Inteligencia Artificial

Se denomina inteligencia artificial (IA) a la rama de las ciencias de la Computacin

dedicada al desarrollo de agentes racionales no vivos.

Para explicar la definicin anterior, entindase a un agente como cualquier cosa capaz de
percibir su entorno (recibir entradas), procesar tales percepciones y actuar en su entorno
(proporcionar salidas), y entindase a la racionalidad como una capacidad humana que
permite pensar, evaluar y actuar conforme a ciertos principios de optimidad y consistencia
, para satisfacer algn objetivo o finalidad. De acuerdo al concepto previo, racionalidad es
ms general y por ello ms adecuado que inteligencia para definir la naturaleza del
objetivo de esta disciplina.

Por lo tanto, y de manera ms especfica la inteligencia artificial es la disciplina que se
encarga de construir procesos que al ser ejecutados sobre una arquitectura fsica
producen acciones o resultados que maximizan una medida de rendimiento determinada,
basndose en la secuencia de entradas percibidas y en el conocimiento almacenado en tal
arquitectura.

Existen distintos tipos de conocimiento y medios de representacin del conocimiento, el
cual puede ser cargado en el agente por su diseador o puede ser aprendido por el mismo
agente utilizando tcnicas de aprendizaje.

Tambin se distinguen varios tipos de procesos vlidos para obtener resultados racionales,
que determinan el tipo de agente inteligente. De ms simples a ms complejos, los cinco
principales tipos de procesos son:

Ejecucin de una respuesta predeterminada por cada entrada (anlogas a actos
reflejos en seres vivos).
Bsqueda del estado requerido en el conjunto de los estados producidos por las
acciones posibles.
Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de ADN).
Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro de
animales y humanos).
Razonamiento mediante una lgica formal (anlogo al pensamiento abstracto
humano).

Tambin existen distintos tipos de percepciones y acciones, pueden ser obtenidas y
producidas, respectivamente por sensores fsicos y sensores mecnicos en mquinas,
pulsos elctricos u pticos en computadoras, tanto como por entradas y salidas de bits de
un software y su entorno software.

Inteligencia Artificial Convencional
Se conoce tambin como IA simblico-deductiva. Est basada en el anlisis formal y
estadstico del comportamiento humano ante diferentes problemas:

Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven
ciertos problemas concretos y aparte de que son muy importantes requieren de un
buen funcionamiento.
Sistemas expertos: Infieren una solucin a travs del conocimiento previo del
contexto en que se aplica y ocupa de ciertas reglas o relaciones.
Redes bayesianas: Propone soluciones mediante inferencia probabilstica.
Inteligencia artificial basada en comportamientos: que tienen autonoma y pueden
auto-regularse y controlarse para mejorar.
Smart process management: facilita la toma de decisiones complejas, proponiendo
una solucin a un determinado problema al igual que lo hara un especialista en la
actividad.

Inteligencia Artificial Computacional
La Inteligencia Computacional (tambin conocida como IA subsimblica-inductiva) implica
desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de los
parmetros en sistemas conexionistas). El aprendizaje se realiza basndose en datos
empricos.

Aplicaciones De La Inteligencia Artificial
Lingstica computacional
Minera de datos (Data Mining)
Industriales.
Mdicas
Mundos virtuales
Procesamiento de lenguaje natural (Natural Language Processing)
Robtica
Mecatrnica
Sistemas de apoyo a la decisin
Videojuegos
Prototipos informticos
Anlisis de sistemas dinmicos.
Smart Process Management

Lingu stica Computacional
La lingstica computacional es un campo multidisciplinar de la lingstica y la informtica
que utiliza la informtica para estudiar y tratar el lenguaje humano. Para lograrlo, intenta
modelar de forma lgica el lenguaje natural desde un punto de vista computacional. Dicho
modelado no se centra en ninguna de las reas de la lingstica en particular, sino que es
un campo interdisciplinar, en el que participan lingistas, informticos especializados en
inteligencia artificial, psiclogos cognoscitivos y expertos en lgica, entre otros.

Algunas de las reas de estudio de la lingstica computacional son:

Corpus lingstico asistido por ordenador.
Diseo de analizadores sintcticos (en ingls: parser), para lenguajes naturales.
Diseo de etiquetadores o lematizadores (en ingls: tagger), tales como el POS-
tagger.
Definicin de lgicas especializadas que sirvan como fuente para el Procesamiento
de Lenguajes Naturales.
Estudio de la posible relacin entre lenguajes formales y naturales.
Traduccin automtica.

Lingu stica Computacional Teo rica
Basa sus temas de trabajo en la lingstica terica y en la ciencia cognitiva. Los aportes de
la psicologa cognitiva, en especial de la psicolingstica, tambin son de especial
relevancia, y han dado como resultado la aparicin de una nueva ciencia, la
psicolingstica computacional.

Su objetivo es desarrollar teoras lingsticas computables, es decir, que puedan ser
aplicadas sutilmente a los ordenadores. Dado que las teoras formales existentes no dan
cuenta de todos los fenmenos lingsticos posibles, la lingstica computacional terica
se perfila como un incentivo para la comprensin formal de los procesos lingsticos, as
como un medio para su demostracin prctica. Esto ocurre, por ejemplo, mediante el
anlisis automtico de grandes corpus lingsticos, para investigar un fenmeno lingstico
o probar la validez de una teora.

Sin embargo, no todas las teoras lingsticas tienen la pretensin de ser aplicadas al
dominio informtico. En efecto, la lingstica cognitiva estudia las motivaciones de un
hablante determinado para expresarse, lo que naturalmente est lejos de poder ser
modelado con un ordenador.


Lingu stica Computacional Aplicada
Es una vertiente de la lingstica computacional con una evidente orientacin tecnolgica,
lo que ha provocado que con frecuencia sea referida con nombres como ingeniera
lingstica o tecnologa del lenguaje humano. Se centra en los aspectos prcticos que se
puedan derivar de la simulacin de la conducta lingstica con medios informticos.
Su objetivo es crear productos informticos que incorporen algn componente en el que
intervenga el lenguaje, oral o escrito. Entre ellos figuran:

El apoyo a los usuarios de computadores con el procesamiento de texto, por
ejemplo, correccin de errores de digitacin y ortogrficos, prueba de la correccin
gramatical, cambio en ideogramas en japons o chino.
La bsqueda automtica en pasajes de texto (bsqueda inteligente de
informacin) y, por cierto, no solo su forma, sino su significado (recuperacin de
informacin y motores de bsqueda).
El apoyo al traducir textos en otra lengua (traduccin asistida por ordenador) o
tambin la traduccin automtica.
El procesamiento del lenguaje hablado (reconocimiento del habla y sntesis de
habla), por ejemplo, en el servicio de informacin telefnico o en aparatos de
lectura para ciegos.
De la bsqueda de informacin en grande de bibliografas a la contestacin directa
de preguntas sobre la base de grandes bancos de datos (recuperacin de
informacin, minera de datos, extraccin de la informacin).
El tratamiento de datos presentes lingsticamente, por ejemplo, la indexacin de
literatura, la creacin de ndices y listas de materias, la produccin de resmenes y
abstracts.
El apoyo a los autores en la redaccin de textos, por ejemplo, en la bsqueda de la
palabra precisa o la terminologa correcta.
La interaccin de los usuarios con el computador en lenguaje natural, tal que los
computadores sean accesibles tambin a las personas que no tienen suficiente
conocimiento de las rdenes especficas (interfaces hombre-mquina).

Problemas De La Lingu stica Computacional
Algunos de los problemas que se deben resolver son:

Determinar la semntica. La misma forma de palabra puede presentar en funcin
del contexto un significado diferente (comparar homnimo). Se debe elegir el
significado pertinente al contexto. Por otro lado, se necesitan formalismos para la
representacin de los significados de las palabras.
Resolucin de la ambigedad sintctica. En algunos casos, una frase se deja
analizar e interpretar de varias formas. Elegir la correcta exige algunas veces
informacin semntica sobre el acto de habla y la intencin del hablante, pero, al
menos, conocimientos estadsticos previos sobre la co-ocurrencia (aparicin
conjunta) de las palabras.

Por ejemplo: Pedro vio a Mara con los binoculares aqu no est claro si Pedro ha visto a
Mara, la que sostiene unos binoculares en la mano, o si Pedro con la ayuda de unos
binoculares pudo ver a Mara.

Reconocer el propsito de una expresin lingstica (ver Pragmtica). Algunas
frases no deben entenderse textualmente. Por ejemplo, se espera de la pregunta
Puede darme la sal por favor? no la respuesta S o No sino en lugar de ello
que se entregue la sal.

Si y cmo estos pueden resolverse automticamente no est definido solo por el estado
de la tecnologa computacional sino que depende naturalmente mucho de las
caractersticas de la lengua. Ms an: se aspirar, por cierto, a procedimientos que sean
aplicables a todas las lenguas; sin embargo, los detalles sern elaborados separadamente
para cada una. Un programa para la separacin automtica de palabras que fuera
diseado para el ingls, no ser utilizable sin adaptacin para el alemn, porque aqu los
principios de separacin de palabras son otros. A diferencia de la informtica, la cual trata
generalmente de la programacin de computadores, el campo de aplicacin de la
lingstica computacional yace, por tanto, en la parte especfica del lenguaje de los
programas computacionales.

Una ciencia no se define solo mediante un campo de aplicacin, sino tambin mediante
un inters terico. Los computadores son autmatas, los que manipulan smbolos segn
reglas definidas. Igual como los nmeros, tambin los lenguajes son ciertamente, muy
complejos sistemas de smbolos. Resulta evidente, por consiguiente, disear programas
computacionales que simulen las operaciones que el hombre realiza con las palabras de
una lengua, al menos en parte. Se pueden probar as las hiptesis lingsticas con el
computador. La lingstica computacional es, en este sentido, una lingstica en la cual la
simulacin computacional se utiliza como medio metdico para profundizar nuestros
conocimientos sobre la lengua humana.

Al fin y al cabo, plantea este enfoque, sin duda, diversas preguntas psicolgicas y
filosficas. El computador es una mquina, la lengua es algo intelectual. Cun lejos se
pueden realizar clculos con el lenguaje? Pensarn los computadores un da o funcionar
el intelecto humano como una mquina simblica? La fascinacin de la simulacin
computacional del comportamiento de la lengua es precisamente sondear sus lmites. Un
inters de conocimiento por el cual uno se puede dedicar a la lingstica computacional es
descubrir si y como la comunicacin humana es procesable por los ordenadores y en caso
de que se encuentren lmites, cmo son stos. Son estos lmites solo prcticos o tericos
primordiales? Este conocimiento es muy importante para el lugar que nosotros queremos
ceder a los computadores en la sociedad.
Aplicaciones De La Lingu stica Computacional
Analizador sintctico
Analizador morfolgico
Analizador semntico
Alineador
Conjugador
Conversor de lenguajes
Corpus lingstico
Corrector ortogrfico
Desambiguador funcional
Flexionador
Lematizador
Motor de indexacin = Motor de indizacin

Minera De Datos
La minera de datos (DM, Data Mining) consiste en la extraccin no trivial de informacin
que reside de manera implcita en los datos. Dicha informacin era previamente
desconocida y podr resultar til para algn proceso. En otras palabras, la minera de
datos prepara, sondea y explora los datos para sacar la informacin oculta en ellos.
Bajo el nombre de minera de datos se engloba todo un conjunto de tcnicas encaminadas
a la extraccin de conocimiento procesable, implcito en las bases de datos. Est
fuertemente ligado con la supervisin de procesos industriales ya que resulta muy til
para aprovechar los datos almacenados en las bases de datos.

Las bases de la minera de datos se encuentran en la inteligencia artificial y en el anlisis
estadstico. Mediante los modelos extrados utilizando tcnicas de minera de datos se
aborda la solucin a problemas de prediccin, clasificacin y segmentacin.

Proceso De Minera De Datos
Un proceso tpico de minera de datos consta de los siguientes pasos generales:

1. Seleccin del conjunto de datos, tanto en lo que se refiere a las variables objetivo
(aquellas que se quiere predecir, calcular o inferir), como a las variables
independientes (las que sirven para hacer el clculo o proceso), como
posiblemente al muestreo de los registros disponibles.
2. Anlisis de las propiedades de los datos, en especial los histogramas, diagramas de
dispersin, presencia de valores atpicos y ausencia de datos (valores nulos).
3. Transformacin del conjunto de datos de entrada, se realizar de diversas formas
en funcin del anlisis previo, con el objetivo de prepararlo para aplicar la tcnica
de minera de datos que mejor se adapte a los datos y al problema, a este paso
tambin se le conoce como preprocesamiento de los datos.
4. Seleccionar y aplicar la tcnica de minera de datos, se construye el modelo
predictivo, de clasificacin o segmentacin.
5. Extraccin de conocimiento, mediante una tcnica de minera de datos, se obtiene
un modelo de conocimiento, que representa patrones de comportamiento
observados en los valores de las variables del problema o relaciones de asociacin
entre dichas variables. Tambin pueden usarse varias tcnicas a la vez para
generar distintos modelos, aunque generalmente cada tcnica obliga a un
preprocesado diferente de los datos.
6. Interpretacin y evaluacin de datos, una vez obtenido el modelo, se debe
proceder a su validacin comprobando que las conclusiones que arroja son vlidas
y suficientemente satisfactorias. En el caso de haber obtenido varios modelos
mediante el uso de distintas tcnicas, se deben comparar los modelos en busca de
aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los
resultados esperados, debe alterarse alguno de los pasos anteriores para generar
nuevos modelos.

Si el modelo final no superara esta evaluacin el proceso se podra repetir desde el
principio o, si el experto lo considera oportuno, a partir de cualquiera de los pasos
anteriores. Esta retroalimentacin se podr repetir cuantas veces se considere necesario
hasta obtener un modelo vlido.

Una vez validado el modelo, si resulta ser aceptable (proporciona salidas adecuadas y/o
con mrgenes de error admisibles) ste ya est listo para su explotacin. Los modelos
obtenidos por tcnicas de minera de datos se aplican incorporndolos en los sistemas de
anlisis de informacin de las organizaciones, e incluso, en los sistemas transaccionales.
En este sentido cabe destacar los esfuerzos del Data Mining Group, que est
estandarizando el lenguaje PMML (Predictive Model Markup Language), de manera que
los modelos de minera de datos sean interoperables en distintas plataformas, con
independencia del sistema con el que han sido construidos. Los principales fabricantes de
sistemas de bases de datos y programas de anlisis de la informacin hacen uso de este
estndar.

Tradicionalmente, las tcnicas de minera de datos se aplicaban sobre informacin
contenida en almacenes de datos. De hecho, muchas grandes empresas e instituciones
han creado y alimentan bases de datos especialmente diseadas para proyectos de
minera de datos en las que centralizan informacin potencialmente til de todas sus
reas de negocio. No obstante, actualmente est cobrando una importancia cada vez
mayor la minera de datos desestructurados como informacin contenida en ficheros de
texto, en Internet, etc.

Protocolo De Un Proyecto De Minera De Datos
Un proyecto de minera de datos tiene varias fases necesarias que son, esencialmente:

Comprensin del negocio y del problema que se quiere resolver.
Determinacin, obtencin y limpieza de los datos necesarios.
Creacin de modelos matemticos.
Validacin, comunicacin, etc. de los resultados obtenidos.
Integracin, si procede, de los resultados en un sistema transaccional o similar.

La relacin entre todas estas fases slo es lineal sobre el papel. En realidad, es mucho ms
compleja y esconde toda una jerarqua de subfases. A travs de la experiencia acumulada
en proyectos de minera de datos se han ido desarrollando metodologas que permiten
gestionar esta complejidad de una manera ms o menos uniforme.

Te cnicas De Minera De Datos
Como ya se ha comentado, las tcnicas de la minera de datos provienen de la Inteligencia
artificial y de la estadstica, dichas tcnicas, no son ms que algoritmos, ms o menos
sofisticados que se aplican sobre un conjunto de datos para obtener unos resultados.
Las tcnicas ms representativas son:

Redes neuronales.- Son un paradigma de aprendizaje y procesamiento automtico
inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata
de un sistema de interconexin de neuronas en una red que colabora para
producir un estmulo de salida. Algunos ejemplos de red neuronal son:
o El Perceptrn.
o El Perceptrn multicapa.
o Los Mapas Autoorganizados, tambin conocidos como redes de Kohonen.
Regresin lineal.- Es la ms utilizada para formar relaciones entre datos. Rpida y
eficaz pero insuficiente en espacios multidimensionales donde puedan
relacionarse ms de 2 variables.
rboles de decisin.- Un rbol de decisin es un modelo de prediccin utilizado en
el mbito de la inteligencia artificial, dada una base de datos se construyen estos
diagramas de construcciones lgicas, muy similares a los sistemas de prediccin
basados en reglas, que sirven para representar y categorizar una serie de
condiciones que suceden de forma sucesiva, para la resolucin de un problema.
Ejemplos:
o Algoritmo ID3.
o Algoritmo C4.5.
Modelos estadsticos.- Es una expresin simblica en forma de igualdad o ecuacin
que se emplea en todos los diseos experimentales y en la regresin para indicar
los diferentes factores que modifican la variable de respuesta.
Agrupamiento o Clustering.- Es un procedimiento de agrupacin de una serie de
vectores segn criterios habitualmente de distancia; se tratar de disponer los
vectores de entrada de forma que estn ms cercanos aquellos que tengan
caractersticas comunes. Ejemplos:
o Algoritmo K-means.
o Algoritmo K-medoids.
Segn el objetivo del anlisis de los datos, los algoritmos utilizados se clasifican en
supervisados y no supervisados (Weiss y Indurkhya, 1998):
Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto de ellos)
desconocido a priori, a partir de otros conocidos.
Algoritmos no supervisados (o del descubrimiento del conocimiento): se descubren
patrones y tendencias en los datos.

Ejemplos De Uso De La Minera De Datos
Negocios
La minera de datos puede contribuir significativamente en las aplicaciones de
administracin empresarial basada en la relacin con el cliente. En lugar de contactar con
el cliente de forma indiscriminada a travs de un centro de llamadas o enviando cartas,
slo se contactar con aquellos que se perciba que tienen una mayor probabilidad de
responder positivamente a una determinada oferta o promocin.
Por lo general, las empresas que emplean minera de datos ven rpidamente el retorno de
la inversin, pero tambin reconocen que el nmero de modelos predictivos desarrollados
puede crecer muy rpidamente.

En lugar de crear modelos para predecir qu clientes pueden cambiar, la empresa podra
construir modelos separados para cada regin y/o para cada tipo de cliente. Tambin
puede querer determinar qu clientes van a ser rentables durante una ventana de tiempo
(una quincena, un mes,...) y slo enviar las ofertas a las personas que es probable que
sean rentables. Para mantener esta cantidad de modelos, es necesario gestionar las
versiones de cada modelo y pasar a una minera de datos lo ms automatizada posible.

Minera De Datos Y Otras Disciplinas Ana logas
Suscita cierta polmica el definir las fronteras existentes entre la minera de datos y
disciplinas anlogas, como pueden serlo la estadstica, la inteligencia artificial, etc. Hay
quienes sostienen que la minera de datos no es sino estadstica envuelta en una jerga de
negocios que la conviertan en un producto vendible. Otros, en cambio, encuentran en ella
una serie de problemas y mtodos especficos que la hacen distinta de otras disciplinas.
El hecho es, que en la prctica la totalidad de los modelos y algoritmos de uso general en
minera de datos redes neuronales, rboles de regresin y clasificacin, modelos
logsticos, anlisis de componentes principales, etc. gozan de una tradicin relativamente
larga en otros campos.

De La Estadstica
Ciertamente, la minera de datos bebe de la estadstica, de la que toma las siguientes
tcnicas:

Anlisis de varianza, mediante el cual se evala la existencia de diferencias
significativas entre las medias de una o ms variables continas en poblaciones
distintas.
Regresin: define la relacin entre una o ms variables y un conjunto de variables
predictoras de las primeras.
Prueba chi-cuadrado: por medio de la cual se realiza el contraste la hiptesis de
dependencia entre variables.
Anlisis de agrupamiento o clustering: permite la clasificacin de una poblacin de
individuos caracterizados por mltiples atributos (binarios, cualitativos o
cuantitativos) en un nmero determinado de grupos, con base en las semejanzas o
diferencias de los individuos.
Anlisis discriminante: permite la clasificacin de individuos en grupos que
previamente se han establecido, permite encontrar la regla de clasificacin de los
elementos de estos grupos, y por tanto una mejor identificacin de cules son las
variables que definan la pertenencia al grupo.
Series de tiempo: permite el estudio de la evolucin de una variable a travs del
tiempo para poder realizar predicciones, a partir de ese conocimiento y bajo el
supuesto de que no van a producirse cambios estructurales.

De La Informa tica
De la informtica toma las siguientes tcnicas:

Algoritmos genticos: Son mtodos numricos de optimizacin, en los que aquella
variable o variables que se pretenden optimizar junto con las variables de estudio
constituyen un segmento de informacin. Aquellas configuraciones de las variables
de anlisis que obtengan mejores valores para la variable de respuesta,
correspondern a segmentos con mayor capacidad reproductiva. A travs de la
reproduccin, los mejores segmentos perduran y su proporcin crece de
generacin en generacin. Se puede adems introducir elementos aleatorios para
la modificacin de las variables (mutaciones). Al cabo de cierto nmero de
iteraciones, la poblacin estar constituida por buenas soluciones al problema de
optimizacin, pues las malas soluciones han ido descartndose, iteracin tras
iteracin.
Inteligencia Artificial: Mediante un sistema informtico que simula un sistema
inteligente, se procede al anlisis de los datos disponibles. Entre los sistemas de
Inteligencia Artificial se encuadraran los Sistemas Expertos y las Redes Neuronales.
Sistemas Expertos: Son sistemas que han sido creados a partir de reglas prcticas
extradas del conocimiento de expertos. Principalmente a base de inferencias o de
causa-efecto.
Sistemas Inteligentes: Son similares a los sistemas expertos, pero con mayor
ventaja ante nuevas situaciones desconocidas para el experto.
Redes neuronales: Genricamente, son mtodos de proceso numrico en paralelo,
en el que las variables interactan mediante transformaciones lineales o no
lineales, hasta obtener unas salidas. Estas salidas se contrastan con los que tenan
que haber salido, basndose en unos datos de prueba, dando lugar a un proceso
de retroalimentacin mediante el cual la red se reconfigura, hasta obtener un
modelo adecuado.

Minera De Datos Basada En Teora De La
Informacio n
Todas las herramientas tradicionales de minera de datos asumen que los datos que
usarn para construir los modelos contienen la informacin necesaria para lograr el
propsito buscado: obtener suficiente conocimiento que pueda ser aplicado al negocio (o
problema) para obtener un beneficio (o solucin).

El inconveniente es que esto no es necesariamente cierto. Adems, existe otro problema
mayor an. Una vez construido el modelo no es posible conocer si el mismo ha capturado
toda la informacin disponible en los datos. Por esta razn la prctica comn es realizar
varios modelos con distintos parmetros para ver si alguno logra mejores resultados.
Un enfoque relativamente nuevo al anlisis de datos soluciona estos problemas haciendo
que la prctica de la minera de datos se parezca ms a una ciencia que a un arte.

En 1948 Claude Shannon public un trabajo llamado Una Teora Matemtica de la
Comunicacin. Posteriormente esta pas a llamarse Teora de la informacin y sent las
bases de la comunicacin y la codificacin de la informacin. Shannon propuso una
manera de medir la cantidad de informacin a ser expresada en bits.

En 1999 Dorian Pyle public un libro llamado Data Preparation for Data Mining en el que
propone una manera de usar la Teora de la Informacin para analizar datos. En este
nuevo enfoque, una base de datos es un canal que transmite informacin. Por un lado
est el mundo real que captura datos generados por el negocio. Por el otro estn todas las
situaciones y problemas importantes del negocio. Y la informacin fluye desde el mundo
real y a travs de los datos, hasta la problemtica del negocio.

Con esta perspectiva y usando la Teora de la informacin, es posible medir la cantidad de
informacin disponible en los datos y qu porcin de la misma podr utilizarse para
resolver la problemtica del negocio. Como un ejemplo prctico, podra encontrarse que
los datos contienen un 65% de la informacin necesaria para predecir qu cliente
rescindirn sus contratos. De esta manera, si el modelo final es capaz de hacer
predicciones con un 60% de acierto, se puede asegurar que la herramienta que gener el
modelo hizo un buen trabajo capturando la informacin disponible. Ahora, si el modelo
hubiese tenido un porcentaje de aciertos de solo el 10%, por ejemplo, entonces intentar
otros modelos o incluso con otras herramientas podra valer la pena.

La capacidad de medir informacin contenida en los datos tiene otras ventajas
importantes.

Al analizar los datos desde esta nueva perspectiva se genera un mapa de informacin que
hace innecesario la preparacin previa de los datos, una tarea absolutamente
imprescindible si se desea buenos resultados, pero que lleva enorme cantidad de tiempo.
Es posible seleccionar un grupo de variables ptimo que contenga la informacin
necesaria para realizar un modelo de prediccin.

Una vez que las variables son procesadas con el fin de crear el mapa de informacin y
luego seleccionadas aquellas que aportan la mayor informacin, la eleccin de la
herramienta que se usar para crear el modelo deja de tener importancia, ya que el mayor
trabajo fue realizado en los pasos previos.

Procesamiento De Lenguajes Naturales
El Procesamiento de Lenguajes Naturales abreviado PLN, o NLP del idioma ingls Natural
Language Processing es una subdisciplina de la Inteligencia Artificial y la rama ingenieril de
la lingstica computacional. El PLN se ocupa de la formulacin e investigacin de
mecanismos eficaces computacionalmente para la comunicacin entre personas o entre
personas y mquinas por medio de lenguajes naturales. El PLN no trata de la
comunicacin por medio de lenguajes naturales de una forma abstracta, sino de disear
mecanismos para comunicarse que sean eficaces computacionalmente que se puedan
realizar por medio de programas que ejecuten o simulen la comunicacin. Los modelos
aplicados se enfocan no slo a la comprensin del lenguaje de por s, sino a aspectos
generales cognitivos humanos y a la organizacin de la memoria. El lenguaje natural sirve
slo de medio para estudiar estos fenmenos.

Dificultades En El Procesamiento De Lenguajes
Naturales
Ambigedad
El lenguaje natural es inherentemente ambiguo a diferentes niveles:

A nivel lxico, una misma palabra puede tener varios significados, y la seleccin del
apropiado se debe deducir a partir del contexto oracional o conocimiento bsico.
Muchas investigaciones en el campo del procesamiento de lenguajes naturales han
estudiado mtodos de resolver las ambigedades lxicas mediante diccionarios,
gramticas, bases de conocimiento y correlaciones estadsticas.
A nivel referencial, la resolucin de anforas y catforas implica determinar la
entidad lingstica previa o posterior a que hacen referencia.
A nivel estructural, se requiere de la semntica para desambiguar la dependencia
de los sintagmas preposicionales que conducen a la construccin de distintos
rboles sintcticos. Por ejemplo, en la frase Rompi el dibujo de un ataque de
nervios.
A nivel pragmtico, una oracin, a menudo, no significa lo que realmente se est
diciendo. Elementos tales como la irona tienen un papel importante en la
interpretacin del mensaje.

Para resolver estos tipos de ambigedades y otros, el problema central en el PLN es la
traduccin de entradas en lenguaje natural a una representacin interna sin ambigedad,
como rboles de anlisis.

Deteccio n De Separacio n Entre Las Palabras
En la lengua hablada no se suelen hacer pausas entre palabra y palabra. El lugar en el que
se debe separar las palabras a menudo depende de cul es la posibilidad que mantenga
un sentido lgico tanto gramatical como contextual. En la lengua escrita, idiomas como el
chino mandarn tampoco tienen separaciones entre las palabras.

Recepcio n Imperfecta De Datos
Acentos extranjeros, regionalismos o dificultades en la produccin del habla, errores de
mecanografiado o expresiones no gramaticales, errores en la lectura de textos mediante
OCR


Aplicaciones
Las principales tareas de trabajo en el PLN son:

Sntesis del discurso
Anlisis del lenguaje
Comprensin del lenguaje
Reconocimiento del habla
Sntesis de voz
Generacin de lenguajes naturales
Traduccin automtica
Respuesta a preguntas
Recuperacin de la informacin
Extraccin de la informacin

Sistemas De Apoyo De Las Decisiones
Las principales caractersticas de estos son:

Suelen introducirse despus de haber implantado los Sistemas Transaccionales ms
relevantes de la empresa, ya que estos ltimos constituyen su plataforma de
informacin.
La informacin que generan sirve de apoyo a los mandos intermedios y a la alta
administracin en el proceso de toma de decisiones.
Suelen ser intensivos en clculos y escasos en entradas y salidas de informacin. As,
por ejemplo, un modelo de planeacin financiera requiere poca informacin de
entrada, genera poca informacin como resultado, pero puede realizar muchos
clculos durante su proceso.
No suelen ahorrar mano de obra. Debido a ello, la justificacin econmica para el
desarrollo de estos sistemas es difcil, ya que no se conocen los ingresos del proyecto
de inversin.
Suelen ser Sistemas de Informacin interactivos y amigables, con altos estndares de
diseo grfico y visual, ya que estn dirigidos al usuario final.
Apoyan la toma de decisiones que, por su misma naturaleza son repetitivos y de
decisiones no estructuradas que no suelen repetirse. Por ejemplo, un Sistema de
Compra de Materiales que indique cundo debe hacerse un pedido al proveedor o un
Sistema de Simulacin de Negocios que apoye la decisin de introducir un nuevo
producto al mercado.
Estos sistemas pueden ser desarrollados directamente por el usuario final sin la
participacin operativa de los analistas y programadores del rea de informtica.


Este tipo de sistemas puede incluir la programacin de la produccin, compra de
materiales, flujo de fondos, proyecciones financieras, modelos de simulacin de negocios,
modelos de inventarios, etc.

Sistemas Estrate gicos
Sus principales caractersticas son:

Su funcin primordial no es apoyar la automatizacin de procesos operativos ni
proporcionar informacin para apoyar la toma de decisiones.
Suelen desarrollarse in house, es decir, dentro de la organizacin, por lo tanto no
pueden adaptarse fcilmente a paquetes disponibles en el mercado.
Tpicamente su forma de desarrollo es a base de incrementos y a travs de su
evolucin dentro de la organizacin. Se inicia con un proceso o funcin en particular y a
partir de ah se van agregando nuevas funciones o procesos.
Su funcin es lograr ventajas que los competidores no posean, tales como ventajas en
costos y servicios diferenciados con clientes y proveedores. En este contexto, los
Sistema Estratgicos son creadores de barreras de entrada al negocio. Por ejemplo, el
uso de cajeros automticos en los bancos en un Sistema Estratgico, ya que brinda
ventaja sobre un banco que no posee tal servicio. Si un banco nuevo decide abrir su
puerta al pblico, tendr que dar este servicio para tener un nivel similar al de sus
competidores.
Apoyan el proceso de innovacin de productos y proceso dentro de la empresa debido
a que buscan ventajas respecto a los competidores y una forma de hacerlo en
innovando o creando productos y procesos.

Un ejemplo de estos Sistemas de Informacin dentro de la empresa puede ser un sistema
MRP (Manufacturing Resoure Planning) enfocado a reducir sustancialmente el desperdicio
en el proceso productivo, o bien, un Centro de Informacin que proporcione todo tipo de
informacin; como situacin de crditos, embarques, tiempos de entrega, etc. En este
contexto los ejemplos anteriores constituyen un Sistema de Informacin Estratgico si y
slo s, apoyan o dan forma a la estructura competitiva de la empresa.
Por ltimo, es importante aclarar que algunos autores consideran un cuarto tipo de
sistemas de informacin denominado Sistemas Personales de Informacin, el cual est
enfocado a incrementar la productividad de sus usuarios.

Propiocepcio n
La propiocepcin es el sentido que informa al organismo de la posicin de los msculos, es
la capacidad de sentir la posicin relativa de partes corporales contiguas. La propiocepcin
regula la direccin y rango de movimiento, permite reacciones y respuestas automticas,
interviene en el desarrollo del esquema corporal y en la relacin de ste con el espacio,
sustentando la accin motora planificada. Otras funciones en las que acta con ms
autonoma son el control del equilibrio, la coordinacin de ambos lados del cuerpo, el
mantenimiento del nivel de alerta del sistema nervioso central y la influencia en el
desarrollo emocional y del comportamiento.

Interocepcio n
Es el sentido que nos informa de los estados de nuestras vsceras (sensacin de hambre,
sensacin de sed); sus receptores sensoriales se localizan dentro del propio cuerpo.

Nocicepcio n
La nocicepcin (tambin conocida como nociocepcin o nocipercepcin) es el proceso
neuronal mediante el que se codifican y procesan los estmulos nocivos." Se trata de la
actividad aferente producida en el sistema nervioso perifrico y central por los estmulos
que tienen potencial para daar los tejidos. Esta actividad es iniciada por los nociceptores,
(tambin llamados receptores del dolor), que pueden detectar cambios trmicos,
mecnicos o qumicos por encima del umbral del sistema. Una vez estimulado, un
nociceptor transmite una seal a travs de la mdula espinal al cerebro.
La nonicepcin activa diversas respuestas autnomas y puede tambin conducir a la
experiencia del dolor en los seres vivos.























INGENIERA EN SISTEMAS DE INFORMACIN

CENTRO UNIVERSITARIO SANTA LUCIA COTZ

CURSO. LOGICA

PRIMER CICLO

DOCENTE. ING. JORGE MARIO ACEITUNO DIAZ












INVESTIGACIN












EDSON FRANKLIN GARCIA CASTRO

No. DE CARNE 2990-11-13921

28-05-11