INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

MÓDULO 1: FUNDAMENTOS DE LA INTELIGENCIA ARTIFICIAL

1.1 INTRODUCCIÓN

Muchas de las actividades mentales humanas, tales como escribir programas de cómputo,
demostrar teoremas, razonar con sentido común y aún conducir un vehículo, normalmente se dice que
requieren “inteligencia”. Durante las décadas pasadas se ha logrado construir programas que pueden
realizar tareas como esas. Existen programas que pueden diagnosticar enfermedades, resolver
ecuaciones diferenciales en forma simbólica, analizar circuitos electrónicos, entender en forma
limitada frases habladas y escritas o escribir programas de cómputo cumpliendo especificaciones. Se
puede decir que tales sistemas poseen cierto grado de Inteligencia Artificial (IA).

En sus orígenes, la construcción de estos sistemas fue, en gran medida, experimental, con una
orientación ingenieril. Sin embargo los objetivos y las expectativas que despertó, tanto en los
protagonistas como en la comunidad científica, excedieron largamente los resultados obtenidos. Tal es
así que, a mediados del siglo pasado, (solo pocos años después que estuviera en funcionamiento la
primera computadora electrónica a válvulas) existían destacados científicos en el área de la IA que
hacían afirmaciones temerarias como la siguiente:

Sin afán de sorprenderlos y dejarlos atónitos, debo informarles lisa y llanamente que
actualmente en el mundo existen máquinas capaces de pensar, aprender y crear. Además, su
capacidad para hacer lo anterior aumentará rápidamente hasta que –en un futuro previsible- la
magnitud de problemas que tendrán capacidad de manejar irá a la par con la capacidad de la mente
humana para hacer lo mismo. (Herbert Simon, 1957, Premio Nobel de economia,1978, por sus
trabajos en la Teoría de las decisiones).

¿Pero cuales son tales máquinas maravillosas que son capaces de realizar las funciones más
elevadas del cerebro humano?

¿Qué es una computadora? ¿Es sólo una fábrica de números?

1 Tiene uno o más dispositivos de Entrada (teclado, ...)

2 Tiene uno o más dispositivos de salida (pantalla, ...)
3 Dispositivo de memoria (Ram, ...)
4 Una unidad aritmética
5 Una unidad de control
6 Un programa (instrucción de ruptura de secuencia)

Con esta “sencilla” máquina descripta por John V. Neumann (Principio de construcción del
ordenador) y con el auxilio de algunos mecanismos conocidos desde la época de la triada Sócrates-
Platón-Aristóteles (Ética a Nicómano) 400 años AC tales como los silogismos o el Modus Ponens que
permiten garantizar la veracidad de ciertas afirmaciones se pretendía resolver todo tipo de problemas,
como lo hace una persona.

Introducción a la Inteligencia Artificial - 2010 1

 Pero, ¿es posible que las computadoras piensen?

• No, si uno define el pensamiento como una peculiar actividad del cerebro humano.

Cualquier comportamiento similar en una computadora debería designarse como

comportamiento “similar” al pensamiento.
• No, si uno define al pensamiento como algo inescrutable, misterioso o mítico.
• Sí, si uno admite que la pregunta debe ser contestada por experimentación y observación

Los dos NO son dogmáticos, el SI es empírico y práctico y es explorado por Alan Turing.

El Test de Turing (Computing Machinery and Intelligence,1950) para establecer si una máquina es o
no inteligente consiste en interrogarla por medio de una teletipo (sin contacto físico). El evaluador no
debe poder discernir si el que responde es una máquina o una persona.

Este planteo puede ser descripto en términos del llamado “Juego de la Imitación” que traslada
el peso de la respuesta desde la esencia (ser o no ser) a la apariencia (como si).

Se puede decir que la IA nace antes que la primera computadora electrónica como la rama de
las ciencias de la computación que se ocupa de construir sistemas que permitan exhibir un
comportamiento cada vez más inteligente, o que observado en un ser humano pueda ser calificado
como inteligente (Feigenbaum)

Algunas definiciones.

1- Hacer que las máquinas hagan cosas que requerirían inteligencia si fueran hechas por el hombre.
M. Minsky
2- Intentar hacer las computadoras más útiles y entender los principios que hacen posible la
inteligencia. Winston
3- Entender y estudiar científicamente los procesos comunes que subyacen en el pensar y el percibir
ya sea en el hombre como en la máquina. N. Nilsson
4- Es la parte de la ciencia de la computación que investiga los proceso de razonamiento simbólicos y
no algorítmicos y la representación de conocimiento simbólica para su uso en máquinas
inteligentes. Buchanan – Feigenbaum

Las definiciones anteriores de inteligencia son recursivas, siguen empleando la palabra

inteligencia, que etimológicamente deriva de la voz latina “legere” que significa recolectar y por lo
tanto elegir lo que sirve y separarlo de lo que no sirve, “intellegere” significa elegir entre varias cosas
potencialmente útiles y quedarnos con la mejor.

Inteligencia sería entonces la capacidad de discernir, discriminar, evaluar pero a medida que el
conocimiento humano se fue ampliando, el concepto de inteligencia fue abarcando cada vez mayor
cantidad de facetas del comportamiento no automático o repetitivo, cada vez mas asociado a la
resolución de problemas, al aprendizaje y al proceso creativo.

Muy Pronto los métodos que demostraban funcionar en ejemplos sencillos, fallaban en
problemas de mayor dificultad.

Lograban resultados gracias a manipulaciones sencillas, por ejemplo Eliza de Weizenbaum

(1965) manipulaba sintácticamente las oraciones que el mismo “interlocutor” le proporcionaba.

Introducción a la Inteligencia Artificial - 2010 2

 El General Problem Solver (GPS, 1972, Human Problem Solving, Newels and Simon, 1960)
implementa el “mean and end analysis” (análisis de medios y fines) que clasifica a las cosas por
función. Entonces dado un objetivo se pueden encontrar sub objetivos y así siguiendo se puede llegar a
la solución cuando los sub objetivos son los medios disponibles para la solución del problema. Aunque
útil, quedan huecos cuando no hay acción para obtener lo que se desea o existen varias.

Al comienzo se pensó que la traducción automática de textos se lograría con un buen

diccionario, sencillas transformaciones sintácticas y siguiendo las reglas gramaticales de ambos
idiomas. Pero los fracasos no tardaron en convertirse en célebres como la retraducción del inglés al
ruso de la frase “The sprit is willing but the flesh is weak” (El espíritu es fuerte pero la carne es débil)
cuyo resultado nuevamente en ingles fue “The vodka is good but the meat is rotten” (El Vodka está
bueno pero la carne está podrida).

La intratabilidad de algunos problemas aún sencillos y muy bien definidos como el Travelling
Salesman Problem (TSP, el problema del viajante de comercio), que con problemas de micromundos y
pocas reglas funcionaban, pero con unos pocos nodos la solución podía tardar años en encontrarse.
Con la teoría de la completitud NP (Karpp 1972), la explosión combinatoria ( a.10n) del espacio de
soluciones se afianzó como una barrera física para la “brute force” y las esperanzas de que el avance
de la técnica micro electrónica resolvería el problema con la construcción de una batería de súper
computadoras en paralelo.

En 1963 McCarthy logró un algoritmo completo para la demostración de teoremas para la

lógica de primer orden apoyándose en el método de “resolución” descubierto por Róbinson, pero la
indecidibilidad de la lógica de primer orden (teoría de la incompletitud , Gödel 1931), al predecir que
existen aseveraciones verdaderas en las que no es posible decidir la validez mediante ningún
algoritmo, las demostraciones automáticas dependen de la “suerte”, que cuando es mala, el tiempo
puede ser indefinido (infinito).

A estos primeros métodos se los llamó “débiles” porque tenían poca información específica y
por medio de pasos elementales se pretendía llegar a soluciones importantes, a pesar de sus objetivos,
los resultados eran pobres.

Así alrededor de los 70 se plantea un nuevo enfoque, se construyeron sistemas basados en el

conocimiento (KBS Knowledge Based Systems). Reunían mucha información de un dominio
específico, donde hubiera un experto que pudiera indicar como manipular la información disponible
por medio de reglas simples del tipo “si A – entonces B”. A estos sistemas se los llamó “Sistemas
Expertos” en la pretensión de simular el comportamiento de un experto humano, en un área muy
técnica y específica. Se construyeron sistemas (Dendral) para determinar la estructura molecular de
compuestos orgánicos a partir de la información de un espectrógrafo de masas, otros como Mycin para
la determinación de infecciones en sangre, que tenía incorporado un calculo de incertidumbre
denominado factores de certeza. En cambio Prospector fue diseñado para colaborar con la localización
de yacimientos de Molibdeno.

Para poder operar con el conocimiento es necesario representarlo y poder hacer un modelo del
mundo sobre el cual se quieren hacer inferencias. Surgen así distintos métodos de representación del
conocimiento en forma simbólica, como la lógica de primer orden, los frames (marcos o planillas), las
redes semánticas, los objetos, etc. Lenguajes que puedan operar con estos paradigmas de
representación como Lisp y Prolog, Smalltalk, y shells especiales.

Hoy se puede hablar de varios tipos de inteligencia. Pero para las ciencias de la computación se
presupone “inteligente” como sinónimo de “racional”, no importando que sea o parezca.

Introducción a la Inteligencia Artificial - 2010 3

 Esta definición evasiva relega a la IA a la frontera de las ciencias de la computación, todo
sistema de cómputo que en sus orígenes pudo ser considerado inteligente, al cabo de cierto tiempo deja
de serlo como lo demuestran innumerables ejemplos de sistemas como el Fortran, Traductores
Automáticos, Programación orientada a objetos, Administración automática de memoria, Listas
enlazadas, Tiempo compartido, Entornos de programación gráficos, Intérpretes interactivos, etc.

Actualmente los desarrollos se apoyan en teorías más rigurosas, en lugar de plantear soluciones
intuitivas en la esperanza de que por error, azar o magia el resultado sea mejor que el “programa”.

Introducción a la Inteligencia Artificial - 2010 4

 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