Este documento presenta una introducción a la inteligencia artificial, incluyendo sus fundamentos filosóficos, matemáticos, psicológicos e ingenieriles. También describe las redes neuronales artificiales, su historia, modelos y arquitecturas, así como ejemplos de implementaciones como insectos y gatos electrónicos y el robot Robokoneko.

1. INTELIGENCIA ARTIFICIAL
2400 años después
ING. JUAN ROMANELLA

2. Inteligencia Natural
Procesar a gran velocidad
Multiplicidad de sensores
Comparación con información almacenada
Combinación de información
Respuestas correctas o incorrectas
No necesita instrucciones explícitas

3. Inteligencia Artificial
Modelado y simulación de actividades
cognitivas
representar comunicar
observar memorizar
recuperar calcular aplicar procedimientos
comprender CREAR
comparar relacionar
ordenar clasificar analizar sintetizar
elaborar hipótesis resolver problemas interpretar
inferir conceptualizar
planificar evaluar transferir

4. Fundamentos Filosóficos
Fundamentos Matemáticos
Fundamentos Psicológicos
Fundamentos de
Ingeniería Computacional

5. Fundamentos Filosóficos

6. Platón Algoritmo de Eutidemo
Aristóteles Silogismos
Rene Descartes Dualismo
Blas Pascal Intuición e Instintos
Newell y Simon Programación

7. Fundamentos Matemáticos

8. Computación
máquina de Turing 1936
Lógica
Aristoteles 430 AC
Boole 1847
Probabilidad
Gerolamo Cardano 1530

9. Teoría de las decisiones
John von Neumann 1944

10. Fundamentos Psicológicos

11. Procesos cognitivos
Memoria
Atención
Conocimiento
Percepción
Razonamiento
Asociación
Interpretación

12. Fundamentos de
ingeniería computacional

13. Ramas
Máquinas Inteligentes
Herramientas de Simulación

14. Ramas
Actividad Racional
SE
Modelos Computacionales
RNA

15. Sistemas Expertos
Resultados
Gestión del conocimiento

16. Sistemas IA
Como hacer
Porque Hacer
Cuando Hacer
Para que Hacer
Aprendizaje y Adaptabilidad

17. Ingeniería
computacional
Inteligencia
Artefacto

18. De la ingeniería
computacional a la IA
Pascal 1650
Leibnitz 1654
Babbage 1820
Turing 1940

19. De la IA
a la ingeniería computacional
Multi Tasking
Base de datos relacionadas
Administración automática de memoria
Programación orientada a objetos

20. Sistemas que piensan como humanos
Sistemas que actúan como humanos
Sistemas que piensan racionalmente
Sistemas que actúan racionalmente

21. sensores
percepciones
ambiente Arquitectura
acciones + programa
efectores

22. Acercamiento por
modelos
Los Homunculis
Entradas, salidas y cajas negras
Redes
Redes con peso

23. REDES
NEURONALES
BIOLÓGICAS

24. Neurona y conexiones
sinápticas
1011 NEURONAS con 1014 SINAPSIS

25. Sinápsis

26. Activación neuronal

27. Los microtúbulos son cilindros
huecos de 25 nm de diámetro.
Sus paredes son hexágonos de la
proteína tubulina.
Cada tubulina tiene forma de un
“maní “de dímeros de 8 nm
constituidos por
monómeros alfa y beta.
Los microtúbulos son los mayores
componentes del citoesqueleto
y se auto.reúnen para determinar la
forma y función celular.
Cristalografía por rayos X .
Amos y Klug. 1974

28. Tubulina

29. Microtúbulo
Extremo - Extremo + Tubulina α
Tubulina β
Protofilamento

30. EL MICROTÚBULO

36. Computadora de Qubits
Sistema sensorial
Sistema efector

37. El pensamiento humano no es
solo racional sino también
emotivo
El accionar humano no es solo
mecánico sino motivacional

38. La emoción, el deseo, la motivación y
el bienestar propio y de la especie
guían la conducta humana inteligente.
La emoción por quién, el deseo hacia
qué, la motivación hacia donde y el
bienestar de quién guiará la conducta
de los sistemas inteligentes?

40. Y la pregunta
fundamental...
El sistema inteligente será
desarrollado en una computadora
o en un ordenador?
La inteligencia artificial tendrá un
cerebro masculino o uno
femenino?

41. Diferencias
cognoscitivas

42. Cerebros femeninos y
masculinos
tienen funciones,
habilidades
y prioridades distintas

43. Diferencias
cognoscitivas
Los hombres se destacan:
 Tareas espaciales
 Razonamiento matemático
 Recorridos en rutas predeterminadas
Las mujeres presentan:
 Mayor velocidad perceptual
 Mayor fluidez verbal
 Más recuerdos de los detalles de una ruta
 Más velocidad en trabajos manuales de precisión.
 Mejor significación de la expresión facial y
reconocimiento de caras

44. Estas diferencias persisten con la evolución.
La cultura y la educación pueden atenuarlas
pero no transformarlas
Se objetivan en tests neuropsicológicos y en
neuroimágenes de alta resolución
Lopez Mato 03, modificado de Pease

45. Significado Paleológico
Hombre cazaba sólo.
Desarrolló
Competencia,
cálculo de distancia,
visión tubular,
percepción de sonidos graves,
detección de movimientos lejanos,
piel gruesa.
Comunicación corta y fuerte Pease A y B

46. Significado Paleológico
Mujer recolectaba frutos y cuidaba a la cría.
Desarrolló
Cooperación,
visión periférica,
percepción de sonidos agudos,
detección de movimientos cercanos,
piel fina con mayor tacto.
Comunicación verbal y paraverbal acentuada
Pease A y B

47. Significado paleológico
de las diferencias
Mujer programada para
 parir
 defender a la prole
 mantener la armonía
Cerebro femenino fue programado para
nutrir, educar, proveer cariño y amor
Pease A y B

48. Significado paleológico
de las diferencias
Hombre programado para
 cazar,
 guerrear,
 proteger,
 proveer materialmente
Cerebro masculino está determinado a
intentar resolver problemas.
Pease A y B

49. REDES
NEURONALES
ARTIFICIALES

50. Historia
Simulación de red neuronal (1956)
ADALINE, MADALINE (1959)
PERCEPTRON (1962)
Incapacidad XOR (1969)
Memorias asociativas (década del 70)
PDP (década del 80)

51. Modelo de unidad de
proceso

52. Unidad de proceso
electrónica
Dos amplificadores operacionales
son una neurona artificial analógica
e=excitación; i=inhibición; h=dintel -- Beer se aparta de este modelo
Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 9
U. FASTA- ---- ---------
---------------------------------------------------------------
-------------------------------------------------------------
Foundations of Artificial Intelligence

53. Modelo de unidad de
proceso ponderada

54. Neuronas Biológicas y
Unidades de Proceso
Neuronas Unidades de proceso
Conexiones sinápticas Conexiones ponderadas
Efectividad de las Peso de las conexiones
sinápsis
Excitación o inhibición Signo del peso
Sinápsis combinadas Función de propagación
Activación por tasa de Activación por salida
disparo

55. REDES NEURONALES
NEURONA
MATRIZ DE PESOS
Determina el comportamiento de la red

56. CAPAS DE NEURONAS
ENTRADA OCULTAS SALIDA
Red de peso de conexión

57. RED DE PESO DE CONEXION
Lateral
Atras Adelante
entradas

58. LATERALES
WAT: GANADOR TOMA TODO
COLAPSO DE ONDA
CLASE. MODO QUE GANA

59. RETARDO
MODELOS CON MEMORIA

60. ADELANTE
PRECONCIENCIA A CONCIENCIA

61. ATRAS
MECANISMO DE REFUERZO

62. RED MULTICAPA
CAPAS OCULTAS
SE CUANTIFICA COMO PESO

63. ARQUITECTURAS
ACON: all class in one network
OCON: one class in one network

64. TAMAÑO Y RAPIDEZ de las REDES
PESO SINAPTICO ACON (N+n).K
OCON N (n+1).K
TIEMPO ENTRENAMIENTO
Para N chico: ACON ~ OCON
Para N grande: OCON + peso y + velocidad

65. Función lineal de base

66. Función radial de base

67. Función de activación
Lineales
Umbral
No Lineales
Gaussiana
Sigmoidal

68. Función de activación
Sigmoidal

69. Función de activación
Sigmoidal

70. Función de activación
•Acomodación de señales muy intensas sin producir saturación.
•Admite señales débiles sin excesiva atenuación
•Fácilmente derivable, ya que

71. Función Gaussiana

72. Como implementar una
RNA

73. ASOCIACION
CLASIFICACION
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

74. ASOCIACION
CLASIFICACION
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

75. ASOCIACION
AUTO recupera un patrón
dada información
parcial
HETERO recupera un conjunto de
patrones dado un
patrón

76. ASOCIACION
CLASIFICACION
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

77. CLASIFICACION de RNA
NO SUPERVISADA
solo se basa en entradas
SUPERVISADA
interpola entre entradas y salidas

78. CLASIFICACION
SUPERVISADA
conjunto de muestras de
entrenamiento

79. CLASIFICACION
RED ENTRENADA SUPERVISADA
interpolación suave
RED ENTRENADA SUPERVISADA
regla delta

80. CLASIFICACION
NO SUPERVISADA
redes de peso fijo
sin adaptación a ambientes cambiantes

81. CLASIFICACION
RNA No Supervisadas modernas
Aprendizaje por componentes principales
Aprendizaje competitivo
Códigos demográficos
Aprendizaje reforzado

82. ASOCIACION
CLASIFICADOR
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

83. FORMULACION
PROBLEMA
- VISION ARTIFICIAL
- PROCESADO DE IMÁGENES
- PROCESADO DE SEÑALES
- RECONOCIMIENTO DEL HABLA
- RECONOCIMIENTO DE CARACTERES
- SISTEMAS EXPERTOS
- ANALISIS DE IMÁGENES MEDICAS
- CONTROL REMOTO
- CONTROL DE ROBOTS
- INSPECCION INDUSTRIAL
- EXPLORACION

84. ASOCIACION
CLASIFICADOR
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

85. ALGORITMO DE
ANALISIS
Modelos lineales
Suman ruido
Modelos no lineales
Eliminan perturbaciones
s=Σbim ti de todas las unidades ocultas

86. ALGORITMO DE
ANALISIS
Humedad Umbral
Temperatura Ruido
Vibración Factores de Distracción
Disconfort
s
Salida de otras redes Funciones de probabilidad
Asociacion Errores

87. ASOCIACION
CLASIFICADOR
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

88. Modelo Neural
Memorias Heteroasociativas
Competitivas
Adaptación Probabilística
Pesos fijos

89. PERCEPTRON
1º sistema con memorias
heteroasociativas
Σ Salida
Perceptron
Fotocélulas

90. Redes Competitivas
Simulación neurofisiológica del córtex
cerebral
Similitud en métodos estadísticos de
análisis de clusters

91. Redes Competitivas
aob
a b
A B

92. Redes de Adaptación
Probabilística
Pesos de conexiones precalculados
Operaciones no lineales
Actualización iterativa
Minimiza la función de energía

93. Redes de Pesos Fijos
Filtros
Recuperación de patrones

94. ASOCIACION
CLASIFICADOR
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

95. Arquitectura
ACON
OCON
Nuevas Redes

96. Nuevas redes
Red de memoria retroasociativa
d c
A B

97. Nuevas redes
Redes de memoria asociativa
d c
A B

98. ASOCIACION
CLASIFICADOR
FORMULACION PROBLEMA
ALGORITMO DE ANALISIS
MODELO NEURAL
ARQUITECTURA
IMPLEMENTACION

99. Implementación
Insecto Electrónico
Hardware dedicado 20000 neuronas
Gato Electrónico
Hardware evolutivo 1 millón de neuronas
Robokoneco
Compuertas matriciales de efecto de campo 40
millones de neuronas

100. Implementación
“Correlato neural”
de PERIPLANETA
Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 70
U. FASTA- ---- ---------
---------------------------------------------------------------
-------------------------------------------------------------
Foundations of Artificial Intelligence

101. Implementación
Hexápodo en 3-D
uno de los tantos robots hexapódicos
Carlos von der Becke- - - - - - - - - - - - - - - - - - - - 72
U. FASTA- ---- ---------
---------------------------------------------------------------
-------------------------------------------------------------
Foundations of Artificial Intelligence

102. Implementación
Hardware evolutivo
C C
A B A B

103. Implementación
Compuertas matriciales de campo
A B B D
C D A C

104. Implementación
ROBOKONEKO 32768 módulos neurales
Módulo Neural 180 axones
1152 neuronas por módulo
450 millones de transistores por módulo

105. Implementación
Gato Electrónico
106 neuronas 104 sinapsis 102 1/s sw
Robokoneko
107 neuronas 104 sinapsis 103 1/s sw
Cerebro
1011 neuronas 107 tubulinas 109 1/s sw

106. Implementación
Comparativamente con un procesador
Pentium IV de 2,5 Gb realizando 109
operaciones por segundo
El Gato Electrónico realiza 1000 conexiones
mas por unidad de tiempo
Robokoneko o un gato real realizan 100000
conexiones mas por unidad de tiempo
El cerebro realiza 1000000000000000000 (un
Trillón) de conexiones mas por unidad de
tiempo

107. Tecnologías en
computación neuronal
Simuladores de Software
Aceleradores de Hardware
Chips de Silicio
Procesadores Opticos
Bio Chips

108. Tecnologías en
computación neuronal
Simuladores de Software
Simples de implementar con cualquier
lenguaje
Librerías C++
Matlab
Mathematica
P3 (LISP)

109. Tecnologías en
computación neuronal
Aceleradores de Hardware
Mark III y IV 8100 unidades de proceso
417000 conexiones
NEP para PC
ANZA 1500000 conexiones
DELTA II 11000000 conexiones

110. Tecnologías en
computación neuronal
Chips de Silicio
ENN 256 neuro transistores
100000 sinapto resistores
Silicon Retina
Silicon Ear

111. Tecnologías en
computación neuronal
Procesadores Ópticos
Moduladores de luz
Opto electrónica integrada
Llaves ópticas no lineales
Resonadores ópticos de fase variable

112. Tecnologías en
computación neuronal
Bio Chips
DNA
PROTEINAS
ANTICUERPOS

113. Lógica Difusa
Robot 1920
Máquina
Humanoide
Trabajador
Inteligente
Karel Capec

114. Lógica Difusa
Sistema anticipatorio
If Then
modelo
sistem
predictivo
a
presente probabilidad

115. Lógica Difusa
variable del
evento
determinismo probabilidad
pasado futuro
tiempo

116. Lógica difusa
bajo medio alto
µA(x)

117. Lógica Difusa
Heuristically programmed Algorythmic computer
IBM 10000

118. Lógica Difusa
Brazo robot

119. Lógica Difusa
Brazo robot

120. Lógica Difusa
Brazo robot

121. Lógica difusa
Control de posición
Estacionamiento
automático
Frenos ABS
Cajas de cambio
Autofocus de cámaras

122. El Futuro
La teletransportación
Primera computadora de quantums
T A B
T A B
T A B
T A B
Blatt, Wineland, et al 2004

123. El Futuro
Primer computadora de quantums
3 átomos
- 272,7 ºC
Computadora de quantums práctica
500 a 5000 átomos
Temperatura ambiente

124. Con la Inteligencia aparece la certeza
de la finitud y la búsqueda de la
trascendencia.
¿Las computadoras tendrán sentido de
muerte y buscarán un dios?

125. En el mundo del carbono,
primero surgen las emociones
y los sentimientos
y más tarde la inteligencia.
En el mundo del silicio,
primero surgirá la inteligencia
y a lo mejor, bastante más tarde
las emociones y los sentimientos.
Andrea Romanella

126. MUCHAS
GRACIAS
No basta con alcanzar la sabiduría,
es necesario saber utilizarla
Marco Tulio Cicerón 106 – 43 ac