El razonamiento en Inteligencia Artificial.

1. 1
Presentación
Nombre:
Violet Chantal Polanco Cruz.
Matricula:
200-EISM-6-005.
Materia:
Inteligencia Artificial.
Sección:
107.
Profesor:
Felipe Durán.
Tema:
El Razonamiento.
Fecha:
12/04/2022.

2. 2
Índice
Presentación ...................................................................................................1
Definición de razonamiento: ...........................................................................3
Paradigmas del razonamiento.........................................................................4
Sistemas basados en conocimiento: Sistemas de reglas e inferencia. .............7
Encadenamiento hacia delante/ Encadenamiento hacia atrás. .......................9
Razonamiento borroso:.................................................................................11
Inferencia y Aprendizaje................................................................................12
Conclusión.....................................................................................................16
Bibliografía ....................................................................................................16

3. 3
Introducción
Por razonamiento entendemos la manipulación formal de los símbolos que
representan colecciones de proposiciones creídas, para producir representación de
nuevas proposiciones. Aquí vamos a abordar el tema más profundamente sobre el
razonamiento y todo los subtemas que conlleva para entender más cómo funciona
el mismo.
Definición de razonamiento:
El razonamiento juega un papel muy importante en el proceso de la inteligencia
artificial. Así, el razonamiento se puede definir como el proceso lógico de sacar
conclusiones, hacer predicciones o construir enfoques hacia un pensamiento
particular con la ayuda del conocimiento existente. En inteligencia artificial, el
razonamiento es muy importante porque para comprender el cerebro humano,
cómo piensa el cerebro, cómo saca conclusiones sobre cosas particulares para todo
este tipo de trabajos, necesitamos la ayuda del razonamiento.
Métodos de razonamiento:
1) Razonamiento deductivo: Es el enfoque estratégico que utiliza hechos,
información o conocimiento disponibles para sacar conclusiones válidas.
Básicamente, cree en los hechos y las ideas antes de extraer cualquier
resultado. El razonamiento deductivo utiliza un enfoque de arriba haya abajo.
En el razonamiento deductivo, los argumentos pueden ser validos o inválidos
según el valor de las premisas. Si el valor de las premisas es verdadero,
entonces la conclusión también es verdadera. El razonamiento deductivo ayuda
a escanear la declaración generalizada a una conclusión valida. Algunos de los
ejemplos son: las personas que tienen 20 años o más son usuarios activos de
internet y del número total de estudiantes presentes en la clase, la proporción
de niños es mayor que la de niñas.
2) Razonamiento inductivo: Es completamente diferente al deductivo porque el
razonamiento inductivo está asociado con el enfoque de generación de
hipótesis en lugar de extraer una conclusión particular de los hechos al
comienzo del proceso. El razonamiento inductivo ayuda a generalizar a partir de
hechos y conocimientos específicos. El razonamiento inductivo, incluso si las
premisas son verdaderas, no hay posibilidad de que la conclusión también sea
verdadera porque depende del argumento inductivo, que puede ser fuerte o
débil. Algunos de los ejemplos son: Todos los estudiantes presentes en el aula

4. 4
son de Londes y Siempre se registra la temperatura más alta en el Valle de la
Muerte.
3) Razonamiento con sentido común: Es el tipo de razonamiento más frecuente en
los acontecimientos de la vida diaria. Es el tipo de razonamiento que proviene
de las experiencias. Cuando un ser humano se enfrenta a una situación
diferente en la vida adquiere algo de conocimiento, así que cada vez que en el
siguiente momento se enfrenta a un tipo de situación similar, utiliza sus
experiencias previas para sacar una conclusión para hacer la situación. Algunos
ejemplos son: Cuando una bicicleta cruza la señal de tráfico cuando está en
rojo, aprende de sus errores y la próxima vez la bicicleta está consciente de la
señal y las acciones/ Al adelantar a alguien en la carretera, todas las ideas
deben tenerse en cuenta.
4) Razonamiento monótono: Es el tipo de razonamiento que sigue un enfoque
diferente hacia el proceso de pensamiento; utiliza hechos, información y
conocimiento para sacar una conclusión sobre el problema, pero el punto
principal es que su conclusión permanece fija permanentemente una vez que se
decide porque incluso si agregue nueva información o hechos a las existentes, la
conclusión sigue siendo la misma, no cambia. El razonamiento monótono se
utiliza principalmente en sistemas de razonamiento convencionales y sistemas
basados en lógica. Algunos ejemplos de monotónicos son: El desierto de Sahara
del mundo es uno de los desiertos más espectaculares /Uno de los ríos más
largos del mundo es el río Nilo.
5) Razonamiento abductivo: Es un tipo de razonamiento que actúa de manera
diferente a todas las estrategias de razonamiento anteriores. Comienza con un
conjunto incompleto de hechos, información y conocimiento y luego procede a
encontrar la explicación y conclusión más merecida. Extrae conclusiones
basadas en los hechos que conoce en la actualidad en lugar de recopilar algunos
hechos e información obsoletos. Principalmente juega un papel importante en
el proceso de toma de decisiones de la vida diaria. Algunos ejemplos son:
Doctores sacando conclusiones sobre su salud basándose en los informes de las
pruebas y Se guarda un tazón de sopa y el vapor se evapora, lo que lleva a la
conclusión de que el tazón es de naturaleza caliente.
Paradigmas del razonamiento
Con cierto paralelismo fueron surgiendo otros campos de la IA que hoy, ya bien
elaborados toman fuerza y definen el desarrollo de esta. Principalmente se
identifican como los tres paradigmas del desarrollo de la IA: Redes neuronales,
Algoritmos Genéticos y Sistemas de lógica difusa.

5. 5
Las redes neuronales simulan ciertas características de los humanos como la
capacidad de asociar hechos, de memorizar, de aprender y porque no también, de
olvidar. Una red neuronal, es un “nuevo sistema para el tratamiento de la
información cuya unidad básica de procesamiento está inspirada en la célula
fundamental del sistema nervioso humano: la neurona”.
La capacidad de aprendizaje adaptivo de estas redes condiciona la realización de
tareas a partir de modelos creados mediante entrenamientos supervisados o no
supervisados. Auto-adaptarse para poder encontrar soluciones hasta el momento
no conocidas, es parte de sus características de aprendizaje, lo logran gracias a que
son muy dinámicas y se auto-ajustan con facilidad. Por lo general una red después
de su entrenamiento puede continuar aprendiendo durante toda su vida sin la
necesidad de la creación por parte de su diseñador de algún algoritmo para
resolver el problema pues ellas generan sus propias distribuciones de los pesos en
los enlaces.
Tienen gran tolerancia a los fallos en cuanto a la entrada de datos como la
integridad de la red, son capaces de aprender a reconocer patrones con diferentes
interferencias y aunque parte del sistema este dañado pueden seguir realizando
sus funciones hasta cierto punto.
Auto-organizan la información de manera tal que si alguna entrada no está clara o
completa puedan dar una solución o aun cuando no habían sido expuestas a esas
situaciones.
Los campos en los que se pueden aplicar las Redes neuronales son amplios, entre
ellos resaltan: Maximización de solución, Reconocimiento de patrones, Aprendizaje
supervisado y no supervisado y en Autómatas.
Los algoritmos Genéticos maximizan soluciones para ello imitan la evolución
bilógica para resolver problemas, seleccionando de un grupo de soluciones
generadas aleatoriamente las que más se puedan acercar a posibles soluciones de
la situación permitiéndoseles vivir y reproducirse con técnicas de cruzamiento o
introduciéndole mutaciones para producir pequeñas variaciones en su
constitución. Los nuevos individuos se someten a otra iteración en la cual los que
han empeorado o no han mejorado se desechan y se vuelven a reproducir los
vencedores. Se espera que los resultados mejores sustancialmente con el
transcurso de las generaciones llegando a obtener resultados muy precisos.

6. 6
El objetivo de los AG es buscar dentro de varias hipótesis la mejor de ellas, que en
este caso es la que optimizan el resultado del problema dado, es decir, la que más
se aproxima a dicho valor numérico una vez evaluada por la función de evaluación.
Entre las principales funciones de selección de individuos que se convertirán en
padres se encuentran: Función de Selección Proporcional a la Función Objetivo,
donde cada individuo tiene una probabilidad de ser seleccionado como padre que
es proporcional al valor de su función objetivo, Selección Elitista, intenta escoger el
mejor individuo de la población: Selección por Torneo, la idea principal consiste en
escoger al azar un grupo de individuos de la población.
Una vez seleccionados los individuos padres deberán ser cruzados por medio de la
selección de un punto de corte para posteriormente intercambiar las secciones. Se
puede introducir un operador de mutación para generar pequeñas variaciones en
el código genético de los individuos.
Los algoritmos genéricos son aplicables a la Ingeniería Aeroespacial, a la
Astronomía y Astrofísica para obtener la curva de rotación de una galaxia,
determinar el periodo de pulsación de una estrella variables; a la Química, a la
ingeniería Eléctrica, a las matemáticas y algoritmia para resolver ecuaciones de
derivadas parciales no lineales de alto orden, a la biología molecular,
reconocimiento de patrones y exploración de datos y la robótica para controlar y
decidir que acciones realizar en diferentes situaciones.
Los Sistemas de Lógica Difusa manejan y trabajan la certidumbre de datos difusos,
permiten representar de forma matemática conceptos o conjuntos borrosos en los
cuales no se pueden determinar soluciones exactas a partir de datos umbrales. En
contraposición con la Lógica Clásica, esta trabaja con valores entre cero (0) y uno
(1) donde pueden existir varios resultados verdaderos con diferentes grados de
precisión. Si usted necesita determinar si una persona es alta con la ayuda de la
Lógica Clásica, normalmente lo haría comparando con un valor numérico para
obtener un resultado booleano de verdadero o falso, pero, ¿Cómo saber cuan alta
es una persona? Con la ayuda de la Lógica Difusa es muy fácil resolver esta
dificultad, solo hay que trabajar con grados y a estos asignarles valores de
cuantificación, así si una persona mide 1.85 metros podemos decir que en
una escala de cero a uno [0,1] tiene un valor de 0.92 al cual puede estar asignado el
valor cuantificador de "bastante alto".
Esta lógica se adapta mucho mejor a la vida cotidiana y es capaz de interpretar
expresiones como: "hace poco frío" o "estoy muy cansado". Esto se logra
al adaptar el lenguaje para que comprenda nuestros cuantificadores.

7. 7
Para los conjuntos difusos se definen también las operaciones de unión,
intersección, diferencia, negación o complemento. Cada conjunto difuso tiene una
función de pertenencia para sus elementos que indican en que medida el elemento
forma parte de ese conjunto. Algunas de las formas de funciones de pertenencia
más típicas son lineales, trapezoidales y curvas.
Sistemas basados en conocimiento: Sistemas de reglas e inferencia.
Un sistema experto o sistema basado en conocimiento se puede definir como: un
sistema que resuelve problemas utilizando una representación simbólica del
conocimiento humano.
Algunas de sus características importantes son:
1. Representación explicita del conocimiento.
2. Capacidad de razonamiento independiente de la aplicación específica.
3. Capacidad de explicar sus conclusiones y el proceso de razonamiento.
4. Alto rendimiento en un dominio especifico.
5. Uso de heurística vs. Modelos matemáticos.
6. Uso de inferencia simbólica vs. Algoritmo numérico.
Algunas de estas propiedades se deben a la separación entre:
1. Conocimiento específico del problema- Base de conocimiento.
2. Metodología para solucionar el problema- Máquina de Inferencia.
Importancia del conocimiento:
Los sistemas basados en conocimiento basan su rendimiento en la cantidad y
calidad del conocimiento de un dominio específico y no tanto en las técnicas de
solución de problemas.
Diferencia de sistemas basados en conocimiento con otras técnicas:
 En matemáticas, teoría del control y computación, se intenta resolver el
problema mediante su modelado (Modelo del problema).
 En sistemas expertos se ataca el problema construyendo un modelo del
“experto” o resolvedor del problema (Modelo del experto).
Sistemas basados en reglas:
Hay muchos en los que podemos resolver situaciones complejas haciendo uso de
reglas deterministas, hasta el punto de que su uso consigue sistemas automáticos

8. 8
que se comportan como humanos expertos en un dominio particular permitiendo
tomar decisiones delicadas como, por ejemplo: en sistemas de control de tráfico,
transacciones bancarias, o diagnósticos de enfermedades.
Entre las opciones disponibles, los sistemas basados en reglas se han convertido en
una de las herramientas más eficientes para tratar de manera eficiente una buena
colección de problemas, ya que las reglas deterministas constituyen la más sencilla
de las metodologías utilizadas en sistemas expertos. En estos sistemas, la base de
conocimiento de la que se parte contiene las variables y el conjunto de reglas que
definen el problema, y el motor de inferencia es capaz de extraer conclusiones
aplicando métodos de la lógica clásica sobre esta base. Una regla en este contexto
es una proposición lógica que relaciona dos o más objetos del dominio e incluye
dos partes, la premisa y la conclusión, que se suele escribir normalmente como “Si
premisa, entonces conclusión”. Cada una de estas parte es una expresión lógica
con una o más afirmaciones objeto-valor conectadas mediante operadores lógicos
(y, o, o no).
Como hemos comentado antes las bases de conocimiento se conforman a partir de
dos tipos de elementos básicos, por una parte los datos (también conocidos como
hechos o evidencias), y por otra el conocimiento (representado por el conjunto de
reglas que rigen las relaciones entre los datos). Pero una vez tenemos esta
información almacenada, necesitamos un mecanismo para manipular
automáticamente sus componentes y extraer conclusiones.
A este mecanismo se le denomina motor de inferencia, que a partir de la base de
conocimiento obtiene nuevas conclusiones, ampliando de esta forma el conjunto
de hechos de la propia base de conocimiento. Por ejemplo, si la premisa de una
regla es cierta, entonces aplicando la regla lógica de Modus Ponens, la conclusión
de la regla debe ser también cierta, y de esta forma los datos iniciales se
incrementan incorporando las nuevas conclusiones. Por ello, tanto los hechos
iniciales o datos de partida como las conclusiones derivadas de ellos forman parte
de los hechos o datos de que se dispone en un instante dado, obteniendo un
proceso dinámico en el que el conocimiento se va generando por etapas.
Para obtener conclusiones, se pueden utilizar diferentes tipos de reglas y
estrategias de inferencia y control, pero nosotros mostraremos aquí las más
básicas y universales: Modus Ponens y Modus Tollens como sistemas básicos de
inferencia, y encadenamiento de reglas hacia adelante y encadenamiento de
reglas hacia atrás (orientado por objetivos), como estrategias de inferencia.

9. 9
Ventajas:
1. Representan de forma natural el conocimiento explícito de los expertos:
normalmente, los expertos humanos explican el procedimiento de
resolución de problemas por medio de expresiones del tipo “Si estamos en
esta situación, entonces yo haría esto…”, que se adapta fielmente al modelo
seguido aquí.
2. Estructura uniforme: Todas las reglas de producción tienen la misma
estructura “Si… entonces…”. Cada regla es una pieza de conocimiento
independiente de las demás.
3. Separación entre la base de conocimiento y su procesamiento.
4. Capacidad para trabajar con conocimiento incompleto e incertidumbre
(introduciendo variantes).
Desventajas:
1. Relaciones opacas entre reglas: Aunque las reglas de producción son muy
simples desde un punto de vista individual, las interacciones que se
producen a larga distancia entre la red de reglas existentes piden ser muy
opacas, lo que hace que generalmente sea difícil saber qué papel juega una
regla en particular en la estrategia global de razonamiento que hay detrás.
2. Estrategias de búsqueda muy ineficientes: esencialmente, el motor de
inferencia realiza una búsqueda exhaustiva en todas las reglas en cada ciclo
de iteración, por lo que los sistemas de reglas con muchas reglas (que
pueden llegar a miles) son lentos y, a menudo, inviables en problemas del
mundo real.
3. Incapaz de aprender: los sistemas de reglas sin aditivos no son capaces de
aprender de la experiencia, por lo que haber extraído un conocimiento
nuevo del sistema no proporciona métodos para poder aprender más cosas
de forma rápida posteriormente.
Encadenamiento hacia delante/ Encadenamiento hacia atrás.
Son dos estrategias importantes en el campo de la Inteligencia artificial. Su origen
reside en el Dominio del sistema experto de IA. El Expert System, uno de los
dominios de investigación más destacados de la IA, se introdujo para emular la
capacidad de toma de decisiones de los expertos humanos. Tiene 3 componentes.

10. 10
 Bases de conocimiento: para almacenar conocimiento específico de dominio
y de alta calidad.
 Motor de inferencia: utilice el conocimiento de Knowledgebase para llegar a
una decisión.
 Interfaz de usuario: proporciona interacción entre el usuario del ES y el
sistema experto.
El encadenamiento hacia adelante y hacia atrás son las estrategias utilizadas por el
motor de inferencia para hacer las deducciones.
Encadenamiento hacia adelante: El motor de encadenamiento hacia adelante pasa
por todos los hechos, condiciones y derivaciones antes de deducir el resultado, es
decir, comienza con un conjunto de reglas para realizar una cadena de operaciones
para concluir la decisión final. Esta estrategia se utiliza para llegar a la conclusión
manipulando el conocimiento de la base de conocimiento.
Propiedades:
1. Dado que se mueve de arriba abajo se llama u ¡n enfoque de arriba hacia
abajo.
2. Llega a una conclusión al hacer deducciones de los datos y pasar del estado
inicial al estado objetivo.
Encadenamiento hacia atrás: En esto, el sistema de inferencia conoce la decisión
final, trata de averiguar las condiciones que habrían resultado en esa decisión. Se
utiliza principalmente para encontrar la causa de un problema.
Propiedades:
1. En esto, los objetivos se dividen en submetas para demostrar un hecho.
2. Es un enfoque orientado a objetivos.
3. Se utilizó la estrategia de profundidad primero para la prueba.
Analicemos algunas de las principales diferencias claves entre el encadenamiento
hacia delante y el encadenamiento hacia atrás:
 El encadenamiento hacia adelantes se usa para deducir la conclusión al
tomar los hechos y avanzar en la dirección aplicando la regla de inferencia
para obtener más datos, hasta el momento en que alcanzar el objetivo,
mientras que en el encadenamiento hacia atrás toma el objetivo y retrocede
usando la regla de inferencia para determinar el hecho que podría ser la
razón del objetivo.

11. 11
 El encadenamiento hacia adelantes utiliza la estrategia de amplitud para
deducir la conclusión, mientras que el encadenamiento hacia atrás utiliza la
estrategia de profundización para obtener los hechos.
 Debido a la razón de tomar los hechos y deducir el resultado, el
encadenamiento hacia adelante se denomina enfoque de abajo hacia arriba,
mientras que el encadenamiento hacia atrás también se conoce como un
enfoque de arriba hacia abajo.
 El encadenamiento hacia adelante se usa para obtener el objetivo de los
datos, por lo tanto, se llama una técnica de inferencia dirigida por datos,
mientras que el encadenamiento hacia detrás se usa para obtener los datos
del objetivo, se llama técnicas de inferencia impulsada por el objetivo.
 El encadenamiento hacia adelante buscará todas las formas posibles de
alcanzar el objetivo, mientras que el encadenamiento hacia atrás evita
caminos innecesarios.
 Dado que el encadenamiento hacia adelante verifica todas las reglas es
lento, mientras que el encadenamiento hacia atrás es rápido ya que verifica
solo las reglas requeridas.
 El encadenamiento hacia adelante puede usarse en el mercado de acciones
para detectar el precio de las acciones utilizando los datos disponibles,
mientras que el encadenamiento hacia atrás puede usarse para conocer la
razón de una causa como el cáncer.
 El encadenamiento hacia adelante se usa en tareas como planificación,
monitoreo, interpretaciones y aplicaciones de control, mientras que el
encadenamiento hacia atrás se usa en tareas de depuración y diagnóstico.
 Ahora es posible que tenga una comprensión clara de estas dos estrategias
del Sistema de inferencia y cómo se relacionan con el Sistema experto.
 El ingeniero experto y de la base de conocimiento crea la base de
conocimiento del sistema experto, que luego es utilizada por las estrategias
del sistema de inferencia para deducir el resultado en caso de
encadenamiento hacia adelante utilizando los hechos y las reglas disponibles
en la base de conocimiento o para obtener la razón del objetivo tomando la
entrada como un objetivo del usuario y los hechos y las reglas de la base de
conocimiento.
Razonamiento borroso:
Un sistema basado en el conocimiento que emplea la lógica borrosa como
formalismo de representación debe definir, para un determinado dominio, el

12. 12
conjunto de variables a emplear y su significado. Para cada una de estas variables,
se define, asimismo, el dominio de valores numérico que puede tomar, su unidad
de medida y el conjunto de valores cualitativos, etiquetas lingüísticas o conjuntos
borrosos que se pueden asignar. Por último, para cada valor cualitativo que puede
tomar cada variable, se define su función de pertenencia o función de distribución
de posibilidad.
Así mismo, se debe definir el conjunto de reglas borrosas, incluidas en la base de
conocimiento de sistema inteligente, que relacionan las variables entre sí mediante
el empleo de los operadores lógicos borrosos: conjunción, disyunción, negación o
implicación.
Inferencia y Aprendizaje
¿Qué es la inferencia en IA?
A grandes rasgos, la inferencia consiste en poner en práctica lo que la IA ha
aprendido en el entrenamiento o aprendizaje. Una vez que la IA aprende el
modelo, crea un modelo de inferencia que utilizará para resolver y/o clasificar el
problema. Esta estructura permite que los procesadores de inteligencia artificial
aprendan estructuras complejas sin requerir grandes cantidades de datos.
Una vez que la IA ha aprendido el modelo, se crea un modelo de inferencia que
será el que utilizará para resolver y/o clasificar el problema. Para ello utilizamos un
tipo de hardware en el cada unidad está conectada con otras en una red y se van
pasando los datos por turnos; a este hardware lo llamamos redes neuronales o
neurales y son unidades cuyo funcionamiento está inspirado en la forma en la que
el cerebro procesa la información visual a través de los ojos. Esta estructura es lo
que permite a los procesadores de inteligencia artificial aprender estructuras
complejas sin requerir cantidades ingentes de datos.
Aprendizaje (entrenamiento)
Se conoce como entrenamiento a la construcción de un modelo de inferencia para
resolver un problema concreto, principalmente se utiliza la inteligencia artificial
para resolver tres tipos de tareas distintas: tareas de clasificación de la
información, tareas de búsqueda de patrones y tareas de conducción automática,
para las cuales se utilizan tres forma de aprendizaje distintas:
-Aprendizaje Supervisado: El aprendizaje supervisado, recibe el nombre de
“Supervisado” porque necesita que siempre le enseñemos la respuesta correcta.
Por ejemplo, para resolver el problema de clasificar correos electrónicos como

13. 13
spam o no spam, necesita que le demos ejemplos históricos correctamente
clasificados. En otras palabras, para cada caso de ejemplo que le demos, necesita
saber si el correo era spam o no.
Sabiendo cuál era la respuesta correcta, la Inteligencia Artificial aprende de sus
propios errores. Muchos algoritmos supervisados empiezan dando respuestas
aleatorias y después van mejorando a medida que aprenden de sus errores.
El aprendizaje supervisado es muy útil cuando queremos que la Inteligencia
Artificial realice una tarea en el futuro. Esta característica hace a este tipo de
aprendizaje automático muy atractivo para muchos negocios. En el entorno
empresarial, el aprendizaje supervisado también se conoce como “análisis
predictivo”.
Método de proceso del aprendizaje supervisado:
1. Recopilar datos históricos, incluyendo la respuesta correcta.
2. Construir un modelo de machine learning con esos datos.
3. Evaluar el modelo, para entender qué rendimiento podemos esperar de él.
4. Usar este modelo con datos nuevos. Por ejemplo, cuando llegue un correo
electrónico nuevo.
Ejemplo de aprendizaje supervisado:
 Clasificar correos electrónicos en genuinos o spam.
 Predecir por cuánto dinero se va a vender una propiedad inmobiliaria.
 Calcular la probabilidad de que hagas click en un anuncio.
 Decidir qué hotel enseñarte primero en una web de hoteles.
 Estimar si el cliente de un banco será capaz de pagar un crédito.
 Recomendar si es mejor comprar ahora tu vuelo o es mejor esperar.
 El traductor de Google.
 Detección de objetos en una imagen.
 Reconocimiento y síntesis de voz.
 Estimar qué edad tienes a partir de una foto.
 Predecir qué clientes van a cancelar su contrato con su compañía telefónica.
 Estimar cuantas visitas va a tener un artículo en la web.
 Generación de música por ordenador.
-Aprendizaje No Supervisado:

14. 14
No necesita supervisión. Esto quiere decir que no necesita que le digamos cuál es la
respuesta correcta. También significa que no podemos calcular el error de sus
resultados. Cuando usamos aprendizaje no supervisado, la Inteligencia Artificial
aprende de los datos mismos, por así decirlo.
El aprendizaje no supervisado es útil cuando queremos entender mejor nuestros
datos históricos. Puede tener implicaciones en el futuro pero no son tan obvias. La
principal ventajas de cara al futuro es que nosotros, los humanos, entendemos
mejor nuestros datos. Con este nuevo conocimiento revelado por la IA, podemos
tomar mejores decisiones.
Proceso de aprendizaje no supervisado:
1. Recopilar datos históricos.
2. Instruir a la Inteligencia Artificial a que busque patrones, grupos, etc.
3. Utilizar la información nueva para tomar mejores decisiones en el futuro.
Ejemplo:
 Ayudar a elegir qué medidas del cuerpo hay que usar para las tallas (XS, S,
M, L, XXL, etc).
 Comprimir imágenes (con pérdida de calidad).
 Sistemas de recomendación. Por ejemplo, los que usa Netflix o Amazon.
-Aprendizaje Semi-supervisado:
Está entre el aprendizaje supervisado y el aprendizaje no supervisado:
 Utiliza datos etiquetados, como en el aprendizaje supervisado.
 También datos no etiquetados, como en el aprendizaje no supervisado.
Conseguir datos etiquetados, en algunos casos, es bastante difícil. Por ejemplo, si
queremos construir nuestro sistema de detección de spam, alguien tiene que
decidir cuáles mensajes son spam y cuáles no. Y ese alguien somos nosotros, los
humanos. Necesitamos hacer este trabajo manual para que la Inteligencia Artificial
pueda aprender qué es lo que tiene que hacer.
Usando una estrategia de aprendizaje semi-supervisado, podrías etiquetar
manualmente algunos correos electrónicos, dejar que la IA aprenda y empezar a
usarlo. No va a funcionar tan bien como si hubiésemos etiquetado más correos.
Pero por lo menos, podríamos empezar a utilizar el sistema anti-spam antes.

15. 15
Seguramente tendríamos correos mal clasificados, pero conforme los fuésemos
etiquetando correctamente iría aprendiendo mejor.
Cuando esto se hace a una escala mayor, no resulta tan pesado. Por ejemplo, si
usas el correo Google, cada vez que marcas un correo como spam, están ayudando
a todos los demás usuarios de gmail. Google usa crowdsourcing (colaboración
distribuida) para que funcione muy bien con muy poco trabajo individual… aunque
sea mucho trabajo si tenemos en cuenta a todas las personas que contribuyen.
Proceso del aprendizaje semi-supervisado:
1. Recopilar los pocos datos históricos que tengan resultados disponibles.
2. Recopilar los datos históricos sin resultados.
3. Evaluar la posibilidad de etiquetar manualmente más datos históricos.
4. Instruir a la IA a que aprenda utilizando aprendizaje supervisado los datos
históricos para los que tenemos resultados.
5. Usar el modelo de machine learning aprendiendo para etiquetar
automáticamente el resto de los datos.
6. Usar otro modelo de machine learning supervisado con los datos
etiquetados inicialmente y los datos etiquetados automáticamente.
Ejemplo:
 Detección de correos basura.
 Detección automática de anomalías.
 Reconocimiento facial.
-Aprendizaje por Refuerzo:
El aprendizaje por refuerzo es una especie de aprendizaje supervisado, sin llegar a
serlo. En el aprendizaje supervisado, para cada dato que ofrecemos como ejemplo,
también decimos cuál fue la solución correcta hasta saber lo que la inteligencia
artificial va a hacer. Normalmente hará muchas cosas, y sólo sabremos cómo de
bien o de mal lo hizo después de un tiempo.
Este es el aprendizaje más difícil. La razón es que la IA no puede saber cómo de
buenas es la acción que acaba de realizar; en otras palabras, no puede calcular cuál
ha sido su error. Tiene que esperar al final de la partida puede saber si ha ganado,
empatado o perdido. Esta es la única información que tiene. En el aprendizaje por
refuerzo, la IA aprende de sus éxitos y de sus fracasos (no de errores).

16. 16
Otro tipo de inteligencias artificiales son las generativas, que se basan en generar
datos de manera aleatoria; dichos datos en realidad no son más que ruido y
requieren de un elemento externo que las descarte y/o las clasifique. En ese caso la
IA generativa desconoce de entrada lo que se busca y solo lo acaba aprendiendo a
partir de una segunda IA, la cual puede realizar la evaluación por clasificación o por
búsqueda de patrones.
Dependiendo del tipo de problema para el cual se quiera crear un modelo-solución,
el proceso de entrenamiento puede requerir mayor o menor nivel de potencia y
tiempo. Por ejemplo hay casos donde es necesario utilizar centros de datos
compuestos por decenas e incluso cientos de ordenadores mientras que otros
problemas pueden ser solventados por un PC domésticos de baja potencia.
Conclusión
Dicho todo eso, espero que quede claro el tema que tratamos y legible claro.
Bibliografía
- https://es.acervolima.com/tipos-de-razonamiento-en-inteligencia-
artificial/#:~:text=El%20razonamiento%20juega%20un%20papel,la%20ayuda%20d
el%20conocimiento%20existente.
–
https://www.frro.utn.edu.ar/repositorio/catedras/quimica/5_anio/orientadora1/m
onograias/matich-redesneuronales.pdf
- https://ccc.inaoep.mx/~emorales/Cursos/InteligenciaArtificial/Acetatos/sbc.pdf
- https://sisbib.unmsm.edu.pe/bibvirtualdata/tesis/basic/carlos_sm/cap1.pdf
- https://oa.upm.es/46795/1/LogicaBorrosa.pdf
- https://hardzone.es/tutoriales/rendimiento/entrenamiento-inferencia/ ///
https://www.iartificial.net/como-aprende-la-inteligencia-artificial/