Inteligencia Artificial Unidad 4 JLMA

 Los SE se aplican a una gran diversidad de campos y/o áreas. A continuación se listan algunas de las principales: Militar Informática Telecomunicaciones Química Derecho Aeronáutica Geología Arqueología Agricultura Electrónica Transporte Educación Medicina Industria Finanzas y Gestión Ventajas Estos programas proporcionan la capacidad de trabajar con grandes cantidades de información, que son uno de los grandes problemas que enfrenta el analista humano que puede afectar negativamente a la toma de decisiones pues el analista humano puede depurar datos que no considere relevantes, mientras un SE debido a su gran velocidad de proceso analiza toda la información incluyendo las no útiles para de esta manera aportar una decisión más sólida. Limitaciones Es evidente que para actualizar se necesita de reprogramación de estos (tal vez este sea una de sus limitaciones más acentuadas) otra de sus limitaciones puede ser el elevado costo en dinero y tiempo, además que estos programas son poco flexi

 Existen tres tipos de sistemas expertos: Basados en reglas: Aplicando reglas heurísticas apoyadas generalmente en lógica difusa para su evaluación y aplicación. Basados en casos CBR (Case Based Reasoning): Aplicando el razonamiento basado en casos, donde la solución a un problema similar planteado con anterioridad se adapta al nuevo problema. Basados en redes: Aplicando redes bayesianas, basadas en estadística y el teorema de Bayes.

 Es un software que imita el comportamiento de un experto humano en la solución de un problema. Pueden almacenar conocimientos de expertos para un campo determinado y solucionar un problema mediante deducción lógica de conclusiones. Son SE aquellos programas que se realizan haciendo explicito el conocimiento en ellos, que tienen información específica de un dominio concreto y que realizan una tarea relativa a este dominio.  Programas que manipulan conocimiento codificado para resolver problemas en un dominio especializado en un dominio que generalmente requiere de experiencia humana. Programas que contienen tanto conocimiento declarativo (hechos a cerca de objetos, eventos y/o situaciones) como conocimiento de control (información acerca de los cursos de una acción), para emular el proceso de razonamiento de los expertos humanos en un dominio en particular y/o área de experiencia. Software que incorpora conocimiento de experto sobre un dominio de aplicación dado, de manera que es capaz

El propósito de este artículo es de mostrarnos una amplia y precisa descripción de lo que son los Sistemas Expertos (SE), los cuales también son conocidos como Sistemas Basados en Conocimiento. Así mismo mostramos brevemente los orígenes, conceptos, aplicaciones, ventajas, limitaciones, y su arquitectura básica de esta área y/o campo de la Inteligencia artificial. Por otra parte en la actualidad el mercado se vuelve más competitivo, donde la administración y buen manejo de la información es fundamental para todas las empresas y/o organizaciones, las cuales si quieren sobrevivir deben de mantenerse a la vanguardia en todas y cada una de las áreas. Introducción: Se considera a alguien un experto en un problema cuando este individuo tiene conocimiento especializado sobre dicho problema. En el área de los (SE) a este tipo de conocimiento se le llama conocimiento sobre el dominio. La palabra dominio se usa para enfatizar que el conocimiento pertenece a un problema específico. Antes de la ap

  ¿Para qué se utiliza el Procesamiento de Lenguaje Natural? Extracción de información Respuesta a preguntas Traducción automática Síntesis de voz Recuperación de información Comprensión del lenguaje Reconocimiento del habla Generación de lenguajes naturales La  Extracción de Información  se trata de un tipo de recuperación de información, cuyo objetivo es extraer automáticamente información estructurada (o semiestructurada) desde documentos legibles por un ordenador. La  Respuesta a Preguntas  es uno de los sistemas más complejos de recuperación de la información y por el cual una máquina debería ser capaz de recuperar respuestas planteadas en lenguaje natural. Estos buscadores de respuestas intentan reconocer un amplio rango de tipos de preguntas, incluyendo “cómo”, “cuándo”, “dónde”, “por qué”, hechos, listas, definiciones,  etc… La  Traducción Automática  (en inglés,  Machine Translation ) es un área de la lingüística computacional que investiga el uso de un sistema capaz de traduc

El PLN o en inglés Natural Language Processing (NLP) es una rama de la Inteligencia Artificial cuyo objetivo es crear modelos computacionales que facilite la comprensión y comunicación hombre-computadora por medio del lenguaje humano (natural). Sus “herramientas” de trabajo son los formalismos gramaticales, algoritmos, estructuras de datos, mecanismos de razonamiento, entre otros. Actualmente se utiliza el PLN en diferentes aplicaciones, por ejemplo la traducción automática entre idiomas, sistemas de preguntas y respuestas automáticas. Entre los problemas al trabajar con el Lenguaje Natural se encuentran el análisis semántico y sintáctico, “parseo”, detección de palabras y datos incompletos. Un poco de historia. Las primeras aplicaciones se enfocaron a la traducción automática (1940 – 1960), basándose en la sustitución de palabra por palabra, dando resultados medianamente adecuados. Posteriormente se inicio la investigación que lograra resolver ambigüedades sintácticas y semánticas, as

El Procesamiento del Lenguaje Natural es una rama de conocimiento de la Inteligencia Artificial que, esencialmente, pretende conseguir que una máquina comprenda lo que expresa una persona mediante el uso de una lengua natural (inglés, español, chino...). Las lenguas naturales pueden expresarse de forma oral (mediante la voz), escrita (un texto) o por signos. Obviamente, la expresión escrita está mucho más documentada y es más fácil de conseguir y tratar que la oral o el lenguaje de signos. Por lo tanto, el Procesamiento del Lenguaje Natural está mucho más avanzado en el tratamiento de textos escritos. En teoría, cualquier lengua humana puede ser interpretada y tratada por un ordenador, aunque esto en la práctica no se hace, dadas las limitaciones económicas o las escasas aplicaciones que tendría interpretar las más de 3.000 lenguas catalogadas existentes en el mundo. Modelos para el Procesamiento de Lenguaje Natural Que una máquina se comunique con una lengua natural implica tratar de

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo). En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el problema, cuando los problemas son lineales o cuando no tienen solución. Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón, y cada vez se está usando en gran multitud de campos. La primera vez que se usó de forma importante fue en el metro japonés, con excelentes resultados. A continuación se citan algunos ejemplos de su aplicación: Sistemas de control de acondicionadores de aire Sistemas de foco automático en cámaras fotográficas Electrodomésticos familiares (frigoríficos, lavadoras...) Optimización de sistemas de control industriales Sistemas de escritura Mejora en la eficiencia del uso

  Para iniciar el curso de sistemas expertos es necesario conocer la diferencia entre Lógica Difusa y Lógica Clásica. Lógica Difusa Es aquélla que utiliza expresiones que no son ni totalmente ciertas ni completamente falsas, como las que utilizamos en nuestra comunicación cotidiana. Lógica Clásica Sólo admite dos valores: verdadero o falso, esto es básico en las computadoras, porque siempre evaluamos expresiones a partir de estos dos valores, también conocidos como 0 y 1. En la figura 1 se muestra un ejemplo de Lógica Clásica, porque sólo existen dos colores que son blanco y negro o cierto y falso, por el contrario, en la figura 2 existen diferentes tonalidades de gris, expresando que cada tono no es ni totalmente blanco ni completamente negro. Figura 1. Ejemplo de Lógica Clásica. Figura 2. Ejemplo de Lógica Difusa. En la vida real, empleamos muchas veces estos términos, pero al expresarlos por medio de una computadora generan un sistema muy complejo, por ejemplo, podemos decir “los al

  H asta el siglo XX la lógica clásica se trabajaba con dos valores: Verdadero (1) o Falso (0). Pero durante el último siglo se comenzaron a crear nuevas lógicas que incorporaban más valores de certeza, por ejemplo la lógica de   Lukasiewicz   incorpora un nuevo valor, el de Medio Verdadero o Medio Falso según se vea. De esta forma ya tenemos tres valores (Estas lógicas se suelen llamar trivalentes) : Verdadero (1), Medio Verdadero (0.5) o Falso (0). Lo primera primera idea que nos viene a la cabeza es la seguir creando nuevos valores de verdad como vemos en la imagen donde ya tenemos 5 valores de verdad. Por ejemplo si una cosa sabemos casi seguro que es verdadera le asignaríamos el valor de verdad 0.75. Si extendemos la idea a  infinitos valores  entre el 0 y el 1 hemos descubierto la Lógica Difusa. ¿Y para que coño sirve esta paranoia mental? Eso mismo pensaba la comunidad científica a mediados del siglo pasado, nadie apostaba un duro por la la Lógica Difursa. Pero llegaron los japo

 Visión Artificial Y Realidad Aumentada Existe una gran relación entre estos términos puesto que la realidad aumentada, más que una tecnología concreta, se trata de un conjunto de tecnologías, de diversa naturaleza, que se combinan para ofrecer experiencias diferenciadoras. Una de las tecnologías que la componen es la visión artificial, puesto que es tremendamente útil para muchos de los procesos que componen la experiencia aumentada completa. Si queremos posicionar un coche por ejemplo, sobre un anuncio de una revista, resulta imprescindible, al menos, hacer las siguientes tareas: Identificar la imagen o marcador sobre la que queremos colocar el coche  Y procesarla para conocer sus características, mediante algoritmos de clasificación. Detectar la imagen o marcador seleccionada Cuando una cámara la encuentre. Trackear dicha imagen O lo que es lo mismo, establecer, en cada uno de los frames recogidos por la cámara, la posición de la imagen, para de este modo poder conocer la posición q

  Visión Artificial : Rama de la  inteligencia artificial  que busca reproducir la función de la vista mediante procesos y herramientas tecnológicas. Aplicar técnicas de visión artificial debe tener un propósito, es decir, en base a la información adquirida mediante imágenes y su procesamiento, se deben tomar acciones o plasmar la información crítica que estamos buscando. Por ejemplo, en ocasiones se utiliza la visión artificial para mover  actuadores , para indicarle a un  robot  los obstáculos que hay, etc. Pero en otras ocasiones se puede utilizar la visión artificial simplemente para mostrar información, por ejemplo, en una fábrica indicando que un material tiene  defectos . La visión artificial se compone de varias ramas, pero las más significativas son las siguientes: Matemáticas   : Todas las técnicas que se utilizan para el procesamiento de imágenes se basan en las matemáticas, desde la eliminación de  ruido , detección de  bordes , detección de objetos, detección de color, tod

  Según la Asociación de Imágenes Automatizadas (AIA), la visión artificial incluye todas las aplicaciones industriales y no industriales donde una combinación de hardware y software brindan una guía operativa a dispositivos en la ejecución de sus funciones en base a la captura y el procesamiento de imágenes. A pesar de que la visión industrial por computadora utiliza muchos de los mismos algoritmos y enfoques que las aplicaciones académicas-educativas y gubernamentales-militares , sus limitaciones son diferentes.  Los sistemas de visión industrial necesitan mayor solidez, confiabilidad y estabilidad en comparación con un sistema de visión académico/educativo y el costo suele ser mucho menor que el de aplicaciones gubernamentales/militares. Por lo tanto, la visión artificial industrial implica bajos costos, precisión aceptable, alta solidez, gran confiabilidad, al igual que elevada estabilidad mecánica y térmica. Los sistemas de visión artificial se basan en sensores digitales protegid

 Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares. Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo coste en sistemas existentes y recientemente desarrollados. Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una aplicación particular más apropiada. Algunas aplicaciones comerciales son:   Biología: Aprender más acerca del cerebro y otros sistemas. Obtención de modelos de la retina. Empresa: Evaluación de probabilidad de formaciones geológicas y petrolíferas. Identificación de candidatos para posiciones específicas. Explotación de bases de d

Clasificación de redes neuronales según la topología de red Red neuronal Monocapa – Perceptrón simple La red neuronal monocapa se corresponde con la red neuronal más simple, está compuesta por una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos. Red neuronal Multicapa – Perceptrón multicapa La red neuronal multicapa es una generalización de la red neuronal monocapa, la diferencia reside en que mientras la red neuronal monocapa está compuesta por una capa de neuronas de entrada y una capa de neuronas de salida, esta dispone de un conjunto de capas intermedias (capas ocultas) entre la capa de entrada y la de salida. Dependiendo del número de conexiones que presente la red esta puede estar total o parcialmente conectada. Perceptrón multicapa Red neuronal Convolucional (CNN) La principal diferencia de la red neuronal convolucional con el perceptrón multicapa viene en que cada neurona no se une con todas y cada una de la