inteligencia artificial
Definicion
IA fuerte
Simulacion en inteligencia humana
Aprendizaje automatico
Tipos de IA
Redes neuronales
IA debil
Aplicaciones de IA
LINEA DE TIEMPO IA
La inteligencia artificial es la habilidad de una máquina de presentar las mismas capacidades que los seres humanos, como el razonamiento, el aprendizaje, la creatividad y la capacidad de planear. perciban su entorno, se relacionen con él, resuelvan problemas y actúen con un fin específico. La máquina recibe datos (ya preparados o recopilados a través de sus propios sensores, por ejemplo, una cámara), los procesa y responde a ellos.
Los sistemas de IA son capaces de adaptar su comportamiento en cierta medida, analizar los efectos de acciones previas y de trabajar de manera autónoma.
La inteligencia artificial (IA) es la simulación de inteligencia humana que crea algoritmos y sistemas informáticos capaces de ejecutar tareas simples y complejas que realizan las personas. Se basa en la idea de que una máquina puede programarse para imitar la forma en que un ser humano piensa y actúa. La inteligencia artificial actualmente puede lograr diferentes tareas como reconocimiento de patrones, toma de decisiones y resolución de problemas. La inteligencia artificial funciona a través de la implementación de algoritmos y técnicas en sistemas informáticos, los cuales permiten que una máquina o dispositivo aprenda de los datos y mejore su rendimiento a medida que se expone a más información.
Es importante tomar en consideración que no toda la inteligencia artificial es igual; de hecho actualmente hay diferentes tipos, con su propio enfoque y métodos. Por ejemplo, la IA basada en reglas utiliza un conjunto predefinido de normas para tomar decisiones, mientras que la IA basada en aprendizaje automático (machine learning) usa algoritmos supervisados o no, para aprender de los datos y mejorar su rendimiento.
Máquinas reactivas
Memoria Limitada
Teoría de la Mente
Autoconciencia
Inteligencia Artificial General (AGI)
Superinteligencia Artificial (ASI)
Artificial Narrow Intelligence (ANI)
ANI es un tipo de inteligencia artificial más inflexible, que no se amolda ni se adapta a los requisitos de un sistema o máquina en particular. Su función es centrarse en un trabajo único y dedicar toda su complejidad. Si trazamos un paralelo, sería un profesional capacitado que se dedica a una única función compleja.
El funcionamiento del modelo ANI se proyecta a través de la programación de sus acciones. En esa etapa, debe estar preparada para actuar en un solo rol, reduciendo su desempeño tanto como sea posible.
Esto también garantizará que pueda desempeñar plenamente su papel. Por más que eso parezca una limitación, también puede verse como una dedicación amplia e integral.
Entre los tipos de inteligencia artificial, AGI se considera fuerte y profunda, como una máquina capaz de imitar la inteligencia humana y con una vasta capacidad de acción.
En su comportamiento, ella puede aprender y, con base en eso, replicar actitudes para resolver diferentes cuestiones. Eso es lo que la convierte en uno de los modelos más versátiles disponibles actualmente.
AGI tiene el papel de pensar, lo que conduce a una comprensión única y no completamente robótica. Así, para cada escenario con el que tiene que lidiar, la solución propuesta es diferente.
Esa capacidad de adaptación a diferentes escenarios hace que tenga una actividad de resolución muy cercana a la mente humana. Precisamente por eso ella es considerada una inteligencia mucho más profunda.
Una de las bases de AGI es su estructura teórica. Eso significa que tiene la capacidad de evaluar y detectar diferentes necesidades, procesos e incluso emociones para actuar correctamente. Esa es una característica única cuando la comparamos con otros tipos de inteligencia artificial.
El nombre está a la altura de la capacidad de ese tipo de inteligencia artificial. ASI es considerada la más poderosa, precisamente porque es la máquina capaz de volverse consciente y autónoma.
Es decir, en lugar de simplemente replicar el comportamiento humano, ASI supera esa capacidad. Incluso se la considera capaz de pensar mejor y de ser más hábil que nosotros.
Por supuesto, esa es una categoría de inteligencia artificial que aún está en desarrollo y mejora, aunque en un estado avanzado.
¡Este es el modelo que ha inspirado al cine a crear realidades en las que los robots tienen voluntad propia y simplemente dominan la Tierra! Por supuesto que eso no sucederá, pero la idea es que puedan ser inteligentes de la misma manera que se los retrata en las películas.
Entre los tipos de inteligencia artificial, las máquinas reactivas son las más simples y antiguas que se conocen. Es un modelo introductorio y tiene una capacidad mucho más limitada que los modelos presentados hasta ahora. Su función es bastante simple: reproducir el comportamiento humano cuando es estimulado, o sea, solo una acción reactiva.
Como no tienen memoria, esas máquinas no tienen la capacidad de aprender y administrar una base de datos interna para ejecutar lo que absorben. Así, solo tienen un rol de respuesta, es decir, están automatizados para reaccionar ante alguna acción. Esa limitación, sin embargo, no impide que sean útiles en varios textos, aunque poco a poco se van quedando obsoletas.
Las máquinas de memoria limitada son, como en el ejemplo anterior, completamente reactivas, pero con la ventaja de tener una pequeña cantidad de memoria disponible. Eso las hace más avanzadas, ya que esa función las permite aprender de los datos. Es decir, cada vez que se exponen a información son capaces de generar aprendizajes a partir de ese contenido.
Naturalmente, esas máquinas crean pequeñas bases de datos a partir de su historial de interacciones. Es a partir de ahí que son capaces, cuando es necesario, de tomar pequeñas decisiones para responder a una solicitud o realizar cualquier acción. Hoy en día, esa forma de inteligencia artificial se usa ampliamente, pero solo en su base. Se ha ampliado la memoria para que funcione mejor.
La base de la inteligencia de memoria limitada todavía se usa y se puede ver hoy en los sistemas de reconocimiento facial, asistentes virtuales y chatbots
La Teoría de la Mente es un tipo de inteligencia artificial en el que se ha trabajado mucho en los últimos años. No podemos decir mucho sobre su aplicación y hasta dónde llegará en términos de desarrollo, sin embargo, la idea es que será uno de los modelos más innovadores jamás vistos. La propuesta es que pueda comprender mejor las interacciones a las que está expuesta.
Así, la Teoría de la Mente trata precisamente de las emociones, necesidades y procesos de reflexión que presenta la mente humana.
Actualmente, esa categoría todavía se ve como un futuro, incluso con todos los avances logrados en el segmento hasta ahora. Los expertos entienden que todavía se necesitan muchos avances en otras partes de los estudios de la inteligencia artificial.
La autoconciencia es solo una idea, es decir, un concepto que guía el desarrollo de la inteligencia artificial. Por ahora, todavía no hay creaciones concretas, pero la idea es que, en el futuro, las máquinas serán conscientes de sí mismas. Ese es el nivel de desarrollo más alto que puede alcanzar la inteligencia artificial y, por supuesto, lleva tiempo y muchos esfuerzos.
La idea es que esa inteligencia artificial pueda comprender todas las emociones, tener las suyas y comprender cada detalle que pasa con quienes interactúan con ella. Por ambicioso que parezca, es innegable que ese es el camino que los científicos tienen como horizonte. Sin embargo, no es posible señalar en cuántos años la tecnología podrá alcanzar hasta ese nivel.
IA débil (también conocido como IA estrecha) se define como la inteligencia artificial racional que se centra típicamente en una tarea estrecha. La inteligencia de la IA débil es limitada. En 2011, la página Singularity Hub escribió: "A medida que los robots y las inteligencias artificiales estrechas toman un rol en papeles tradicionalmente ocupados por los seres humanos, debemos preguntarnos a nosotros mismos: ¿Es toda esta automatización buena o mala para el mercado de trabajo?"
Siri es un buen ejemplo de la inteligencia estrecha. Siri opera dentro de un rango limitado previamente definido, no hay ninguna inteligencia genuina, sin conciencia, sin vida, a pesar de ser un ejemplo sofisticado de IA débil. En Forbes (2011), Ted Greenwald escribió: "El matrimonio iPhone/Siri representa la llegada de la IA híbrida, combinando técnicas de la IA estrecha, además de un acceso masivo a datos en la nube". El investigador de IA, Ben Goertzel, indicó en su blog en el 2010 que Siri era "muy estrecho y frágil" evidenciada por resultados molestos si se le hacían preguntas fuera de los límites de la aplicación.
Algunos comentaristas piensan que la IA débil podría ser peligrosa. : "La IA estrecha podría noquear nuestra red eléctrica, dañar plantas de energía nucleares, causar un colapso económico a escala global, desviar los vehículos autónomos y a los robots.
está diseñada para tener una amplia gama de habilidades cognitivas y capacidad de aprendizaje autónomo. Estos sistemas pueden realizar múltiples tareas y aprenden de forma autónoma a medida que interactúan con el entorno. La IA fuerte tiene que tener la capacidad de razonar, planificar y tomar decisiones complejas en un amplio espectro de situaciones.La Inteligencia artificial fuerte o IAF, también conocida como Inteligencia artificial general o IAG, es la inteligencia artificial que iguala o excede la inteligencia humana promedio, es decir, la inteligencia de una máquina que puede realizar con éxito cualquier tarea intelectual de cualquier ser humano. Es un objetivo importante para la investigación sobre inteligencia artificial y un tema interesante para la ciencia ficción.
La IAF es la habilidad de ejecutar acciones generales inteligentes. La ciencia ficción asocia a la IAF con cualidades humanas como la conciencia, la sensibilidad, la sabiduría y el autoconocimiento.
Hasta el momento, la inteligencia artificial fuerte se mantiene como una aspiración o, mejor dicho, es hipotética a pesar de los grandes avances en el campo y la mejora de complejos algoritmos matemáticos.
El aprendizaje automático es un subconjunto de inteligencia artificial que permite que un sistema aprenda y mejore de forma autónoma mediante redes neuronales y aprendizaje profundo, sin tener que ser programado explícitamente, a través de la ingesta de grandes cantidades de datos.
Debido a que el aprendizaje automático permite que los sistemas informáticos se ajusten y mejoren a sí mismos de forma continua a medida que acumulan más "experiencias", mientras más datos se pongan en ellos, más precisos serán los resultados.Debido a que el aprendizaje automático permite que los sistemas informáticos se ajusten y mejoren a sí mismos de forma continua a medida que acumulan más "experiencias", mientras más datos se pongan en ellos, más precisos serán los resultados.
De hecho, las aplicaciones de aprendizaje automático automatizan el trabajo de compilar modelos estadísticos. El aprendizaje automático de Python es un gran ejemplo de aprendizaje automático, ya que aprende de los datos, identifica patrones y toma decisiones con una intervención humana mínima.
Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro humano. Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo, que utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente. De esta forma, las redes neuronales artificiales intentan resolver problemas complicados, como la realización de resúmenes de documentos o el reconocimiento de rostros, con mayor precisión.
¿Por qué son importantes las redes neuronales?
Las redes neuronales pueden ayudar a las computadoras a tomar decisiones inteligentes con asistencia humana limitada. Esto se debe a que pueden aprender y modelar las relaciones entre los datos de entrada y salida que no son lineales y que son complejos. Por ejemplo, pueden realizar las siguientes tareas.
Hacer generalizaciones y sacar conclusiones
Las redes neuronales pueden comprender datos no estructurados y hacer observaciones generales sin un entrenamiento explícito. Por ejemplo, pueden reconocer que dos oraciones de entrada diferentes tienen un significado similar:
¿Puede explicarme cómo hacer el pago?
¿Cómo puedo transferir dinero?
Una red neuronal sabría que ambas oraciones significan lo mismo. O sería capaz de reconocer, en términos generales, que Baxter Road es un lugar, pero que Baxter Smith es el nombre de una persona.
¿Para qué se utilizan las redes neuronales?
Las redes neuronales están presentes en varios casos de uso en muchos sectores, como los siguientes: Diagnóstico médico mediante la clasificación de imágenes médicas Marketing orientado mediante el filtrado de redes sociales y el análisis de datos de comportamiento predicciones financieras mediante el procesamiento de datos históricos de instrumentos financieros Previsión de la carga eléctrica y la demanda de energía
Proceso y control de calidad Identificación de compuestos químicos
Visión artificial
La visión artificial es la capacidad que tienen las computadoras para extraer información y conocimientos de imágenes y videos. Con las redes neuronales, las computadoras pueden distinguir y reconocer imágenes de forma similar a los humanos. La visión artificial tiene varias aplicaciones, como las siguientes:
Reconocimiento visual en los vehículos autónomos para que puedan reconocer las señales de tráfico y a otros usuarios del camino
Moderación de contenido para eliminar de forma automática los contenidos inseguros o inapropiados de los archivos de imágenes y videos
Reconocimiento facial para identificar rostros y reconocer atributos como ojos abiertos, gafas y vello facial
Etiquetado de imágenes para identificar logotipos de marcas, ropa, equipos de seguridad y otros detalles de la imagen
Reconocimiento de voz
Las redes neuronales pueden analizar el habla humana a pesar de los diferentes patrones de habla, el tono, el idioma y el acento. Los asistentes virtuales como Amazon Alexa y el software de transcripción automática utilizan el reconocimiento de voz para realizar tareas como las siguientes:
Asistir a los agentes de los centros de llamadas y clasificar las llamadas de forma automática
Convertir las conversaciones clínicas en documentación en tiempo real
Subtitular con precisión videos y grabaciones de reuniones para aumentar el alcance del contenido
Procesamiento de lenguaje natural
El procesamiento de lenguaje natural (PLN) es la capacidad de procesar texto natural creado por humanos. Las redes neuronales ayudan a las computadoras a obtener información y significado a partir de los datos y los documentos de texto. El PLN está presente en varios casos de uso, entre los que se incluyen los siguientes:
Chatbots y agentes virtuales automatizados
Organización y clasificación automáticas de datos escritos
Análisis de inteligencia empresarial de documentos con formato largo, como emails y formularios
Indexación de frases clave que indican sentimientos, como los comentarios positivos y negativos en las redes sociales
Resumen de documentos y producción de artículos para un tema determinado
Algoritmo de retropropagación
Redes neuronales convolucionales
¿Cómo funcionan las redes neuronales?
Arquitectura de una red neuronal simple
Capa de entrada
Capa oculta
¿Cuáles son los tipos de redes neuronales?
Capa de salida
Arquitectura de una red neuronal profunda
Redes neuronales prealimentadas
Finanzas
Juegos y juguetes
Música
Ciencia de la computación
Transporte
Industria pesada
Servicio de atención al cliente
Hospitales y medicina
Mantenimiento de las telecomunicaciones
Aviación
Los investigadores de la IA han creado muchas herramientas para resolver los problemas más difíciles en ciencia de la computación. Muchas de sus investigaciones han sido adoptadas por la rama principal de la ciencia de la computación y dejan de ser consideradas parte de la IA. Según Russell y Norvig (2003, p. 15), fueron desarrollados originalmente en laboratorios de IA: tiempo compartido, intérpretes interactivos, interfaz gráfica de usuario y el mouse, ambientes de desarrollo rápido de aplicaciones, la estructura de datos lista enlazada, Automatic Storage Management, programación funcional, programación dinámica y programación orientada a objetos.
Los bancos usan inteligencia artificial para organizar operaciones, invertir en acciones y administrar propiedades. En agosto del 2001, robots vencen a los humanos en una competición simulada de comercio financiero.4
Las instituciones financieras han usado sistemas de redes neuronales artificiales para detectar pagos o reclamos fuera de lo normal, marcándolos para ser investigado por humanos.
Una clínica médica puede usar inteligencia artificial para organizar las asignaciones de las camas, crear una rotación del personal y ofrecer información médica y otras tareas importantes.
Las redes neuronales artificiales se usan como sistemas de apoyo para decisiones clínicas en el diagnóstico médico, tales como la tecnología de procesamiento de conceptos en el software de registros médicos electrónicos, donde el programa puede reconocer casos similares que el médico haya encontrado anteriormente y recomendar diagnósticos. 5
Otras tareas en medicina que pueden llegar a realizarse con ayuda de la IA son:[cita requerida]
Interpretación de radiologías asistidas por computadoras. Estos sistemas ayudan a escanear imágenes digitales, por ejemplo provenientes de tomografía computada, para señalar zonas visibles, tales como posibles enfermedades. Una aplicación típica es la detección de un tumor.
Análisis del ruido cardíaco
En la cirugía, la robótica también ha avanzado bastante, a tal grado que pueden realizarse cirugías menos invasivas y más precisas asistidas por robots. Uno de los robots quirúrgicos más conocidos es el Da Vinci.
Los Robots se han vuelto comunes en muchas industrias. A menudo se le asignan puestos de trabajo que se consideran peligrosos para los humanos. Los robots han demostrado su eficacia en los trabajos que son muy repetitivos, que puede conducir a errores o accidentes debido a una falta de concentración y otros trabajos que los seres humanos puedan encontrar degradantes. Japón es el líder en el uso y la producción de robots en el mundo. En 1999 1,7 millones de robots estaban en uso en todo el mundo. Para más información, vea una encuesta6 sobre la inteligencia artificial en los negocios.
La inteligencia artificial es implementada en asistentes automatizados en línea que se pueden ver como avatares en las páginas web. Se puede hacer uso de ellos por las empresas para reducir sus costos de operación y capacitación. Una tecnología principal para tales sistemas es el procesamiento de lenguaje natural.
Técnicas similares pueden ser usadas en máquinas contestadoras de centros de llamadas, tales como software de reconocimiento del habla para que las computadoras manejen el Servicio de atención al cliente, minería de texto y procesamiento de lenguaje natural para permitir un mejor trato a los clientes, entrenamiento de agentes por minería automática de las mejores prácticas de las interacciones pasadas, automatización de soporte y muchas otras tecnologías para mejorar la productividad de los agentes y la satisfacción del cliente.
Controles de lógica difusa han sido desarrollados para cajas de cambios automáticas en los automóviles. Por ejemplo, el Audi TT 2006, VW Toureg and VW Caravell presentan la transmisión DSP, la cual utiliza lógica difusa. Un número de variantes de Škoda (Škoda Fabia) incluyen controles basados en lógica difusa.La tecnología en la industria del transporte se ve aplicado en la aceleración de los procesos de digitalización de las flotas, brindándoles una operación con mayor seguridad, medible y productiva.
La AI influye en el transporte garantizando:
La seguridad de todos los usuarios, tanto pasajeros y conductores. Minimiza los peligros de conducción.
Planifica y programa de manera eficiente. Se crean programaciones de rutas en tiempo real para detectar el tráfico.
Predecir y monitorear el tráfico. Se realizan pronósticos utilizando monitoreos sobre construcciones en la ciudad, e incluso calcula automáticamente rutas alternas.
Muchas compañías de telecomunicaciones usan búsqueda heurística en la administración de sus empleados, por ejemplo BT Group ha usado búsqueda heurística9 en una aplicación de programación que crea la asignación de horarios de trabajo de 20,000 ingenieros.¿Qué es inteligencia artificial en telecomunicaciones?
Cómo impacta la inteligencia artificial en las ...
La IA permite analizar grandes volúmenes de datos para detectar patrones y tendencias, lo que permite a las empresas de telecomunicaciones tomar decisiones más informadas.
En los 1990s ocurrieron los primeros intentos de producción en masa de tipos de IA de uso doméstico para la educación y el ocio. Esto prosperó grandemente con la Revolución Digital, y ayudó a presentarles a las personas, especialmente niños, varios tipos de IA, específicamente en la forma de Tamagotchis y Giga Pets, iPod Touch, el Internet (ejemplo: interfaces de motores de búsqueda), y el primer robot ampliamente vendido, Furby. Apenas un año después, un tipo mejorado de robot doméstico fue vendido, Aibo, un perro robótico con características inteligentes y autonomía.
La IA ha sido aplicada a los videojuegos, por ejemplo bots de videojuegos, que son diseñados para hacer de oponentes donde los humanos no están disponibles o no son deseados; o el AI Director de Left 4 Dead, que decide dónde aparecen los enemigos y como son creados los mapas para ser más o menos difíciles en varios puntos del juego.
La evolución de la música siempre ha sido afectada por las tecnologías. Con la IA, los científicos intentan hacer que la computadora emule las acciones de un músico. Composición, interpretación, teoría musical y procesamiento de sonido son algunas de las principales áreas en las cuales los investigadores se están enfocando.
El uso de la inteligencia artificial en simuladores está demostrando ser muy útil para la AOD. Simuladores de aviones están utilizando inteligencia artificial con el fin de procesar los datos tomados de vuelos simulados. Aparte de simulación de vuelo, también se simula la guerra entre aviones. Las computadoras son capaces de llegar a los mejores escenarios de éxito en estas situaciones. Las computadoras también pueden crear estrategias basadas en la ubicación, el tamaño, la velocidad y la fuerza de los ejércitos. Los pilotos pueden recibir asistencia de las computadoras en el aire durante el combate. Los programas de inteligencia artificial pueden reordenar la información y proporcionar al piloto las mejores maniobras posibles, por no mencionar la eliminación de ciertas maniobras que serían imposibles para un ser humano llevar a cabo. Múltiples aviones son necesarios para obtener buenas aproximaciones para algunos cálculos por lo que se utilizan pilotos simulados por ordenador para recopilar datos. Estos pilotos simulados también se utilizan para formar a futuros controladores aéreos.
250 a.c.
1315
1840
1852
1936
1943
1955
1956
1957
1958
1959
1980
1974
1981
1973
1969
1968
1968
1963
1965
1964
1968
2017
2011
2009
2006
2018
2020
1997
1988
1986
2019
2016
2023
2022
Instituto Panamericano
Alumno:
Jainer Ivan Carranza Escobar
Cuatrimestre V
Lic. Informatica
Docente: Ing Miguel Angel Ruiz Pinto
En 1997 Gari Kaspárov, campeón mundial de ajedrez, pierde ante la computadora autónoma Deep Blue.
En 2016, un programa informático ganó cinco a cero al triple campeón de Europa de Go.En 2016, el entonces presidente Obama habla sobre el futuro de la inteligencia artificial y la tecnología.
Existen personas que al dialogar sin saberlo con un chatbot no se percatan de hablar con un programa, de modo tal que se cumple la prueba de Turing como cuando se formuló: «Existirá inteligencia artificial cuando no seamos capaces de distinguir entre un ser humano y un programa informático en una conversación a ciegas.
En 1973 Alain Colmenauer y su equipo de investigación en la Universidad de Aix-Marseille crean PROLOG (del francés PROgrammation en LOGique) un lenguaje de programación ampliamente utilizado en IA.
En 2009 ya había en desarrollo sistemas inteligentes terapéuticos que permiten detectar emociones para poder interactuar con niños autistas.
Las capas ocultas de las redes neuronales convolucionales realizan funciones matemáticas específicas, como la síntesis o el filtrado, denominadas convoluciones. Son muy útiles para la clasificación de imágenes porque pueden extraer características relevantes de las imágenes que son útiles para el reconocimiento y la clasificación de imágenes. La forma nueva es más fácil de procesar sin perder características que son fundamentales para hacer una buena predicción. Cada capa oculta extrae y procesa diferentes características de la imagen, como los bordes, el color y la profundidad.
En 1988 se establecen los lenguajes Orientados a Objetos.
En 1959 Rosenblatt introduce el «perceptrón».
Las redes neuronales profundas, o redes de aprendizaje profundo, tienen varias capas ocultas con millones de neuronas artificiales conectadas entre sí. Un número, denominado peso, representa las conexiones entre un nodo y otro. El peso es un número positivo si un nodo estimula a otro, o negativo si un nodo suprime a otro. Los nodos con valores de peso más altos tienen mayor influencia en los demás nodos.
En teoría, las redes neuronales profundas pueden asignar cualquier tipo de entrada a cualquier tipo de salida. Sin embargo, también necesitan mucho más entrenamiento en comparación con otros métodos de machine learning. Necesitan millones de ejemplos de datos de entrenamiento en lugar de los cientos o miles que podría necesitar una red más simple.
En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos más conocidos, que asistió a médicos en el diagnóstico y tratamiento de infecciones en la sangre.
La capa de salida proporciona el resultado final de todo el procesamiento de datos que realiza la red neuronal artificial. Puede tener uno o varios nodos. Por ejemplo, si tenemos un problema de clasificación binaria (sí/no), la capa de salida tendrá un nodo de salida que dará como resultado 1 o 0. Sin embargo, si tenemos un problema de clasificación multiclase, la capa de salida puede estar formada por más de un nodo de salida.
En 2006 se celebró el aniversario con el Congreso en español 50 años de Inteligencia Artificial - Campus Multidisciplinar en Percepción e Inteligencia 2006.
Las redes neuronales prealimentadas procesan los datos en una dirección, desde el nodo de entrada hasta el nodo de salida. Todos los nodos de una capa están conectados a todos los nodos de la capa siguiente. Una red prealimentada utiliza un proceso de retroalimentación para mejorar las predicciones a lo largo del tiempo.
El cerebro humano es lo que inspira la arquitectura de las redes neuronales. Las células del cerebro humano, llamadas neuronas, forman una red compleja y con un alto nivel de interconexión y se envían señales eléctricas entre sí para ayudar a los humanos a procesar la información. De manera similar, una red neuronal artificial está formada por neuronas artificiales que trabajan juntas para resolver un problema. Las neuronas artificiales son módulos de software, llamados nodos, y las redes neuronales artificiales son programas de software o algoritmos que, en esencia, utilizan sistemas informáticos para resolver cálculos matemáticos.
Las capas ocultas toman su entrada de la capa de entrada o de otras capas ocultas. Las redes neuronales artificiales pueden tener una gran cantidad de capas ocultas. Cada capa oculta analiza la salida de la capa anterior, la procesa aún más y la pasa a la siguiente capa.
En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento podía ser efectuado de manera artificial.
En 2019, Google presentó su Doodle en que, con ayuda de la inteligencia artificial, hace un homenaje a Johann Sebastian Bach, en el que, añadiendo una simple melodía de dos compases la IA crea el resto.
La información del mundo exterior entra en la red neuronal artificial desde la capa de entrada. Los nodos de entrada procesan los datos, los analizan o los clasifican y los pasan a la siguiente capa.La capa de entrada de una red neuronal está compuesta de neuronas de entrada artificiales, y trae los datos iniciales al sistema para su posterior procesamiento por capas posteriores de neuronas artificiales. La capa de entrada es el comienzo del flujo de trabajo para la red neuronal artificial.
Posteriormente en el año 1968 Terry Winograd desarrolló el sistema SHRDLU, que permitía interrogar y dar órdenes a un robot que se movía dentro de un mundo de bloques.
Las redes neuronales artificiales aprenden de forma continua mediante el uso de bucles de retroalimentación correctivos para mejorar su análisis predictivo. En pocas palabras, puede pensar en los datos que fluyen desde el nodo de entrada hasta el nodo de salida a través de muchos caminos diferentes en la red neuronal. Solo un camino es el correcto: el que asigna el nodo de entrada al nodo de salida correcto. Para encontrar este camino, la red neuronal utiliza un bucle de retroalimentación que funciona de la siguiente manera:
Cada nodo intenta adivinar el siguiente nodo de la ruta.
Se comprueba si la suposición es correcta. Los nodos asignan valores de peso más altos a las rutas que conducen a más suposiciones correctas y valores de peso más bajos a las rutas de los nodos que conducen a suposiciones incorrectas.
Para el siguiente punto de datos, los nodos realizan una predicción nueva con las trayectorias de mayor peso y luego repiten el paso .
En 1956 fue ideada la expresión «inteligencia artificial» por John McCarthy, Marvin Minsky y Claude Shannon en la Conferencia de Dartmouth, un congreso en el que se hicieron previsiones triunfalistas a diez años que jamás se cumplieron, lo que provocó el abandono casi total de las investigaciones durante quince años.
En 1963 Quillian desarrolla las redes semánticas como modelo de representación del conocimiento.
Las redes neuronales artificiales pueden clasificarse en función de cómo fluyen los datos desde el nodo de entrada hasta el nodo de salida.
1965 por Buchanan, Feigenbaum y Lederberg, el primer Sistema Experto, que asistía a químicos en estructuras químicas complejas, MACSYMA, que asistía a ingenieros y científicos en la solución de ecuaciones matemáticas complejas.
1980, creció el uso de sistemas expertos, como MYCIN: R1/XCON, ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy (Shells) como EMYCIN, EXPERT, OPSS.
En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programación LOGO.
En 1955 Herbert Simon, Allen Newell y Joseph Carl Shaw, desarrollan el primer lenguaje de programación orientado a la resolución de problemas, el IPL-11. Un año más tarde desarrollan el LogicTheorist, el cual era capaz de demostrar teoremas matemáticos.
Las ideas más básicas se remontan a los griegos, antes de Cristo. Aristóteles (384-322 a. C.) fue el primero en describir un conjunto de reglas que describen una parte del funcionamiento de la mente para obtener conclusiones racionales, y Ctesibio de Alejandría (250 a. C.) construyó la primera máquina autocontrolada, un regulador del flujo de agua (racional pero sin razonamiento).
En 2020, la OECD (Organización para la Cooperación y el Desarrollo Económico) publica el documento de trabajo titulado Hola, mundo: La inteligencia artificial y su uso en el sector público, dirigido a funcionarios de gobierno con el afán de resaltar la importancia de la IA y de sus aplicaciones prácticas en el ámbito gubernamental.
En 2023, las fotos generadas por IA alcanzaron un nivel de realismo que las hacía confundirse con fotos reales. Como resultado, hubo una ola de "fotos" generadas por IA que muchos espectadores creyeron que eran reales. Una imagen generada por Midjourney se destacó, mostrando al Papa Francisco con un elegante abrigo blanco de invierno.
En 1957 Newell y Simon continúan su trabajo con el desarrollo del General Problem Solver (GPS). GPS era un sistema orientado a la resolución de problemas.
En 2017 AlphaGo desarrollado por DeepMind derrota 4-1 en una competencia de Go al campeón mundial Lee Sedol. Este suceso fue muy mediático y marcó un hito en la historia de este juego. A finales de ese mismo año, Stockfish, el motor de ajedrez considerado el mejor del mundo con 3 400 puntos ELO, fue abrumadoramente derrotado por AlphaZero con solo conocer las reglas del juego y tras solo 4 horas de entrenamiento jugando contra sí mismo.
Como anécdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un programa capaz de ser ejecutado independientemente de la máquina que lo ejecute, computador o cerebro.
En 1936 Alan Turing diseña formalmente una Máquina universal que demuestra la viabilidad de un dispositivo físico para implementar cualquier cómputo formalmente definido.
Una red neuronal básica tiene neuronas artificiales interconectadas, las unidades de procesamiento se organizan en capas. Hay tres partes normalmente en una red neuronal : una capa de entrada, con unidades que representan los campos de entrada; una o varias capas ocultas; y una capa de salida, con una unidad o unidades que representa el campo o los campos de destino. Las unidades se conectan con fuerzas de conexión variables (o ponderaciones). Los datos de entrada se presentan en la primera capa, y los valores se propagan desde cada neurona hasta cada neurona de la capa siguiente. al final, se envía un resultado desde la capa de salida.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de inferir conocimiento basado en información que se le suministra. Bobrow desarrolla STUDENT.
En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes Neuronales).
En 1958 John McCarthy desarrolla en el Instituto Tecnológico de Massachusetts (MIT) el LISP. Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simbólico.
En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en 1980.
Leonardo Torres Quevedo(1852-1936) es considerado como uno de los padres de la inteligencia artificial y de la Automática.
En 2011 IBM desarrolló un superordenador llamado Watson, el cual ganó una ronda de tres juegos seguidos de Jeopardy!, venciendo a sus dos máximos campeones, y ganando un premio de 1 millón de dólares que IBM luego donó a obras de caridad.
En 2018, se lanza el primer televisor con inteligencia artificial por parte de LG Electronics con una plataforma denominada ThinQ.
En 1840 Ada Lovelace previó la capacidad de las máquinas para ir más allá de los simples cálculos y aportó una primera idea de lo que sería el software.
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera el primer trabajo del campo, aun cuando todavía no existía el término. Los primeros avances importantes comenzaron a principios del año 1950 con el trabajo de Alan Turing, a partir de lo cual la ciencia ha pasado por diversas situaciones.
En 1981 Kazuhiro Fuchi anuncia el proyecto japonés de la quinta generación de computadoras.
En 1968 Marvin Minsky publica Semantic Information Processing.
Al final del año 2022, se lanzó ChatGPT, una inteligencia artificial generativa capaz de escribir textos y responder preguntas en muchos idiomas. Dado que la calidad de las respuestas recordaba inicialmente al nivel humano, se generó un entusiasmo mundial por la IA y ChatGPT alcanzó más de 100 millones de usuarios dos meses después de su lanzamiento. Más tarde, los expertos notaron que ChatGPT proporciona información errónea en áreas donde no tiene conocimiento ("alucinaciones de datos"), lo que a primera vista parece creíble debido a su perfecta redacción.
Infografia de Inteligencia Artificial
JAINER IVAN CARRANZA ESCOBAR
Created on July 21, 2023
Start designing with a free template
Discover more than 1500 professional designs like these:
View
Essential Map
View
Akihabara Map
View
Frayer Model
View
Create Your Story in Spanish
View
Microcourse: Key Skills for University
View
Microcourse: Learn Spanish
View
Resource Bank
Explore all templates
Transcript
inteligencia artificial
Definicion
IA fuerte
Simulacion en inteligencia humana
Aprendizaje automatico
Tipos de IA
Redes neuronales
IA debil
Aplicaciones de IA
LINEA DE TIEMPO IA
La inteligencia artificial es la habilidad de una máquina de presentar las mismas capacidades que los seres humanos, como el razonamiento, el aprendizaje, la creatividad y la capacidad de planear. perciban su entorno, se relacionen con él, resuelvan problemas y actúen con un fin específico. La máquina recibe datos (ya preparados o recopilados a través de sus propios sensores, por ejemplo, una cámara), los procesa y responde a ellos. Los sistemas de IA son capaces de adaptar su comportamiento en cierta medida, analizar los efectos de acciones previas y de trabajar de manera autónoma.
La inteligencia artificial (IA) es la simulación de inteligencia humana que crea algoritmos y sistemas informáticos capaces de ejecutar tareas simples y complejas que realizan las personas. Se basa en la idea de que una máquina puede programarse para imitar la forma en que un ser humano piensa y actúa. La inteligencia artificial actualmente puede lograr diferentes tareas como reconocimiento de patrones, toma de decisiones y resolución de problemas. La inteligencia artificial funciona a través de la implementación de algoritmos y técnicas en sistemas informáticos, los cuales permiten que una máquina o dispositivo aprenda de los datos y mejore su rendimiento a medida que se expone a más información. Es importante tomar en consideración que no toda la inteligencia artificial es igual; de hecho actualmente hay diferentes tipos, con su propio enfoque y métodos. Por ejemplo, la IA basada en reglas utiliza un conjunto predefinido de normas para tomar decisiones, mientras que la IA basada en aprendizaje automático (machine learning) usa algoritmos supervisados o no, para aprender de los datos y mejorar su rendimiento.
Máquinas reactivas
Memoria Limitada
Teoría de la Mente
Autoconciencia
Inteligencia Artificial General (AGI)
Superinteligencia Artificial (ASI)
Artificial Narrow Intelligence (ANI)
ANI es un tipo de inteligencia artificial más inflexible, que no se amolda ni se adapta a los requisitos de un sistema o máquina en particular. Su función es centrarse en un trabajo único y dedicar toda su complejidad. Si trazamos un paralelo, sería un profesional capacitado que se dedica a una única función compleja. El funcionamiento del modelo ANI se proyecta a través de la programación de sus acciones. En esa etapa, debe estar preparada para actuar en un solo rol, reduciendo su desempeño tanto como sea posible. Esto también garantizará que pueda desempeñar plenamente su papel. Por más que eso parezca una limitación, también puede verse como una dedicación amplia e integral.
Entre los tipos de inteligencia artificial, AGI se considera fuerte y profunda, como una máquina capaz de imitar la inteligencia humana y con una vasta capacidad de acción. En su comportamiento, ella puede aprender y, con base en eso, replicar actitudes para resolver diferentes cuestiones. Eso es lo que la convierte en uno de los modelos más versátiles disponibles actualmente. AGI tiene el papel de pensar, lo que conduce a una comprensión única y no completamente robótica. Así, para cada escenario con el que tiene que lidiar, la solución propuesta es diferente. Esa capacidad de adaptación a diferentes escenarios hace que tenga una actividad de resolución muy cercana a la mente humana. Precisamente por eso ella es considerada una inteligencia mucho más profunda. Una de las bases de AGI es su estructura teórica. Eso significa que tiene la capacidad de evaluar y detectar diferentes necesidades, procesos e incluso emociones para actuar correctamente. Esa es una característica única cuando la comparamos con otros tipos de inteligencia artificial.
El nombre está a la altura de la capacidad de ese tipo de inteligencia artificial. ASI es considerada la más poderosa, precisamente porque es la máquina capaz de volverse consciente y autónoma. Es decir, en lugar de simplemente replicar el comportamiento humano, ASI supera esa capacidad. Incluso se la considera capaz de pensar mejor y de ser más hábil que nosotros. Por supuesto, esa es una categoría de inteligencia artificial que aún está en desarrollo y mejora, aunque en un estado avanzado. ¡Este es el modelo que ha inspirado al cine a crear realidades en las que los robots tienen voluntad propia y simplemente dominan la Tierra! Por supuesto que eso no sucederá, pero la idea es que puedan ser inteligentes de la misma manera que se los retrata en las películas.
Entre los tipos de inteligencia artificial, las máquinas reactivas son las más simples y antiguas que se conocen. Es un modelo introductorio y tiene una capacidad mucho más limitada que los modelos presentados hasta ahora. Su función es bastante simple: reproducir el comportamiento humano cuando es estimulado, o sea, solo una acción reactiva. Como no tienen memoria, esas máquinas no tienen la capacidad de aprender y administrar una base de datos interna para ejecutar lo que absorben. Así, solo tienen un rol de respuesta, es decir, están automatizados para reaccionar ante alguna acción. Esa limitación, sin embargo, no impide que sean útiles en varios textos, aunque poco a poco se van quedando obsoletas.
Las máquinas de memoria limitada son, como en el ejemplo anterior, completamente reactivas, pero con la ventaja de tener una pequeña cantidad de memoria disponible. Eso las hace más avanzadas, ya que esa función las permite aprender de los datos. Es decir, cada vez que se exponen a información son capaces de generar aprendizajes a partir de ese contenido. Naturalmente, esas máquinas crean pequeñas bases de datos a partir de su historial de interacciones. Es a partir de ahí que son capaces, cuando es necesario, de tomar pequeñas decisiones para responder a una solicitud o realizar cualquier acción. Hoy en día, esa forma de inteligencia artificial se usa ampliamente, pero solo en su base. Se ha ampliado la memoria para que funcione mejor. La base de la inteligencia de memoria limitada todavía se usa y se puede ver hoy en los sistemas de reconocimiento facial, asistentes virtuales y chatbots
La Teoría de la Mente es un tipo de inteligencia artificial en el que se ha trabajado mucho en los últimos años. No podemos decir mucho sobre su aplicación y hasta dónde llegará en términos de desarrollo, sin embargo, la idea es que será uno de los modelos más innovadores jamás vistos. La propuesta es que pueda comprender mejor las interacciones a las que está expuesta. Así, la Teoría de la Mente trata precisamente de las emociones, necesidades y procesos de reflexión que presenta la mente humana. Actualmente, esa categoría todavía se ve como un futuro, incluso con todos los avances logrados en el segmento hasta ahora. Los expertos entienden que todavía se necesitan muchos avances en otras partes de los estudios de la inteligencia artificial.
La autoconciencia es solo una idea, es decir, un concepto que guía el desarrollo de la inteligencia artificial. Por ahora, todavía no hay creaciones concretas, pero la idea es que, en el futuro, las máquinas serán conscientes de sí mismas. Ese es el nivel de desarrollo más alto que puede alcanzar la inteligencia artificial y, por supuesto, lleva tiempo y muchos esfuerzos. La idea es que esa inteligencia artificial pueda comprender todas las emociones, tener las suyas y comprender cada detalle que pasa con quienes interactúan con ella. Por ambicioso que parezca, es innegable que ese es el camino que los científicos tienen como horizonte. Sin embargo, no es posible señalar en cuántos años la tecnología podrá alcanzar hasta ese nivel.
IA débil (también conocido como IA estrecha) se define como la inteligencia artificial racional que se centra típicamente en una tarea estrecha. La inteligencia de la IA débil es limitada. En 2011, la página Singularity Hub escribió: "A medida que los robots y las inteligencias artificiales estrechas toman un rol en papeles tradicionalmente ocupados por los seres humanos, debemos preguntarnos a nosotros mismos: ¿Es toda esta automatización buena o mala para el mercado de trabajo?" Siri es un buen ejemplo de la inteligencia estrecha. Siri opera dentro de un rango limitado previamente definido, no hay ninguna inteligencia genuina, sin conciencia, sin vida, a pesar de ser un ejemplo sofisticado de IA débil. En Forbes (2011), Ted Greenwald escribió: "El matrimonio iPhone/Siri representa la llegada de la IA híbrida, combinando técnicas de la IA estrecha, además de un acceso masivo a datos en la nube". El investigador de IA, Ben Goertzel, indicó en su blog en el 2010 que Siri era "muy estrecho y frágil" evidenciada por resultados molestos si se le hacían preguntas fuera de los límites de la aplicación. Algunos comentaristas piensan que la IA débil podría ser peligrosa. : "La IA estrecha podría noquear nuestra red eléctrica, dañar plantas de energía nucleares, causar un colapso económico a escala global, desviar los vehículos autónomos y a los robots.
está diseñada para tener una amplia gama de habilidades cognitivas y capacidad de aprendizaje autónomo. Estos sistemas pueden realizar múltiples tareas y aprenden de forma autónoma a medida que interactúan con el entorno. La IA fuerte tiene que tener la capacidad de razonar, planificar y tomar decisiones complejas en un amplio espectro de situaciones.La Inteligencia artificial fuerte o IAF, también conocida como Inteligencia artificial general o IAG, es la inteligencia artificial que iguala o excede la inteligencia humana promedio, es decir, la inteligencia de una máquina que puede realizar con éxito cualquier tarea intelectual de cualquier ser humano. Es un objetivo importante para la investigación sobre inteligencia artificial y un tema interesante para la ciencia ficción. La IAF es la habilidad de ejecutar acciones generales inteligentes. La ciencia ficción asocia a la IAF con cualidades humanas como la conciencia, la sensibilidad, la sabiduría y el autoconocimiento. Hasta el momento, la inteligencia artificial fuerte se mantiene como una aspiración o, mejor dicho, es hipotética a pesar de los grandes avances en el campo y la mejora de complejos algoritmos matemáticos.
El aprendizaje automático es un subconjunto de inteligencia artificial que permite que un sistema aprenda y mejore de forma autónoma mediante redes neuronales y aprendizaje profundo, sin tener que ser programado explícitamente, a través de la ingesta de grandes cantidades de datos. Debido a que el aprendizaje automático permite que los sistemas informáticos se ajusten y mejoren a sí mismos de forma continua a medida que acumulan más "experiencias", mientras más datos se pongan en ellos, más precisos serán los resultados.Debido a que el aprendizaje automático permite que los sistemas informáticos se ajusten y mejoren a sí mismos de forma continua a medida que acumulan más "experiencias", mientras más datos se pongan en ellos, más precisos serán los resultados. De hecho, las aplicaciones de aprendizaje automático automatizan el trabajo de compilar modelos estadísticos. El aprendizaje automático de Python es un gran ejemplo de aprendizaje automático, ya que aprende de los datos, identifica patrones y toma decisiones con una intervención humana mínima.
Una red neuronal es un método de la inteligencia artificial que enseña a las computadoras a procesar datos de una manera que está inspirada en la forma en que lo hace el cerebro humano. Se trata de un tipo de proceso de machine learning llamado aprendizaje profundo, que utiliza los nodos o las neuronas interconectados en una estructura de capas que se parece al cerebro humano. Crea un sistema adaptable que las computadoras utilizan para aprender de sus errores y mejorar continuamente. De esta forma, las redes neuronales artificiales intentan resolver problemas complicados, como la realización de resúmenes de documentos o el reconocimiento de rostros, con mayor precisión.
¿Por qué son importantes las redes neuronales?
Las redes neuronales pueden ayudar a las computadoras a tomar decisiones inteligentes con asistencia humana limitada. Esto se debe a que pueden aprender y modelar las relaciones entre los datos de entrada y salida que no son lineales y que son complejos. Por ejemplo, pueden realizar las siguientes tareas. Hacer generalizaciones y sacar conclusiones Las redes neuronales pueden comprender datos no estructurados y hacer observaciones generales sin un entrenamiento explícito. Por ejemplo, pueden reconocer que dos oraciones de entrada diferentes tienen un significado similar: ¿Puede explicarme cómo hacer el pago? ¿Cómo puedo transferir dinero? Una red neuronal sabría que ambas oraciones significan lo mismo. O sería capaz de reconocer, en términos generales, que Baxter Road es un lugar, pero que Baxter Smith es el nombre de una persona.
¿Para qué se utilizan las redes neuronales?
Las redes neuronales están presentes en varios casos de uso en muchos sectores, como los siguientes: Diagnóstico médico mediante la clasificación de imágenes médicas Marketing orientado mediante el filtrado de redes sociales y el análisis de datos de comportamiento predicciones financieras mediante el procesamiento de datos históricos de instrumentos financieros Previsión de la carga eléctrica y la demanda de energía Proceso y control de calidad Identificación de compuestos químicos
Visión artificial
La visión artificial es la capacidad que tienen las computadoras para extraer información y conocimientos de imágenes y videos. Con las redes neuronales, las computadoras pueden distinguir y reconocer imágenes de forma similar a los humanos. La visión artificial tiene varias aplicaciones, como las siguientes: Reconocimiento visual en los vehículos autónomos para que puedan reconocer las señales de tráfico y a otros usuarios del camino Moderación de contenido para eliminar de forma automática los contenidos inseguros o inapropiados de los archivos de imágenes y videos Reconocimiento facial para identificar rostros y reconocer atributos como ojos abiertos, gafas y vello facial Etiquetado de imágenes para identificar logotipos de marcas, ropa, equipos de seguridad y otros detalles de la imagen
Reconocimiento de voz
Las redes neuronales pueden analizar el habla humana a pesar de los diferentes patrones de habla, el tono, el idioma y el acento. Los asistentes virtuales como Amazon Alexa y el software de transcripción automática utilizan el reconocimiento de voz para realizar tareas como las siguientes: Asistir a los agentes de los centros de llamadas y clasificar las llamadas de forma automática Convertir las conversaciones clínicas en documentación en tiempo real Subtitular con precisión videos y grabaciones de reuniones para aumentar el alcance del contenido
Procesamiento de lenguaje natural
El procesamiento de lenguaje natural (PLN) es la capacidad de procesar texto natural creado por humanos. Las redes neuronales ayudan a las computadoras a obtener información y significado a partir de los datos y los documentos de texto. El PLN está presente en varios casos de uso, entre los que se incluyen los siguientes: Chatbots y agentes virtuales automatizados Organización y clasificación automáticas de datos escritos Análisis de inteligencia empresarial de documentos con formato largo, como emails y formularios Indexación de frases clave que indican sentimientos, como los comentarios positivos y negativos en las redes sociales Resumen de documentos y producción de artículos para un tema determinado
Algoritmo de retropropagación
Redes neuronales convolucionales
¿Cómo funcionan las redes neuronales?
Arquitectura de una red neuronal simple
Capa de entrada
Capa oculta
¿Cuáles son los tipos de redes neuronales?
Capa de salida
Arquitectura de una red neuronal profunda
Redes neuronales prealimentadas
Finanzas
Juegos y juguetes
Música
Ciencia de la computación
Transporte
Industria pesada
Servicio de atención al cliente
Hospitales y medicina
Mantenimiento de las telecomunicaciones
Aviación
Los investigadores de la IA han creado muchas herramientas para resolver los problemas más difíciles en ciencia de la computación. Muchas de sus investigaciones han sido adoptadas por la rama principal de la ciencia de la computación y dejan de ser consideradas parte de la IA. Según Russell y Norvig (2003, p. 15), fueron desarrollados originalmente en laboratorios de IA: tiempo compartido, intérpretes interactivos, interfaz gráfica de usuario y el mouse, ambientes de desarrollo rápido de aplicaciones, la estructura de datos lista enlazada, Automatic Storage Management, programación funcional, programación dinámica y programación orientada a objetos.
Los bancos usan inteligencia artificial para organizar operaciones, invertir en acciones y administrar propiedades. En agosto del 2001, robots vencen a los humanos en una competición simulada de comercio financiero.4 Las instituciones financieras han usado sistemas de redes neuronales artificiales para detectar pagos o reclamos fuera de lo normal, marcándolos para ser investigado por humanos.
Una clínica médica puede usar inteligencia artificial para organizar las asignaciones de las camas, crear una rotación del personal y ofrecer información médica y otras tareas importantes. Las redes neuronales artificiales se usan como sistemas de apoyo para decisiones clínicas en el diagnóstico médico, tales como la tecnología de procesamiento de conceptos en el software de registros médicos electrónicos, donde el programa puede reconocer casos similares que el médico haya encontrado anteriormente y recomendar diagnósticos. 5 Otras tareas en medicina que pueden llegar a realizarse con ayuda de la IA son:[cita requerida] Interpretación de radiologías asistidas por computadoras. Estos sistemas ayudan a escanear imágenes digitales, por ejemplo provenientes de tomografía computada, para señalar zonas visibles, tales como posibles enfermedades. Una aplicación típica es la detección de un tumor. Análisis del ruido cardíaco En la cirugía, la robótica también ha avanzado bastante, a tal grado que pueden realizarse cirugías menos invasivas y más precisas asistidas por robots. Uno de los robots quirúrgicos más conocidos es el Da Vinci.
Los Robots se han vuelto comunes en muchas industrias. A menudo se le asignan puestos de trabajo que se consideran peligrosos para los humanos. Los robots han demostrado su eficacia en los trabajos que son muy repetitivos, que puede conducir a errores o accidentes debido a una falta de concentración y otros trabajos que los seres humanos puedan encontrar degradantes. Japón es el líder en el uso y la producción de robots en el mundo. En 1999 1,7 millones de robots estaban en uso en todo el mundo. Para más información, vea una encuesta6 sobre la inteligencia artificial en los negocios.
La inteligencia artificial es implementada en asistentes automatizados en línea que se pueden ver como avatares en las páginas web. Se puede hacer uso de ellos por las empresas para reducir sus costos de operación y capacitación. Una tecnología principal para tales sistemas es el procesamiento de lenguaje natural. Técnicas similares pueden ser usadas en máquinas contestadoras de centros de llamadas, tales como software de reconocimiento del habla para que las computadoras manejen el Servicio de atención al cliente, minería de texto y procesamiento de lenguaje natural para permitir un mejor trato a los clientes, entrenamiento de agentes por minería automática de las mejores prácticas de las interacciones pasadas, automatización de soporte y muchas otras tecnologías para mejorar la productividad de los agentes y la satisfacción del cliente.
Controles de lógica difusa han sido desarrollados para cajas de cambios automáticas en los automóviles. Por ejemplo, el Audi TT 2006, VW Toureg and VW Caravell presentan la transmisión DSP, la cual utiliza lógica difusa. Un número de variantes de Škoda (Škoda Fabia) incluyen controles basados en lógica difusa.La tecnología en la industria del transporte se ve aplicado en la aceleración de los procesos de digitalización de las flotas, brindándoles una operación con mayor seguridad, medible y productiva. La AI influye en el transporte garantizando: La seguridad de todos los usuarios, tanto pasajeros y conductores. Minimiza los peligros de conducción. Planifica y programa de manera eficiente. Se crean programaciones de rutas en tiempo real para detectar el tráfico. Predecir y monitorear el tráfico. Se realizan pronósticos utilizando monitoreos sobre construcciones en la ciudad, e incluso calcula automáticamente rutas alternas.
Muchas compañías de telecomunicaciones usan búsqueda heurística en la administración de sus empleados, por ejemplo BT Group ha usado búsqueda heurística9 en una aplicación de programación que crea la asignación de horarios de trabajo de 20,000 ingenieros.¿Qué es inteligencia artificial en telecomunicaciones? Cómo impacta la inteligencia artificial en las ... La IA permite analizar grandes volúmenes de datos para detectar patrones y tendencias, lo que permite a las empresas de telecomunicaciones tomar decisiones más informadas.
En los 1990s ocurrieron los primeros intentos de producción en masa de tipos de IA de uso doméstico para la educación y el ocio. Esto prosperó grandemente con la Revolución Digital, y ayudó a presentarles a las personas, especialmente niños, varios tipos de IA, específicamente en la forma de Tamagotchis y Giga Pets, iPod Touch, el Internet (ejemplo: interfaces de motores de búsqueda), y el primer robot ampliamente vendido, Furby. Apenas un año después, un tipo mejorado de robot doméstico fue vendido, Aibo, un perro robótico con características inteligentes y autonomía. La IA ha sido aplicada a los videojuegos, por ejemplo bots de videojuegos, que son diseñados para hacer de oponentes donde los humanos no están disponibles o no son deseados; o el AI Director de Left 4 Dead, que decide dónde aparecen los enemigos y como son creados los mapas para ser más o menos difíciles en varios puntos del juego.
La evolución de la música siempre ha sido afectada por las tecnologías. Con la IA, los científicos intentan hacer que la computadora emule las acciones de un músico. Composición, interpretación, teoría musical y procesamiento de sonido son algunas de las principales áreas en las cuales los investigadores se están enfocando.
El uso de la inteligencia artificial en simuladores está demostrando ser muy útil para la AOD. Simuladores de aviones están utilizando inteligencia artificial con el fin de procesar los datos tomados de vuelos simulados. Aparte de simulación de vuelo, también se simula la guerra entre aviones. Las computadoras son capaces de llegar a los mejores escenarios de éxito en estas situaciones. Las computadoras también pueden crear estrategias basadas en la ubicación, el tamaño, la velocidad y la fuerza de los ejércitos. Los pilotos pueden recibir asistencia de las computadoras en el aire durante el combate. Los programas de inteligencia artificial pueden reordenar la información y proporcionar al piloto las mejores maniobras posibles, por no mencionar la eliminación de ciertas maniobras que serían imposibles para un ser humano llevar a cabo. Múltiples aviones son necesarios para obtener buenas aproximaciones para algunos cálculos por lo que se utilizan pilotos simulados por ordenador para recopilar datos. Estos pilotos simulados también se utilizan para formar a futuros controladores aéreos.
250 a.c.
1315
1840
1852
1936
1943
1955
1956
1957
1958
1959
1980
1974
1981
1973
1969
1968
1968
1963
1965
1964
1968
2017
2011
2009
2006
2018
2020
1997
1988
1986
2019
2016
2023
2022
Instituto Panamericano
Alumno:
Jainer Ivan Carranza Escobar
Cuatrimestre V
Lic. Informatica
Docente: Ing Miguel Angel Ruiz Pinto
En 1997 Gari Kaspárov, campeón mundial de ajedrez, pierde ante la computadora autónoma Deep Blue.
En 2016, un programa informático ganó cinco a cero al triple campeón de Europa de Go.En 2016, el entonces presidente Obama habla sobre el futuro de la inteligencia artificial y la tecnología. Existen personas que al dialogar sin saberlo con un chatbot no se percatan de hablar con un programa, de modo tal que se cumple la prueba de Turing como cuando se formuló: «Existirá inteligencia artificial cuando no seamos capaces de distinguir entre un ser humano y un programa informático en una conversación a ciegas.
En 1973 Alain Colmenauer y su equipo de investigación en la Universidad de Aix-Marseille crean PROLOG (del francés PROgrammation en LOGique) un lenguaje de programación ampliamente utilizado en IA.
En 2009 ya había en desarrollo sistemas inteligentes terapéuticos que permiten detectar emociones para poder interactuar con niños autistas.
Las capas ocultas de las redes neuronales convolucionales realizan funciones matemáticas específicas, como la síntesis o el filtrado, denominadas convoluciones. Son muy útiles para la clasificación de imágenes porque pueden extraer características relevantes de las imágenes que son útiles para el reconocimiento y la clasificación de imágenes. La forma nueva es más fácil de procesar sin perder características que son fundamentales para hacer una buena predicción. Cada capa oculta extrae y procesa diferentes características de la imagen, como los bordes, el color y la profundidad.
En 1988 se establecen los lenguajes Orientados a Objetos.
En 1959 Rosenblatt introduce el «perceptrón».
Las redes neuronales profundas, o redes de aprendizaje profundo, tienen varias capas ocultas con millones de neuronas artificiales conectadas entre sí. Un número, denominado peso, representa las conexiones entre un nodo y otro. El peso es un número positivo si un nodo estimula a otro, o negativo si un nodo suprime a otro. Los nodos con valores de peso más altos tienen mayor influencia en los demás nodos. En teoría, las redes neuronales profundas pueden asignar cualquier tipo de entrada a cualquier tipo de salida. Sin embargo, también necesitan mucho más entrenamiento en comparación con otros métodos de machine learning. Necesitan millones de ejemplos de datos de entrenamiento en lugar de los cientos o miles que podría necesitar una red más simple.
En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos más conocidos, que asistió a médicos en el diagnóstico y tratamiento de infecciones en la sangre.
La capa de salida proporciona el resultado final de todo el procesamiento de datos que realiza la red neuronal artificial. Puede tener uno o varios nodos. Por ejemplo, si tenemos un problema de clasificación binaria (sí/no), la capa de salida tendrá un nodo de salida que dará como resultado 1 o 0. Sin embargo, si tenemos un problema de clasificación multiclase, la capa de salida puede estar formada por más de un nodo de salida.
En 2006 se celebró el aniversario con el Congreso en español 50 años de Inteligencia Artificial - Campus Multidisciplinar en Percepción e Inteligencia 2006.
Las redes neuronales prealimentadas procesan los datos en una dirección, desde el nodo de entrada hasta el nodo de salida. Todos los nodos de una capa están conectados a todos los nodos de la capa siguiente. Una red prealimentada utiliza un proceso de retroalimentación para mejorar las predicciones a lo largo del tiempo.
El cerebro humano es lo que inspira la arquitectura de las redes neuronales. Las células del cerebro humano, llamadas neuronas, forman una red compleja y con un alto nivel de interconexión y se envían señales eléctricas entre sí para ayudar a los humanos a procesar la información. De manera similar, una red neuronal artificial está formada por neuronas artificiales que trabajan juntas para resolver un problema. Las neuronas artificiales son módulos de software, llamados nodos, y las redes neuronales artificiales son programas de software o algoritmos que, en esencia, utilizan sistemas informáticos para resolver cálculos matemáticos.
Las capas ocultas toman su entrada de la capa de entrada o de otras capas ocultas. Las redes neuronales artificiales pueden tener una gran cantidad de capas ocultas. Cada capa oculta analiza la salida de la capa anterior, la procesa aún más y la pasa a la siguiente capa.
En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento podía ser efectuado de manera artificial.
En 2019, Google presentó su Doodle en que, con ayuda de la inteligencia artificial, hace un homenaje a Johann Sebastian Bach, en el que, añadiendo una simple melodía de dos compases la IA crea el resto.
La información del mundo exterior entra en la red neuronal artificial desde la capa de entrada. Los nodos de entrada procesan los datos, los analizan o los clasifican y los pasan a la siguiente capa.La capa de entrada de una red neuronal está compuesta de neuronas de entrada artificiales, y trae los datos iniciales al sistema para su posterior procesamiento por capas posteriores de neuronas artificiales. La capa de entrada es el comienzo del flujo de trabajo para la red neuronal artificial.
Posteriormente en el año 1968 Terry Winograd desarrolló el sistema SHRDLU, que permitía interrogar y dar órdenes a un robot que se movía dentro de un mundo de bloques.
Las redes neuronales artificiales aprenden de forma continua mediante el uso de bucles de retroalimentación correctivos para mejorar su análisis predictivo. En pocas palabras, puede pensar en los datos que fluyen desde el nodo de entrada hasta el nodo de salida a través de muchos caminos diferentes en la red neuronal. Solo un camino es el correcto: el que asigna el nodo de entrada al nodo de salida correcto. Para encontrar este camino, la red neuronal utiliza un bucle de retroalimentación que funciona de la siguiente manera: Cada nodo intenta adivinar el siguiente nodo de la ruta. Se comprueba si la suposición es correcta. Los nodos asignan valores de peso más altos a las rutas que conducen a más suposiciones correctas y valores de peso más bajos a las rutas de los nodos que conducen a suposiciones incorrectas. Para el siguiente punto de datos, los nodos realizan una predicción nueva con las trayectorias de mayor peso y luego repiten el paso .
En 1956 fue ideada la expresión «inteligencia artificial» por John McCarthy, Marvin Minsky y Claude Shannon en la Conferencia de Dartmouth, un congreso en el que se hicieron previsiones triunfalistas a diez años que jamás se cumplieron, lo que provocó el abandono casi total de las investigaciones durante quince años.
En 1963 Quillian desarrolla las redes semánticas como modelo de representación del conocimiento.
Las redes neuronales artificiales pueden clasificarse en función de cómo fluyen los datos desde el nodo de entrada hasta el nodo de salida.
1965 por Buchanan, Feigenbaum y Lederberg, el primer Sistema Experto, que asistía a químicos en estructuras químicas complejas, MACSYMA, que asistía a ingenieros y científicos en la solución de ecuaciones matemáticas complejas.
1980, creció el uso de sistemas expertos, como MYCIN: R1/XCON, ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy (Shells) como EMYCIN, EXPERT, OPSS.
En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programación LOGO.
En 1955 Herbert Simon, Allen Newell y Joseph Carl Shaw, desarrollan el primer lenguaje de programación orientado a la resolución de problemas, el IPL-11. Un año más tarde desarrollan el LogicTheorist, el cual era capaz de demostrar teoremas matemáticos.
Las ideas más básicas se remontan a los griegos, antes de Cristo. Aristóteles (384-322 a. C.) fue el primero en describir un conjunto de reglas que describen una parte del funcionamiento de la mente para obtener conclusiones racionales, y Ctesibio de Alejandría (250 a. C.) construyó la primera máquina autocontrolada, un regulador del flujo de agua (racional pero sin razonamiento).
En 2020, la OECD (Organización para la Cooperación y el Desarrollo Económico) publica el documento de trabajo titulado Hola, mundo: La inteligencia artificial y su uso en el sector público, dirigido a funcionarios de gobierno con el afán de resaltar la importancia de la IA y de sus aplicaciones prácticas en el ámbito gubernamental.
En 2023, las fotos generadas por IA alcanzaron un nivel de realismo que las hacía confundirse con fotos reales. Como resultado, hubo una ola de "fotos" generadas por IA que muchos espectadores creyeron que eran reales. Una imagen generada por Midjourney se destacó, mostrando al Papa Francisco con un elegante abrigo blanco de invierno.
En 1957 Newell y Simon continúan su trabajo con el desarrollo del General Problem Solver (GPS). GPS era un sistema orientado a la resolución de problemas.
En 2017 AlphaGo desarrollado por DeepMind derrota 4-1 en una competencia de Go al campeón mundial Lee Sedol. Este suceso fue muy mediático y marcó un hito en la historia de este juego. A finales de ese mismo año, Stockfish, el motor de ajedrez considerado el mejor del mundo con 3 400 puntos ELO, fue abrumadoramente derrotado por AlphaZero con solo conocer las reglas del juego y tras solo 4 horas de entrenamiento jugando contra sí mismo. Como anécdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un programa capaz de ser ejecutado independientemente de la máquina que lo ejecute, computador o cerebro.
En 1936 Alan Turing diseña formalmente una Máquina universal que demuestra la viabilidad de un dispositivo físico para implementar cualquier cómputo formalmente definido.
Una red neuronal básica tiene neuronas artificiales interconectadas, las unidades de procesamiento se organizan en capas. Hay tres partes normalmente en una red neuronal : una capa de entrada, con unidades que representan los campos de entrada; una o varias capas ocultas; y una capa de salida, con una unidad o unidades que representa el campo o los campos de destino. Las unidades se conectan con fuerzas de conexión variables (o ponderaciones). Los datos de entrada se presentan en la primera capa, y los valores se propagan desde cada neurona hasta cada neurona de la capa siguiente. al final, se envía un resultado desde la capa de salida.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de inferir conocimiento basado en información que se le suministra. Bobrow desarrolla STUDENT.
En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes Neuronales).
En 1958 John McCarthy desarrolla en el Instituto Tecnológico de Massachusetts (MIT) el LISP. Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simbólico.
En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en 1980.
Leonardo Torres Quevedo(1852-1936) es considerado como uno de los padres de la inteligencia artificial y de la Automática.
En 2011 IBM desarrolló un superordenador llamado Watson, el cual ganó una ronda de tres juegos seguidos de Jeopardy!, venciendo a sus dos máximos campeones, y ganando un premio de 1 millón de dólares que IBM luego donó a obras de caridad.
En 2018, se lanza el primer televisor con inteligencia artificial por parte de LG Electronics con una plataforma denominada ThinQ.
En 1840 Ada Lovelace previó la capacidad de las máquinas para ir más allá de los simples cálculos y aportó una primera idea de lo que sería el software.
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual se considera el primer trabajo del campo, aun cuando todavía no existía el término. Los primeros avances importantes comenzaron a principios del año 1950 con el trabajo de Alan Turing, a partir de lo cual la ciencia ha pasado por diversas situaciones.
En 1981 Kazuhiro Fuchi anuncia el proyecto japonés de la quinta generación de computadoras.
En 1968 Marvin Minsky publica Semantic Information Processing.
Al final del año 2022, se lanzó ChatGPT, una inteligencia artificial generativa capaz de escribir textos y responder preguntas en muchos idiomas. Dado que la calidad de las respuestas recordaba inicialmente al nivel humano, se generó un entusiasmo mundial por la IA y ChatGPT alcanzó más de 100 millones de usuarios dos meses después de su lanzamiento. Más tarde, los expertos notaron que ChatGPT proporciona información errónea en áreas donde no tiene conocimiento ("alucinaciones de datos"), lo que a primera vista parece creíble debido a su perfecta redacción.