Aplicaciones Modernas de Inteligencia Artificial - Dr. Gerardo Reyes Salgado

1
INTELIGENCIA ARTIFICIAL Y
APRENDIZAJE AUTOMÁTICO
Dr. Gerardo Reyes Salgado

INTELIGENCIA ARTIFICIAL
Web: www.cenidet.edu.mx
- IEEE PERÚ - NOVIEMBRE 09 IA
2
SOBRE EL EXPOSITOR
Doctor en Ciencias Cognitivas por el Instituto Nacional Politécnico de
Grenoble, Francia (2001).
Maestro en Ciencias Computacionales por el CENIDET, México (1995) .
Ingeniero Civil por el Instituto Tecnológico de Zacatepec, México (1983).
Miembro del Sistema Nacional de Investigadores desde 2002.
Desde 1985 ha sido profesor en los niveles de bachillerato, licenciatura y
actualmente de maestría y doctorado.
Profesor honorario de la Universidad Rey Juan Carlos de España.
Ha publicado varios artículos en congresos nacionales e internacionales y
en revistas especializadas.
Invitado como ponente a varios eventos nacionales e internacionales.
Actualmente trabaja como investigador en el grupo Inteligencia Artificial
del CENIDET, donde dirige un proyecto en el cual se estudian los procesos
de aprendizaje automático, bajo la perspectiva de los sistemas híbridos. En
este proyecto se encuentra dirigiendo tesis de maestría y doctorado.
Subdirector Académico del CENIDET.
DVP del IEEE para Latinoamérica.
INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

3
PLAN DE LA PRESENTACIÓN
1. El aprendizaje en los seres humanos y en

los sistemas artificiales .
2. Áreas de la Inteligencia Artificial (I.A.).
3. Aplicaciones de la I.A.
4. Tendencias de la I.A.
5. Aprendizaje automático.
6. Conclusiones.

4
TEMA 1
EL APRENDIZAJE EN LOS SERES
HUMANOS Y EN LOS SISTEMAS
ARTIFICIALES

5
INTELIGENCIA
HUMANA
Facultad de comprender, de conocer. Aptitud de
establecer relaciones entre las percepciones
sensoriales o para abstraer y asociar conceptos.
ARTIFICIAL (I.A.)
Campo de estudio que se enfoca a la explicación y
emulación de la conducta inteligente en función de
procesos computacionales.
Consiste en programar computadoras para que hagan

tareas que actualmente son hechas mejor por los seres
humanos, tales como el aprendizaje perceptual, toma
de decisiones, razonamiento, etc.
6
DOS VISIONES DE LA I.A.

¿Para que una entidad sea considerada inteligente basta
con que se comporte inteligentemente, o además, debe
razonar de forma inteligente?
1. Desarrollar una tecnología capaz de suministrar a la

computadora capacidades de razonamiento similares a
las de la inteligencia humana (Resultados en la
utilidad y no en el método).
2. Investigar los mecanismos de la inteligencia humana

para utilizar a la computadora como herramienta de
simulación para la validación de teorías (Enfoque de
las ciencias cognitivas: descubrir en qué consiste la
inteligencia).
7
QUÉ ESPERAMOS DE UN
SISTEMA INTELIGENTE
Una computadora “inteligente” debería ser capaz de
realizar algunas funciones “inteligentes” tales como:
1. Procesar lenguaje natural.

2. Percibir el mundo.
3. Adquirir conocimientos.
4. Aprender .
5. Razonar de manera automática.
6. Interacturar con el mundo físico.

8
VEAMOS ALGUNOS
EJEMPLOS DE SISTEMAS QUE
APRENDEN . . .
VIDEOS
Torneo de robots futbolistas
El robot QRIO

9
UNA GRAN PREGUNTA. . .
QUÉ ES EL
APRENDIZAJE

10
EL APRENDIZAJE EN LA PSICOLOGÍA
"Es la modificación habitual y relativamente

permanente en algún aspecto de la conducta
observable, que ocurre como resultado de
experiencias adquiridas”
- Caminar
Instinto - Volar Cuando hay un
o propósito, SI es
- Nadar
madurez
aprendizaje
biológica - Comer, etc.

11
EL APRENDIZAJE EN LAS CIENCIAS COGNITIVAS

"El aprendizaje es a la vez la construcción del saber y del saber-
hacer. El aprendizaje requiere de las capacidades de memoria
para estabilizarse, pero para su utilización en situaciones
diferentes requiere de flexibilidad y adaptación"
- Psicología cognitiva
- Didáctica y ciencias de la educación
- Psicología animal
- Neurociencias
Disciplinas
- Neuropediatría
implicadas
- Psicopatología del niño
- Historia y antropología
- Inteligencia Artificial

12
EL APRENDIZAJE EN LA I.A.
"Cualquier cambio deliberado o dirigido en la

estructura del conocimiento de un sistema que
permite posteriormente desarrollar mejor
alguna tarea”

13
ORIGEN DEL APRENDIZAJE EN HUMANOS Y

SISTEMAS ARTIFICIALES
1. Habilidades genéticamente Conjunto de

heredadas procedimientos o
2. Información proporcionada una base de datos
Caminos
3. Evaluación por parte de una
para
segunda persona
aprender Aprendizaje
4. Experiencia u observación automático
5. Analogía

14
TEMA 2
ÁREAS DE LA INTELIGENCIA
ARTIFICIAL (I.A.)

15
1. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN)
Manejo del lenguaje natural para poder establecer una

comunicación satisfactoria.

16
APLICACIONES DEL PLN
Ayuda en la preparación de textos (guiones,

ortografía,sintaxis)
Búsqueda de documentos
Minería de textos
Interfaces en lenguaje natural
Traducción automática
Procesamiento de voz
Generación de texto
Reconocimiento del hablA

17
2. RECONOCIMIENTO DE PATRONES VISUALES
La visión por computadora tiene como finalidad la

reproducción artificial del sentido de la vista.
Una de sus áreas de

aplicación es el
procesamiento de una
escena para su
percepción autónoma
por una computadora.

18
Base de conocimientos
RECONOCIMIENTO
Clase 1
Vector de
características
Imagen de entrada
(X1,1, X1,2, . . . X1,n)
Clasificador
Clase 2
(X2,1, X2,2, . . . X2,n)
Clase 3 •
•
(X1, X2, . . . Xn) •
(Xm,1, Xm,2, . . . Xm,n)

19
3. REPRESENTACIÓN Y ADQUISICIÓN DE CONOCIMIENTOS
4,3
A B
C 4,0 0,3
D
E
1,3
0,3 1,0
(Xm,1, Xm,2, . . .Xm,n)

20
4. APRENDIZAJE AUTOMÁTICO
Aprendizaje :
Prueba y error
Por experiencia
Mediante árboles de
identificación
Redes neuronales
Evolución simulada

21
5. RAZONAMIENTO AUTOMÁTICO
• Cómo pueden razonar las máquinas para tomar

decisiones de forma "inteligente“ ?
PROBLEMA
Heurística
Algoritmo
I.A. SI !!
NO !!

22
6. ROBÓTICA
La robótica da a la IA el medio para exhibir al mundo real
la “inteligencia” necesaria para manipular su medio ambiente.
La robótica da a la mente artificial, un cuerpo.

23
TEMA 3
APLICACIONES DE LA I.A.

24
APLICACIONES
Procesamiento de imágenes aéreas y de satélites.
Análisis de imágenes médicas.
Reconstrucciones tridimensionales.
Visión industrial para el ensamblado e inspección
de productos.

25
MÁS APLICACIONES
Identificación de personas.
Construcciones inteligentes.
Interfaces inteligentes.
Exploración (minera, petrolera, etc. ).

Diagnóstico de fallas (sistemas
eléctricos, plantas nucleares, etc.).
Programación automática.
Transportación.
Enseñanza, simulación.
Juegos.
Cine.

26
TEMA 4
TENDENCIAS DE LA I.A.

27
TENDENCIAS DE LA IA
Prueba de Turing
Deep blue (ajedrez ‘97).
Copa mundial de robots
(Robocup).
Aplicaciones de
procesamiento en paralelo.
Knowbots.
Web inteligentes.
Recuperación de
información.
Vehículos autónomos.

28
MÁS TENDENCIAS DE LA IA
Vida artificial (Alife) : pretende
reproducir el comportamiento de los seres
vivos, para :
Entender, analizar el fenómeno de
la vida.
Iniciar
Iniciar con reglas de producción y
estudiar comportamientos.
Esfuerzos colaborativos comunitarios.

Alto impacto.
Progreso en corto tiempo.

29
TEMA 5
APRENDIZAJE
AUTOMÁTICO ARTIFICIAL

30
DOS TEORíAS EN TORNO A LOS

PROCESOS MENTALES
Enfoque Simbólico Enfoque Conexionista
La mente es La mente es
un gran una gran red
manipulador de neuronas
de símbolos al trabajando en
igual que una paralelo
computadora

31
CARACTERÍSTICAS DEL ENFOQUE

SIMBÓLICO
El enfoque simbólico supone
la capacidad de categorizar y
de describir fragmentos del
mundo continuo que nos
rodea en entidades separadas,
estructuradas entre ellas
mediante relaciones lógicas

32
ALGUNOS MÉTODOS DE REPRESENTACIÓN

SIMBÓLICA
CIELO P= 9
N= 5
Árboles de
Soleado Lluvioso
Cubierto decisión
P= 2 P= 3
HUMEDAD N= 3 VIENTO N= 2
Normal Alta P Si No Reglas SI x es una imagen Y

P=4
N P
simbólicas x contiene pista(s) Y
P N
P= 2 N= 3
N= 2 P= 3
x contiene aviones Y
x contiene edificios(s) Y
(algunos) aviones apuntan al(los)
edificio(s),
ENTONCES x es una imagen de un
aeropuerto comercial.
Problema similar
Problema
Razonamiento
Solucion adaptada basado en casos
Solucion

33
¿CÓMO OBTENER CONOCIMIENTO SIMBÓLICO A PARTIR DE ESTA BASE

DE EJEMPLOS?
No Estatura IQ Peso A.Ment. Resist Veloc. Clase
1 168 150 58 8 6 4 ajedrecista
2 176 148 62 9 7 5 ajedrecista
3 180 110 98 6 6 9 futbolista
4 188 115 104 7 5 9 futbolista
5 192 100 85 5 9 5 basquetbolista
9 168 150 58 8 6 4 ajedrecista
10 180 110 98 6 6 9 futbolista
11 184 120 100 6 4 8 futbolista
12 188 115 104 7 5 9 futbolista
17 160 150 58 8 6 4 ajedrecista
18 166 145 67 9 5 6 ajedrecista
19 167 148 62 9 7 5 ajedrecista
20 179 110 98 6 6 9 futbolista
22 170 150 58 8 6 4 ajedrecista
23 169 145 67 9 5 6 ajedrecista
24 173 148 62 9 7 5 ajedrecista
25 182 110 98 6 6 9 futbolista
26 186 120 100 6 4 8 futbolista
27 182 115 104 7 5 9 futbolista

34
EJEMPLOS DE SISTEMAS QUE GENERAN REPRESENTACIONES

No Estatura IQ
SIMBÓLICAS
Peso A.Ment. Resist Veloc. Clase
RESISTENCIA
A=9
B = 13
F=9
1 168 150 58 8 6 4 ajedrecista
2 176 148 62 9 7 5 ajedrecista >7 <= 7
3 180 110 98 6 6 9 futbolista
4 188 115 104 7 5 9 futbolista
5 192 100 85 5 9 5 basquetbolista A=9
6 196 120 97 6 8 4 basquetbolista PESO F=9
7 200 105 94 4 8 6 basquetbolista B
9 168 150 58 8 6 4 ajedrecista <= 67 > 67
13
SEE5 A
9
F
9
(Construye árboles de
decisión o reglas a
partir de datos
numéricos)
SI x es una imagen Y
x contiene pista(s) Y
x contiene aviones Y
x contiene edificios(s) Y
S.E.
(algunos) aviones apuntan al(los)
edificio(s),
ENTONCES x es una imagen de un EXSYS
aeropuerto comercial.
(Construye sistemas
expertos a partir de
reglas)

35
SEE5: CONSTRUCCIÓN DE ÁRBOL DE DECISIÓN

O REGLAS
A=9
RESISTENCIA B = 13
F=9
>7 <= 7
A=9
PESO F=9
B
13 <= 67 > 67
A F
9 9
IF (Peso <= 67) THEN Clase = Ajedrecista

IF (Peso > 67) AND (Resistencia <= 7) THEN Clase = Futbolista
IF (Resistencia > 7) THEN Clase = Basquetbolista

36
CARACTERÍSTICAS DEL ENFOQUE

CONEXIONISTA

37
LA RED NEURONAL BIOLÓGICA: UNA

COMPUTADORA HUMANA QUE APRENDE

38
UNA NEURONA BIOLÓGICA EN DETALLE

39
UNA NEURONA ARTIFICIAL EN DETALLE

Salida (Axón y sinapsis
hacia otras unidades)
Función de activación
(Regulación de la salida)
Fct
(Net)
i
Net = Σ Wi . Xi+Biais
N
Activación (Suma el
conjunto de entradas y sus
pesos asociados)
Pesos sinápticos (Efecto

w w .. w de inhibición o excitación
sobre la activación de las
1 2 N señales de entrada)
. Entradas (Dendritas)
X1 X2 .. XN

40
UNA RED NEURONAL ARTIFICIAL

En las redes neuronales (o conexionistas), los conocimientos son
representados por las ligas entre las unidades (neuronas artificiales) y
sus pesos sinápticos asociados
capa de Unidad j
salida Pesoij
capa Unidad i
oculta
capa de
entrada

41
APRENDIZAJE CONEXIONISTA
El aprendizaje es un proceso gradual e iterativo, donde los
pesos de la RNA son modificados según una regla de
aprendizaje antes de alcanzar sus valores finales.
Detener
cuando el
error global
< error
aceptado
1 2 4 2 5 1 1
1 2 4 2 5 1 1
2 2 4 2 5 1 2
1 0 2 2 2 1 2
3 2 6 2 25 2 1
1 0 4 2 1 1 2
4 4 18 5 2 3 1

42
EJEMPLO: UNA RNA QUE APRENDE A

CLASIFICAR
solución
X Y Clase A A A A
A
1 1 A A A A
B B A
A
2 1 A Clase B A A A
B A
-3 -1 B A
B A A
-2 -3 B B
B A
A A
A B A
4 2 A B
0 0 B wi w w wn B B A B A B A
3 3 A B B B
-1 -3 B B B
B B
B B
... ... ... B B B
X Y B
B A

43
EJEMPLO DE No
1
Estatura
168
IQ
150
Peso A.Ment. Resist Veloc.
58 8 6
Clase
4 ajedrecista
SISTEMA 2
3
4
176
180
188
148
110
115
62
98
104
9
6
7
7
6
5
5 ajedrecista
9 futbolista
9 futbolista
CONEXIONISTA 5
6
192
196
100
120
85
97
5
6
9
8
5 basquetbolista
4 basquetbolista
QUE APRENDE 8
9
204
168
120
150
100
58
6
8
9
6
4 basquetbolista
4 ajedrecista
10 180 110 98 6 6 9 futbolista
11 184 120 100 6 4 8 futbolista
12 188 115 104 7 5 9 futbolista
BRAINMAKER 13
14
15
192
196
200
100
120
105
85
97
94
5
6
4
9
8
8
5 basquetbolista
4 basquetbolista
6 basquetbolista
(Aprende a reconocer o clasificar 17
18
160
166
150
145
58
67
8
9
6
5
4 ajedrecista
6 ajedrecista
objetos a partir de datos 19 167 148 62 9 7 5 ajedrecista
numéricos) 20 179 110 98 6 6 9 futbolista
22 170 150 58 8 6 4 ajedrecista
Ajedrecista = 1 23
24
169
173
145
148
67
62
9
9
5
7
6 ajedrecista
5 ajedrecista
25 182 110 98 6 6 9 futbolista
26 186 120 100 6 4 8 futbolista
Futbolista = 2 27 182 115 104 7 5 9 futbolista
Basquetbolista = 3 30
31
204
200
105
120
94
100
4
6
8
9
6 basquetbolista
4 basquetbolista

44
TEMA 6
CONCLUSIONES

45
CONCLUSIONES
¿Cómo es posible que un diminuto y lento cerebro tenga
capacidad para percibir, comprender, predecir y manipular un
mundo que en tamaño y complejidad lo excede a creces?
La IA es una ciencia nueva con mucho camino y con pasos

prometedores.
La predicción de futuras aplicaciones son inimaginables.
La IA trata de imitar aspectos de la vida natural (reproducir

funciones y comportamientos) no de dar vida.

46
GRACIAS !!!
Cenidet:
www.cenidet.edu.mx
Email - Dr. Gerardo Reyes :

greyes@cenidet.edu.mx

Aplicaciones Modernas de Inteligencia Artificial - Dr. Gerardo Reyes Salgado

Diunggah oleh

Informasi Dokumen

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Aplicaciones Modernas de Inteligencia Artificial - Dr. Gerardo Reyes Salgado

Diunggah oleh

Hak Cipta:

Format Tersedia

1

Dr. Gerardo Reyes Salgado

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

1. El aprendizaje en los seres humanos y en

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

Consiste en programar computadoras para que hagan

DOS VISIONES DE LA I.A.

1. Desarrollar una tecnología capaz de suministrar a la

2. Investigar los mecanismos de la inteligencia humana

1. Procesar lenguaje natural.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

UNA GRAN PREGUNTA. . .

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

"Es la modificación habitual y relativamente

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

EL APRENDIZAJE EN LAS CIENCIAS COGNITIVAS

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

"Cualquier cambio deliberado o dirigido en la

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

ORIGEN DEL APRENDIZAJE EN HUMANOS Y

1. Habilidades genéticamente Conjunto de

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

1. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN)

Manejo del lenguaje natural para poder establecer una

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

APLICACIONES DEL PLN

Ayuda en la preparación de textos (guiones,

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

2. RECONOCIMIENTO DE PATRONES VISUALES

La visión por computadora tiene como finalidad la

Una de sus áreas de

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

(X2,1, X2,2, . . . X2,n)

(Xm,1, Xm,2, . . . Xm,n)

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

3. REPRESENTACIÓN Y ADQUISICIÓN DE CONOCIMIENTOS

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

• Cómo pueden razonar las máquinas para tomar

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

Exploración (minera, petrolera, etc. ).

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

Esfuerzos colaborativos comunitarios.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

DOS TEORíAS EN TORNO A LOS

Enfoque Simbólico Enfoque Conexionista

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

CARACTERÍSTICAS DEL ENFOQUE

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

ALGUNOS MÉTODOS DE REPRESENTACIÓN

Normal Alta P Si No Reglas SI x es una imagen Y

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

¿CÓMO OBTENER CONOCIMIENTO SIMBÓLICO A PARTIR DE ESTA BASE

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA

EJEMPLOS DE SISTEMAS QUE GENERAN REPRESENTACIONES