Explorando la Inteligencia Artificial: Conceptos Clave y Fundamentos

¿Qué es la Inteligencia?

La inteligencia es la capacidad de aprender, comprender y adaptarse con facilidad, el intelecto, lo intelectual.

Inteligencia Artificial (IA)

EMI (Inteligencia de Máquina): Aprendizaje automático de la máquina simbólica, los procedimientos de simulación en máquinas inteligentes.

IdM (Inteligencia de la Máquina): Estructura de la inteligencia intrínseca de una máquina a otra, la responsabilidad de coordinar su comportamiento y sus interacciones con el ambiente externo, y pueden ser estudiados matemáticamente.

Procesos Inteligentes en Seres Humanos

Los procesos mentales, la memoria, la actividad motora, la actividad sensorial.

Fundamentos de la IA

Psicológicos: Simulación de los procesos mentales.

Lógica: Formalismo lógico.

Neurociencia: Simulación de la arquitectura del cerebro.

Otras disciplinas: Filosofía, matemáticas, economía, ingeniería informática, lingüística, cibernética.

Enfoques de la IA

Estructuralismo: La estructura de la máquina debe contener los principios del comportamiento humano (redes neuronales).

Conductista: No hay inteligencia en la simulación de la máquina de la conducta humana. (Más utilizados)

Funcionalismo: Cuanto mayor es la adaptación del sistema al usuario, mayor será la inteligencia.

Diferencias entre la IA Tradicional y la Computadora Convencional

Técnicas de IA

Una técnica de IA es un método que explota el conocimiento, encarnado de tal manera que: las generalizaciones captura de ser entendido por la gente, ser modificado para corregir errores, se puede utilizar en muchas situaciones.

Prueba de Turing

Un interrogador le pedirá las dos entidades ocultas, se hace indirectamente, el interrogador se intentará, a través de un extenso diálogo entre él y las dos entidades decidir cuál de las dos entidades es el ser humano. Si al final, el interrogador no puede distinguir entre las entidades, entonces se deduce que la computadora puede pensar, de acuerdo con la prueba de Turing.

Sistemas Inteligentes

Tradicionales: Base de datos, programas gráficos, programas de cálculo, procesadores de texto.

No tradicionales: La manipulación de símbolos, el conocimiento de valores, la adquisición de conocimientos, toma de decisiones, gestión del conocimiento experto.

Naturaleza y Tipos de Conocimiento Humano

• Elemento puro: Medida en un caso particular.
• Información: Análisis de los datos, la interpretación de un conjunto de datos.
• Conocimiento: Capacidad de crear un modelo mental que describe el objeto e indicar las acciones a implementar.
• Conocimiento declarativo: Hechos descriptivos y genéricos, y los acontecimientos («qué»).
• Conocimiento procedimental: Preceptivo y difícil de expresar y explicar (el «cómo»).
• Conocimiento de sentido común: La combinación de procedimientos declarativos («el juicio de derecho y equivocado»).
• Conocimiento heurístico: Única para cada individuo, no se puede obtener de cualquier fuente, consiste en la evaluación sistemática y el uso de reglas heurísticas.

Análisis

Análisis lógico: Sobre la base de datos de los informes, entrevistas y otros medios electromecánicos.

Análisis heurístico: Datos basados en la heurística o intuitivo.

Capacidades de los Sistemas Inteligentes (SIs)

Las SIs usan el conocimiento para realizar tareas o resolver problemas. Tienen la capacidad de hacer inferencias y asociaciones para trabajar con problemas complejos que se asemejan a los problemas reales. Almacenan y recuperan grandes cantidades de información de manera eficiente. Conectan nuevos pensamientos y nuevas ideas de forma lineal. Se adaptan o modifican el comportamiento basado en la racionalidad, al mismo tiempo emplean diversas técnicas en una situación dada. El comportamiento inteligente es el resultado de múltiples decisiones encadenadas. La elección de la decisión o de control de la decisión se basa en criterios de rendimiento, la duración y el riesgo. El control de la decisión es el proceso por el cual las soluciones de un problema y la toma de decisiones se ordenan, sincronizada, interconectado y dirigido a proporcionar el comportamiento de un sistema orientado a objetos.

Agentes de Solución de Problemas

Los agentes reactivos no trabajan en entornos en los que el número de reglas de condición-acción es demasiado grande para almacenar. Un agente con varias opciones inmediatas puede decidir qué hacer comparando diferentes secuencias de acciones posibles. Formular el objetivo que buscan → Ejecutar →

Espacio de Estados

El espacio de estados es el conjunto de todos los estados accesibles a partir de un estado. Los estados accesibles son los dados por el espacio de la función del Estado sucesora. Puede ser un gráfico en el que los nodos son los estados y los arcos son acciones.

Estrategias de Búsqueda

Las estrategias de búsqueda se definen por la elección del orden de la expansión de los nodos. Son evaluados de acuerdo con los criterios de:

• Exhaustividad: El algoritmo siempre encuentra una solución si es que existe.
• Complejidad Tiempo: Número de nodos generados.
• Complejidad del espacio: El número máximo de nodos en la memoria.
• Optimización: La estrategia es la solución óptima.

El tiempo y la complejidad del espacio se mide en términos de:

• b: Factor máximo de ramificación del árbol.
• d: Profundidad de la meta menos profunda.
• m: La longitud máxima de cualquier ruta en el espacio de estados.

Búsqueda en el Espacio de Estados

La búsqueda en el espacio de estados caracteriza a la solución de un problema como un proceso de búsqueda de una solución pionera de un estado inicial a la meta, está representado por un tribunal [N, A, s,] donde:

• N: Conjunto de nodos o estados de la gráfica. Corresponden a los estados de un proceso de solución del problema.
• A: Conjunto de arcos de un grafo. Que corresponden a los pasos a seguir.
• S: Subconjunto no vacío de N, que contiene los estados iniciales del problema.
• DO: Subconjunto no vacío de N, que contiene los estados objetivo del problema.

Estrategias de Búsqueda de Datos

Búsqueda Espacio de Estado impulsado por datos: El algoritmo comienza con los datos así como una serie de movimientos válidos para el cambio de los Estados; La búsqueda continúa por la aplicación de normas a los hechos para producir nuevos hechos, que se utilizan para generar más hechos nuevo; Este proceso continúa hasta que se genera un camino que satisfaga los objetivos de condición objetiva.

Búsqueda guiada por la meta: Se da un gol en el problema, o se puede definir con facilidad, hay un gran número de reglas que se aplican a los hechos, lo que produce un número creciente de conclusiones o metas; En un demostrador de teoremas matemáticos, el número total de reglas que se utilizan para producir un teorema dado es generalmente mucho menor que el número de reglas que se utilizan, los datos del problema no se da, sino que debe ser comprado por el sistema para resolver el problema, un programa en el diagnóstico médico, una variedad de pruebas de diagnóstico puede ser aplicado. Los médicos hacen sólo lo que se necesita para confirmar o desmentir una hipótesis en particular.

Búsqueda guiada por datos: Todos los datos se proporcionan en la formulación inicial del problema, hay un gran número de objetivos potenciales, pero hay algunas maneras diferentes de utilizar los hechos y la información proporcionada en un hecho particular, es difícil formular una hipótesis.

Variables de Aplicación

LE: Lista de los Estados.

LNE: Lista de los nuevos Estados.

BSS: Dead End.

Si el estado actual S no cumple con los requisitos de la descripción de los objetivos, a continuación, generar su primer descendiente S1; Este proceso continúa hasta que en algún descendiente de un niño es el nodo objetivo, si no hay ningún nodo hijo a llevar a la meta, y luego volver el fracaso de su padre, donde se aplica la regresión.