Aplicaciones Modernas de Inteligencia Artificial - Dr. Gerardo Reyes Salgado

1

INTELIGENCIA ARTIFICIAL Y INTELIGENCIA ARTIFICIAL Y

APRENDIZAJE AUTOMÁTICOAPRENDIZAJE AUTOMÁTICO

IAINTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09Web: www.cenidet.edu.mxWeb: www.cenidet.edu.mxWeb: www.cenidet.edu.mxWeb: www.cenidet.edu.mx

Dr. Gerardo Reyes SalgadoDr. Gerardo Reyes Salgado

2

SOBRE EL EXPOSITOR

� Doctor en Ciencias Cognitivas por el Instituto Nacional Politécnico de Grenoble, Francia (2001).

� Maestro en Ciencias Computacionales por el CENIDET, México (1995) .

� Ingeniero Civil por el Instituto Tecnológico de Zacatepec, México (1983).

� Miembro del Sistema Nacional de Investigadores desde 2002.

� Desde 1985 ha sido profesor en los niveles de bachillerato, licenciatura y actualmente de maestría y doctorado.

� Profesor honorario de la Universidad Rey Juan Carlos de España.

IAINTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09

� Profesor honorario de la Universidad Rey Juan Carlos de España.

� Ha publicado varios artículos en congresos nacionales e internacionales y en revistas especializadas.

� Invitado como ponente a varios eventos nacionales e internacionales.

� Actualmente trabaja como investigador en el grupo Inteligencia Artificial del CENIDET, donde dirige un proyecto en el cual se estudian los procesos de aprendizaje automático, bajo la perspectiva de los sistemas híbridos. En este proyecto se encuentra dirigiendo tesis de maestría y doctorado.

� Subdirector Académico del CENIDET.

� DVP del IEEE para Latinoamérica.

3

1. El aprendizaje en los seres humanos y en los sistemas artificiales .

2. Áreas de la Inteligencia Artificial (I.A.).

Aplicaciones de la I.A.

PLAN DE LA PRESENTACIÓN


3. Aplicaciones de la I.A.

4. Tendencias de la I.A.

5. Aprendizaje automático.

6. Conclusiones.

4

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

ARTIFICIALES


5

HUMANA

Facultad de comprender, de conocer. Aptitud deestablecer relaciones entre las percepcionessensoriales o para abstraer y asociar conceptos.

ARTIFICIAL (I.A.)� Campo de estudio que se enfoca a la explicación y

INTELIGENCIA


� Campo de estudio que se enfoca a la explicación yemulación de la conducta inteligente en función deprocesos computacionales.

� Consiste en programar computadoras para que hagantareas que actualmente son hechas mejor por los sereshumanos, tales como el aprendizaje perceptual, tomade decisiones, razonamiento, etc.

6

1. Desarrollar una tecnología capaz de suministrar a lacomputadora capacidades de razonamiento similares alas de la inteligencia humana (Resultados en la

¿Para que una entidad sea considerada inteligente bastacon que se comporte inteligentemente, o además, deberazonar de forma inteligente?

DOS VISIONES DE LA I.A.


las de la inteligencia humana (Resultados en lautilidad y no en el método).

2. Investigar los mecanismos de la inteligencia humanapara utilizar a la computadora como herramienta desimulación para la validación de teorías (Enfoque delas ciencias cognitivas: descubrir en qué consiste lainteligencia).

7

Una computadora “inteligente” debería ser capaz de realizar algunas funciones “inteligentes” tales como:

1. Procesar lenguaje natural.

QUÉ ESPERAMOS DE UN SISTEMA INTELIGENTE


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

8

VEAMOS ALGUNOS EJEMPLOS DE SISTEMAS QUE

APRENDEN . . .

VIDEOS


VIDEOS

�Torneo de robots futbolistas

� El robot QRIO

9

UNA GRAN PREGUNTA. . .

QUÉ ES EL APRENDIZAJE


APRENDIZAJE

10

EL APRENDIZAJE EN LA PSICOLOGÍA

"Es la modificación habitual y relativamente permanente en algún aspecto de la conducta observable, que ocurre como resultado de

experiencias adquiridas”

- Caminar


Cuando hay un propósito, SI es aprendizaje

- Caminar

- Volar

-Nadar

- Comer, etc.

Instinto

o

madurez biológica

11

EL APRENDIZAJE EN LAS CIENCIAS COGNITIVAS

"El aprendizaje es a la vez la construcción del saber y del saber-hacer. El aprendizaje requiere de las capacidades de memoria para estabilizarse, pero para su utilización en situaciones diferentes requiere de flexibilidad y adaptación"

- Psicología cognitiva


Disciplinas implicadas

- Didáctica y ciencias de la educación

- Psicología animal

- Neurociencias

- Neuropediatría

- Psicopatología del niño

- Historia y antropología

- Inteligencia Artificial

12

EL APRENDIZAJE EN LA I.A.

"Cualquier cambio deliberado o dirigido en la estructura del conocimiento de un sistema que permite posteriormente desarrollar mejor alguna tarea”


13

ORIGEN DEL APRENDIZAJE EN HUMANOS Y SISTEMAS ARTIFICIALES

1. Habilidades genéticamente heredadas

2. Información proporcionada

Conjunto de procedimientos o una base de datos


Caminos para

aprender

2. Información proporcionada

3. Evaluación por parte de una segunda persona

4. Experiencia u observación

5. Analogía

una base de datos

Aprendizaje automático

14

TEMA 2ÁREAS DE LA INTELIGENCIA

ARTIFICIAL (I.A.)


15

� Manejo del lenguaje natural para poder establecer unacomunicación satisfactoria.

1. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN)


16

� Ayuda en la preparación de textos (guiones, ortografía,sintaxis)

� Búsqueda de documentos � Minería de textos � Interfaces en lenguaje natural� Traducción automática

APLICACIONES DEL PLN


� Traducción automática� Procesamiento de voz� Generación de texto

� Reconocimiento del hablA

17

� La visión por computadora tiene como finalidad la reproducción artificial del sentido de la vista.

� Una de sus áreas deaplicación es el

2. RECONOCIMIENTO DE PATRONES VISUALES


aplicación es elprocesamiento de unaescena para supercepción autónomapor una computadora.

18

Imagen de entrada

Clasificador (X1,1, X1,2, . . . X1,n)

Base de conocimientos

Vector de características

Clase 1

Clase 2

RECONOCIMIENTO


(X1, X2, . . . Xn)

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

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

•••

Clase 3

19

3. REPRESENTACIÓN Y ADQUISICIÓN DE CONOCIMIENTOS

4,3


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

A B

CDE

4,0 0,3

4,3

0,3 1,0

1,3

20

4. APRENDIZAJE AUTOMÁTICO

Aprendizaje :

�Prueba y error

�Por experiencia

�Mediante árboles de


�Mediante árboles de identificación

�Redes neuronales

�Evolución simulada

21

5. RAZONAMIENTO AUTOMÁTICO

• Cómo pueden razonar las máquinas para tomardecisiones de forma "inteligente“ ?

PROBLEMA


AlgoritmoHeurística

I.A.NO !! SI !!

22

6. ROBÓTICA

�La robótica da a la IA el medio para exhibir al mundo realla “inteligencia” necesaria para manipular su medio ambiente.

�La robótica da a la mente artificial, un cuerpo.


23

TEMA 3

APLICACIONES DE LA I.A.


24

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


25

MÁS APLICACIONES

� Identificación de personas.� Construcciones inteligentes.� Interfaces inteligentes.

� Exploración (minera, petrolera, etc. ).� Diagnóstico de fallas (sistemaseléctricos, plantas nucleares, etc.).� Programaciónautomática.


� Programaciónautomática.� Transportación.� Enseñanza, simulación.� Juegos.� Cine.

26

TEMA 4

TENDENCIAS DE LA I.A.


27

TENDENCIAS DE LA IA

�Prueba de Turing�Deep blue (ajedrez ‘97).�Copa mundial de robots (Robocup).

�Aplicaciones de procesamiento en paralelo.


procesamiento en paralelo.

�Knowbots.

�Web inteligentes.

�Recuperación de información.

�Vehículos autónomos.

28

�Vida artificial (Alife) : pretende reproducir el comportamiento de los seres vivos, para :

� Entender, analizar el fenómeno de la vida.�Iniciar con reglas de producción y

MÁS TENDENCIAS DE LA IA


Iniciar con reglas de producción y estudiar comportamientos.

�Esfuerzos colaborativos comunitarios.

�Alto impacto.

�Progreso en corto tiempo.

29

TEMA 5

APRENDIZAJE AUTOMÁTICO ARTIFICIAL


30

DOS TEORíAS EN TORNO A LOS PROCESOS MENTALES

Enfoque Simbólico

La mente es un gran manipulador

Enfoque Conexionista

La mente es una gran red de neuronas


manipulador de símbolos al igual que una computadora

de neuronas trabajando en paralelo

31

CARACTERÍSTICAS DEL ENFOQUE SIMBÓLICO

El enfoque simbólico supone la capacidad de categorizar y de describir fragmentos del mundo continuo que nos

rodea en entidades separadas,


rodea en entidades separadas, estructuradas entre ellas mediante relaciones lógicas

32

ALGUNOS MÉTODOS DE REPRESENTACIÓN SIMBÓLICA

Reglas simbólicas

SI x es una imagen Y

x contiene pista(s) Y

x contiene aviones Y

x contiene edificios(s) Y

(algunos) aviones apuntan al(los)

Árboles de decisión

CIELO

HUMEDAD VIENTO

P

P N N P

P = 9N = 5

P = 2N = 3

P = 3N = 2

P = 4

P = 2 N = 3N = 2 P = 3

SoleadoCubierto

Lluvioso

Normal Alta Si No

CIELO

HUMEDAD VIENTO

P

P N N P

P = 9N = 5

P = 2N = 3

P = 3N = 2

P = 4

P = 2 N = 3N = 2 P = 3

SoleadoCubierto

Lluvioso

Normal Alta Si No



edificio(s),

ENTONCES x es una imagen de un

aeropuerto comercial.

Razonamiento basado en casos

Problema

Solucion

Problema similar

Solucion adaptada

Problema

Solucion

Problema similar

Solucion adaptada

33

¿CÓMO OBTENER CONOCIMIENTO SIMBÓLICO A PARTIR DE ESTA BASE DE EJEMPLOS?

No Estatura IQ Peso A.Ment. Resist Veloc. Clase1 168 150 58 8 6 4 ajedrecista2 176 148 62 9 7 5 ajedrecista3 180 110 98 6 6 9 futbolista4 188 115 104 7 5 9 futbolista5 192 100 85 5 9 5 basquetbolista6 196 120 97 6 8 4 basquetbolista7 200 105 94 4 8 6 basquetbolista8 204 120 100 6 9 4 basquetbolista9 168 150 58 8 6 4 ajedrecista

10 180 110 98 6 6 9 futbolista11 184 120 100 6 4 8 futbolista12 188 115 104 7 5 9 futbolista13 192 100 85 5 9 5 basquetbolista14 196 120 97 6 8 4 basquetbolista


14 196 120 97 6 8 4 basquetbolista15 200 105 94 4 8 6 basquetbolista16 204 120 100 6 9 4 basquetbolista17 160 150 58 8 6 4 ajedrecista18 166 145 67 9 5 6 ajedrecista19 167 148 62 9 7 5 ajedrecista20 179 110 98 6 6 9 futbolista21 191 100 85 5 9 5 basquetbolista22 170 150 58 8 6 4 ajedrecista23 169 145 67 9 5 6 ajedrecista24 173 148 62 9 7 5 ajedrecista25 182 110 98 6 6 9 futbolista26 186 120 100 6 4 8 futbolista27 182 115 104 7 5 9 futbolista28 197 100 85 5 9 5 basquetbolista29 198 120 97 6 8 4 basquetbolista30 204 105 94 4 8 6 basquetbolista31 200 120 100 6 9 4 basquetbolista

34

EJEMPLOS DE SISTEMAS QUE GENERAN REPRESENTACIONES SIMBÓLICAS

SEE5(Construye árboles de

decisión o reglas a partir de datos

numéricos)


RESISTENCIA

PESOB

A F

A = 9B = 13F = 9

A = 9F = 9

13

9 9

> 7 <= 7

<= 67 > 67


numéricos)

EXSYS (Construye sistemas expertos a partir de

reglas)

SI x es una imagen Y

x contiene pista(s) Y

x contiene aviones Y

x contiene edificios(s) Y


edificio(s),

ENTONCES x es una imagen de un

aeropuerto comercial.

S.E.

35

SEE5: CONSTRUCCIÓN DE ÁRBOL DE DECISIÓN O REGLAS

RESISTENCIA

PESO

B

A = 9B = 13F = 9

A = 9F = 9

13

> 7 <= 7

<= 67 > 67


A F

13

9 9

<= 67 > 67

IF (Peso <= 67) THEN Clase = Ajedrecista

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

IF (Resistencia > 7) THEN Clase = Basquetbolista

36

CARACTERÍSTICAS DEL ENFOQUE CONEXIONISTA


37

LA RED NEURONAL BIOLÓGICA: UNA COMPUTADORA HUMANA QUE APRENDE


38

UNA NEURONA BIOLÓGICA EN DETALLE


39

UNA NEURONA ARTIFICIAL EN DETALLE

Fct (Net)

Función de activación (Regulación de la salida)

Salida (Axón y sinapsis hacia otras unidades)


X1 X2 XN

w1

w2

wN

. .

. . .

Net = ΣWi . Xi+BiaisN

i

Entradas (Dendritas)

Pesos sinápticos (Efecto de inhibición o excitación sobre la activación de las señales de entrada)

Activación (Suma el conjunto de entradas y sus pesos asociados)

40

UNA RED NEURONAL ARTIFICIAL

Unidad jcapa de salida

En las redes neuronales (o conexionistas), los conocimientos son representados por las ligas entre las unidades (neuronas artificiales) y

sus pesos sinápticos asociados

Pesoij


Unidad icapa oculta

capa de entrada

41

APRENDIZAJE CONEXIONISTAEl aprendizaje es un proceso gradual e iterativo, donde los

pesos de la RNA son modificados según una regla de aprendizaje antes de alcanzar sus valores finales.

Detener cuando el error global < error aceptado


1 2 4 2 5 1 1

1 2 4 2 5 1 1

2 2 4 2 5 1 2

1 0 2 2 2 1 2

3 2 6 2 25 2 1

1 0 4 2 1 1 2

4 4 18 5 2 3 1

aceptado

42

EJEMPLO: UNA RNA QUE APRENDE A CLASIFICAR

X Y Clase

1 1 A

2 1 A

-3 -1 B

-2 -3 B

A

A

AA

A

A

A

A

AA

A

A

A

A

A

A

AA

AAA

B AB

B

B

B

B

B

B

solución

Clase


4 2 A

0 0 B

3 3 A

-1 -3 B

... ... ...

AA

A

AA

AB

B B

B

BB

BB

B

BB B

B

B

B

B

B

B

A

A

BB

X Y

wi wnww

43

EJEMPLO DE SISTEMA

CONEXIONISTA QUE APRENDE

BRAINMAKER


10 180 110 98 6 6 9 futbolista11 184 120 100 6 4 8 futbolista12 188 115 104 7 5 9 futbolista13 192 100 85 5 9 5 basquetbolista14 196 120 97 6 8 4 basquetbolista15 200 105 94 4 8 6 basquetbolista16 204 120 100 6 9 4 basquetbolista


(Aprende a reconocer o clasificar objetos a partir de datos

numéricos)

16 204 120 100 6 9 4 basquetbolista17 160 150 58 8 6 4 ajedrecista18 166 145 67 9 5 6 ajedrecista19 167 148 62 9 7 5 ajedrecista20 179 110 98 6 6 9 futbolista21 191 100 85 5 9 5 basquetbolista22 170 150 58 8 6 4 ajedrecista23 169 145 67 9 5 6 ajedrecista24 173 148 62 9 7 5 ajedrecista25 182 110 98 6 6 9 futbolista26 186 120 100 6 4 8 futbolista27 182 115 104 7 5 9 futbolista28 197 100 85 5 9 5 basquetbolista29 198 120 97 6 8 4 basquetbolista30 204 105 94 4 8 6 basquetbolista31 200 120 100 6 9 4 basquetbolista

Ajedrecista = 1

Futbolista = 2

Basquetbolista = 3

44

TEMA 6

CONCLUSIONES


45

CONCLUSIONES

� ¿Cómo es posible que un diminuto y lento cerebro tengacapacidad para percibir, comprender, predecir y manipular unmundo que en tamaño y complejidad lo excede a creces?

� La IA es una ciencia nueva con mucho camino y con pasosprometedores.


prometedores.

�La predicción de futuras aplicaciones son inimaginables.

�La IA trata de imitar aspectos de la vida natural (reproducirfunciones y comportamientos) no de dar vida.

46

GRACIAS !!!GRACIAS !!!Cenidet:

www.cenidet.edu.mx


Email - Dr. Gerardo Reyes :

[email protected]

Aplicaciones Modernas de Inteligencia Artificial - Dr. Gerardo Reyes Salgado

Documents