Alumno: Guzmán Solano Elías Edmundo Materia: Inteligencia Artificial
No. De control: 13320890 Horario: 0800: - 09:00 Hrs.
PARADIGMAS DE LA INTELIGENCIA ARTIFICIAL Inteligencia Artificial Simbólica (IAS) La IA simbólica o clásica, fue la primera aproximación que se utilizó para incorporar conocimientos y raciocinio en los computadores. Este tipo de aproximación se basa en los preceptos de la Lógica Clásica que fueron enunciados hace más de 2000 años por Aristóteles. Las aplicaciones de la IAS corresponden a aplicaciones donde el ambiente es conocido y existe precisión en los datos. Esta aproximación ha tenido muchos éxitos, fundamentalmente con los llamados Sistemas Expertos. Es el nombre colectivo para todos los métodos de investigación de la inteligencia artificial que se basan en representaciones de alto nivel "simbólico" de los problemas, la lógica matemática y la búsqueda A simbólica fue el paradigma dominante de la investigación en IA desde mediados de los cincuenta hasta finales de los años ochenta. Después, se introdujeron enfoques sub-simbólicos más recientes a la IA, basado en redes neuronales, estadística, optimización numérica y otras técnicas. La IA simbólica se sigue aplicando en algunos dominios más pequeños (como la representación del conocimiento), pero la mayoría de las aplicaciones de IA en el siglo XXI no emplean símbolos legibles como sus objetos primarios. John Haugeland dio el nombre GOFAI (por sus siglas en inglés, Good OldFashioned Artificial Intelligence) a la IA simbólica en su libro de 1985 Inteligencia Artificial: La Idea Pura, que exploró las implicaciones filosóficas de la investigación de la inteligencia artificial. En robótica el término análogo es GOFAIR (por sus siglas en inglés, "Good Old-Fashioned Robotics"). Este enfoque se basa en la suposición de que muchos aspectos de la inteligencia se pueden lograr mediante la manipulación de símbolos, un supuesto definido como la "hipótesis de sistemas de símbolos físicos" por Allen Newell y Herbert A. Simon a mediados de los años 60’s.
Alumno: Guzmán Solano Elías Edmundo Materia: Inteligencia Artificial
No. De control: 13320890 Horario: 0800: - 09:00 Hrs.
Inteligencia Artificial Conexionista (IAC) La IAC se inspira en la estructura neuronal del cerebro para implementar sistemas con capacidad de reconocer patrones, clasificar, aprender, etc. A partir de la interconexión de unidades elementales, llamadas neuronas, se obtienen las llamadas Redes Neuronales Artificiales (RNA), las que presentan un comportamiento emergente. La IAC se aplica en situaciones donde existe imprecisión, principalmente desde el punto de vista del raciocinio (o sea, no se conoce con exactitud cómo se resuelve el problema). El principio central del conexionismo es que los fenómenos mentales pueden ser descritos por redes de unidades sencillas y frecuentemente iguales que se interconectan. La forma de las conexiones y de las unidades varía de un modelo a otro. Por ejemplo, las unidades de la red podrían representar neuronas y las conexiones podrían representar sinapsis. Otro modelo podría hacer cada unidad de la red una palabra, y cada conexión una indicación de similitud semántica. Las bases de las ideas conexionistas se pueden remontar a finales del siglo XIX, cuando Santiago Ramón y Cajal estableció las bases para los estudios de redes neuronales, cuando describió la estructura de las neuronas y su forma de interconexión. 2 Más tarde, en 1949, Donald Hebb propuso su postulado de aprendizaje según el cual la conexión entre dos neuronas se hará más fuerte si se disparan al mismo tiempo. Pero no fue hasta la década de 1980 cuando el conexionismo se convirtió en un punto de vista popular entre los científicos.
Inteligencia Artificial Evolutiva (IAE) Esta surgió al final de los años 60, cuando se comenzó a estudiar la incorporación de mecanismos de selección natural para la solución de problemas. Como resultado se crearon una serie de algoritmos que, basados en la Teoría de la Evolución de Charles Darwin, conducen una búsqueda estocástica de la solución de un problema, haciendo evolucionar a un conjunto de estructuras y seleccionando de modo repetido, las más adecuadas. La computación evolutiva (en adelante CE) es una de las ramas de la Inteligencia Artificial que se aplica para la resolución de problemas de optimización combinatoria. La CE está inspirada en los mecanismos de evolución biológica propuestos por Darwin, Medel y Lamark. Sin entrar mucho en detalle sobre los estudios que hicieron estos científicos, solo vamos a mencionar brevemente lo que propusieron. Darwin propuso la “Selección natural de los más adaptados “, Medel propuso la “Teoría corpuscular de la herencia” y Lamark propuso la “Herencia de caracteres adquiridos “.
Alumno: Guzmán Solano Elías Edmundo Materia: Inteligencia Artificial
No. De control: 13320890 Horario: 0800: - 09:00 Hrs.
Entre los principales aspectos a considerar en el diseño de algoritmos evolutivos se encuentran los siguientes:
La elección de una codificación (representación de las variables del problema en el algoritmo evolutivo) tiene un gran efecto en el tamaño del Espacio de búsqueda y por ende, en el tiempo y dificultad de resolución.
La función de desempeño (fitness function), la cual considera en la función objetivo o función de la cual se desea obtener el valor óptimo.
Los algoritmos evolutivos poseen diversos parámetros los cuales deben ser cuidadosamente elegidos para obtener un buen desempeño y evitar problemas tales como la Convergencia prematura.
Inteligencia Artificial Distribuida (IAD ) La IAD es una subrama de la IA que se centra en la resolución de problemas mediante aplicación tanto de técnicas de la Inteligencia Artificial como de múltiples solucionadores de sistemas. Se involucran además mínimo dos agentes que funcionarían como solucionadores de problemas, estos agentes serían autónomos o semi-autónomos, tendrían un cierto conocimiento del problema y serían razonables. aparece en la década de los 80's como una nueva rama de la IA, estudia sistemas inteligentes formados por un conjunto de varios agentes, intenta resolver problemas donde una conducta colectiva es más eficiente que una conducta individual. Cuando propuestas centralizadas para solucionar problemas mediante la IA se muestran insuficientes ante la aparición de múltiples agentes en un entorno social, En los problemas esencialmente distribuidos. En la integración de los sistemas de IA para mejorar la capacidad mediante la distribución del conocimiento. La principal diferencia entre ambas áreas estriba en la flexibilidad de la coordinación entre los agentes. En la SCPD, las interacciones y tareas que cada agente realiza, están prefijadas de antemano: hay un plan centralizado de resolución de problemas. Suele haber un miembro que ejerce un control global que centraliza los resultados parciales y datos entre el resto de los componentes del sistema. En contraposición en los SMA, los agentes tienen un grado de autonomía mayor y pueden decidir dinámicamente que interacciones son adecuadas, que tareas deben realizar, quien realiza cada tarea y, además, es posible mantener conocimiento que no es globalmente consistente, incluso los agentes pueden mantener objetivos globales diferentes.