completo

1. INTELIGENCIA ARTIFICIAL
Ensayo
Facultad de ciencias de la computación
DHTIC (FGU, DHTIC, OTO11201135_41831)
BUAP
Autores:
Alejandro Ortega Vazquez
Luis Conde Rodriguez
Juan Carlos Soperanos Balderas
Isaías Carrera Ventura
Alberto Galicia Varillas

2. Introducción
Inteligencia artificial
Propósitos
¿Que es?
¿Como funciona?
Beneficios
Contra
Ayuda en cuanto a campo de especialización
Cultura general
Ramas de la IA
Sus aplicaciones
Aclarar nuestras dudas acerca del tema
Saber los elementos que la componen
Sabremos los conceptos y las aplicaciones

3. Inteligencia Artificial
Considerada una rama de la computación y relaciona un fenómeno natural con una analogía
artificial a través de programas de computador. La inteligencia artificial puede ser tomada
como ciencia si se enfoca hacia la elaboración de programas basados en comparaciones con
la eficiencia del hombre, contribuyendo a un mayor entendimiento del conocimiento humano.
Por otro lado es tomada como ingeniería, basada en una relación deseable de entrada-salida
para sintetizar un programa de computador. El resultado es un programa de alta eficiencia
que funciona como una poderosa herramienta para quien la utiliza.
Otros la consideran que la inteligencia artificial se basa en otras áreas de estudio como: el
cuerpo humano y el ordenador electrónico. Puesto que la meta es copiar la inteligencia
humana, es necesario entenderla. Sin embargo, a pesar de todos los progresos en
Neurología y Psicología, la inteligencia del hombre se conoce poco, exceptuando sus
manifestaciones externas. Muchos estudiosos de la inteligencia artificial se han vuelto – para
obtener su modelo de inteligencia – hacia el estudio de la Psicología cognoscitiva, que
aborda la forma de percibir y pensar de los seres humanos.
Características de la Inteligencia Artificial
• Una característica fundamental que distingue a los métodos de Inteligencia Artificial de
los métodos numéricos es el uso de símbolos no matemáticos, aunque no es
suficiente para distinguirlo completamente. Otros tipos de programas como los
compiladores y sistemas de bases de datos, también procesan símbolos y no se
considera que usen técnicas de Inteligencia Artificial.
•
El comportamiento de los programas no es descrito explícitamente por el algoritmo. La
secuencia de pasos seguidos por el programa es influenciado por el problema
particular presente. El programa especifica cómo 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, explícitamente, cómo 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 ámbito del conocimiento en que ellos
operan. Al contrario de los programas para propósito específico, como los de
contabilidad y cálculos científicos; los programas de Inteligencia Artificial pueden

4. distinguir entre el programa de razonamiento o motor de inferencia y base de
conocimientos dándole la capacidad de explicar discrepancias entre ellas.
• Aplicabilidad a datos y problemas mal estructurados, sin las técnicas de Inteligencia
Artificial los programas no pueden trabajar con este tipo de problemas. Un ejemplo es
la resolución de conflictos en tareas orientadas a metas como en planificación, o el
diagnóstico de tareas en un sistema del mundo real: con poca información, con una
solución cercana y no necesariamente exacta.
Campo De La Inteligencia Artificial
Incluye varios campos de desarrollo tales como: la robótica, usada principalmente en el
campo industrial; comprensión de lenguajes y traducción; visión en máquinas que distinguen
formas y que se usan en líneas de ensamblaje; reconocimiento de palabras y aprendizaje de
máquinas; sistemas computacionales expertos.
Los sistemas expertos, que reproducen el comportamiento humano en un estrecho ámbito
del conocimiento, son programas tan variados como los que diagnostican infecciones en la
sangre e indican un tratamiento, los que interpretan datos sismológicos en exploración
geológica y los que configuran complejos equipos de alta tecnología.
Funcionamiento Básico De La Inteligencia Artificial
Diferentes teorías:
• Construir réplicas de la compleja red neuronal del cerebro humano (bottom-up).
• Intentar imitar el comportamiento del cerebro humano con un computador (top-down).
Símbolos vs. Métodos Numéricos
El primer período de la Inteligencia Artificial, llamado sub-simbólico, data de
aproximadamente 1950 a 1965. Este período utilizó representaciones numéricas (o sub-
simbólicas) del conocimiento. Aunque la mayor parte de los libros de Inteligencia Artificial
enfatizan el trabajo realizado por Rosenblatt y Widrow con redes neuronales durante este
período, la realidad es que otra importante escuela sub-simbólica data también de la misma
época y estos son los algoritmos evolutivos.
La escuela clásica dentro de la Inteligencia Artificial, utiliza representaciones simbólicas
basadas en un número finito de primitivas y de reglas para la manipulación de símbolos. El
período simbólico se considera aproximadamente comprendido entre 1962 y 1975, seguido
por un período dominado por los sistemas basados en el conocimiento de 1976 a 1988. Sin
embargo, en este segundo período las representaciones simbólicas (por ejemplo, redes
semánticas, lógica de predicados, etc.) siguieron siendo parte central de dichos sistemas.

5. La Programación Lógica tiene sus orígenes más cercanos en los trabajos de J. A. Robinson
que propone en 1965 una regla de inferencia a la que llamaresolución, mediante la cual la
demostración de un teorema puede ser llevada a cabo de manera automática.
La resolución es una regla que se aplica sobre cierto tipo de fórmulas del Cálculo de
Predicados de Primer Orden, llamadas cláusulas y la demostración de teoremas bajo esta
regla de inferencia se lleva a cabo por reducción al absurdo.
Otros trabajos importantes de esa época que influyeron en la programación lógica, fueron los
de Loveland, Kowalski y Green, que diseña un probador de teoremas que extrae de la
prueba el valor de las variables para las cuales el teorema es válido.
Estos mecanismos de prueba fueron trabajados con mucho entusiasmo durante una época,
pero, por su ineficiencia, fueron relegados hasta el nacimiento de Prolog, que surge en 1971
en la Universidad de Marsella, Francia.
La Lógica de Primer Orden, es uno de los formalismos más utilizados para representar
conocimiento en Inteligencia Artificial. La Lógica cuenta con un lenguaje formal mediante el
cual es posible representar fórmulas llamadas axiomas, que permiten describir fragmentos
del conocimiento y, además consta de un conjunto de reglas de inferencia que aplicadas a
los axiomas, permiten derivar nuevo conocimiento.
Alfabeto del Lenguaje de la Lógica de Primer Orden
Contiene dos tipos de símbolos:
Símbolos lógicos, entre los que se encuentran los símbolos de constantes
proposicionales true y false; los símbolos de operadores proposicionales para la
negación, la conjunción, la disyunción y las implicaciones (=>, <=); los símbolos de
operadores de cuantificación como el cuantificador universal; el cuantificador
existencial; y los símbolos auxiliares de escritura como corchetes [,], paréntesis (,) y
coma.
Símbolos no lógicos, agrupados en el conjunto de símbolos constantes; el conjunto de
símbolos de variables individuales; el conjunto de símbolos de funciones n-arias; y el
conjunto de símbolos de relaciones n-arias.
A partir de estos símbolos se construyen las expresiones válidas en el Lenguaje de Primer
Orden: los términos y las fórmulas.
Un término es cualquiera de las tres expresiones siguientes: una constante, por ejemplo, el
número "100", la palabra "alfredo" y la letra "c"; o una variable, por ejemplo, "X" o bien una
expresión de la forma "f(t1,...,tn)" donde "f" es un símbolo de función n-aria y t1,...,tn son

6. términos. Ejemplos de funciones son: f(100,X), padre(Y) y sucesor(X).
Las fórmulas atómicas o elementales son expresiones de la forma R(t1,...,tn) donde R es un
símbolo de relación n-aria y t1,...,tn son términos.
Ejemplos de fórmulas son:
positivo(3),not(igual(4,doble(2))), recetar(X,aspirina)<=tiene(X,fiebre), tiene(X,cefalea).
Esta última establece una regla que dice que, si X tiene fiebre y cefalea (dolor de cabeza), X
debe tomar una aspirina.
El Lenguaje de Primer Orden posee un amplio poder de expresión, los términos permiten
nombrar los objetos del universo, mientras que las fórmulas permiten afirmar o negar
propiedades de éstos o bien establecen las relaciones entre los objetos del universo.
Puede decirse que la Programación Lógica utiliza la Lógica de Primer Orden como lenguaje
de programación. Prolog es un ejemplo de lenguaje basado en la Lógica de Primer Orden y
aunque toma su nombre de este término ("PROgramming in LOGic"), no abarca toda la
riqueza de la Lógica de Primer Orden para resolver problemas, pues está restringido al uso
de cierta clase de fórmulas denominadas cláusulas definidas o cláusulas de Horn.
Un programa lógico está formado por un conjunto finito de cláusulas de programa que son
hechos o reglas. Por ejemplo:
padre(luis,miguel).
hecho
padre(miguel,jose).
hecho
padre(jose,juan).
hecho
abuelo(X,Y):-padre(X,Z), padre(Z,Y). regla
Este programa está formado por cuatro cláusulas de programa, las tres primeras son del tipo
hecho y definen la relación padre/2 y la cuarta una regla que define la relación abuelo/2.
Nótese el uso de las variables X,Y y Z en esta cláusula, las cuales permiten definir de
manera general en Prolog la relación "ser abuelo de", pues la lectura declarativa de dicha
cláusula es la siguiente: "Para cualesquiera X,Y,Z se cumple que: X abuelo de Y, si X padre
de Z y Z padre de Y".
En Prolog es posible hacer preguntas sobre objetos y relaciones del dominio y estas
preguntas se formulan como objetivos o metas, que son evaluadas por el intérprete de Prolog
utilizando su mecanismo de inferencia interno, el cual determina si la meta a demostrar es

7. una consecuencia lógica del programa, aplicando reglas de deducción para obtener la
respuesta.
Por
ejemplo,
del
programa
anterior, utilizando la
cláusula de
tipo
meta ?
abuelo(X,juan), para
preguntar
¿quién es el abuelo
de Juan? o
bien ¿quiénes son
los abuelos
de Juan?, es posible
deducir
que Luis es abuelo
de
Juan,
aunque
implícitamente
no
existe en el
programa
ningún
hecho que
así lo afirme.
En este ejemplo de análisis de oraciones, podemos observar de qué manera se analiza una
oración ingresada por el usuario y cómo el ordenador lo traduce en un lenguaje lógico de
primer orden.
En este caso la ejecución del programa, para dicha meta, arrojaría como resultado que

8. X=luis.
El método de deducción utilizado por Prolog, para dar respuesta a los objetivos planteados,
se basa en el uso de una única regla de inferencia: el Principio de Resolución.
Los primeros trabajos de prueba automática de teoremas utilizaban la resolución, aplicada a
cláusulas cualesquiera, pero el problema de las deducciones con cláusulas generales es el
gran número de combinaciones posibles para llevar a cabo las resoluciones.
Por ello Prolog restringe el conjunto de cláusulas, lo que le permite llevar a cabo una prueba
dirigida y, en la mayoría de los casos, con un universo de posibilidades explorable en tiempo
de ejecución.
Funcionamientos Generales De La Inteligencia Artificial
Tipos de Algoritmos Utilizados
Cuando una tarea se realiza por medio de un algoritmo perfectamente definido de
almacenamiento, clasificación o cálculo, lo puede hacer un computador. Este concepto de
algoritmo, secuencial, fijo y de determinadas operaciones, es incapaz de manejar problemas
donde el camino del razonamiento es variable y donde deben afrontarse situaciones diversas
sin haber sido especificadas.
La Inteligencia Artificial hace uso de un tipo de lenguaje diferente como es el caso de LISP y
PROLOG.
En 1932, Cannon visualizó la evolución natural como un proceso de aprendizaje. Alan Turing
reconoció, en 1950, que debe haber una conexión obvia entre el aprendizaje de máquina y la
evolución, y señaló que se podrían desarrollar programas para jugar ajedrez usando esta
técnica. Campbell conjeturó en 1960 que en todos los procesos que llevan a la expansión del
conocimiento, se involucra un proceso ciego de variación y supervivencia selectiva.
Los primeros intentos de aplicar de manera formal la teoría de la evolución, a problemas
prácticos de ingeniería, apareció en las áreas de control de procesos estadísticos,
aprendizaje de máquina y optimización de funciones. Tal vez el primer intento serio de este
tipo se dio en el trabajo que realizaron Box y sus colegas en 1957, en el desarrollo de una
técnica que denominaron operación evolutiva, la cual se aplicó a una planta de manufactura,
y que se implanto sobre la base de los votos de un comité de jefes técnicos. Bajo este
esquema, la calidad del producto avanzaba a través de mutaciones aleatorias y la selección
era determinada por el comité.
Por su parte, Friedberg intentó, en 1958, hacer que un programa en lenguaje máquina se
mejorara a sí mismo, seleccionando instrucciones que se asociaran más frecuentemente con

9. un resultado exitoso. Aunque Friedberg nunca mencionó explícitamente estar simulando la
evolución natural, esa es la interpretación más comúnmente aceptada de su trabajo, y a
pesar de que tuvo cierto éxito evolucionando manipuladores de bits y determinando las
interconexiones de una caja negra de 1400 terminales, la comunidad de Inteligencia Artificial
de la época prestó poca atención a su trabajo. Por ejemplo, Minsky lo criticó duramente,
argumentando que una búsqueda puramente aleatoria era mucho mejor que el algoritmo de
Friedberg.
El trabajo de Bremermann, en 1958, se enfocó más a la optimización, introduciendo el
importante manejo de un valor de aptitud, y definiendo a un individuo como una cadena de
símbolos binarios (unos y ceros). Bremermann advirtió, acertadamente, que la mutación
jugaba un papel importante en la evolución, pues impedía el estancamiento en mínimos
locales. Aunque muchas de sus ideas se usan hoy en día, Bremermann cometió el error de
tratar de optimizar funciones lineales y convexas, obteniendo resultados decepcionantes,
pues sus algoritmos evolutivos tenían que ser complementados con otras heurísticas para
converger en una solución. Hoy sabemos que los algoritmos evolutivos difícilmente pueden
competir con las técnicas tradicionales de optimización en esos dominios.
Barricelli ofreció, en 1954, una de las primeras simulaciones que usaba principios evolutivos,
utilizando los mismos procedimientos generales que se usan hoy en día en la disciplina
conocida como vida artificial. Sin embargo, en este trabajo, así como el que Reed realizó
posteriormente en 1967, se concluyó que la cruza no parecía mejorar la velocidad de la
adaptación selectiva, y el operador primordial era la mutación.
Fue Fogel el que introdujo la primera técnica evolutiva que realmente funcionó más o menos
dentro de los lineamientos actuales de la computación evolutiva. Su programación evolutiva
consistía en hacer evolucionar autómatas de estados finitos por medio de mutaciones. Fogel
introdujo los importantes conceptos de población y selección, y aunque las revisiones
iniciales de su trabajo fueron favorables, algunos investigadores, como Solomonoff,
enfatizaron que el método de Fogel no debía verse en su estado actual (en 1966) como algo
particularmente útil para resolver problemas, a excepción de los más simples posibles.
Solomonoff vio a la programación evolutiva como una especie de búsqueda escalando la
colina modelada mediante autómatas, y otros investigadores como Holland, Kieras, Rada y
Lenat compartieron esa opinión.
Otra técnica evolutiva dirigida particularmente a la optimización de funciones continuas de
alta complejidad se desarrolló en Alemania, en 1965, por Rechenberg y Schwefel. Esta

10. técnica, llamada estrategia evolutiva, se utilizó inicialmente para resolver problemas de
ingeniería que desafiaban a los métodos de optimización tradicionales, como el gradiente
conjugado, y se basa en la modificación sistemática de un vector de números reales
(representando las variables de decisión del problema) mediante operadores probabilísticos,
usando ciertos criterios para decidir en qué dirección dirigir la búsqueda. La estrategia
evolutiva utiliza como operador principal a la mutación, y en su versión más reciente usa la
cruza como operador secundario.
Aunque el australiano Fraser propuso, desde fines de los 50, un procedimiento muy similar al
que John Holland llamó planes evolutivos a fines de los 60, es al segundo al que se le suele
atribuir la creación de la técnica que se conoce como algoritmo genético, a raíz de que
Holland publicara el libro "Adaptation in Natural and Artificial Systems" en 1975.
Algoritmo Genético
La principal diferencia del algoritmo genético con las técnicas antes mencionadas, es que
utiliza la cruza como operador principal y a la mutación como operador secundario (e incluso
opcional). El algoritmo genético, al igual que las redes neuronales, funciona como una caja
negra que recibe ciertas entradas y produce (tras una cantidad de tiempo indeterminada) las
salidas deseadas. Sin embargo, a diferencia de éstas, los algoritmos genéticos no necesitan
entrenarse con ejemplos de ningún tipo, sino que son capaces de generar sus propios
ejemplos y contraejemplos que guíen la evolución a partir de poblaciones iniciales totalmente
aleatorias.
Los mecanismos de selección del más apto y de reproducción sexual del algoritmo genético,
son los encargados de preservar las características más adecuadas de cada individuo a fin
de hacer converger a la población en soluciones óptimas.
Los algoritmos genéticos se distinguen también por no quedar atrapados fácilmente en
mínimos locales, como la mayor parte de las técnicas de búsqueda clásicas, además de usar
operadores probabilísticos más robustos que los operadores determinísticos, que las otras
técnicas suelen usar.
No obstante, siendo una heurística, tampoco pueden garantizar encontrar siempre la solución
óptima, si bien la experiencia acumulada hasta la fecha parece demostrar que, cuando se
utilizan apropiadamente, pueden proporcionar soluciones muy aceptables y, en la mayoría de
los casos, superiores a las encontradas con otras técnicas de búsqueda y optimización.
Aunque aún atacados por algunos sectores de la comunidad de Inteligencia Artificial, los
algoritmos genéticos, al igual que las redes neuronales, se han ido ganando poco a poco, y

11. sobre la base de la efectividad de sus resultados en aplicaciones prácticas, el reconocimiento
de los investigadores como una técnica efectiva en problemas de gran complejidad, como lo
demuestra un número creciente de conferencias y publicaciones especializadas alrededor del
mundo, en los últimos años.
Sistemas Basados en Conocimiento
Los métodos generales desarrollados para la resolución de problemas y técnicas de
búsqueda al inicio de la era de la Inteligencia Artificial demostraron no ser suficientes para
resolver los problemas orientados a las aplicaciones, ni fueron capaces de satisfacer los
difíciles requerimientos de la investigación.
A este conjunto de métodos, procedimientos y técnicas, se lo conoce
como Inteligencia Artificial Débil. La principal conclusión que se derivó de este trabajo inicial
fue que los problemas difíciles sólo podrían ser resueltos con la ayuda del conocimiento
específico acerca del dominio del problema.
La aplicación de estas ideas dio lugar al desarrollo de los denominados Sistemas Basados
en Conocimiento (Knowledge Based Systems) y al aparecimiento de la Ingeniería
Cognoscitiva, como una rama de la Inteligencia Artificial, que estudia los sistemas basados
en el conocimiento. La definición de un sistema basado en conocimiento puede ser la
siguiente:
Componentes: software de interfaz, base de datos, programa computacional.
Una relativamente nueva categoría de sistemas de información orientada al servicio es
el sistema experto, llamado así porque su base de datos guarda una descripción de
habilidades en la toma de decisiones de experiencias humanas en un estrecho dominio de
procedimientos, tales como interpretación médica de imagen, impuestos, diseño de piping,
configuración de hardware en un sistema de computadores, equipamiento para reparar
malfuncionamientos o, en la preparación de cerveza.
La motivación para construir sistemas expertos es el deseo de replicar el escaso, in
estructurado y quizás el pobremente documentado conocimiento empírico de especialistas
que de este modo puede ser rápidamente usado por otros.
Un programa computacional que usa inteligencia artificial resuelve problemas en un dominio
especializado que ordinariamente requiere experiencia humana.
El primer sistema experto fue desarrollado en 1965 por Edward Feigenbaum y Joshua
Lederberg de la Universidad de Standford en California, EEUU, y se lo llamó Dendral. Fue
diseñado para analizar componentes químicos.

12. Dado que cada condición que puede ser encontrada puede ser descrita por una regla, los
sistemas expertos basados en reglas no pueden manejar eventos no anticipados, pero
pueden evolucionar con el uso, y permanece limitado a un estrecho dominio de problemas.
Otra variante de sistemas expertos, uno que no posee esta limitación, emplea una base de
conocimiento que consiste de descripciones estructuradas de situaciones, de problemas del
mundo real y de decisiones actualmente hechas por expertos humanos.
En medicina, por ejemplo, el registro de un paciente contiene descripciones de datos
personales, exámenes físicos y de laboratorio, diagnóstico clínico, tratamiento propuesto, y
los resultados de tales tratamientos.
Dada una gran base de datos con tales registros en una especialidad médica, el médico
puede indagar acerca de eventos análogos a los relacionados con el paciente. Esto en
contraste con el sistema que idealmente intenta reemplazar al ser humano, ya que en casos
como estos sólo podría usarse este tipo de conocimiento como una herramienta que ayuda
en la toma de decisiones.
El software requerido para este tipo de sistemas se ha ido complicando con el tiempo ya que
su desarrollo demanda tiempo, un buen equipo de programadores y un buen producto final.
Se percibe este trabajo como una tarea para el ingeniero y consiste de:
• Identificación y análisis de los requerimientos del usuario.
• Desarrollo de las especificaciones del sistema (software y hardware).
• Diseño del software.
• Implementación
• Testeo
• Mantenimiento
Tareas típicas para sistemas expertos involucran clasificación, diagnóstico, monitoreo,
diseño, inventario y planificación para esfuerzos especializados.
Niveles de conocimiento
A pesar de no disponerse de un modelo general comúnmente aceptado, existe unanimidad
en cuanto a la aprobación de tres niveles distintos de conocimientos, a los que corresponde
tres fases diferentes de estudio y sobre los que se basa, en general, la concepción de un
sistema experto. Esos niveles son el de estructuración, el conceptual y el cognoscitivo. El
primero es el que define el mecanismo que genera la certeza. Este mecanismo varía según
el campo al que se aplique el sistema experto, ya que las evidencias asociadas a cada
campo no son idénticas. La determinación del nivel de estructuración permite definir un

13. formalismo de representación del conocimiento así como un mecanismo adecuado de
deducción. El nivel conceptual es el que determina el conjunto de los conceptos que emplea
el experto humano en la materia; cada uno de ellos corresponde a un nudo del razonamiento
del experto. Se le asocia un descriptor que se experimenta con el formalismo
correspondiente al nivel de estructuración. Finalmente, el nivel cognoscitivo corresponde al
conjunto de los conocimientos que el experto humano pone en práctica para la resolución del
problema planteado. Este conjunto de conocimientos debe poder traducirse al lenguaje
definido mediante el formalismo de representación del conocimiento adoptado. En cuanto al
desarrollo actual de la investigación en el campo de los sistemas expertos, la primera fase
corresponde al desarrollo de sistemas y programas que traten directamente el lenguaje
natural, si bien persisten todavía dos escollos importantes. Por un lado, el problema de cómo
emplear de un modo eficaz una gran cantidad de información sin necesidad de echar mano
de la combinatoria; es decir, cómo conseguir un sistema dotado de conocimientos
(metaconocimientos) que le permitan utilizar los conocimientos del sistema y que, a su vez, le
permitan deducir automáticamente nuevos conocimientos, ya que no cabe pensar en la
reunión de todos los conocimientos necesarios en casos de campos tan sumamente vastos
como el del diagnóstico en la medicina.
Sistemas Expertos
Los sistemas expertos se basan en la simulación del razonamiento humano. El razonamiento
humano tiene para ellos, un doble interés: por una parte, el del análisis del razonamiento que
seguiría un experto humano en la materia a fin de poder codificarlo mediante el empleo de un
determinado lenguaje informático; por otra, la síntesis artificial, de tipo mecánico, de los
razonamientos de manera que éstos sean semejantes a los empleados por el experto
humano en la resolución de la cuestión planteada.
Estos dos campos de interés han conducido a los investigadores que trabajan en el campo
de la inteligencia artificial (de la cual los sistemas expertos son un campo preferente) a
intentar establecer una metodología que permita verificar el intercambio con los expertos
humanos y aislar los diversos tipos de razonamiento existentes (inductivo, deductivo, formal,
etc.), así como construir los elementos necesarios para modelizarlos. Los sistemas expertos
son, por lo tanto, intermediarios entre el experto humano, que transmite sus conocimientos al
sistema, y el usuario de dicho sistema, que lo emplea para resolver los problemas que se le
plantean con la competencia de un especialista en la materia y que, además, puede adquirir
una destreza semejante a la del experto gracias a la observación del modo de actuar de la

14. máquina. Los sistemas expertos son, pues, simultáneamente, un sistema de ejecución y un
sistema de transmisión del conocimiento. Asimismo, los sistemas expertos se definen
mediante su arquitectura; obtienen, por lo tanto, una realidad palpable. Mientras que en las
operaciones de programación clásicas se diferencia únicamente entre el propio programa y
los datos, en el caso de los sistemas expertos se diferencian tres componentes principales.
Son los siguientes:
La base de conocimientos aloja la totalidad de las informaciones específicas relativas al
campo del saber deseado. Está escrita en un lenguaje específico de representación de los
conocimientos que contiene y en el cual el experto puede definir su propio vocabulario
técnico.
A la inversa de lo que sucede en los programas clásicos, en la base de conocimientos las
informaciones entran tal como llegan, ya que el orden no influye en los resultados obtenidos.
Sucede así porque cada elemento de conocimiento es comprensible por sí mismo tomado de
forma aislada y, por lo tanto, no es necesario referirse al contexto en el cual está inserto. La
información se representa, por regla general, mediante reglas de producción o redes
semánticas. Las reglas de producción constituyen el método más utilizado para construir
bases de conocimientos en los sistemas expertos. Llamadas también implicaciones lógicas,
su estructura es la siguiente: para unas ciertas causas, unos efectos; o, para determinadas
condiciones, ciertas consecuencias. Junto a cada regla, se almacena también su porcentaje
en forma de probabilidad. Éste indica, mediante un tanto por ciento, el grado de certeza de
las consecuencias que se obtienen como resultado de la aplicación de la regla de
producción. En cuanto a las redes semánticas, se trata de un método de construcción de
bases de conocimientos en el cual los conocimientos se muestran mediante un grafo en el
que los vértices representan los conceptos u objetos y las aristas indican las relaciones entre
ellos.
Además el sistema dispone de la llamada base de hechos, que alberga los datos propios
correspondientes a los problemas que se desea tratar con la ayuda del sistema. Asimismo, a
pesar de ser la memoria de trabajo, la base de hechos puede desempeñar el papel de
memoria auxiliar. La memoria de trabajo memoriza todos los resultados intermedios,
permitiendo conservar el rastro de los razonamientos llevados a cabo. Puede, por eso,
emplearse para explicar el origen de las informaciones deducidas por el sistema en el
transcurso de una sesión de trabajo o para llevar a cabo la descripción del comportamiento
del propio sistema experto. Al principio del período de trabajo, la base de hechos dispone

15. únicamente de los datos que le ha introducido el usuario del sistema, pero, a medida que va
actuando el motor de inferencias, contiene las cadenas de inducciones y deducciones que el
sistema forma al aplicar las reglas para obtener las conclusiones buscadas.
El último elemento, el motor de inferencias, es un programa que, mediante el empleo de los
conocimientos puede resolver el problema que está especificado. Lo resuelve gracias a los
datos que contiene la base de hechos del sistema experto. Por regla general, el tipo de
reglas que forman la base de conocimientos es tal que, si A es válido, puede deducirse B
como conclusión. En este caso, la tarea que lleva a cabo el motor de inferencias es la de
seleccionar, validar y activar algunas reglas que permiten obtener finalmente la solución
correspondiente al problema planteado.
El sistema experto establecido se compone, por lo tanto, de dos tipos bien diferenciados de
elementos, los propios del campo de los expertos relacionados con el problema concreto (es
decir, la base de conocimientos y la base de hechos) y el que se puede aplicar de forma
general a una gran variedad de problemas de diversos campos (como el caso del motor de
inferencias). Sin embargo, el motor de inferencias no es un mecanismo universal de
deducción, ya que hay dos tipos diverso: los que emplean el razonamiento aproximativo
(para el cual el resultado puede ser erróneo) y aquellos que emplean un tipo de
razonamiento capaz de obtener un resultado (si llegan a él), con toda seguridad, verdadero.
Fases del proceso
Sin embargo, a pesar de no existir una metodología generalmente aceptada en cuanto a la
concepción de los sistemas expertos, se admite por regla general un esquema que consta de
tres fases. En la primera fase, la discusión con el experto o los expertos humanos en la cual
se intenta, por un lado, delimitar el problema a resolver y, por el otro, los modos de
razonamiento que se emplearán para su solución. La segunda fase comprende el desglose
del formalismo de expresión del conocimiento y la determinación del motor de inferencias
adecuado a dicho formalismo. Por último, la tercera etapa, corresponde a la creación de la
base de conocimientos (en colaboración con los expertos humanos), así como a la
comprobación y ajuste del funcionamiento del sistema experto mediante el empleo de
ejemplos.
INTELIGENCIA ARTIFICIAL
BENEFICIOS:
Consideramos que puede tener muchos beneficios como:
* Varios ejemplos se encuentran en el área de control de sistemas, planificación automática,

16. la habilidad de responder a diagnósticos y a consultas de los consumidores, reconocimiento
de escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA
actualmente son parte de la rutina en campos como economía, medicina, ingeniería y la
milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia
como ajedrez de computador y otros videojuegos
*La automatización de tareas para lograr una mayor productividad en el trabajo y generar así
riqueza, el hombre día con día busca crear nuevas cosas, cosas que se asemejen a el,
maquinas que imiten la inteligencia de un ser vivo. Gracias a la Inteligencia Artificial se han
hecho grandes avances en los diferentes campos
*En la Inteligencia Artificial, la lógica difusa es utilizada para la resolución de problemas, mas
que todo los que se relacionan con el control de procesos industriales complejos y sistemas
de decisión en general. Están mayormente extendidos en la tecnología cotidiana, como lo
son:
Cámaras digitales, sistemas de aire acondicionado, lavar-ropas, etc.
*Estos sistemas imitan la forma en que un humano toma decisiones, solo que con una mayor
rapidez. En la lógica difusa, se usan modelos matemáticos para representa nociones
subjetivas, como caliente/ tibio/ frío. También tiene un especial la " variable del tiempo”, ya
que los sistemas de control pueden necesitar retroalimentarse en un espacio concreto de
tiempo.
*Uno de los temas más importantes en la actualidad, es la Ecología, nuestro medio ambiente,
muchos culpan a la industrialización de ser la causa de los daños hacia está.
Algo nuevo de la Inteligencia Artificial es que ahora se usa para el medio ambiente.
Es algo sorprendente ya que se usan sistemas de Inteligencia Artificial para comprobar la
salud de los ríos .
Estos sistemas procesan los datos obtenidos con algoritmos que relacionan indicadores
físicos, químicos y biológicos, reducen las interpretaciones subjetivas de la información
obtenida. Lo logra con la lógica difusa. Incluye operaciones lógicas que computan con
palabras y producen indicadores ya auto interpretado.
Uno de los ríos analizados por este sistema es el “Ebro en Fontibre(Cantabria).
*Su fin principal es programar un computador para que pueda entender las características de
una imagen o una escena.
Los científicos con esto desarrollaron microchips de silicio para aquellas personas que no les
funcionan los foto receptores y con esto tener una visión artificial. Lo que se necesita para

17. poder implementarlos, es que sean suficientemente pequeños para implantarlos en el ojo,
que tengan una fuente de abastecimiento de energía continua y que sean biocompatibles con
los tejidos del ojo.
*Ázimo Honda
Ázimo fue el primer robot humanoide en directo, ha sido el resultado de muchos años de
investigación en los laboratorios de Honda. Posee una gran estabilidad al caminar, con una
gran suavidad como que una persona normal. Es capaz de reconocer hasta diez personas y
va almacenando características sobre ellas cada vez que las ve. Se alerta ante sonidos
inusuales, es capaz de dar la mano y si le indicas con la mano un lugar a conde ir seguirá tus
órdenes.
Es un robot impresionante y un claro ejemplo sobre el desarrollo de la Inteligencia Artificial
Pueden ayudar a los expertos a resolver problemas de análisis complicados de desarrollar
CONTRAS:
*Un maleficio seria que al automatizar las tareas, no se necesite de tanto personal de trabajo
y causa desempleos.
*Otro es que no toda persona esta capacitada para utilizar máquinas inteligentes
*Esta objeción, de que las computadoras sólo son capaces de hacer lo que se les indica y
que, por lo tanto, no son capaces de hacer nada creativo, es algo con lo que todavía nos
topamos en la actualidad. Una sencilla refutación es afirmando que una de las cosas que
podemos ordenar a una computadora es aprender a partir de su propia experiencia.
*Es evidente que para actualizar se necesita de reprogramación de estos (tal vez este sea
una de sus limitaciones más acentuadas).
*otra de su limitaciones puede ser el elevado coste en dinero y tiempo, además que estos
programas son poco flexibles a cambios y de difícil acceso a información no estructurada.
*Un robot con el objetivo principal de satisfacer a los seres humanos sería de gran ayuda,
pero un robot cuyo objetivo principal sería su propia supervivencia sería muy peligroso.
Puesto que pensará mucho más rápidamente y con más precisión que nosotros, usará todos
los recursos disponibles para sus propios propósitos, y nosotros estaríamos desamparados.
Tal robot debe ser ilegal y debe ser destruido tan pronto como sea detectado
*Uno de los mayores problemas en sistemas de inteligencia artificial es la comunicación con
el usuario. Este obstáculo es debido a la ambigüedad del lenguaje, y apareció ya en los
inicios de los primeros sistemas operativos informáticos. La capacidad de los humanos para
comunicarse entre sí implica el conocimiento del lenguaje que utiliza el interlocutor. Para que

18. un humano pueda comunicarse con un sistema inteligente hay dos opciones: o bien el
humano aprende el lenguaje del sistema como si aprendiese a hablar cualquier otro idioma
distinto al nativo, o bien el sistema tiene la capacidad de interpretar el mensaje del usuario en
la lengua que el usuario utiliza
*Las principales críticas a la inteligencia artificial tienen que ver con su incapacidad de imitar
por completo a un ser humano. Estas críticas ignoran que ningún humano individual tiene
capacidad para resolver todo tipo de problemas, y autores como Howard Gardner han
propuesto que existen inteligencias múltiples. Un sistema de inteligencia artificial debería
resolver problemas. Por lo tanto es fundamental en su diseño la delimitación de los tipos de
problemas que resolverá y las estrategias y algoritmos que utilizará para encontrar la
solución
APLICACIÓN DE LA INTELIGENCIA ARTIFICIAL
SISTEMAS PRODUCTIVOS
La incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos,
algoritmos genéticos y autómatas programables para optimización de sistemas de
producción es una tendencia activa en el ambiente industrial de países con alto desarrollo
tecnológico y con una gran inversión en investigación y desarrollo. Dichos componentes de la
Inteligencia Artificial tienen como función principal controlar de manera independiente, y en
coordinación con otros agentes, componentes industriales tales como celdas de manufactura
o ensamblaje, y operaciones de mantenimiento, entre otras.
Existe una tendencia creciente a la implementación de sistemas de manufactura/ensamblaje
más autónomos e inteligentes, debido a las exigencias del mercado por obtener productos
con niveles muy altos de calidad; lo cual con operaciones manuales se hace complicada y
hace que los países subdesarrollados como el nuestro no alcance niveles competitivos a
nivel mundial. Al diseñar un sistema de producción integrado por computadora se debe dar
importancia a la supervisión, planificación, secuenciación cooperación y ejecución de las
tareas de operación en centros de trabajo, agregado al control de los niveles de inventario y
características de calidad y confiabilidad del sistema. Los factores mencionados determinan
la estructura del sistema y su coordinación representa una de las funciones más importantes
en el manejo y control de la producción.
Muy frecuentemente, la razón para construir un modelo de simulación es para encontrar
respuestas a interrogantes tales como ¿Cuáles son los parámetros óptimos para maximizar o
minimizar cierta función objetivo? En los últimos años se han producido grandes avances en

19. el campo de la optimización de sistemas de producción. Sin embargo, el progreso en el
desarrollo de herramientas de análisis para resultados de modelos de simulación ha sido
muy lento. Existe una gran cantidad de técnicas tradicionales de optimización que sólo
individuos con gran conocimiento estadístico y de conceptos de simulación han logrado
aportes significativos en el área.
Debido al auge de los algoritmos de búsqueda meta-heurísticos, se ha abierto un nuevo
campo en el área de optimización con simulación. Nuevos paquetes de software, tales como
OptQuest (Optimal Technologies), SIMRUNNER (Promodel Corporation) y Evolver (Palisade
Software), han salido al mercado brindando soluciones amigables de optimización de
sistemas que no requieren control interno sobre el modelo construido, sino sobre los
resultados que dicho modelo arroja bajo diferentes condiciones. Además, nuevas técnicas de
inteligencia artificial aplicadas a problemas de optimización estocástica, han demostrado su
eficiencia y capacidad de cómputo y aproximación.
El Aprendizaje Reforzado (ReinforcementLearning) es un conjunto de técnicas diseñadas
para dar solución a problemas cuya base son los procesos de decisión markovianos. Los
procesos markovianos son procesos estocásticos de decisión que se basan en el concepto
de que la acción a tomar en un estado determinado, en un instante determinado, depende
sólo del estado en que se encuentre el sistema al momento de tomar la decisión.
Una de las áreas que puede tener mayor incidencia directa en los procesos productivos de la
industria nivel mundial, es el diseño de sistemas de soporte para la toma de decisiones
basados en la optimización de los parámetros de operación del sistema. Para tal efecto, el
uso de técnicas inteligentes paramétricas y no paramétricas para el análisis de datos es de
gran interés.
Sin embargo, a juicio de los autores en la mayoría de las arquitecturas propuestas hasta el
momento para manufactura integrada por computadora, carecen de un factor de integración
fundamental. La comunicación entre los diversos niveles jerárquicos de una planta de
producción es muy poca, ya que cada departamento se limita a realizar su función sin buscar
una integración de toda la planta productiva a excepciones de empresas como ABB con su
software
EDUCACIÓN
Como se ha mencionado, es posible aplicar los logros de la inteligencia artificial en cualquier
área del quehacer humano, y la educación no es la excepción. Cuando se habla de la
relación entre computación y educación es común que se piense en la docencia solamente,

20. sin considerar todas las demás actividades que tienen que ver con la educación, actividades
como la investigación o la administración educativa entre otras. En cualquier aspecto del
ámbito educativo que se pueda vislumbrar como posible de ser enriquecido con el uso de
computadoras, cabe también la inteligencia artificial y esta última parte del artículo está
dedicada a mencionar algunas de las posibilidades.
La investigación educativa
Las posibilidades de aplicación en la investigación educativa, van desde un nivel conceptual,
utilizando modelos teóricos de la Inteligencia Artificial como base a partir de la cual se
interpretan hallazgos en la investigación educativa; hasta un nivel práctico, ahorrando tiempo,
recursos y esfuerzos en actividades de apoyo al trabajo del investigador, actividades como
las siguientes:
• Consulta a bases de datos y bibliotecas. Piense el lector en la posibilidad de contar con
una biblioteca computarizada inteligente. Hasta ahora, la mayoría de las bibliotecas y
bancos de datos, aunque cuentan con bases de datos en las que están almacenados
la información referente a cada libro o documento existente, son explotadas en un
mínimo porcentaje debido a la forma en que la información está dispuesta; los libros
son catalogados por temas y subtemas en formas -a veces arbitrarias, a veces de
acuerdo a clasificaciones preestablecidas-, que limitan sus posibilidades de uso, por
ejemplo, en la mayoría de las fichas computarizadas se describe el contenido de un
documento en cinco “palabras claves” solamente. Esto ocasiona que investigadores y
usuarios en general prefieran la consulta física de cada material, hecho que implica
una pérdida de tiempo considerable. Considérese ahora la posibilidad de contar con
un “bibliotecario experto” en el contenido de cada uno de los libros, que sea capaz de
sugerir documentos de acuerdo a las necesidades específicas de cada usuario. Esto
es posible con la implementación de bases inteligentes.
•
Simulación de procesos. Ahora, aún con un desarrollo de computadoras inteligentes
en gestación, es posible realizar experimentos piloto y jugar con variables que en la
realidad serían imposibles de controlar y manipular. La inteligencia artificial puede
también ayudar en la capacitación y asesoría de recursos humanos para la
investigación, independientemente de la perspectiva bajo la cual se esté trabajando o
se quiera trabajar, por ejemplo, es posible capacitar a observadores para que realicen
registros, primero en realidades virtuales controladas y luego después, en un salón de

21. clases.
AGRICULTURA
Los Robots han sido usados en entornos peligrosos para el hombre y en
muchas ocasiones son más rentables que trabajadores humanos. En la Agricultura, los
Robots, están
siendo usados para sustituir las grandes máquinas usadas para excavar, cosechar, etc
Maquinaria y Mecanización Agrícola
El uso de técnicas de IA en la administración de maquinaría agrícola no ha tenido auge en
los últimos años,sin embargo se pueden nombrar para años anteriores al año 2000, un
sistema experto para el soporte de decisiones en la administración de maquinaría agrícola
(Lal et at, 1992) y un sistema basado en conocimiento para el diseño y mantenimiento de
maquinaría agrícola (Kusz&Marciniak, 1995).
Para la selección de maquinaría agrícola se han desarrollado en los últimos años diversos
sistemas expertos,en época mas resiente se puede mencionar, un sistema basado en
conocimiento para la selección de juntas en maquinarías de tipo agrícola.
La evaluación de maquinaría agrícola por medio de técnicas de IA para los últimos años no
se reporta ningún trabajo, sin embargo se puede señalar para los años antes del 2000, un
sistema experto para el diagnóstico del sistema hidráulico en un tractor John Deere serie 50
(Gaultney, Harlow &Ooms, 1989), un sistema inteligente de diagnóstico para maquinaría
agrícola (Roger, 1995).
Para la simulación de Maquinaría y Mecanización agrícola En años recientes se puede
nombrar, un sistema depredicción de carga en cosechadoras combinadas usando algoritmos
genéticos [44], en años anteriores al 2000 se puede mencionar un sistema experto que
analiza y simula operaciones en campo de maquinaría agrícola.
Producción Animal
En el área de la producción animal el uso de sistemas que usan la IA ha sido hasta la fecha
escaso en comparación con los trabajos realizados en producción vegetal, sin embargo en el
campo de la administración de recursos se puede mencionar, una revisión de literatura
acerca de control y aplicación de técnicas de IA en la producción acuícola. en años anteriores
al 2000 se reportan múltiples sistemas expertos para la administración de producciones
pecuarias.
Un área de trabajo reciente es el control y diagnóstico de enfermedades, gracias a su
importancia económica y social este campo puede tener una mayor dedicación de esfuerzos

22. en los próximos años, en los años recientes los trabajos que se pueden nombrar son; un
sistema experto para diagnosticar enfermedades en producciones de anguilas, trabajos
anteriores al año 2000 tratan el diagnóstico de estrés en ganadería (Mitchell et al, 1996)
(Scholten et al, 1995), el diagnóstico de mastitis en vacas de ordeños(Nielen et al, 1995)
(Hogeveen et al, 1995) (Helad et al, 1995), adicionalmente del desarrollo de sistemas
expertos para el diagnóstico y control de enfermedades
MEDICINA
De entre la s varias aplicaciones de la robótica a la medicina destaca la cirugía. Las primeras
aplicaciones de la robótica a la cirugía del cerebro datan del año 1982. En esta fecha se
comenzó en Memorial Medical Center de Long Beach (California) un programa cuyo objetivo
consistía en utilizar un robot comercial (Puma 260) para realizar determinadas operaciones
de neurocirugía. Desde entonces se han puesto a punto varios sistemas que, con ayuda de
un scanner, un ordenador registre toda la información necesaria del cerebro para que el
equipo medico decida el punto exacto donde debe ser realizada la incisión, donde penetrara
la sonda para obtener una muestra para realizar una biopsia. El robot, que se encuentra
perfectamente situado con respecto al paciente, porta en su extremo los instrumentos
necesarios
para
realizar
la
incisión,
tomar
la
muestra,
etc.
La utilización de un robot conectado al ordenador permite que tanto la incisión como la toma
de la muestra se realicen con la máxima precisión y en un tiempo notablemente inferior al
que se consumiría en caso de emplear el sistema habitual. Además, se descarga al cirujano
de la mecánica de ciertas tareas como el correcto posicionamiento de los instrumentos de
cirugía con respecto al cráneo del paciente, permitiendo una mayor concentración en el
seguimiento
y
control

23. de
la
operación.
También, otro posible beneficio de la aplicación de la robótica a la cirugía se encuentra en el
telediagnóstico y la telecirugía. Esta última consiste en la operación remota de un paciente
mediante un telemanipulador
1) Diagnóstico: detección de cáncer y patologías cardíacas a través de las señales que se
obtienen a partir de la aparatología médica. Los beneficios del uso de redes neuronales en
diagnóstico no se ven afectados por factores como la fatiga, las condiciones desfavorables
de trabajo, y los estados emocionales.
2) Analítica: en bioquímica se facilitan los análisis de orina, sangre, control de diabetes,
iconogramas,y la forma de detectar condiciones patológicas a través del análisis bioquímico.
3) Imágenes: el procesamiento de imágenes de alta complejidad (RX; TAC; RNM; ecografías;
Doppler, etc) mediante redes neuronales permitió establecer patentes referidas a imágenes
significativas de patologías antes no demostradas.
4) Farmacología: singular valor en el desarrollo de drogas para el tratamiento del cáncer.
También han sido utilizadas para el proceso de modelado de biomolecular.
El algoritmo generalmente utilizado en los ítems 1), 2), y 4) es el de retro propagación
El comportamiento de una red neuronal depende de los pesos de las funciones de input-
output (Funciones de transferencia).
En términos generales, podemos citar que las funciones típicamente pueden estar en alguna
de estas tres categorías:
1) Función linear, donde la actividad de output es proporcional al peso total del output.
2) Gatillo, donde el output es establecido a uno de dos niveles, dependiendo de cuál input
total es mayor que otro, o menor que otro, dependiendo del valor del gatillo.
3) Función sigmoidea, donde el output varía permanentemente pero no en forma linear como
los cambios del input. Presenta una similitud considerable con las neuronas reales.(14)(15)
(16)17)
En medicina, existen algunas aplicaciones relativamente recientes ampliamente usadas
todavía que tienen como objetivo fundamental el de servir de apoyo al trabajo del médico en
determinadas circunstancias, y entre las cuales podemos señalar las siguientes:
1. Asistente basado en casos para la clínica psiquiátrica.
2. Sistema basado en casos para el procesamiento de imágenes de tomografía axial

24. computarizada y resonancia magnética, de tumores cerebrales.
3. Sistema asistente para el manejo de pacientes en unidades de cuidados intensivos
4. Asistente basado en casos para el diagnóstico y análisis del síndrome di mórfico.).
5. Sistema de razonamiento automatizado para el diagnóstico y pronóstico del cáncer de
próstata.
6. Sistema para la evaluación inicial de pacientes con SIDA.
7. Sistema basado en casos que utiliza una red neuronal artificial para el diagnóstico del
infarto agudo de miocardio.
8. Sistema de RBC para el pronóstico de cardiopatías congénitas en recién nacidos.).
9. Sistema basado en casos para el cálculo de la dosis de antibióticos en cuidados
intensivos.
10.Sistema de RBC para la detección de la enfermedad coronaria por escintigramas
coronarios
OTRAS APLICACIONES:
CAEMF Dedicado al diagnóstico y seguimiento ante parto del estado materno-fetal)
SUTIL Aborda el problema de la monitorización inteligente en una unidad de cuidados
coronarios y resuelve algunos problemas importantes relacionados con los sistemas expertos
en tiempo real)
MEEDTOL Es una herramienta para el desarrollo de sistemas expertos que incluye un
procedimiento propio para la representación del conocimiento mediante "magnitudes
generalizadas", una especie de micro marcos)
TAO Consejero de terapia oncológica que incorpora el conocimiento estratégico necesario
para la inclusión de enfermos en protocolos de quimioterapia y para el seguimiento del efecto
del protocolo)
TAO-MEEDTOOL Sistema experto para ecocardiografía. (1)(3)
Como ejemplo de otros programas se encuentran, el programa Eliza, que simula el
comportamiento de un psiquiatra que hace preguntas a un paciente, y el programa Parry, que
simula el comportamiento de un paciente paranoico. Ambos tienen una gran capacidad de
convencimiento, sin embargo no tienen idea de lo que dicen. Estos programas se limitan a
reconocer palabras claves dentro de la frase tecleada por la persona, y tomando en cuenta
algunas reglas sintácticas definidas con anterioridad, generan una respuesta adecuada. Por
lo que carecen de inteligencia, pues en realidad ignoran lo que hacen.
Hasta aquí, hemos tratado el tema de la IA así como también sus aplicaciones recientes en

25. medicina. En nuestro país se han logrado resultados prometedores en la elaboración de
programas de computación de RBC orientados fundamentalmente al diagnóstico médico.
Como ejemplo de lo anterior podemos mencionar al Sistema Inteligente de selección de
Información (SISI), (16) elaborado en la Universidad Central de las Villas en 1996.Esperamos
que con el proyecto ya en marcha de informatización de la sociedad, estos programas sean
incorporados cada vez más al trabajo médico, no con el objeto de sustituirlo y sí como
instrumento de apoyo al personal de la salud
JUEGOS
La mayoría de los juegos de mesa y una gran cantidad de problemas informáticos pueden
resolverse
Mediante una adecuada modelización en estados y aplicar un algoritmo de búsqueda entre
estos estados.
Para acotar el problema, pensemos en un juego de tablero de 2 jugadores, por ejemplo, las
tres en raya,las damas, el ajedrez, el othello, etc. ¿Cómo podría programarse un juego de
este tipo?:
Bien, en primer lugar, un tablero es una estructura de datos de tipo matriz donde cada
elemento puede ser ocupado por el jugador 1, ocupado por el jugador 2, ó vacío (en juegos
como el ajedrez donde cada jugador tiene diferentes fichas habría que completar el enfoque).
Una partida es una secuencia de estados por los que pasa un tablero. Ahora veamos cómo
debería actuar nuestro sistema inteligente para ganarnos
en una partida.
• Una primera aproximación podría ser tener todas las posibles partidas en memoria y
aplicar solo los movimientos que han llevado a partidas victoriosas.
• Otro enfoque sería actuar en cada turno, teniendo en cuenta ciertas reglas estáticas
(ej: ciertos if). Un ejemplo de reglas en las tres en raya puede ser: si tengo dos fichas
alineadas entonces ocupa el último lugar vacío y gana la partida, si el oponente tiene 2
fichas alineadas ocupa el lugar vacío y evita la victoria del oponente, en cualquier otro
caso mueve de manera aleatoria.
• En general, para este tipo de juegos se utiliza la estrategia minimax que imita el
comportamiento humano de examinar por anticipado un cierto número de jugadas,
explorando el grafo de tableros quese generarían tras un movimiento dado. En este
enfoque existe una función de evaluación que da un valor a cada posible movimiento.
Para ilustrar la implementación de estos enfoques recomiendo instalar el paquete tictactoe

26. que
Implementa las 3 en raya con 2 niveles de dificultad easy (implementa reglas tontas) y hard
(implementa
minimax).
VISIÓN ARTIFICIAL
Hasta ahora los agentes usaban formas sensoriales demasiado limitadas. La Visión por
Computador, es uno de los campos más extensos de la I.A ya que influyen muchos aspectos.
La Visión para los humanos no es ningún problema, pero para las máquinas es un campo
muy complicado. Influyen Texturas, Luminosidad, Sombras, Objetos Complejos, etc. El
primer paso es captar la imagen mediante una cámara de TV. Las imágenes a color tienen
una matriz I(x,y,t); donde x y y nos indican la ubicación de un punto en la matriz de colores y
t, nos indica el tiempo.
Este proceso obtiene una imagen invertida, pero simplemente rotarla no nos dará la visión
del terreno. Influyen muchos elementos haciendo a este proceso complicado.
En la actualidad, algunos Robots emiten una señal y la reciben generando bajo esto una
especie de espacio, esta forma de “ver” es muy rústica, pero se sigue usando ya que
desafortunadamente es imposible lograr una reconstrucción de la imagen capturada. Y
aunque así fuera, las computadoras no podrían distinguir un objeto de juguete y uno real. Lo
peor es que los modelos que existen tratan de resolver esto de forma muy complicada. Al
proceso de captar imágenes podemos dividirlo en: Bajo Nivel, Nivel Medio y Alto Nivel. El
primero se encarga de suavizar y quitar ruido a la imagen y de extraer características de la
imagen bidimensional, en particular de las aristas, el segundo se encarga de agrupar estas
aristas para formar imágenes bidimensionales y la tercera de usar estas imágenes para
reconocer objetos del mundo real. Generalmente las imágenes captadas por los robots son
suficientes para sus propósitos
ROBOTICA
Es uno de los campos de aplicación más apasionantes de la I.A; los Robots son agentes
físicos que realizan tareas mediante la manipulación física del mundo; por ser agentes y
realizar su trabajo en forma autónoma, se excluyen a los robots que son controlados por un
operario humano, como son los que hacen tareas de rutina, ya que la I.A busca robots con
sistemas autónomos. La palabra Robot, proviene de la voz eslovaca Robota, que significa
Trabajador Forzado. En realidad esta rama comenzó como una historia de Ciencia Ficción,
pero interesó mucho a los desarrolladores de I.A. Los primeros Robots, solo podían seguir

27. una línea blanca pintada en el suelo. En la actualidad este campo a avanzado
tremendamente.
Clases:
• Robots Manipuladores: Son brazos robóticos que están fijos en un lugar de trabajo y
se usan generalmente para ensamblar piezas, aunque también hay brazos usados
para ayudar en hospitales o incluso brazos que pintan lienzos con resultados muy
originales.
• Robots Móviles: Se desplazan por el medio usando ruedas, piernas u otros. Hay 3
variantes: ULV (Vehículo Terrestre sin Tripulación, en inglés), son robots que permiten
un desplazamiento autónomo por autopistas. UAV (Vehículo Aéreo sin Tripulación, en
Inglés), son robots que permiten operaciones de fumigación autónoma, así como de
vigilancia o militares. AUV (Vehículo Submarino sin Tripulación), son robots que
permiten exploraciones marinas autónomas o incluso paseos planetarios.
• Robots Humanoides: Son un tipo de Robots que se asemejan al torso humano. Esta
clase usa sus efectores mejor que los otros tipos, pero son mucho mas complejas que
los otros robots.
Hardware Robótico:
• Sensores: Hay 2 clases, los Sensores Pasivos, que solo recogen información del
medio, su desventaja es que su margen de error es alto, y los Sensores Activos, que
emiten energía al medio y la reciben para usarla para las mediciones. Su única
desventaja es que a más se implementen en un robot, mayor es el riesgo de
interferencia. Su ventaja es que su margen de error es mínimo. Existen algunos que
merecen ser mencionados:
o Escáneres de Rango: Miden la distancia.
o Sistemas Táctiles: Sensores sensibles al tacto.
o GPS: Calculan la posición absoluta del robot en la tierra.
o Sensores de Imagen: Permiten obtener imágenes y procesarlas.
o Sensores Perceptores: Informan al robot de su propio estado.
o Decodificadores de Ejes: Permiten medir las revoluciones de los motores para
usarlas en mediciones, en odometría. Este proceso es muy propenso a error
debido a desgaste físico.
o Sensores Inerciales: Una alternativa al decodificador de ejes, pero no soluciona
mucho.

28. Sensores de Fuerza y Tensión: Le indican al robot con cuanta fuerza está
cogiendo algo y con cuanta fuerza lo está girando.
• Efectores: Existen varias clases:
o Articuladores de Revolución: Generan movimiento rotacional.
o Articulación Prismática: Genera desplazamiento lateral
LA ROBÓTICA PLANETARIA
• La Robótica y los Programas de Tecnología de Exploración desarrollando los robots
para satisfacer los requisitos planeados y habilitar las nuevas capacidades para
explorar las superficies planetarias: explorando los sitios de desembarco potenciales y
áreas de interés científico, poniendo la ciencia instrumental, y recogiendo las muestras
para el análisis y el posible retorno a la Tierra. Estos robots requieren altos niveles de
autonomía, incluso la habilidad de realizar navegación local, identifican áreas de
interés científico potencial, regulando los recursos a bordo, y actividades de
exploración todos controlados con la tierra, para la intervención del control. Ellos
deben ser de bajo costo y miniaturización para satisfacer el volumen.
o
Tecnología desarrollada para los vagabundos planetarios habilita las opciones
tecnológicas para otros esfuerzos como - el planeta pequeño - la exploración del
cuerpo
humano.
Se han demostrado las aplicaciones exitosas en Marte, misión Pathfinder
estado desarrollándose activamente las misiones Vagabundo futuras.
y han
INDUSTRIA NUCLEAR.
Por sus especiales características, el sector nuclear es uno de los más susceptibles de
utilizar robots de diseño especifico. Entre las diversas aplicaciones se han escogido aquí, por
su especial relevancia, las relativas a las operaciones de mantenimiento en zonas
contaminadas y de manipulación de residuos.
Inspección de los tubos del generador de vapor en un reactor nuclear.
Las operaciones de inspección y mantenimiento de las zonas mas contaminadas de una
central nuclear de producción de energía eléctrica son por su naturaleza largas y costosas.
De realizarlas manualmente, el tiempo de exposición de los operadores a la radiación es un
factor critico que, junto con el elevado coste que supone una interrupción temporal del

29. funcionamiento del sistema en cuestión, justifica sin lugar a dudas la utilización de sistemas
robotizados, normalmente teleoperados, total o parcialmente, que sustituyan al operador.
En el generador de vapor se produce el intercambio de calor entre el fluido primario y
secundario. Para ello, dentro de la vasija del generador, se encuentran dispuestas en forma
matricial los tubos por los que circula el fluido receptor del calor.
El inevitable desgaste de estos tubos obliga a realizar periódicamente labores de inspección,
para que en el caso de que alguno se encuentre dañado inutilizarlo, poniendo en
funcionamiento alguno de los tubos de reserva que a tal fin se han dispuesto en el generador.
Para realizar esta labor de manera automática puede utilizarse un robot de desarrollo
especifico que, introducido en la vasija, posicione una sonda de inspección en la boca de
cada tubo. Esta, empujada por el interior del tubo, proporcionara información sobre el estado
mismo.
Es preciso considerar que el robot se introduce en la vasija mediante un sistema mecánico
que, junto con los posibles errores en la disposición matricial de los tubos, obliga a que el
robot trabaje, bien con ayuda de teleoperación, o bien con sistemas sensoriales externos
como visión láser, que proporcionen la posición real relativa entre el extremo del robot y los
tubos.
Robots Nucleares.
Manipulación de residuos radioactivos.
La industria nuclear genera una cantidad considerable de residuos radioactivos de baja
contaminación (vestimentas, envases de plástico, papel, etc.) o de alta contaminación (restos
de las células del reactor, materiales en contacto directo prolongado con las zonas
radioactivas, etc.). La forma tamaño y peso de estos desechos es variable y su manipulación
tiene por objeto final su envase de contenedores especiales, que son posteriormente
transportados
y
almacenados
(lo
que
origina
una
nueva
problemática).

30. Para manipular remotamente estos residuos se hace uso tanto de manipuladores con unión
mecánica y seguimiento directo del proceso por parte del operador a través de un cristal (en
caso de baja contaminación), como con sistemas con mando remoto por radio o cable en el
caso de contaminación elevada. Estos manipuladores permiten la flexibilidad necesaria para
manipular
elementos
de
peso
variable
y
forma
no
definida.
Además, es preciso considerara la importancia que tiene la optimización del espacio ocupado
por los residuos en su almacenamiento, por lo que antes de su envasado en los
contenedores puede ser preciso fragmentarlos.
CONSTRUCCIÓN.
El sector de la construcción es, en la mayoría de los países industrializados, uno de los que
moviliza mayor numero de recursos económicos y humanos. No es pues de extrañar que
desde hace algo mas de una década se estén desarrollando gran numero de sistemas
robotizados, orientados a automatizar en lo posible algunas de las múltiples labores que
entran a formar parte de los procesos constructivos.
En este tipo de aplicaciones de la robótica, como en otros muchos, es Japón el país que
cuenta con mayor numero de sistemas en funcionamiento. En algunos casos se trata de
robots parcialmente teleoperados, construidos a partir de maquinaria convencional (grúas,
excavadoras, etc.). En otros es maquinaria específicamente construida para resolver un
proceso concreto.
Si se analizan las condiciones existentes para la robotización de la construcción se llega
entre otras a las siguientes conclusiones:
• Las condiciones de trabajo son complejas.
• Los robots deben tener capacidad de locomoción y cierto grado de inteligencia.
• Deben manejar piezas pesadas y de grandes dimensiones.
• Las operaciones a realizar son complejas, variadas y poco repetitivas.

31. • Los robots deben ser fácilmente transportables a la obra.
Con estos condicionantes, las posibles tareas robotizables dentro de la construcción de
edificios (comerciales, industriales o residenciales) podrían agruparse en:
Operaciones de colocación de elementos.
• Construcción mediante colocación repetitiva de estructuras básicas (ladrillos, Bloques,
etc.).
• Posicionamiento de piezas, normalmente grandes y pesadas (vigas, etc.).
• Unión de diferentes piezas que componen una estructura (soldadura, remaches, etc.).
• Sellado de las uniones entre diferentes piezas.
Operaciones de tratamiento de superficies.
• Acabado de superficies (pulido, etc.).
• Recubrimiento de superficies con pintura, barniz, etc.
• Extensión de material sobre la superficie (cemento, espuma aislante, etc.).
Operaciones de rellenado.
• Vertido de cemento u hormigón en encofrados.
• Excavación para la preparación de terrenos y movimiento de tierras.
• Rellenado con tierra de volúmenes vacíos.
GUERRA
El campo de la robótica y la programación sofisticada IA se están utilizando para
desarrollar robots que puedan ser una amenaza importante para la humanidad. Por ejemplo,
uno de los robots que se utiliza para la protección de las fronteras de la nación es controlado
por control remoto. Estos robots avanzados están diseñados para activar alarmas basadas
en ciertas circunstancias programada cuando la intervención de los militares que sean
necesarias. Por ejemplo, el robot tiene una entrada de audio y proporciona información
acerca de si se trata de un humano o un animal en la frontera. Sin embargo, estos robots
trabajan de forma independiente para largos periodos de tiempo y puede fallar en el caso que
ninguno de los casos el trabajo programado y dejar que el enemigo cruza la frontera.
Además, los robots letales se han desarrollado en algunos países en los que un soldado
puede desencadenar múltiples aéreas, así como los ataques por tierra!
Los expertos creen que aunque los robots pueden ser muy útiles para automatizar
ciertas tareas, ya es hora de que nos re-examinar y fijar un límite de interrupción sobre
cuándo y cuándo no utilizar la tecnología. El objetivo principal de un robot es hacer más fácil
la vida humana, no amenazante. Por lo tanto, cualquier robot no debe ser programado con el

32. fin de hacer daño a los seres humanos
ELECTRÓNICA
Aparatos de aire acondicionado, mecanismos de atraque automático de naves espaciales,
sistemas automáticos de regulación de la cantidad de anestesia que se suministra a los
pacientes en un quirófano -aunque bajo supervisión médica, por supuesto-, sistemas que
regulan la aceleración y el frenado de los trenes de metro según el número de pasajeros que
viajen o sistemas de concesión -o denegación- automática de créditos según el perfil
económico del solicitante son otras de las muchísimas aplicaciones de la lógica difusa, que
ya están funcionando en el campo de los llamados sistemas expertos. Todos estos sistemas
utilizan información, esencialmente, imprecisa con el fin de lograr sus cometidos.
La lógica difusa está teniendo, por lo tanto, bastante éxito en su utilización sobre los sistemas
de control, aplicación que ya podría considerarse como rutinaria. Sin embargo, los
investigadores buscan nuevos campos de aplicación de esta técnica. Hasta el momento, la
lógica difusa se está utilizando más como un conjunto de recetas dispersas de resultado
empírico probado, que como aplicación de una teoría bien desarrollada. Por ello, los
matemáticos investigan la formalización matemática de la lógica difusa, con el propósito de
encontrar muchos más campos de aplicación en el conjunto de las actividades humanas. Se
investiga en áreas como el reconocimiento de patrones visuales o la identificación de
segmentos de ADN, por mencionar dos ejemplos.
INDUSTRIA PETROLERA
Las Redes Neuronales se han utilizado para predecir o medir virtualmente las características
de la formación tales como porosidad, permeabilidad y saturación de fluido a partir de
registros convencionales de pozos. También consta en la literatura que las Redes
Neuronales tienen el potencial de ser utilizado como un instrumento de análisis para la
generación de imágenes de resonancia magnética sintéticas a partir de los registros de
pozos convencionales. Hay muchas más aplicaciones de las Redes Neuronales en la
industria de petróleo y gas. Incluyen aplicaciones al desarrollo de campos, flujo bifásico en
tuberías, la identificación de modelos en la interpretación de pruebas de pozos, análisis de
terminaciones, la predicción del daño de formación, predicción de la permeabilidad, y en
yacimientos fracturados.
Esta herramienta se desarrolló teniendo en cuenta que en ingeniería se presentan problemas
de gran complejidad, los cuales requieren de un manejo matemático dispendioso y que en
muchos casos no se obtienen los mejores resultados, usando los métodos tradicionales.

33. Además se ha demostrado, algunas veces, que la aplicación de nuevas tecnologías permite
optimizar los procesos industriales.
Ramas de la IA
Robótica
La robótica es la ciencia y la tecnología de los robots. Se ocupa del diseño, manufactura y
aplicaciones de los robots. La robótica combina diversas disciplinas como son: la mecánica,
la electrónica, la informática, la inteligencia artificial y la ingeniería de control.3 Otras áreas
importantes en robótica son el álgebra, los autómatas programables y las máquinas de
estados.
sistemas de visión
Un sistema de visión es un conjunto de elementos que permiten obtener imágenes del
entorno, procesarlas y tomar ciertas decisiones basadas en la evaluación de la imagen(es)
adquirida(as).
procesamiento de lenguaje natural
El Procesamiento de Lenguajes Naturales —abreviado PLN, o NLP del idioma
inglés Natural Language Processing— es una subdisciplina de la Inteligencia
Artificial y la rama ingenieril de la lingüística computacional. El PLN se ocupa de la
formulación e investigación de mecanismos eficaces computacional mente para la
comunicación entre personas o entre personas y máquinas por medio
de lenguajes naturales. El PLN no trata de la comunicación por medio de
lenguajes naturales de una forma abstracta, sino de diseñar mecanismos para
comunicarse que sean eficaces computacional mente —que se puedan realizar
por medio de programas que ejecuten o simulen la comunicación—. Los modelos
aplicados se enfocan no sólo a la comprensión del lenguaje de por sí, sino a
aspectos generales cognitivos humanos y a la organización de la memoria. El
lenguaje natural sirve sólo de medio para estudiar estos fenómenos.
Sistemas de aprendizaje
El Aprendizaje Automático o Aprendizaje de Máquinas es una rama de
la Inteligencia Artificial cuyo objetivo es desarrollar técnicas que permitan a las
computadoras aprender. De forma más concreta, se trata de crear programas
capaces de generalizar comportamientos a partir de una información no
estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de
inducción del conocimiento. En muchas ocasiones el campo de actuación del

34. Aprendizaje Automático se solapa con el de la Estadística, ya que las dos
disciplinas se basan en el análisis de datos. Sin embargo, el Aprendizaje
Automático se centra más en el estudio de la Complejidad Computacional de los
problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la
investigación realizada en Aprendizaje Automático está enfocada al diseño de
soluciones factibles a esos problemas. El Aprendizaje Automático puede ser visto
como un intento de automatizar algunas partes del Método Científico mediante
métodos matemáticos.
El Aprendizaje Automático tiene una amplia gama de aplicaciones, incluyendo
motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de
tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de
ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica
Redes neuronales:
Las redes de neuronas artificiales (denominadas habitualmente como RNA o
en inglés como: "ANN"1 ) son un paradigma de aprendizajey procesamiento
automático inspirado en la forma en que funciona el sistema nervioso de los
animales. Se trata de un sistema de interconexión de neuronas en una red que
colabora para producir un estímulo de salida. En inteligencia artificial es frecuente
referirse a ellas como redes de neuronas o redes neuronales.
Agentes inteligentes
Un agente inteligente, es una entidad capaz de percibir su entorno, procesar tales
percepciones y responder o actuar en su entorno de manera racional, es decir, de
manera correcta y tendiendo a maximizar un resultado esperado.
En este contexto la racionalidad es la característica que posee una elección de ser
correcta, más específicamente, de tender a maximizar un resultado esperado.
Este concepto de racionalidad es más general y por ello más adecuado
que inteligencia (la cual sugiere entendimiento) para describir el comportamiento
de los agentes inteligentes. Por este motivo es mayor el consenso en llamarlos
agentes racionales.
Un agente inteligente puede ser una entidad física o virtual. Si bien el término
agente racional se refiere a agentes artificiales en el campo de la Inteligencia
Artificial, también puede considerarse agentes racionales a los animales incluido
el hombre.

35. Los agentes inteligentes se describen esquemáticamente como un sistema
funcional abstracto. Por esta razón, los agentes inteligentes son a veces llamado
Agentes Inteligentes Abstractos (AIA) para distinguirlos de sus implementaciones
del mundo real como sistemas informáticos, los sistemas biológicos, o de
organizaciones. Algunas definiciones de agentes inteligentes hacen énfasis en su
autonomía por lo que prefieren el término agente inteligente autónomo. Y otros
(en particular, Russell y Norvig (2003)) considera conducta dirigida a objetivos
como la esencia de lo inteligente y prefieren un término tomado de la economía
"Agente Racional".
En Ciencias de la Computación el término agente inteligente puede ser usado
para referirse a un agente de software que tiene algo de inteligencia,
independientemente de si no es un agente racional por definición de Russell y
Norvig. Por ejemplo, programas autónomos utilizados para asistencia de un
operador o de minería de datos (a veces denominado robots) son también
llamados "agentes inteligentes".
Entre otras
Conclusión
La inteligencia artificial es un tema que viene desde tiempo atrás, pero pues es algo que
apenas en este siglo ha venido tomando la importancia que necesita, debido a que cada ves
avanza mas y que mas de miles de utilidades, las cuales día a día se están innovando y
buscando nuevas herramientas. La mejor manera de decir que es inteligencia artificial es
definiéndola como una disciplina que se encarga de construir procesos que al ser ejecutados
sobre una arquitectura física producen acciones o resultados que maximizan una medida de
rendimiento determinada.

36. Referencias.
http://es.wikipedia.org/wiki/Inteligencia_artificial
http://www.monografias.com/trabajos16/la-inteligencia-artificial/la-inteligencia-artificial.shtml
http://www.lsi.upc.edu/~bejar/ia/ia.html
http://www.smia.org.mx/
Mauricio Ordoñez. Inteligencia Artificial. En:
http://www.tuobra.unam.mx/publicadas/020821090354.html. [Consulta: 2008, 10 de
noviembre].
“Metodología de Programación I. Sistemas Expertos”. En:
http://www.uv.mx/aguerra/teaching/pl-06/clase09.pdf. [Consulta: 2008, 28 de octubre].
“¿Que es un Sistema Experto?“. En:
http://cibernetica.wordpress.com/2007/03/09/%C2%BFque-es-un-sistema-experto/.
[Consulta: 2008, 20 de octubre].
Ricardo Colmenares. A.I. Inteligencia artificial Ciencia kubrickiana. En:
http://centros5.pntic.mec.es/ies.victoria.kent/Rincon-C/Alumnos/al-12/al-12.htm. [Consulta:
2008, 31 de octubre].
“Una introducción a los sistemas Expertos”. En:
http://www.fcyt.umss.edu.bo/docentes/269/publicacion/IntSE.pdf. . [Consulta: 2008, 20 de
octubre].
Jairo Amaya Amaya, (2003)Sistemas de información, Universidad Santo Tomás, Colombia,
1ra edición
Harmon Paul, KIng David,(1988) Sistemas Expertos, Ediciones Diaz de Santos. México 1ra
edición