fabian isidoro quino ia

Aplicaciones con teorías de IA

INSTITUTO TECNOLOGICO DE MINATITLAN

INTELIGENCIA ARTIFICIAL

DOCENTE:

VIVAS TORRES PABLO FRANCISCO

CARRERA:

I.S.C

8° SEMESTRE

TRABAJO:

APLICACIONES CON TECNICAS DE IA

PRESENTA:

ISIDORO QUINO FABIAN

MINATITLAN VER

1


Índice General…………………………………………………….. 2

Abstract……………………………………………………………. 3

Introducción……………………………………………………….. 3

1. Robótica………………………………………………………… 5 1.1 Conceptos básicos……………………………………….. 61.2 Clasificación………………………………………………. 61.3 Desarrollo actuales y aplicaciones……………………… 9

2. Redes neuronales……………………………………………… 15 2.1 Conceptos básicos………………………………………… 172.2 Clasificación……………………………………………….. 172.3 Desarrollo actuales y aplicaciones …………………….. 19

3. Visión artificial………………………………………………….. 213.1 Conceptos básicos………………………………………... 213.2 Desarrollo actuales y aplicaciones………………………. 22

4. Lógica difusa…………………………………………………… 224.1 Conceptos básicos……………………………………….. 244.2 Desarrollo actuales y aplicaciones……………………… 24

5. Procesamiento de lenguaje natural………………………….. 255.1 Conceptos básicos………………………………………… 265.2 Desarrollos actuales y aplicaciones…………………….. 27

6. Sistemas expertos...…………………………………………… 276.1 Conceptos básicos...……………………………………… 286.2 Clasificación.………………………………………………. 296.3 Desarrollos actuales y aplicaciones...…………………… 29

Bibliografías………………………………………………… 30

2

INDICE


Abstract: Este documento está centrado en analizar más a fondo la inteligencia artificial con sus diferentes paradigmas, siendo los más relevantes las redes neuronales, algoritmos genéticos, sistemas de lógica difusa y autómatas programables, con sus diferentes aplicaciones en la vida cotidiana y más específicamente aplicados a las soluciones de problemas relacionados con la ingeniería industrial.

Se considera que la producción en nuestros días puede estar muy apoyada en las nuevas tecnologías, como es la inteligencia artificial ya sea como soporte para una toma de decisiones más eficaz o en la ayuda de labores, tareas, que exijan gran demanda de tiempo o representen un alto grado de peligrosidad al ser humano.

Palabras claves: Inteligencia artificial, redes neuronales, algoritmos genéticos, sistemas de lógica difusa, producción.

Introducción

La Inteligencia Artificial es una de las disciplinas computacionales cuyas técnicas son más demandadas actualmente en diversos entornos, debido a su capacidad para dotar de un comportamiento inteligente a muchas aplicaciones. Así, por ejemplo, la incorporación de agentes de decisión inteligente, redes neuronales, sistemas expertos, algoritmos genéticos, etc. para la optimización de sistemas de producción es una tendencia activa en el ambiente industrial de países con alto desarrollo tecnológico y con una gran inversión en investigación y desarrollo. Dichos componentes de la Inteligencia Artificial tienen como función principal controlar de manera independiente, y en coordinación con otros agentes, componentes industriales tales como celdas de manufactura o ensamblaje, operaciones de mantenimiento, diagnósticos de sistemas, etc., entre otras.

Las aplicaciones en los sectores de Ingeniería Industrial, Civil y Naval de estas técnicas son pues muy amplias, y algunas aplicaciones destacables son:

3


Métodos para la predicción de fallos y anomalías en sistemas mecánicos como motores o engranajes.

Mantenimiento predictivo de componentes mecánicos. Estimación del consumo eléctrico. Distribución de recursos hidráulicos para la producción eléctrica. Sistemas para el control de procesos y de la calidad. Modelos para la predicción de roturas en vigas de hormigón. Diseño de diques verticales. …

Una incidencia importante de este tipo de técnicas en los procesos productivos de la industria a nivel mundial es el diseño de sistemas de soporte para la toma de decisiones. Además, la mayoría de los sistemas de inteligencia artificial, tienen la peculiaridad de “aprender”, lo que les permite ir perfeccionando su tarea conforme pasa el tiempo, usando para ello los ejemplos o casos con los que tratan.

Otra de las áreas en las que las técnicas de Inteligencia Artificial tienen una repercusión importante son las relacionadas con la Medicina y la Salud, y así encontramos aplicaciones que permiten:

Monitorización inteligente de pacientes Sistemas de análisis y procesado de imágenes Detección de patrones clínicos en señales biomédicas Sistemas de ayuda al diagnóstico y pronóstico de estados de salud Asesoramiento de actividad deportiva Clasificación en bases de datos de expresiones genéticas

En el campo de la Economía encontramos diversas aplicaciones como:

Tratamiento de la información financiera Análisis del fracaso empresarial La estimación de riesgos y rentabilidad de productos financieros Previsión de la evolución de los precios Predicción de los mercados financieros. …

En campos como la Climatología estos sistemas se pueden aplicar para la predicción de fenómenos naturales y estimación del tiempo. Finalmente, otro campo importante de aplicación es la propia Informática, en donde se puede realizar el diagnóstico de fallos, la detección de intrusiones en redes de ordenadores, etc.

4


1. ROBOTICA

La tecnología están antigua como el hombre mismo según McCloy (1992). Los hombres se convirtieron en tecnólogos cuando aprendieron a aprovechar los materiales y fenómenos naturales del mundo físico que lo rodeaba. Cuando descubrieron que un hueso podía usarse para matar animales y mover rocas, se convirtieron en fabricantes de herramientas y el uso de herramientas es la marca distintiva del tecnólogo. Las herramientas han aumentado la capacidad humana. Cuando un hombre fabrica una herramienta es porque tiene en mente un uso para ella.

Las máquinas y la mecanización, han incrementado la fuerza muscular; la computadora ha incrementado el poder mental; los sentidos del hombre se han ampliado por medio de instrumentos y dispositivos de medición, hemos llegado a una era en la cual la tecnología, especialmente la de los robots dice McCloy (1992), no sólo incrementará nuestras capacidades humanas sino que también podrá reemplazarlas por completo.

Con una necesidad impresionante para superar la productividad dice Chang (1991) las industrias manufactureras están optando más y más hacia la manufactura flexible auxiliada por computadora. La inflexibilidad de muchas maquinas nos ha llevado al interés del uso de robots industriales. La aplicación delos robots para manejo de materiales ofrece gran potencial para librar a la mano de obra humana de trabajos monótonos, cansados o peligrosos. Incluye la transferencia de partes entre sistemas de bandas transportadoras o líneas de procesos en los que las partes pueden ser pesadas, estar calientes, tener propiedades incluso ser radiactivas.

5


1.2 Conceptos básicos

Mecanización Dado que las fuerzas generadas por los seres humanos son reducidas, fue necesario inventar dispositivos que amplificaran estas fuerzas, las cuales adquirieron forma de máquinas. Las cinco máquinas más elementales según Hero de Alejandría son la palanca, la rueda y el eje, la polea, la cuña y el tornillo. Una máquina es el intermediario entre la potencia motriz y aquellas partes que realmente llevan a cabo los movimientos necesarios para realizar el trabajo requerido dice McCloy (1992). La capacidad de transformación de las máquinas no es infinita y son muchas las ocasiones en que las limitaciones de las capacidades humanas imponen un problema demasiado grande para que lo pueda resolver la máquina. La mecanización para llevar acabo el trabajo de personas o animales ha estado presente desde hace siglos, pero a pesar de reducir en gran medida el esfuerzo físico, la mecanización no logró quitar la carga de tener que controlarlo.

Robótica: es una ciencia o rama de la tecnología, que estudia el diseño y la construcción de máquinas capaces de desempeñar tareas realizadas por el ser humano o que requieren del uso de inteligencia. Las ciencias y tecnologías de las que deriva podrían ser: el álgebra, los autómatas programables, las máquinas de estados, la mecánica o la informática.

Robot: es una máquina programable que puede manipular objetos y realizar operaciones que antes sólo podían realizar los seres humanos.

Automatizació: Es el desempeño de operaciones automáticas dirigidas por medio de comandos programados con una medición automática de la acción, retroalimentación y toma de decisiones. Esta definición indica que parte de la automatización consiste en un programa para determinar el orden de los eventos así como para instruir al sistema sobre cómo debe llevarse a cabo uno de los pasos de la operación. La computadora ofrece la forma más flexible de programación, por lo que no resulta sorprendente que en la actualidad la automatización tienda a asociarse con el control por computadora.

1.2 Clasificación

* Según su Tipo

* Robots Físicos

Robótica Industrial: Es la parte de la Ingeniería que se dedica a la construcción de máquinas capaces de realizar tareas mecánicas y repetitivas de una manera muy eficiente y con costes reducidos.

6


Robótica de Servicio: Es la parte de la Ingeniería que se centra en el diseño y construcción de máquinas capaces de proporcionar servicios directamente a los miembros que forman sociedad.

Robótica Inteligente: Son robots capaces de desarrollar tareas que, desarrolladas en un ser humano, requieren el uso de su capacidad de razonamiento.

Robótica Humanoide: Es la parte de la ingeniería que se dedica al desarrollo de sistemas robotizados para imitar determinadas peculiaridades del ser humano.

Robots Software

Robótica de Exploración: Es la parte de la Ingeniería del Software que se encarga de desarrollar programas capaces de explorar documentos en busca de determinados contenidos. Existen diversos servicios en Internet dedicados a esta parcela de la robótica.

Según su Generación

1ª Generación.

Manipuladores. Son sistemas mecánicos multifuncionales con un sencillo sistema de control, bien manual, de secuencia fija o de secuencia variable.

2ª Generación.

Robots de aprendizaje. Repiten una secuencia de movimientos que ha sido ejecutada previamente por un operador humano. El modo de hacerlo es a través de un dispositivo mecánico. El operador realiza los movimientos requeridos mientras el robot le sigue y los memoriza.

3ª Generación.

Robots con control sensorizado. El controlador es una computadora que ejecuta las órdenes de un programa y las envía al manipulador para que realice los movimientos necesarios.

4ª Generación.

Robots inteligentes. Son similares a los anteriores, pero además poseen sensores que envían información a la computadora de control sobre el estado del proceso. Esto permite una toma inteligente de decisiones y el control del proceso en tiempo real.

Según su Arquitectura

La arquitectura, es definida por el tipo de configuración general del Robot, puede ser metamórfica. El concepto de metamorfismo, de reciente aparición, se ha introducido para incrementar la flexibilidad funcional de un Robot a través del cambio de su configuración por el propio Robot. El metamorfismo admite diversos niveles, desde los más elementales (cambio de herramienta o de efecto terminal), hasta los más complejos como el cambio o alteración de

7


algunos de sus elementos o subsistemas estructurales. Los dispositivos y mecanismos que pueden agruparse bajo la denominación genérica del Robot, tal como se ha indicado, son muy diversos y es por tanto difícil establecer una clasificación coherente de los mismos que resista un análisis crítico y riguroso. La subdivisión de los Robots, con base en su arquitectura, se hace en los siguientes grupos: Poli articulados, Móviles, Androides, Zoomórficos e Híbridos.

Poli articulados

En este grupo están los Robots de muy diversa forma y configuración cuya característica común es la de ser básicamente sedentarios (aunque excepcionalmente pueden ser guiados para efectuar desplazamientos limitados) y estar estructurados para mover sus elementos terminales en un determinado espacio de trabajo según uno o más sistemas de coordenadas y con un número limitado de grados de libertad. En este grupo se encuentran los manipuladores, los Robots industriales, los Robots cartesianos y se emplean cuando es preciso abarcar una zona de trabajo relativamente amplia o alargada, actuar sobre objetos con un plano de simetría vertical o reducir el espacio ocupado en el suelo.

Móviles

Son Robots con gran capacidad de desplazamiento, basadas en carros o plataformas y dotados de un sistema locomotor de tipo rodante. Siguen su camino por telemando o guiándose por la información recibida de su entorno a través de sus sensores. Estos Robots aseguran el transporte de piezas de un punto a otro de una cadena de fabricación. Guiados mediante pistas materializadas a través de la radiación electromagnética de circuitos empotrados en el suelo, o a través de bandas detectadas fotoeléctricamente, pueden incluso llegar a sortear obstáculos y están dotados de un nivel relativamente elevado de inteligencia.

Androides

Son Robots que intentan reproducir total o parcialmente la forma y el comportamiento cinemática del ser humano. Actualmente los androides son todavía dispositivos muy poco evolucionados y sin utilidad práctica, y destinados, fundamentalmente, al estudio y experimentación. Uno de los aspectos más complejos de estos Robots, y sobre el que se centra la mayoría de los trabajos, es el de la locomoción bípeda. En este caso, el principal problema es controlar dinámica y coordinadamente en el tiempo real el proceso y mantener simultáneamente el equilibrio del Robot.

Zoomórficos

Los Robots zoomórficos, que considerados en sentido no restrictivo podrían incluir también a los androides, constituyen una clase caracterizada

8


principalmente por sus sistemas de locomoción que imitan a los diversos seres vivos. A pesar de la disparidad morfológica de sus posibles sistemas de locomoción es conveniente agrupar a los Robots zoomórficos en dos categorías principales: caminadores y no caminadores. El grupo de los Robots zoomórficos no caminadores está muy poco evolucionado. Los experimentados efectuados en Japón basados en segmentos cilíndricos biselados acoplados axialmente entre sí y dotados de un movimiento relativo de rotación. Los Robots zoomórficos caminadores multimedios son muy numeroso y están siendo experimentados en diversos laboratorios con vistas al desarrollo posterior de verdaderos vehículos terrenos, piloteando o autónomos, capaces de evolucionar en superficies muy accidentadas. Las aplicaciones de estos Robots serán interesantes en el campo de la exploración espacial y en el estudio de los volcanes.

Híbridos

Estos Robots corresponden a aquellos de difícil clasificación cuya estructura se sitúa en combinación con alguna de las anteriores ya expuestas, bien sea por conjunción o por yuxtaposición. Por ejemplo, un dispositivo segmentado articulado y con ruedas, es al mismo tiempo uno de los atributos de los Robots móviles y de los Robots zoomórficos. De igual forma pueden considerarse híbridos algunos Robots formados por la yuxtaposición de un cuerpo formado por un carro móvil y de un brazo semejante al de los Robots industriales. En parecida situación se encuentran algunos Robots antropomorfos y que no pueden clasificarse ni como móviles ni como androides, tal es el caso de los Robots personales.

1.3 Desarrollos actuales y aplicaciones

Los robots son utilizados en una diversidad de aplicaciones, desde robots tortugas en los salones de clases, robots soldadores en la industria automotriz, hasta brazos tele operados en el transbordador espacial.

Cada robot lleva consigo su problemática propia y sus soluciones afines; no obstante que mucha gente considera que la automatización de procesos a través de robots está en sus inicios, es un hecho innegable que la introducción de la tecnología robótica en la industria, ya ha causado un gran impacto. En este sentido la industria Automotriz desempeña un papel preponderante.

Aplicaciones en diversos sectores:

Industria

Los robots son utilizados por una diversidad de procesos industriales como lo son: la soldadura de punto y soldadura de arco, pinturas de spray,

9


transportación de materiales, molienda de materiales, moldeado en la industria plástica, máquinas-herramientas, y otras más.

A continuación se hará una breve explicación de algunas de ellas.

Aplicación de transferencia de material

Las aplicaciones de transferencia de material se definen como operaciones en las cuales el objetivo primario es mover una pieza de una posición a otra. Se suelen considerar entre las operaciones más sencillas o directas de realizar por los robots. Las aplicaciones normalmente necesitan un robot poco sofisticado, y los requisitos de enclavamiento con otros equipos son típicamente simples.

Carga y descarga de máquinas.

Estas aplicaciones son de manejos de material en las que el robot se utiliza para servir a una máquina de producción transfiriendo piezas a/o desde las máquinas. Existen tres casos que caen dentro de ésta categoría de aplicación:1. Carga/Descarga de Máquinas. El robot carga una pieza de trabajo en bruto en el proceso y descarga una pieza acabada. Una operación de mecanizado es un ejemplo de este caso.

Carga de máquinas. El robot debe de cargar la pieza de trabajo en bruto a los materiales en las máquinas, pero la pieza se extrae mediante algún otro medio. En una operación de prensado, el robot se puede programar para cargar láminas de metal en la prensa, pero las piezas acabadas se permite que caigan fuera de la prensa por gravedad.

Descarga de máquinas. La máquina produce piezas acabadas a partir de materiales en bruto que se cargan directamente en la máquina sin la ayuda de robots. El robot descarga la pieza de la máquina. Ejemplos de ésta categoría incluyen aplicaciones de fundición de troquel y moldeado plástico.

La aplicación se tipifica mejor mediante una célula de trabajo con el robot en el centro que consta de la máquina de producción, el robot y alguna forma de entrega de piezas.

Operaciones de procesamiento.

Además de las aplicaciones de manejo de piezas, existe una gran clase de aplicaciones en las cuales el robot realmente efectúa trabajos sobre piezas. Este trabajo casi siempre necesita que el efector final del robot sea una herramienta en lugar de una pinza.

Por tanto la utilización de una herramienta para efectuar el trabajo es una característica distinta de este grupo de aplicaciones. El tipo de herramienta depende de la operación de procesamiento que se realiza.

Soldadura por puntos. Como el término lo sugiere, la soldadura por puntos es un proceso en el que

10


dos piezas de metal se soldán en puntos localizados al hacer pasar una gran corriente eléctrica a través de las piezas donde se efectúa la soldadura.

Soldadura por arco continúa. La soldadura por arco es un proceso de soldadura continua en oposición a la soldadura por punto que podría llamarse un proceso discontinuo. La soldadura de arco continua se utiliza para obtener uniones largas o grandes uniones soldadas en las cuales, a menudo, se necesita una cierre hermético entre las dos piezas de metal que se van a unir. El proceso utiliza un electrodo en forma de barra o alambre de metal para suministrar la alta corriente eléctrica de 100 a 300 amperes.

Recubrimiento con spray La mayoría de los productos fabricados de materiales metálicos requieren de alguna forma de acabado de pintura antes de la entrega al cliente. La tecnología para aplicar estos acabados varia en la complejidad desde métodos manuales simples a técnicas automáticas altamente sofisticadas. Se dividen los métodos de recubrimiento industrial en dos categorías:1.- Métodos de recubrimiento de flujo e inmersión.2.- Métodos de recubrimiento al spray.

Los métodos de recubrimiento mediante flujo de inmersión se suelen considerar que son métodos de aplicar pintura al producto de baja tecnología. La inmersión simplemente requiere sumergir la pieza o producto en un tanque de pintura liquida.

Además de la soldadura por punto, la soldadura por arco, y el recubrimiento al spray existe una serie de otras aplicaciones de robots que utilizan alguna forma de herramienta especializada como efector final. Operaciones que están en ésta categoría incluyen:

Taladro, acanalado, y otras aplicaciones de mecanizado. Rectificado, pulido, desbarbado, cepillado y operaciones similares. Remachado, Corte por chorro de agua. Taladro y corte por láser.

LaboratoriosLos robots están encontrando un gran número de aplicaciones en los laboratorios. Llevan a cabo con efectividad tareas repetitivas como la colocación de tubos de pruebas dentro de los instrumentos de medición. En ésta etapa de su desarrollo los robots son utilizados para realizar procedimientos manuales automatizados. Un típico sistema de preparación de muestras consiste de un robot y una estación de laboratorio, la cual contiene balanzas, dispensarios, centrifugados, racks de tubos de pruebas, etc.Las muestras son movidas desde la estación de laboratorios por el robot bajo el control de procedimientos de un programa.

11


Los fabricantes de estos sistemas mencionan tener tres ventajas sobre la operación manual: incrementan la productividad, mejoran el control de calidad y reducen la exposición del ser humano a sustancias químicas nocivas.

Las aplicaciones subsecuentes incluyen la medición del pH, viscosidad, y el porcentaje de sólidos en polímeros, preparación de plasma humano para muestras para ser examinadas, calor, flujo, peso y disolución de muestras para presentaciones espectro maticas.

Manipuladores cinemáticos.La tecnología robótica encontró su primer aplicación en la industria nuclear con el desarrollo de tele operadores para manejar material radiactivo. Los robots más recientes han sido utilizados para soldar a control remoto y la inspección de tuberías en áreas de alta radiación. El accidente en la planta nuclear de Three Mile Island en Pennsylvania en 1979 estimuló el desarrollo y aplicación de los robots en la industria nuclear. El reactor número 2 (TMI-2) predio su enfriamiento, y provocó la destrucción de la mayoría del reactor, y dejo grandes áreas del reactor contaminadas, inaccesible para el ser humano. Debido a los altos niveles de radiación las tareas de limpieza solo eran posibles por medios remotos. Varios robots y vehículos controlados remotamente han sido utilizados para tal fin en los lugares donde ha ocurrido una catástrofe de este tipo. Ésta clase de robots son equipados en su mayoría con sofisticados equipos para detectar niveles de radiación, cámaras, e incluso llegan a traer a bordo un mini laboratorio para hacer pruebas.

AgriculturaPara muchos la idea de tener un robot agricultor es ciencia ficción, pero la realidad es muy diferente; o al menos así parece ser para el Instituto de Investigación Australiano, el cual ha invertido una gran cantidad de dinero y tiempo en el desarrollo de este tipo de robots. Entre sus proyectos se encuentra una máquina que esquila a la ovejas. La trayectoria del cortador sobre el cuerpo de las ovejas se planea con un modelo geométrico de la oveja.

Para compensar el tamaño entre la oveja real y el modelo, se tiene un conjunto de sensores que registran la información de la respiración del animal como de su mismo tamaño, ésta es mandada a una computadora que realiza las compensaciones necesarias y modifica la trayectoria del cortador en tiempo real.

Debido a la escasez de trabajadores en los obradores, se desarrolla otro proyecto, que consiste en hacer un sistema automatizado de un obrador, el prototipo requiere un alto nivel de coordinación entre una cámara de vídeo y el efector final que realiza en menos de 30 segundos ocho cortes al cuerpo del cerdo.

Por su parte en Francia se hacen aplicaciones de tipo experimental para incluir

12


a los robots en la siembra, y poda de los viñedos, como en la pizca de la manzana.

EspacioLa exploración espacial posee problemas especiales para el uso de robots. El medio ambiente es hostil para el ser humano, quien requiere un equipo de protección muy costoso tanto en la Tierra como en el Espacio. Muchos científicos han hecho la sugerencia de que es necesario el uso de Robots para continuar con los avances en la exploración espacial; pero como todavía no se llega a un grado de automatización tan precisa para ésta aplicación, el ser humano aún no ha podido ser reemplazado por estos. Por su parte, son las teles operadores los que han encontrado aplicación en los transbordadores espaciales.

En Marzo de 1982 el transbordador Columbia fue el primero en utilizar este tipo de robots, aunque el ser humano participa en la realización del control de lazo cerrado.

Algunas investigaciones están encaminadas al diseño, construcción y control de vehículos autónomos, los cuales llevarán a bordo complejos laboratorios y cámaras muy sofisticadas para la exploración de otros planetas.

En Noviembre de 1970 los Rusos consiguieron el alunizaje del Lunokhod 1, el cual poseía cámaras de televisión, sensores y un pequeño laboratorio, era controlado remotamente desde la tierra. En Julio de 1976, los Norteamericanos aterrizaron en Marte el Viking 1, llevaba a bordo un brazo robotizado, el cual recogía muestras de piedra, tierra y otros elementos las cuales eran analizados en el laboratorio que fue acondicionado en el interior del robot. Por supuesto también contaba con un equipo muy sofisticado de cámaras de vídeo.

Vehículos submarinosDos eventos durante el verano de 1985 provocaron el incremento por el interés de los vehículos submarinos. En el primero - Un avión de la Air Indian se estrelló en el Océano Atlántico cerca de las costas de Irlanda - un vehículo submarino guiado remotamente, normalmente utilizado para el tendido de cable, fue utilizado para encontrar y recobrar la caja negra del avión. El segundo fue el descubrimiento del Titanic en el fondo de un cañón, donde había permanecido después del choque con un iceberg en 1912, cuatro kilómetros abajo de la superficie. Un vehículo submarino fue utilizado para encontrar, explorar y filmar el hallazgo.

En la actualidad muchos de estos vehículos submarinos se utilizan en la inspección y mantenimiento de tuberías que conducen petróleo, gas o aceite en las plataformas oceánicas; en el tendido e inspección del cableado para comunicaciones, para investigaciones geológicas y geofísicas en el suelo marino.

13


La tendencia hacia el estudio e investigación de este tipo de robots se incrementará a medida que la industria se interese aún más en la utilización de los robots, sobra mencionar los beneficios que se obtendrían si se consigue una tecnología segura para la exploración del suelo marino y la explotación del mismo.

EducaciónLos robots están apareciendo en los salones de clases de tres distintas formas. Primero, los programas educacionales utilizan la simulación de control de robots como un medio de enseñanza. Un ejemplo palpable es la utilización del lenguaje de programación del robot Karel, el cual es un subconjunto de Pascal; este es utilizado por la introducción a la enseñanza de la programación.

El segundo y de uso más común es el uso del robot tortuga en conjunción con el lenguaje LOGO para enseñar ciencias computacionales. LOGO fue creado con la intención de proporcionar al estudiante un medio natural y divertido en el aprendizaje de las matemáticas.

En tercer lugar está el uso de los robots en los salones de clases. Una serie de manipuladores de bajo costo, robots móviles, y sistemas completos han sido desarrollados para su utilización en los laboratorios educacionales. Debido a su bajo costo muchos de estos sistemas no poseen una fiabilidad en su sistema mecánico, tienen poca exactitud, no existen los sensores y en su mayoría carecen de software.

Es necesario hacer mención de los problemas de tipo social, económicos e incluso político, que puede generar una mala orientación de robotización de la industria. Se hace indispensable que la planificación de los recursos humanos, tecnológicos y financieros se realice de una manera inteligente. El mercado de la robótica y las perspectivas futuras que se tienen son diversos.

Las ventas anuales para robots industriales han ido creciendo en Estados Unidos a razón del 25% de acuerdo a estadísticas del año 1981 a 1992. El incremento de ésta tasa se debe a factores muy diversos. En primer lugar, hay más personas en la industria que tienen conocimiento de la tecnología y de su potencial para sus aplicaciones de utilidad. En segundo lugar, la tecnología de la robótica mejorará en los próximos años de manera que hará a los robots más amistosos con el usuario, más fáciles de interconectar con otro hardware y más sencillos de instalar.

En tercer lugar, que crece el mercado, son previsibles economías de escala en la producción de robots para proporcionar una reducción en el precio unitario, lo que haría los proyectos de aplicaciones de robots más fáciles de justificar. En cuarto lugar se espera que el mercado de la robótica sufra una expansión más allá de las grandes empresas, que ha sido el cliente tradicional para ésta tecnología, y llegue a las empresas de tamaño mediano, pequeño y por qué no; las microempresas. Estas circunstancias darán un notable incremento en las

14


bases de clientes para los robots.

La robótica es una tecnología con futuro y también para el futuro. Si continúan las tendencias actuales, y si algunos de los estudios de investigación en el laboratorio actualmente en curso se convierten finalmente en una tecnología factible, los robots del futuro serán unidades móviles con uno o más brazos, capacidades de sensores múltiples y con la misma potencia de procesamiento de datos y de cálculo que las grandes computadoras actuales. Serán capaces de responder a órdenes dadas con voz humana. Así mismo serán capaces de recibir instrucciones generales y traducirlas, con el uso de la inteligencia artificial en un conjunto específico de acciones requeridas para llevarlas a cabo. Podrán ver, oír, palpar, aplicar una fuerza media con precisión a un objeto y desplazarse por sus propios medios.

En resumen, los futuros robots tendrían muchos de los atributos de los seres humanos. Es difícil pensar que los robots llegarán a sustituir a los seres humanos en el sentido de la obra de Carel Kapek, Robots Universales de Rossum. Por el contrario, la robótica es una tecnología que solo puede destinarse al beneficio de la humanidad. Sin embargo, como otras tecnologías, hay peligros potenciales implicados y deben establecerse salvaguardas para no permitir su uso pernicioso.

El paso del presente al futuro exigirá mucho trabajo de ingeniería mecánica, ingeniería electrónica, informática, ingeniería industrial, tecnología de materiales, ingenierías de sistemas de fabricación y ciencias sociales.

2 Redes neuronales

Las Redes Neuronales (RN) fueron originalmente una simulación abstracta de los sistemas nerviosos biológicos, formados por un conjunto de unidades llamadas "neuronas" o "nodos" conectadas unas con otras. Estas conexiones

15


tienen una gran semejanza con las dendritas y losaxones en los sistemas nerviosos biológicos.

En términos generales, el Primer modelo de red neuronal fue propuesto en 1943 por McCulloch y Pitts en términos de un modelo computacional de "actividad nerviosa". El modelo de McCulloch-Pitts es un modelo binario, y cada neurona tiene un escalón o umbral prefijado. Este primer modelo sirvió de ejemplo para los modelos posteriores de John Von Neumann, Marvin Minsky, Frank Rosenblat, y muchos otros.

Historia de las redes neuronales.

1936 - Alan Turing. Fue el primero en estudiar el cerebro como una forma de ver el mundo de la computación. Sin embargo, los primeros teóricos que concibieron los fundamentos de la computación neuronal fueron Warren McCulloch, un neurofisiólogo, y Walter Pitts, un matemático, quienes, en 1943, lanzaron una teoría acerca de la forma de trabajar de las neuronas (Un Cálculo Lógico de la Inminente Idea de la Actividad Nerviosa - Boletín de Matemática Biofísica 5: 115-133). Ellos modelaron una red neuronal simple mediante circuitos eléctricos.

1949 - Donald Hebb. Fue el primero en explicar los procesos del aprendizaje (que es el elemento básico de la inteligencia humana) desde un punto de vista psicológico, desarrollando una regla de como el aprendizaje ocurría. Aun hoy, este es el fundamento de la mayoría de las funciones de aprendizaje que pueden hallarse en una red neuronal. Su idea fue que el aprendizaje ocurría cuando ciertos cambios en una neurona eran activados. También intentó encontrar semejanzas entre el aprendizaje y la actividad nerviosa. Los trabajos de Hebb formaron las bases de la Teoría de las Redes Neuronales.

1950 - Karl Lashley. En sus series de ensayos, encontró que la información no era almacenada en forma centralizada en el cerebro sino que era distribuida encima de él.

1956 - Congreso de Dartmouth. Este Congreso frecuentemente se menciona para indicar el nacimiento de la inteligencia artificial.

1957 - Frank Rosenblatt. Comenzó el desarrollo del Perceptron. Esta es la red neuronal más antigua; utilizándose hoy en día para aplicación como identificador de patrones. Este modelo era capaz de generalizar, es decir, después de haber aprendido una serie de patrones podía reconocer otros similares, aunque no se le hubiesen presentado en el entrenamiento. Sin embargo, tenía una serie de limitaciones, por ejemplo, su incapacidad para resolver el problema de la función OR-exclusiva y, en general, era incapaz de clasificar clases no separables linealmente.

1959 - Frank Rosenblatt: Principios de Neurodinámica. En este libro confirmó que, bajo ciertas condiciones, el aprendizaje del Perceptron convergía hacia un estado finito (Teorema de Convergencia del Perceptron).

16


1960 - Bernard Widroff/Marcian Hoff. Desarrollaron el modelo Adaline (ADAptative LINear Elements). Esta fue la primera red neuronal aplicada a un problema real (filtros adaptativos para eliminar ecos en las líneas telefónicas) que se ha utilizado comercialmente durante varias décadas.

1961 - Karl Steinbeck: Die Lernmatrix. Red neuronal para simples realizaciones técnicas (memoria asociativa). 1969 - Marvin Minsky/Seymour Papert. En este año casi se produjo la “muerte abrupta” de las Redes Neuronales; ya que Minsky y Papert probaron (matemáticamente) que el Perceptrons no era capaz de resolver problemas relativamente fáciles, tales como el aprendizaje de una función no-lineal. Esto demostró que el Perceptron era muy débil, dado que las funciones no-lineales son extensamente empleadas en computación y en los problemas del mundo real.

1974 - Paul Werbos. Desarrolló la idea básica del algoritmo de aprendizaje de propagación hacia atrás (backpropagation); cuyo significado quedó definitivamente aclarado en 1985.

1977 - Stephen Grossberg: Teoría de Resonancia Adaptada (TRA). La Teoría de Resonancia Adaptada es una arquitectura de red que se diferencia de todas las demás previamente inventadas. La misma simula otras habilidades del cerebro: memoria a largo y corto plazo.

1985 - John Hopfield. Provocó el renacimiento de las redes neuronales con su libro: “Computación neuronal de decisiones en problemas de optimización.”

1986 - David Rumelhart/G. Hinton. Redescubrieron el algoritmo de aprendizaje de propagación hacia atrás (backpropagation). A partir de 1986, el panorama fue alentador con respecto a las investigaciones y el desarrollo de las redes neuronales. En la actualidad, son numerosos los trabajos que se realizan y publican cada año, las aplicaciones nuevas que surgen (sobre todo en el área de control) y las empresas que lanzan al mercado productos nuevos, tanto hardware como software (sobre todo para simulación).

2.1 Conceptos básicos

Redes Neuronales: son una rama de la Inteligencia Artificial. En las redes neuronales el conocimiento se incorpora mediante el aprendizaje a partir de ejemplos.

2.2 Clasificación

Una primera clasificación de los modelos de RN podría ser, atendiendo a su similitud con la realidad biológica:

Los modelos de tipo biológico. Este comprende las redes que tratan de simular los sistemas neuronales biológicos así como las funciones auditivas o algunas funciones básicas de la visión.

17


El modelo dirigido a aplicación. Estos modelos no tienen por qué guardar similitud con los sistemas biológicos. Sus arquitecturas están fuertemente ligadas a las necesidades de las aplicaciones para las que son diseñados.

Redes Neuronales de tipo Biológico

Se estima que el cerebro humano contiene más de cien mil millones de neuronas y sinapsis en el sistema nervioso humano. Estudios sobre la anatomía del cerebro humano concluyen que hay más de 1000 sinapsis a la entrada y a la salida de cada neurona. Es importante notar que aunque el tiempo de conmutación de la neurona (unos pocos milisegundos) es casi un millón de veces menor que en las actuales elementos de las computadoras, ellas tienen una conectividad miles de veces superior que las actuales supercomputadoras.

El objetivo principal de las redes neuronales de tipo biológico es desarrollar un elemento sintético para verificar las hipótesis que conciernen a los sistemas biológicos.

Las neuronas y las conexiones entre ellas (sinapsis) constituyen la clave para el procesado de la información.

La mayor parte de las neuronas poseen una estructura de árbol llamadas dendritas que reciben las señales de entrada que vienen de otras neuronas a través de las uniones llamadas sinapsis. Algunas neuronas se comunican solo con las cercanas, mientras que otras se conectan con miles. Hay tres partes en una neurona:

1.- el cuerpo de la neurona

2.- ramas de extensión llamadas dentrías para recibir las entradas, y

3.- un axón que lleva la salida de la neurona a las desdirías de otras neuronas.

La forma que dos neuronas interactúan no está totalmente conocida, dependiendo además de cada neurona. En general, una neurona envía su salida a otras por su axón. El axón lleva la información por medio de diferencias de potencial, u ondas de corriente, que depende del potencial de la neurona. Este proceso es a menudo modelado como una regla de propagación representada por la función de red u(.). La neurona recoge las señales por su sinapsis sumando todas las influencias excitadoras e inhibidoras. Si las influencias excitadoras positivas dominan, entonces la neurona da una señal positiva y manda este mensaje a otras neuronas por sus sinapsis de salida. En este sentido la neurona puede ser modelada como una simple función escalón f(.). Como se muestra en la próxima figura, la neurona se activa si la fuerza combinada de la señal de entrada es superior a un cierto nivel, en el caso general el valor de activación de la neurona viene dado por una función de activación f(.).

18


Redes Neuronales para aplicaciones concretas

Las RN dirigidas a aplicación están en general poco ligadas a las redes neuronales biológicas. Ya que el conocimiento que se posee sobre el sistema nervioso en general no es completo, se han de definir otras funcionalidades y estructuras de conexión distintas a las vistas desde la perspectiva biológica. Las características principales de este tipo de RN son los siguientes:

Auto Organización y Adaptabilidad: utilizan algoritmos de aprendizaje adaptativo y auto organización, por lo que ofrecen posibilidades de procesado robusto y adaptativo.

Procesado No Lineal: aumenta la capacidad de la red de aproximar, clasificar y su inmunidad frente al ruido.

Procesado paralelo: normalmente se usa un gran número de células de procesado por el alto nivel de interconectividad.

Estas características juegan un importante papel en las RN aplicadas al procesado de señal e imagen. Una red para una determinada aplicación presenta una arquitectura muy concreta, que comprende elementos de procesado adaptativo masivo paralelo combinadas con estructuras de interconexión de red jerárquica.


Las redes neuronales pueden utilizarse en un gran número y variedad de aplicaciones, tanto comerciales como militares. Se pueden desarrollar redes neuronales en un periodo de tiempo razonable, con la capacidad de realizar tareas concretas mejor que otras tecnologías. Cuando se implementan mediante hardware (redes neuronales en chips VLSI), presentan una alta tolerancia a fallos del sistema y proporcionan un alto grado de paralelismo en el procesamiento de datos. Esto posibilita la inserción de redes neuronales de bajo coste en sistemas existentes y recientemente desarrollados.

Hay muchos tipos diferentes de redes neuronales; cada uno de los cuales tiene una aplicación particular más apropiada. Algunas aplicaciones comerciales son:

Biología:

- Aprender más acerca del cerebro y otros sistemas.

- Obtención de modelos de la retina.

Empresa:

- Evaluación de probabilidad de formaciones geológicas y petrolíferas.

- Identificación de candidatos para posiciones específicas.

- Explotación de bases de datos.

19


- Optimización de plazas y horarios en líneas de vuelo.

- Optimización del flujo del tránsito controlando convenientemente la temporización de los semáforos.

- Reconocimiento de caracteres escritos.

- Modelado de sistemas para automatización y control.

Medio ambiente:

- Analizar tendencias y patrones.

- Previsión del tiempo.

Finanzas:

- Previsión de la evolución de los precios.

- Valoración del riesgo de los créditos.

- Identificación de falsificaciones.

- Interpretación de firmas.

Manufacturación:

- Robots automatizados y sistemas de control (visión artificial y sensores de presión, temperatura, gas, etc.).

- Control de producción en líneas de procesos.

- Inspección de la calidad.

Medicina:

- Analizadores del habla para ayudar en la audición de sordos profundos.

- Diagnóstico y tratamiento a partir de síntomas y/o de datos analíticos (electrocardiograma, encefalogramas, análisis sanguíneo, etc.).

- Monitorización en cirugías.

- Predicción de reacciones adversas en los medicamentos.

- Entendimiento de la causa de los ataques cardíacos.

Militares:

- Clasificación de las señales de radar.

- Creación de armas inteligentes.

- Optimización del uso de recursos escasos.

- Reconocimiento y seguimiento en el tiro al blanco.

20


La mayoría de estas aplicaciones consisten en realizar un reconocimiento de patrones, como ser: buscar un patrón en una serie de ejemplos, clasificar patrones, completar una señal a partir de valores parciales o reconstruir el patrón correcto partiendo de uno distorsionado. Sin embargo, está creciendo el uso de redes neuronales en distintos tipos de sistemas de control.

Desde el punto de vista de los casos de aplicación, la ventaja de las redes neuronales reside en el procesado paralelo, adaptativo y no lineal. El dominio de aplicación de las redes neuronales también se lo puede clasificar de la siguiente forma: asociación y clasificación, regeneración de patrones, regresión y generalización, y optimización.

3 Visión artificial

La visión artificial, también conocida como visión por computador (del inglés computer visión) o visión técnica, es un subcampo de la inteligencia artificial. El propósito de la visión artificial es programar una computadora para que "entienda" una escena o las características de una imagen.Los objetivos típicos de la visión artificial incluyen:

La detección, segmentación, localización y reconocimiento de ciertos objetos en imágenes (por ejemplo, caras humanas).

La evaluación de los resultados (por ejemplo, segmentación, registro).

Registro de diferentes imágenes de una misma escena u objeto, es decir, hacer concordar un mismo objeto en diversas imágenes.

Seguimiento de un objeto en una secuencia de imágenes.

Mapeo de una escena para generar un modelo tridimensional de la escena; este modelo podría ser usado por un robot para navegar por la escena.

Estimación de las posturas tridimensionales de humanos.

Búsqueda de imágenes digitales por su contenido.

Estos objetivos se consiguen por medio de reconocimiento de patrones, aprendizaje estadístico, geometría de proyección, procesamiento de imágenes, teoría de grafos y otros campos. La visión artificial cognitiva está muy relacionada con la psicología cognitiva y la computación biológica.

3.1 Conceptos besicos

Se puede definir la “Visión Artificial” como un campo de la “Inteligencia Artificial” que, mediante la utilización de las técnicas adecuadas, permite la obtención, procesamiento y análisis de cualquier tipo de información especial obtenida a través de imágenes digitales.

21


La visión artificial la componen un conjunto de procesos destinados a realizar el análisis de imágenes. Estos procesos son: captación de imágenes, memorización de la información, procesado e interpretación de los resultados.

Con la visión artificial se pueden: Automatizar tareas repetitivas de inspección realizadas por operadores. Realizar controles de calidad de productos que no era posible verificar por métodos tradicionales.

Realizar inspecciones de objetos sin contacto físico. Realizar la inspección del 100% dela producción (calidad total) a gran velocidad. Reducir el tiempo de ciclo en procesos automatizados. Realizar inspecciones en procesos donde existe diversidad de piezas con cambios frecuentes de producción.


Con la visión artificial se pueden:

Automatizar tareas repetitivas de inspección realizadas por operadores. Realizar controles de calidad de productos que no era posible verificar

por métodos tradicionales. Realizar inspecciones de objetos sin contacto físico. Realizar la inspección del 100% de la producción (calidad total) a

gran velocidad. Reducir el tiempo de ciclo en procesos automatizados. Realizar inspecciones en procesos donde existe diversidad de piezas

con cambios frecuentes de producción.

Las principales aplicaciones de la visión artificial en la industria actual son:

Identificación e inspección de objetos. Determinación de la posición de los objetos en el espacio. Establecimiento de relaciones espaciales entre varios objetos (guiado de

robots) Determinación de las coordenadas importantes de un objeto. Realización de mediciones angulares. Mediciones tridimensionales.

4 Lógica difusa

22


Fuzzy Logic tiene sus raíces en la teoría de conjuntos difusos desarrollada por Zadeh en la década de los 60, la que propone que un elemento siempre pertenece en un cierto grado a un conjunto y nunca pertenece del todo al mismo, esto permite establecer una manera eficiente para trabajar con incertezas, así como para acondicionar el conocimiento en forma de reglas hacia un plano cuantitativo, factible de ser procesado por computadores.

Toda lógica consiste en formalizar el pensamiento humano, desde este punto de vista,

Lógica Clásica: Establece que cualquier enunciado o proposición puede tener un valor lógico verdadero o falso, en definitiva 1 y 0. De esta forma es posible desarrollar toda una lógica basada en leyes de este tipo.

Lógica Difusa: En vez de trabajar con el clásico concepto de inclusión o exclusión, introduce una función que expresa el grado de “pertenencia” de una variable hacia un atributo o “variable lingüística” tomando valores en el rango de 0 a 1.

Conjunto Difuso: Par Variable lingüística – función de pertenencia

A = {x / µ A (x) ∀ x ∈ X}

Ventajas

La principal ventaja de utilizar términos lingüísticos como: a medias, bastante, casi, un poco, mucho, algo, etc., está en que permite plantear el problema en los mismos términos en los que lo haría un experto humano.

El éxito de esta técnica radica en que “El mundo es Fuzzy”. En otras palabras, no tiene sentido buscar la solución a un problema no perfectamente definido por medio de un planteamiento matemático muy exacto, cuando es el ser humano el primero que razona empleando la inexactitud.

23


En inteligencia artificial, la lógica difusa, o lógica borrosa se utiliza para la resolución de una variedad de problemas, principalmente los relacionados con control de procesos industriales complejos y sistemas de decisión en general, la resolución y la compresión de datos. Los sistemas de lógica difusa están también muy extendidos en la tecnología cotidiana, por ejemplo en cámaras digitales, sistemas de aire acondicionado, lavarropas, etc. Los sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con la ventaja de ser mucho más rápidos. Estos sistemas son generalmente robustos y tolerantes a imprecisiones y ruidos en los datos de entrada. Algunos lenguajes de programación lógica que han incorporado la lógica difusa serían por ejemplo las diversas implementaciones de Fuzzy PROLOG o el lenguaje Fril.

Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento humano en la programación de computadoras. Con la lógica convencional, las computadoras pueden manipular valores estrictamente duales, como verdadero/falso, sí/no o ligado/desligado. En la lógica difusa, se usan modelos matemáticos para representar nociones subjetivas, como caliente/tibio/frío, para valores concretos que puedan ser manipuladas por los ordenadores.

En este paradigma, también tiene un especial valor la variable del tiempo, ya que los sistemas de control pueden necesitar retroalimentarse en un espacio concreto de tiempo, pueden necesitarse datos anteriores para hacer una evaluación media de la situación en un período anterior.

4.1 Conceptos basicos

La lógica difusa es una extensión de la lógica tradicional (Booleana) que utiliza conceptos de pertenencia de sets más parecidos a la manera de pensar humana.

La lógica difusa no usa valores exactos como 1 o 0 pero usa valores entre 1 y 0 (inclusive) que pueden indican valores intermedios (Ej. 0, 0.1, 0.2,…,0.9, 1.0, 1.1,…etc.)

La lógica difusa también incluye los valores 0 y 1 entonces se puede considerar como un súperset o extensión de la lógica exacta.

El concepto de un subset difuso fue introducido por L.A. Zadeh en 1965 como una generalización de un subset exacto (crisp subset) tradicional.

Los subsets exactos usan lógica Booleana con valores exactos como por ejemplo la lógica binaria que usa valores de 1 o 0 para sus operaciones.

4.2 Desarrollos actuales y aplicaciones.

24


La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el problema, cuando los problemas son lineales o cuando no tienen solución.

Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón, extendiéndose sus aplicaciones a multitud de campos. La primera vez que se usó de forma importante fue en el metro japonés, con excelentes resultados. Posteriormente se generalizó según la teoría de la incertidumbre desarrollada por el matemático y economista español Jaume Gil Aluja.

A continuación se citan algunos ejemplos de su aplicación:

Sistemas de control de acondicionadores de aire Sistemas de foco automático en cámaras fotográficas Electrodomésticos familiares (frigoríficos, lavadoras...) Optimización de sistemas de control industriales Sistemas de escritura Mejora en la eficiencia del uso de combustible en motores Sistemas expertos del conocimiento (simular el comportamiento de un

experto humano) Tecnología informática Bases de datos difusas: Almacenar y consultar información imprecisa.

Para este punto, por ejemplo, existe el lenguaje FSQL. ...y, en general, en la gran mayoría de los sistemas de control que no

dependen de un Sí/No.

5 Procesamiento de lenguaje natural.

25


El recurso más importante que posee la raza humana es conocimiento, o sea información. En la época actual de información, del manejo eficiente de este conocimiento depende el uso de todos los demás recursos naturales, industriales y humanos.

Durante toda la historia de humanidad el conocimiento, en su mayor parte se comunica, se guarda y se maneja en la forma de lenguaje natural –griego, latín, inglés, español, etc. La época actual no es ninguna excepción: el conocimiento sigue existiendo y creándose en la forma de documentos, libros, artículos, aunque éstos se guardan en forma electrónica, o sea digital. El gran avance es que en esta forma, las computadoras ya pueden ser una ayuda enorme en el procesamiento de este conocimiento.

Sin embargo, lo que es conocimiento para nosotros –los seres humanos– no lo es para las computadoras. Son los archivos, unas secuencias de caracteres, y nada más. Una computadora puede copiar tal archivo, respaldarlo, transmitirlo, borrarlo –como un burócrata que pasa los papeles a otro burócrata sin leerlos. Pero no puede buscar las respuestas a las preguntas en este texto, hacer las inferencias lógicas sobre su contenido, generalizar y resumirlo –es decir, hacer todo lo que las personas normalmente hacemos con el texto. Porque no lo puede entender.

Para combatir esta situación, se dedica mucho esfuerzo, sobre todo en los países más desarrollados del mundo, al desarrollo de la ciencia que se encarga de habilitar a las computadoras a entender el texto. Esta ciencia, en función del enfoque práctico versus teórico, del grado en el cual se espera lograr la comprensión y de otros aspectos tiene varios nombres: procesamiento de lenguaje natural, procesamiento de texto, tecnologías de lenguaje, lingüística computacional. En todo caso, se trata de procesar el texto por su sentido y no como un archivo binario.

El esquema general de la mayoría de los sistemas y métodos que involucran el procesamiento de lenguaje es el siguiente:

Primero, el texto no se procesa directamente si no se transforma en una representación formal que preserva sus características relevantes para la tarea o el método específico (por ejemplo, un conjunto de cadenas de letras, una tabla de base de datos, un conjunto de predicados lógicos, etc.).

Luego, el programa principal manipula esta representación, transformándola según la tarea, buscando en ella las subestructuras necesarias, etc.

Finalmente, si es necesario, los cambios hechos a la representación formal (o la respuesta generada en esta forma) se transforman en el lenguaje natural.

Entre las tareas principales del procesamiento de lenguaje natural se puede mencionar:

26


Recuperación de información,

Interfaces en lenguaje natural,

Traducción automática.

5.1 Conceptos basicos.

El procesamiento del lenguaje natural es una subrama de la inteligencia artificial y de la lingüística. También se suele referir a esta rama de la informática de forma abreviada como PLN o NLP, del inglés Natural Lenguaje Processing. El fin del PLN es construir sistemas y mecanismos que permitan la comunicación entre personas y máquinas por medio de lenguajes naturales. Además, trata de que los mecanismos que permitan esa comunicación sean lo más eficaces posibles, computacionalmente hablando. En definitiva, se busca poder crear programas que puedan analizar, entender y generar lenguajes que los humanos utilizan habitualmente, de manera que el usuario pueda llegar a comunicarse con el ordenador de la misma forma que lo haría con un humano.


Traducción automática: gracias al Procesamiento del Lenguaje Natural, ha sido posible llevar a cabo esta tarea, la traducción de manera automática a través de máquinas. Ha sido un pensamiento que ha estado presente desde la aparición de los ordenadores.

Resúmenes automáticos: el PLN, también se ha encargado de mejorar las herramientas que intentan realizar resúmenes de manera automática de un texto dado. Gracias al Procesamiento del Lenguaje

27


Natural, esta tarea puede ser mejorada con el paso de tiempo, aunque aún tiene algunas cuestiones pendientes.

6 sistemas expertos

Los sistemas expertos utilizados en inteligencia artificial son software que emula el comportamiento de un experto humano en la solución de un problema. Los sistemas expertos funcionan de manera que almacenan conocimientos concretos para un campo determinado y solucionan los problemas, utilizando esos conocimientos, mediante deducción lógica de conclusiones. Con ellos se busca una mejora en calidad y rapidez de respuestas dando así lugar a una mejora de la productividad del experto.

Los sistemas expertos pueden estar basados en reglas, es decir, disponen de unos conocimientos predefinidos que se utilizan para tomar todas las decisiones (aplicando heurística), o basados en casos (CBR, Case Based Reasoning), aplicando el razonamiento basado en casos, donde la solución a un problema similar planteado con anterioridad se adapta a un nuevo problema.

Figura 5 - Sistema experto y humano experto

Para los verdaderos expertos humanos supone un gran apoyo que reduce tiempo y, en ocasiones puede realizar tareas por sí mismo. Pero, para que un sistema experto sea una herramienta efectiva debe de poseer dos capacidades: por un lado debe ser posible explicar los razonamientos del sistema experto, por otro debe ser capaz de integrar nuevos conocimientos así como modificar sus conocimientos obtenidos por otros mejorados.

6.1 Conceptos basicos

Son programas de computación que se derivan de una rama de la investigación informática llamada Inteligencia Artificial (IA). El objetivo científico de la IA es entender la inteligencia. Está referida a los conceptos y a los métodos de

28

https://sites.google.com/site/proyectointeligenciaartificial/indice/los-sistemas-expertos/sistema%20experto.jpg?attredirects=0


inferencia simbólica, o de razonamiento por computadora, y cómo el conocimiento usado para hacer esas inferencias será representado dentro de la máquina. El término inteligencia cubre muchas habilidades conocidas, incluyendo la capacidad de solucionar problemas, de aprender y de entender lenguajes; la IA dirige todas estas habilidades. La mayoría de los esfuerzos en IA se han hecho en el área de solucionar los problemas, los conceptos y los métodos para construir los programas que razonan acerca de los problemas y que luego calculan una solución.

Los programas de IA que logran la capacidad experta de solucionar problemas aplicando las tareas específicas del conocimiento se llaman Sistemas Basado en Conocimiento o Sistemas Expertos. A menudo, el término sistemas expertos se reserva para los programas que contienen el conocimiento usado por los humanos expertos, encontraste al conocimiento recolectado por los libros de textos. Los términos, sistemas expertos (ES) y sistemas basados en conocimiento (KBS), se utilizan como sinónimos. Tomados juntos representan el tipo más extenso de aplicación de IA.

El área del conocimiento intelectual humano para ser capturado en un sistema experto séllame el dominio de la tarea. La tarea se refiere a una cierta meta orientada, actividad de solucionar el problema. El dominio se refiere al área dentro de la cual se está realizando la tarea.

Las tareas típicas son el diagnóstico, hojas de operación (planning), la programación, configuración y diseño. Un ejemplo de dominio de una tarea es la programación del equipo de un avión.

La construcción de un sistema experto se llama ingeniería del conocimiento y sus médicos son los ingenieros del conocimiento. El ingeniero del conocimiento debe cerciorarse de que el ordenador tenga todo el conocimiento necesario para solucionar un problema. También debe elegir una o más formas en las cuales representar el conocimiento requerido en la memoria del ordenador, es decir, él debe elegir una representación del conocimiento. Él debe también asegurarse de que la computadora pueda utilizar eficientemente el conocimiento, seleccionando de un conjunto de métodos de razonamiento.

El espectro de aplicaciones de la tecnología de los sistemas expertos a los problemas industriales y comerciales es tan amplio debido a la fácil caracterización del desafió. Las aplicaciones encuentran su perfil en la mayoría de las áreas del trabajo del conocimiento. Las aplicaciones se agrupan en siete clases importantes.

6.2 Clasificación

29


Análisis (interpretación): Identificación,Monitoreo,Diagnóstico,Predicción, Control.

Síntesis (construcción): Especificación, Diseño, Configuración, Planeación, Ensamble, Modificación.


1.- Sistema Experto para Diagnóstico de Plagas Insectiles de Maíz (Zea mays L.) en Centro América.

2.- Desarrollo y evaluación de un sistema experto (prototipo) que auxilie en el proceso de irrigación del cultivo de maíz en Aguascalientes. 3.- PROMETEO: Un Sistema Experto para el Pronóstico Meteorológico Local basado en Redes Neuronales y Cálculo de Análogas. 4.-Sistema experto de ergonomía aplicada. 5.- Sistemas expertos para la enseñanza y el aprendizaje de la matemática en la educación superior.

BIBLIOGRAFIAS

http://citic-research.org/area_tecnologica/2?locale=es

http://www.taringa.net/posts/ciencia-educacion/15010274/Unidad-5---Aplicaciones-con-tecnicas-de-I-Artificial.html

http://inteligenciaartificial-isc.blogspot.mx/p/unidad-5-aplicaciones-con-tecnicas-de-ia.html

lógica difusa http://www.profesaulosuna.com/data/files/ELECTRONICA/LOGICA%20DIFUSA/TextoAplicaciones.pdf

procesamiento del lenguaje natural

http://disi.unal.edu.co/~lctorress/iartificial/IAc016.pdf

http://www.youtube.com/watch?v=UCL-b093l_Q&feature=fvwrel

http://www.youtube.com/watch?v=ddnWkCJwXaI

http://www.youtube.com/watch?v=PFU_gfio8WA

http://www.youtube.com/watch?v=h38G3ZM7zc8

http://www.youtube.com/watch?v=lGcbGfIyZV8

http://www.youtube.com/watch?v=uub916wsGRE

30

http://www.youtube.com/watch?v=uub916wsGRE

http://www.youtube.com/watch?v=lGcbGfIyZV8

http://www.youtube.com/watch?v=h38G3ZM7zc8

http://www.youtube.com/watch?v=PFU_gfio8WA



http://disi.unal.edu.co/~lctorress/iartificial/IAc016.pdf

http://www.profesaulosuna.com/data/files/ELECTRONICA/LOGICA%20DIFUSA/TextoAplicaciones.pdf%C2%A0

http://www.profesaulosuna.com/data/files/ELECTRONICA/LOGICA%20DIFUSA/TextoAplicaciones.pdf%C2%A0





http://citic-research.org/area_tecnologica/2?locale=es


[1] Álvarez, Hernán D. “Control Difuso y Sistemas de Control Inteligentes” en Memorias del Segundo

Congreso de la Asociación Colombiana de Automática, Bucaramanga, Colombia, marzo de 1997, pp 331-

340.

31

fabian isidoro quino ia

Documents

conceptos bsicos

desarrollo actuales

sistemas mecnicos

sistemas expertos

diagnsticos de sistemas

optimizacin de sistemas

desarrollos actuales

sistemas de lgica difusa