicaciones en la empresa: los sistemas expertos y las redes neuronales artificiales[9]. Estos sistemas se pueden combinar, por lo que una solucin prctica es utilizar sistemas mixtos que incorporan un mdulo de sistema experto con sus reglas junto a otros mdulos neuronales y estadsticos. En el momento actual la Inteligencia Artificial se aplica a numerosas actividades humanas, y como lneas de investigacin ms explotadas

destacan el razonamiento lgico, la traduccin automtica y comprensin del lenguaje natural, la robtica, la visin artificial y, especialmente, las tcnicas de aprendizaje y de ingeniera del conocimiento. Estas dos ltimas ramas son las ms directamente aplicables al campo de las finanzas pues, desde el punto de vista de los negocios, lo que interesa es construir sistemas que incorporen conocimiento y, de esta manera, sirvan de ayuda a los procesos de toma de decisiones en el mbito de la gestin empresarial.

Caractersticas de la Inteligencia Artificial

Se puede dar una lista de los procesos que generalmente pueden ser llamados inteligencia artificial si son programados en una computadora. Percepcin Comprensin del lenguaje natural Aprendizaje, demostracin de teoremas, juegos 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; reconocimiento de palabras y aprendizaje de mquinas; sistemas computacionales expertos. Los sistemas expertos, que reproducen el comportamiento humano en un estrecho mbito del conocimiento, 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.

Tales 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.

Que es la Mente

La mente es el nombre ms comn del fenmeno emergente que es

responsable del entendimiento, la capacidad de crear pensamientos, el raciocinio, la percepcin, la emocin, la memoria, la imaginacin y la voluntad, y otras habilidades cognitivas. Es la facultad del cerebro que permite reunir informacin, razonar y extraer conclusiones. La mente tiene tres tipos de procesos: los conscientes, los inconscientes y los procesativos. Tambin abarca funciones no intelectuales, funciones afectivas. Estudios de laboratorio sugieren la idea de que la mente es un resultado de la actividad del cerebro, por poder localizar la actividad pensante del individuo en regiones concretas, tales como el hipocampo. Los neurlogos confirman que, al interaccionar las diferentes regiones, el individuo puede manifestar estados polarizados de su personalidad. Gracias a estos descubrimientos se ha podido avanzar en psicofarmacologa, por ejemplo en los denominados antidepresivos, con resultados muy

alentadores. En psicologa se distingue entre mente y cerebro, aunque la mente emerge del cerebro, y cuyo funcionamiento explicara la conducta manifiesta de los seres humanos. Sin embargo, est ms vinculada a la disciplina llamada filosofa de la mente. La mente sera la responsable de los estados intermedios entre una conducta y otra conducta, o bien entre un estmulo (input) y una respuesta (output). Sera como un artefacto del que se conocen las entradas y salidas pero no se sabe cmo procesa la informacin para llegar al estado final de respuesta.

Que es el Pensamiento

El pensamiento es la actividad y creacin de la mente; dcese de todo aquello que es trado a existencia mediante la actividad del intelecto. El trmino es comnmente utilizado como forma genrica que define todos los

productos que la mente puede generar incluyendo las actividades racionales del intelecto o las abstracciones de la imaginacin; todo aquello que sea de naturaleza mental es considerado pensamiento, bien sean estos abstractos, racionales, creativos, artsticos, etc. Para muchos tratadistas el pensamiento estratgico de una institucin es la coordinacin de mentes creativas dentro de una perspectiva comn que les permite avanzar hacia el futuro de una manera satisfactoria para todo contexto. De otro lado podemos decir que el pensamiento estratgico conlleva a prepararse y estar en condiciones de recibir muchos desafos futuros, tanto los previsibles como imprevisibles en materia de oportunidades

perfectamente articuladas. Un adecuado pensamiento estratgico debe partir siempre de la misin de la entidad la que a su vez se proyecta a una visin de futuro incorporando valores, basados en las variables de la realidad, en la mstica y en la cultura organizacional la que debe materializarse tcticamente, mediante la informacin y los conocimientos, articulando opciones.

Sistemas Expertos

Los sistemas expertos son llamados as porque emulan el razonamiento de un experto en un dominio concreto y en ocasiones son usados por stos. Con los sistemas expertos se busca una mejor calidad y rapidez en las respuestas dando as lugar a una mejora de la productividad del experto. Es una aplicacin informtica capaz de solucionar un conjunto de problemas que exigen un gran conocimiento sobre un determinado tema. Un sistema experto es un conjunto de programas que, sobre una base de conocimientos, posee informacin de uno o ms expertos en un rea especfica. Se puede entender como una rama de la inteligencia artificial, donde el poder de resolucin de un problema en un programa de computadora viene del conocimiento de un dominio especfico. Estos

sistemas imitan las actividades de un humano para resolver problemas de distinta ndole (no necesariamente tiene que ser de inteligencia artificial). Tambin se dice que un SE se basa en el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de control (informacin sobre el seguimiento de una accin). Para que un sistema experto sea herramienta efectiva, los usuarios deben interactuar de una forma fcil, reuniendo dos capacidades para poder cumplirlo: Explicar sus razonamientos o base del conocimiento: los sistemas expertos se deben realizar siguiendo ciertas reglas o pasos

comprensibles de manera que se pueda generar la explicacin para cada una de estas reglas, que a la vez se basan en hechos. Adquisicin de nuevos conocimientos o integrador del sistema: son mecanismos de razonamiento que sirven para modificar los

conocimientos anteriores. Sobre la base de lo anterior se puede decir que los sistemas expertos son el producto de investigaciones en el campo de la inteligencia artificial ya que sta no intenta sustituir a los expertos humanos, sino que se desea ayudarlos a realizar con ms rapidez y eficacia todas las tareas que realiza.

Bases de Conocimientos Una Base de Conocimiento (o knowledgebase en ingls; KB, kb or ) es un tipo especial de base de datos para la gestin del conocimiento. Provee los medios para la recoleccin, organizacin y recuperacin computarizada de conocimiento. Las bases de conocimiento se han clasificado en dos grandes tipos:

a. Bases de conocimiento lebles por mquinas, diseadas para almacenar conocimiento en una forma legible por el computador,

usualmente con el fin de obtener razonamiento deductivo automtico aplicado a ellas. Contienen una serie de datos, usualmente en la forma de reglas que describen el conocimiento de manera lgicamente consistente. Operadores lgicos como Y (conjuncin), O (disyuncin), condicin lgica y negacin son utilizada para aumentarla desde el conocimiento atmico. En consecuencia la deduccin clsica puede ser utilizada para razonar sobre el conocimiento en la base de conocimiento. Este tipo de bases de conocimiento son utilizadas por la Web semntica b. Bases de conocimiento lebles por Humanos estn diseadas para permitir a las personas acceder al conocimiento que ellas contienen, principalmente para propsitos de aprendizaje. Estas son

comnmente usadas para obtener y manejar conocimiento explicito de las organizaciones, incluyen artculos, white papers, manuales de usuario y otros. El principal beneficio que proveen las bases de conocimiento es proporcionar medios de descubrir soluciones a problemas ya resueltos, los cuales podran ser aplicados como base a otros problemas dentro o fuera del mismo rea de conocimiento.

Redes Neuronales

Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como: "ANN" son un paradigma de aprendizaje y

procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente referirse a ellas como redes de neuronas o redes neuronales. Propiedades

De las propiedades observadas en los sistemas neuronales biolgicos a travs de modelos matemticos recreados mediante mecanismos artificiales (como un circuito integrado, un ordenador o un conjunto de vlvulas). El objetivo es conseguir que las mquinas den respuestas similares a las que es capaz de dar el cerebro que se caracterizan por su generalizacin y su robustez.

Perceptrn con 2 entradas.

Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones: 1. Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto). Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria. 2. Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este caso la salida la misma funcin de propagacin. 3. Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que queramos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener valores en el intervalo [-1,1]).

Arquitectura de los Redes Neuronales

Se puede estructurar de diferentes formas: Segn el nmero de capas: Redes neuronales monocapas. Se corresponde con la red neuronal ms sencilla ya que se tiene una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan diferentes clculos.

Redes neuronales multicapa, Es una generalizacin de la anterior existiendo un conjunto de capas intermedias entre la entrada y la salida (capas ocultas). Este tipo de red puede estar total o parcialmente conectada. Segn el tipo de conexiones

Redes neuronales no recurrentes. En esta red la propagacin de las seales se produce en un sentido solamente, no existiendo la posibilidad de realimentaciones. Lgicamente estas estructuras no tienen memoria.

Redes neuronales recurrentes. Esta red viene caracterizada por la existencia de lazos de realimentacin. Estos lazos pueden ser entre neuronas de diferentes capas, neuronas de la misma capa o, ms sencillamente, entre una misma neurona. Esta estructura estudia principalmente la dinmica de sistemas no lineales. Segn el grado de conexin

Redes neuronales totalmente conectadas. En este caso todas las neuronas de una capa se encuentran conectadas con las de la capa siguiente (redes

no recurrentes) o con las de la anterior (redes recurrentes).

Redes parcialmente conectadas. En este caso no se da la conexin total entre neuronas de diferentes capas.

Estas estructuras neuronales se podran conectar entre s para dar lugar a estructuras mayores: estamos en el nivel de la mesoestructura. Esta conexin se puede llevar a cabo de diferentes formas siendo las ms usuales las estructuras en paralelo y jerrquicas. En la primera estructura se plantea un consenso entre las diferentes redes para obtener la salida mientras que en la estructura jerrquica existen redes subordinadas a otras que actan como elementos centrales en la salida final de la red.

Principales Modelos de Redes Neuronales

Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa especializada.

Perceptrn: El Perceptrn es un tipo de red neuronal artificial desarrollado por Frank Rosenblatt, tambin puede entenderse como perceptrn la neurona artificial y unidad bsica de inferencia en forma

de discriminador lineal, que constituye este modelo de red neuronal artificial, esto debido a que el perceptrn puede usarse como neurona dentro de un perceptrn ms grande u otro tipo de red neuronal artificial.

Adaline: El adaline (de ADAptative LINear Element) es un tipo de red neuronal artificial desarrollada por Bernie Widrow en la Universidad de Stanford. Aunque originalmente el nombre corresponda a ADAptative LInear NEuron, al caer las redes neuronales en decadencia el autor decidi pasar a la primera definicin dada. La diferencia entre el Adaline y

el perceptrn estndar (McCulloch-Pitts) es que el perceptrn solo tiene capacidad para clasificar, ya que utiliza una funcin umbral sobre la suma ponderada de las entradas, a diferencia del adaline, que es capaz de estimar una salida real.

El perceptrn multicapa es una red neuronal artificial (RNA) formada por mltiples capas, esto le permite resolver problemas que no son linealmente separables, lo cual es la principal limitacin

del perceptrn (tambin llamado perceptrn simple). El perceptrn multicapa puede ser totalmente o localmente conectado. En el primer caso cada salida de una neurona de la capa "i" es entrada de todas las neuronas de la capa "i+1", mientras que en el segundo cada neurona de la capa "i" es entrada de una serie de neuronas (regin) de la capa "i+1".

Memorias

asociativas:

Se

entiende

por memoria

asociativa el

almacenamiento y recuperacin de informacin por asociacin con otras informaciones. Un dispositivo de almacenamiento de informacin se llama memoria asociativa si permite recuperar informacin a partir de conocimiento parcial de su contenido, sin saber su localizacin de almacenamiento. A veces tambin se le llama memoria de

direccionamiento por contenido. Los computadores tradicionales no usan este direccionamiento; se basan en el conocimiento exacto de la direccin de memoria en la que se encuentra la informacin. Sin embargo, se cree que el cerebro humano no acta as. Si queremos recordar el nombre de una persona, no nos sirve saber que fue el nombre nmero 3274 que aprendimos. Es ms til saber que su nombre empieza y termina por 'N' y que es un famoso cientfico ingls. Con esta informacin, es casi seguro que recordaremos exitosamente a "Newton". Las memorias asociativas son una de las redes neuronales artificiales ms importantes con un amplio rango de aplicaciones en reas tales como: Memorias de acceso

por contenido, identificacin de patrones y control inteligente. Una memoria asociativa puede almacenar informacin y recuperarla cuando sea necesario, es decir, una red retroalimentada, cuya salida se utiliza repetidamente como una nueva entrada hasta que el proceso converge. Puede recuperar dicha informacin basndose en el conocimiento de parte de sta (clave). El patrn clave puede ser una versin con ruido de un patrn memorizado, es decir, que difiere de l en pocas componentes. La memoria humana recuerda a una persona aunque vaya vestida de forma diferente o lleve gafas.

Mquina de Boltzmann: Una mquina de Boltzmann es un tipo de red neuronal recurrente estocstica. El nombre le fue dado por los investigadores Geoffrey Hinton y Terry Sejnowski. Las mquinas de Boltzmann pueden considerarse como la contrapartida estocstica y generativa de las redes de Hopfield. Fueron de los primeros tipos de redes neuronales capaces de aprender mediante representaciones internas, son capaces de representar y (con tiempo suficiente) resolver complicados problemas combinatorios. Sin embargo, debido a una serie de cuestiones que se abordan ms adelante, las mquinas de Boltzmann sin restricciones de conectividad no han demostrado ser tiles para resolver los problemas que se dan en la prctica en el aprendizaje o inferencia de las mquinas. An as resultan interesantes en la teora debido a la localizacin y a la naturaleza hebbiana de su algoritmo de entrenamiento, as como por su paralelismo y por la semejanza de su dinmica a fenmenos fsicos sencillos. Si se limita la conectividad, el aprendizaje puede ser lo bastante eficaz como para ser til en la resolucin de problemas prcticos.

Mquina de Cauchy.

Propagacin hacia atrs (backpropagation): La propagacin hacia atrs de errores o retropropagacin (del ingls backpropagation) es un

algoritmo de aprendizaje supervisado que se usa para entrenar redes neuronales artificiales. El algoritmo consiste en minimizar un error (comnmente cuadrtico) por medio de descenso de gradiente, por lo que la parte esencial del algoritmo es clculo de las derivadas parciales de dicho error con respecto a los parmetros de la red neuronal.

Redes de Elman: La red recurrente Elman

es una red de retro

propagacin de dos capas, con la adicin de una retroalimentacin de la salida de la capa oculta con la entrada de la red. Esta retroalimentacin le permite a la red generar y detectar patrones variantes en el tiempo. La red Elman tiene como funcin de activacin el Tansigmoidal en su capa oculta y la funcin lineal en su capa de salida lo que le permite aproximar cualquier funcin (Con un numero finito de discontinuidades) y cierta exactitud siempre que se tengan suficientes neuronas en la capa oculta para el procesamiento. La retroalimentacin contiene un retraso que permite retener los valores del primer paso para usarlos en el actual paso de procesamiento. Debido a que la red puede grabar informacin para futura referencia es capaz de aprender patrones temporales tan bien como patrones espaciales adems de generarlos.

Redes de Hopfield: Una red de Hopfield es una forma de red neuronal artificial recurrente inventada por John Hopfield. Las redes de Hopfield se usan como sistemas de Memoria asociativa con unidades binarias. Estn diseadas para converger a un mnimo local, pero la convergencia a uno de los patrones almacenados no est garantizada.

Red de contrapropagacin.

Redes de neuronas de aprendizaje competitivo: Las redes de aprendizaje competitivo son un tipo de red neuronal que pertenecen a las redes que se denominan autoorganizadas, debido a que son capaces de clasificar rasgos utilizando slo los datos de entrada a la red, tal y como se describe en los fundamentos de las redes de aprendizaje competitivo.

Mapas Autoorganizados (RNA) (Redes de Kohonen): Los mapas autoorganizados o SOM (Self-Organizing Map), tambin llamados redes de Kohonen son un tipo de red neuronal no supervisada, competitiva, distribuida de forma regular en una rejilla de, normalmente, dos dimensiones, cuyo fin es descubrir la estructura subyacente de los datos introducidos en ella. A lo largo del entrenamiento de la red, los vectores de datos son introducidos en cada neurona y se comparan con el vector de peso caracterstico de cada neurona. La neurona que presenta menor diferencia entre su vector de peso y el vector de datos es la neurona ganadora (o BMU) y ella y sus vecinas vern modificados sus vectores de pesos.

Crecimiento dinmico de clulas.

Gas Neuronal Creciente.

Redes ART (Adaptative Resonance Theory): ART son las siglas en ingls de Teora de la Resonancia Adaptativa (Adaptive Resonance Theory), desarrollada por Stephen Grossberg yGail Carpenter. Es un modelo de red neuronal artificial que basa su funcionamiento en la manera en que el cerebro procesa informacin y que describe una serie de modelos de redes neuronales que utilizando mtodos de aprendizaje supervisado y no supervisado abordan problemas tales como el reconocimiento y la prediccin de patrones.

REPUBLICA BOLIVARIANA DE VENEZUELA MINISTERIO DE EDUCACION SUPERIOR INSTITUTO UNIVERSITARIO POLITECNICO SANTIAGO MARIO CATEDRA: INTROD.INGENIERIA INDUSTRIAL ESCUELA: 45

INFORMATICA:

PROF: RODOLFO GARCIA

BACHILLER: RICHARDS NAYROVIS C.I. 18.820.276 TINEO JOSE LUIS C.I. 8.464.294 TELLO LUQUE C.I. 14.777.527 MARTINOVICH RANDER C.I. 19.125.061

MATURIN, ENERO DEL 2012

INTRODUCION

La idea de construir una mquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista incluyen juegos, traduccin de idiomas, comprensin de idiomas, diagnstico de fallas, robtica, suministro de asesora experta en diversos temas. Es as como los sistemas de administracin de base de datos cada vez ms sofisticados, la estructura de datos y el desarrollo de algoritmos de insercin, borrado y locacin de datos, as como el intento de crear mquinas capaces de realizar tareas que son pensadas como tpicas del mbito de la inteligencia humana, acuaron el trmino Inteligencia Artificial en 1956. La Inteligencia Artificial comenz como el resultado de la investigacin en psicologa cognitiva y lgica matemtica. Se ha enfocado sobre la explicacin del trabajo mental y construccin de algoritmos de solucin a problemas de propsito general. Punto de vista que favorece la abstraccin y la generalidad. La Inteligencia Artificial es una combinacin de la ciencia del computador, fisiologa y filosofa, tan general y amplio como eso, es que rene varios campos (robtica, sistemas expertos, por ejemplo), todos los cuales tienen en comn la creacin de mquinas que pueden "pensar". 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.

CONCLUSION

La inteligencia artificial es un tema que viene desde tiempo atrs, pero pues es algo que apenas en este siglo ha venido tomando la importancia que necesita, debido a que cada vez avanza mas y que mas de miles de utilidades, las cuales da a da se estn innovando y buscando nuevas herramientas. La mejor manera de decir que es inteligencia artificial es definindola como una disciplina que se encarga de construir procesos que al ser ejecutados sobre una arquitectura fsica producen acciones o resultados que maximizan una medida de rendimiento determinada. En conclusin las redes neuronales se orientan a desarrollar mquinas o sistemas inteligentes capaces de simular, desarrollar y optimizar muchas de las funciones de un ser humano as como tambin la investigacin cientfica ya que pueden hacer cosas que el hombre por sus limitaciones fsicas no puede realizar.