Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 19 vistas

    Apuntes Fundamentos IA-5

    Cargado por

    John Ascona
    El documento describe cómo varias técnicas han permitido avances en inteligencia artificial, incluyendo redes neuronales, algoritmos genéticos, modelos de Markov ocultos, lógica difusa y procesamiento de imágenes. También discute cómo los programas no siempre funcionan exactamente como se les dice y pueden exhibir comportamientos inesperados, y cómo la computación evolutiva explota esto para encontrar soluciones a problemas. Finalmente, señala que debido a la complejidad del mundo, los programas heurísticos deben buscar soluciones de man

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Apuntes Fundamentos IA-5

    Cargado por

    John Ascona
    19 vistas1 página
    El documento describe cómo varias técnicas han permitido avances en inteligencia artificial, incluyendo redes neuronales, algoritmos genéticos, modelos de Markov ocultos, lógica difusa y procesamiento de imágenes. También discute cómo los programas no siempre funcionan exactamente como se les dice y pueden exhibir comportamientos inesperados, y cómo la computación evolutiva explota esto para encontrar soluciones a problemas. Finalmente, señala que debido a la complejidad del mundo, los programas heurísticos deben buscar soluciones de man

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    El documento describe cómo varias técnicas han permitido avances en inteligencia artificial, incluyendo redes neuronales, algoritmos genéticos, modelos de Markov ocultos, lógica difusa y procesamiento de imágenes. También discute cómo los programas no siempre funcionan exactamente como se les dice y pueden exhibir comportamientos inesperados, y cómo la computación evolutiva explota esto para encontrar soluciones a problemas. Finalmente, señala que debido a la complejidad del mundo, los programas heurísticos deben buscar soluciones de man

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    19 vistas1 página

    Apuntes Fundamentos IA-5

    Cargado por

    John Ascona
    El documento describe cómo varias técnicas han permitido avances en inteligencia artificial, incluyendo redes neuronales, algoritmos genéticos, modelos de Markov ocultos, lógica difusa y procesamiento de imágenes. También discute cómo los programas no siempre funcionan exactamente como se les dice y pueden exhibir comportamientos inesperados, y cómo la computación evolutiva explota esto para encontrar soluciones a problemas. Finalmente, señala que debido a la complejidad del mundo, los programas heurísticos deben buscar soluciones de man

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    Está en la página 1de 1

    Físicos como Hopfield (1982) aplicaron técnicas de mecánica estadística y técnicas de

    aprendizaje como el algoritmo de “backpropagation”. Así permitieron un resurgimiento de las Redes


    Neuronales. La teoría de la evolución de Darwin y la demostración del teorema de “Schema” hacen
    que los Algoritmos Genéticos y los Programas Evolutivos sean una disciplina con sólidas bases. La
    teoría de modelos doblemente estocástcos de Markov (HMM Hidden Markov Model) aplicada al
    reconocimiento de voz permitió por primera vez la construcción de sistemas comerciales de lenguaje
    natural, con alto grado de eficiencia. El establecimiento formal de lógicas multivaluadas como la
    Logica Difusa (Lotfi Zade), redes epistémicas (Dempster-Shefer), permite realizar sistemas de control
    difuso que operan eficientemente, aún en aplicaciones donde la planta es alineal o no hay un modelo
    ajustado. Los métodos de procesamiento de imágenes en forma digital junto con herramientas
    matemáticas como Laplacianos y la transformada de Hough, permiten sistemas la aplicación de visión
    artificial para la industria en tareas de seguridad, control de calidad, robótica móvil, etc.

    ¿Pero las computadoras hacen exactamente lo que se les ha dicho que hagan y NADA MÁS?

    Este juicio es intuitivamente obvio, indudablemente cierto, pero no apoya ninguna de las
    implicaciones que se derivan comúnmente de ella. Desde un punto de vista mecanicista los seres
    humanos pueden pensar, aprender, y crear gracias a su programa biológico heredado, junto a los
    cambios que ese programa produce por interacción con el ambiente. Si una computadora pensara,
    aprendiera, creara, sería en virtud de un programa que la habilitara para esas capacidades.(Simon
    1960).

    Pero es incorrecto pensar que el programador puede predecir completamente todo el


    comportamiento de su programa. La programación ha sido siempre la cruz y el tormento de los
    investigadores y expertos, costosa en tiempo y esfuerzo propensa a fallos y difícil de corregir.

    Actualmente el uso de Software en aplicaciones críticas como en la industria nuclear, es muy


    limitado, porque no se puede calcular la confiabilidad de un programa de computación, sólo se puede
    asegurar la calidad por la forma en que fue escrito y algunas pruebas no exhaustivas.

    Alguien podría pensar que así como no podemos garantizar que los programas funcionen
    exactamente para lo que fueron programados y realicen operaciones inesperadas, también por “error”
    esas cosas “inesperadas” pueden resultar más útiles o inteligentes que las esperadas. La computación
    evolutiva explota esta idea de búsqueda al azar de soluciones a problemas para los cuales no se ha
    escrito un programa específico.

    Las computadoras digitales son dispositivos universales que pueden ser clasificadas como
    “Autómatas Finitos”, pero la complejidad del mundo, aun cuando ese mundo este perfectamente
    estructurado como podría ser un juego, excede en mucho la posibilidad de explorarlo completamente
    en busca de una solución. En el ajedrez, por ejemplo, se ha estimado que explorar exhaustivamente
    todas las posibles jugadas de una partida es del orden de 10120, si consideramos que el Big Bang
    ocurrió hace 15 109 años y disponemos de computadoras que pueden calcular una jugada en 10-12 seg
    (suponiendo un clock de 1 tera hertz y 1 instrucción por jugada), desde entonces hasta ahora habría
    calculado 4,7 1031 jugadas. Entonces un programa que se comporte en forma inteligente deberá buscar
    la solución en forma muy selectiva explotando caminos prometedores y purgando ramificaciones
    estériles.

    Los programas heurísticos (regla empírica), toman ventaja de trucos para limitar drásticamente
    el espacio de búsqueda de una solución que sea suficientemente buena la mayoría de las veces.

    Introducción a la Inteligencia Artificial - 2010 5

    También podría gustarte