El documento habla sobre la inteligencia artificial y las redes neuronales. Explica que la inteligencia artificial trata de crear máquinas que piensan como humanos mediante el aprendizaje automático. También describe las ventajas y desventajas de la inteligencia artificial, así como sus aplicaciones principales como la gestión, fabricación, educación y finanzas. Finalmente, se enfoca en las redes neuronales, explicando su modelo, ventajas y aplicaciones como la clasificación y reconocimiento de patrones.
2. Inteligencia artificial
Inteligencia artificial es el concepto para
máquinas que “piensan como seres
humanos”; en otras palabras, que realizan
tareas como: razonar , planificar , aprender
y entender el lenguaje . Nadie espera que
en la actualidad, o en un futuro cercano,
una tecnología pueda igualar la inteligencia
humana, pero la IA (inteligencia artificial)
tiene grandes implicaciones en la forma en
que vivimos nuestras vidas. El cerebro de la
inteligencia artificial es una tecnología
llamada aprendizaje automático, que está
diseñada para hacer nuestro trabajo más
fácil y productivo, estas persiguen imitar el
modo de funcionamiento del cerebro
humano.
3. Ventajas y desventajas
Ventajas.
En el ámbito laboral reduce los costos y salarios adicionales.
Por resultar un atractivo, conlleva a generar más ingresos.
Se han desarrollado aplicaciones que realizan tareas que el hombre nunca
hubiera podido hacer debido a su complejidad.
Puede predecir situaciones a largo plazo.
Reduce el tiempo que consume realizar cierta actividad.
Lograr grandes hallazgos y avances.
Desventajas
Por ser software, requieren de constantes actualizaciones
(mantenimiento).
Realizar estos sistemas expertos requiere de mucho tiempo y dinero.
Crear máquinas que sean autosuficientes y puedan ir desplazando a la
raza humana.
El uso irracional y exagerado de esta tecnología podría conllevar a la
dominación de las máquinas sobre el hombre, como también llegar a
depender mucho de ellas.
El hombre se siente menos importante cuando una máquina o un sistema
“lo supera”
4. Aplicaciones
• Gestión y control: análisis inteligente, fijación de objetivos.
• Fabricación: diseño, planificación, programación,
monitorización, control, gestión de proyectos, robótica
simplificada y visión computarizada.
• Educación: adiestramiento práctico, exámenes y
diagnóstico.
• Ingeniería: diseño, control y análisis.
•Equipamiento: diseño, diagnóstico, adiestramiento,
mantenimiento, configuración, monitorización y ventas.
• Cartografía: interpretación de fotografías, diseño,
resolución de problemas cartográficos.
• Profesiones: abogacía, medicina, contabilidad, geología,
química.
• Software: enseñanza, especificación, diseño, verificación,
mantenimiento.
• Sistemas de armamento: guerra electrónica, identificación
de objetivos, control adaptativo, proceso de imágenes,
proceso de señales.
• Proceso de datos: educación, inter fase en lenguaje
natural, acceso inteligente a datos y gestores de bases de
datos, análisis inteligente de datos.
• Finanzas: planificación, análisis, consultoría.
5. Áreas Clásicas
Sistemas Expertos (Sistemas basados en
Conocimiento). Programas computacionales que resuelven
problemas que normalmente requieren del conocimiento de un
especialista o experto humano. Es un sistema capaz de tomar
decisiones inteligentes interpretando grandes cantidades de
datos sobre un dominio específico de problemas.
Aprendizaje y Razonamiento Automático. Máquinas capaces
de planificar, tomar decisiones, plantear y evaluar estrategias,
aprender a partir de la experiencia, autoreprogramables, etc.
Robótica. Artefactos autónomos capaces de llevar a cabo
diversas tareas mecánicas de manera flexible e inteligente,
cumpliendo con un objetivo y ajustándose al entorno cambiante.
Procesamiento de Lenguaje Natural. Sistemas capaces de
reconocer, procesar y emular el lenguaje humano.
Visión por Computadora (Reconocimiento de
patrones). Reconoce y procesa señales, caracteres, patrones,
objetos, escenas.
6. Áreas de vanguardia
Redes Neurales. Crear elementos de procesamiento y
organizarlos de acuerdo a un modelo basado en las células del
cerebro humano (neuronas). Estos sistemas no se programan,
se entrenan. Se caracterizan por reconocer objetos partiendo
de señales ruidosas.
Lógica Difusa. Basado en los principios del razonamiento
aproximado y el "cálculo con palabras", éstos sistemas logran
simplificar y aproximar la descripción del problema de una
manera natural, eficiente y robusta.
Algoritmos genéticos. La ley de la selva de la Naturaleza: "La
supervivencia del más apto", ha impulsado la evolución,
extinción y supervivencia de los seres vivos. Cada organismo,
tiene inscrito y codificado el conocimiento-biológico-genético
acumulado durante millones de años.
Realidad Virtual. Recrea mundos artificiales en tiempo real que
pueden ser captados por diversos canales sensoriales en el
espectador, el cuál puede navegar "inmerso" a través de dicho
mundo virtual.
7. Redes neuronales
Las Redes Neuronales son un campo muy importante dentro
de la Inteligencia Artificial. Inspirándose en el
comportamiento conocido del cerebro humano
(principalmente el referido a las neuronas y sus conexiones),
trata de crear modelos artificiales que solucionen problemas
difíciles de resolver mediante técnicas algorítmicas
convencionales.
8. Modelo de redes neurales
El modelo de Rumelhart y McClelland (1986) define un elemento de proceso (EP), o
neurona artificial, como un dispositivo que a partir de un conjunto de entradas, xi (i=1...n) o
vector x, genera una única salida y.
Esta neurona artificial consta de los siguientes elementos:
Conjunto de entradas o vector de entradas x, de n componentes
Conjunto de pesos sinápticos wij. Representan la interacción entre la neurona
presináptica j y la postsináptica i.
Regla de propagación d(wij,xj(t)): proporciona el potencial postsináptico, hi(t).
Función de activación ai(t)=f(ai(t-1), hi(t)): proporciona el estado de activación de la
neurona en función del estado anterior y del valor postsináptico.
Función de salida Fi(t): proporciona la salida yi(t), en función del estado de
activación.
Las señales de entrada y salida pueden ser señales binarias (0,1 – neuronas de McCulloch y
Pitts), bipolares (-1,1), números enteros o continuos, variables borrosas, etc.
9. Ventajas
Tienen capacidad de aprender a realizar tareas basadas en un
entrenamiento inicial (Aprendizaje adaptativo). De esta forma, la máquina
puede aprender a llevar a cabo ciertas tareas mediante el entrenamiento
con ejemplos ilustrativos, por lo que no es necesario elaborar modelos a
priori.
Las redes neuronales permiten organizar por sí mismas lo
aprendido. Mientras que el aprendizaje es la modificación de cada elemento
procesal, la auto organización consiste en la modificación de la red
neuronal completa para llevar a cabo un objetivo específico.
Además las redes neuronales tienen la capacidad de ser tolerantes a
fallos. Fueron los primeros métodos computacionales con esta capacidad
inherente. De este modo, si se produce un fallo en un número no muy
grande de neuronas, aunque el comportamiento del sistema se ve
influenciado, no sufre una caída repentina.
Una de las prioridades principales de las redes neuronales es que son
capaces de operar en tiempo real. Las redes neuronales trabajan
mediante conexiones en paralelo, lo que permite grandes velocidades de
transmisión y respuesta casi al instante.
Por último, hay que destacar como ventaja la facilidad de inserción en la
tecnología existente. De manera que, por ejemplo, resulta muy sencillo
conseguir chips especializados que mejoren su capacidad.
10. Aplicaciones
Gracias a sus características y ventajas que ya hemos
comentado, las redes neuronales son muy útiles en
aplicación de amplios campos.
Entre sus aplicaciones concretas más importantes podemos
destacar: resolución de problemas de
clasificación, reconocimiento de patrones de voz e
imágenes, reconocimiento de fraudes (firma, fraude
económico…), predicciones financieras, predicciones
atmosféricas…