You are on page 1of 46

1

INTELIGENCIA ARTIFICIAL Y
APRENDIZAJE AUTOMÁTICO

Dr. Gerardo Reyes Salgado
INTELIGENCIA ARTIFICIAL
Web: www.cenidet.edu.mx
- IEEE PERÚ - NOVIEMBRE 09 IA
2

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
3

PLAN DE LA PRESENTACIÓN

1. El aprendizaje en los seres humanos y en
los sistemas artificiales .
2. Áreas de la Inteligencia Artificial (I.A.).
3. Aplicaciones de la I.A.
4. Tendencias de la I.A.
5. Aprendizaje automático.
6. Conclusiones.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
4

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
5

INTELIGENCIA
HUMANA
Facultad de comprender, de conocer. Aptitud de
establecer relaciones entre las percepciones
sensoriales o para abstraer y asociar conceptos.

ARTIFICIAL (I.A.) 
Campo de estudio que se enfoca a la explicación y
emulación de la conducta inteligente en función de
procesos computacionales. 

Consiste en programar computadoras para que hagan
tareas que actualmente son hechas mejor por los seres
humanos, tales como el aprendizaje perceptual, toma
de decisiones, razonamiento, etc.
INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
6

DOS VISIONES DE LA I.A.
¿Para que una entidad sea considerada inteligente basta
con que se comporte inteligentemente, o además, debe
razonar de forma inteligente?

1. Desarrollar una tecnología capaz de suministrar a la
computadora capacidades de razonamiento similares a
las de la inteligencia humana (Resultados en la
utilidad y no en el método).

2. Investigar los mecanismos de la inteligencia humana
para utilizar a la computadora como herramienta de
simulación para la validación de teorías (Enfoque de
las ciencias cognitivas: descubrir en qué consiste la
inteligencia).
INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
7

QUÉ ESPERAMOS DE UN
SISTEMA INTELIGENTE
Una computadora “inteligente” debería ser capaz de
realizar algunas funciones “inteligentes” tales como:

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
8

VEAMOS ALGUNOS
EJEMPLOS DE SISTEMAS QUE
APRENDEN . . .

VIDEOS
Torneo de robots futbolistas

 El robot QRIO

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
9

UNA GRAN PREGUNTA. . .

QUÉ ES EL
APRENDIZAJE

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
10

EL APRENDIZAJE EN LA PSICOLOGÍA

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

- Caminar
Instinto - Volar Cuando hay un
o propósito, SI es
- Nadar
madurez
aprendizaje
biológica - Comer, etc.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
11

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

- Psicología cognitiva
- Didáctica y ciencias de la educación
- Psicología animal
- Neurociencias
Disciplinas
- Neuropediatría
implicadas
- Psicopatología del niño
- Historia y antropología

- Inteligencia Artificial

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
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”

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
13

ORIGEN DEL APRENDIZAJE EN HUMANOS Y
SISTEMAS ARTIFICIALES

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
14

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
15

1. PROCESAMIENTO DEL LENGUAJE NATURAL (PLN) 

Manejo del lenguaje natural para poder establecer una
comunicación satisfactoria.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
16

APLICACIONES DEL PLN

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
17

2. RECONOCIMIENTO DE PATRONES VISUALES 

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

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
18

Base de conocimientos
RECONOCIMIENTO
Clase 1
Vector de
características
Imagen de entrada
(X1,1, X1,2, . . . X1,n)
Clasificador

Clase 2

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

Clase 3 •

(X1, X2, . . . Xn) •

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
19

3. REPRESENTACIÓN Y ADQUISICIÓN DE CONOCIMIENTOS

4,3
A B
C 4,0 0,3
D
E
1,3

0,3 1,0
(Xm,1, Xm,2, . . .Xm,n)

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
20

4. APRENDIZAJE AUTOMÁTICO

Aprendizaje :
Prueba y error
Por experiencia
Mediante árboles de
identificación
Redes neuronales
Evolución simulada

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
21

5. RAZONAMIENTO AUTOMÁTICO

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

PROBLEMA

Heurística
Algoritmo

I.A. SI !!
NO !!

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
22

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
23

TEMA 3

APLICACIONES DE LA I.A.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
24

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
25

MÁS APLICACIONES 
Identificación de personas. 
Construcciones inteligentes. 
Interfaces inteligentes. 

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
26

TEMA 4

TENDENCIAS DE LA I.A.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
27

TENDENCIAS DE LA IA 

Prueba de Turing 
Deep blue (ajedrez ‘97). 
Copa mundial de robots
(Robocup). 
Aplicaciones de
procesamiento en paralelo. 
Knowbots. 

Web inteligentes. 

Recuperación de
información. 
Vehículos autónomos.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
28

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

Esfuerzos colaborativos comunitarios. 
Alto impacto. 
Progreso en corto tiempo.

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
29

TEMA 5

APRENDIZAJE
AUTOMÁTICO ARTIFICIAL

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
30

DOS TEORíAS EN TORNO A LOS
PROCESOS MENTALES

Enfoque Simbólico Enfoque Conexionista

La mente es La mente es
un gran una gran red
manipulador de neuronas
de símbolos al trabajando en
igual que una paralelo
computadora

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
31

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
32

ALGUNOS MÉTODOS DE REPRESENTACIÓN
SIMBÓLICA
CIELO P= 9
N= 5
Árboles de
Soleado Lluvioso
Cubierto decisión
P= 2 P= 3
HUMEDAD N= 3 VIENTO N= 2

Normal Alta P Si No Reglas SI x es una imagen Y
P=4

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

Problema

Razonamiento
Solucion adaptada basado en casos
Solucion

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
33

¿CÓMO OBTENER CONOCIMIENTO SIMBÓLICO A PARTIR DE ESTA BASE
DE EJEMPLOS?
No Estatura IQ Peso A.Ment. Resist Veloc. Clase
1 168 150 58 8 6 4 ajedrecista
2 176 148 62 9 7 5 ajedrecista
3 180 110 98 6 6 9 futbolista
4 188 115 104 7 5 9 futbolista
5 192 100 85 5 9 5 basquetbolista
6 196 120 97 6 8 4 basquetbolista
7 200 105 94 4 8 6 basquetbolista
8 204 120 100 6 9 4 basquetbolista
9 168 150 58 8 6 4 ajedrecista
10 180 110 98 6 6 9 futbolista
11 184 120 100 6 4 8 futbolista
12 188 115 104 7 5 9 futbolista
13 192 100 85 5 9 5 basquetbolista
14 196 120 97 6 8 4 basquetbolista
15 200 105 94 4 8 6 basquetbolista
16 204 120 100 6 9 4 basquetbolista
17 160 150 58 8 6 4 ajedrecista
18 166 145 67 9 5 6 ajedrecista
19 167 148 62 9 7 5 ajedrecista
20 179 110 98 6 6 9 futbolista
21 191 100 85 5 9 5 basquetbolista
22 170 150 58 8 6 4 ajedrecista
23 169 145 67 9 5 6 ajedrecista
24 173 148 62 9 7 5 ajedrecista
25 182 110 98 6 6 9 futbolista
26 186 120 100 6 4 8 futbolista
27 182 115 104 7 5 9 futbolista
28 197 100 85 5 9 5 basquetbolista
29 198 120 97 6 8 4 basquetbolista
30 204 105 94 4 8 6 basquetbolista
31 200 120 100 6 9 4 basquetbolista

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
34

EJEMPLOS DE SISTEMAS QUE GENERAN REPRESENTACIONES
No Estatura IQ
SIMBÓLICAS
Peso A.Ment. Resist Veloc. Clase
RESISTENCIA
A=9
B = 13
F=9
1 168 150 58 8 6 4 ajedrecista
2 176 148 62 9 7 5 ajedrecista >7 <= 7
3 180 110 98 6 6 9 futbolista
4 188 115 104 7 5 9 futbolista
5 192 100 85 5 9 5 basquetbolista A=9
6 196 120 97 6 8 4 basquetbolista PESO F=9
7 200 105 94 4 8 6 basquetbolista B
8 204 120 100 6 9 4 basquetbolista
9 168 150 58 8 6 4 ajedrecista <= 67 > 67
13

SEE5 A
9
F
9

(Construye árboles de
decisión o reglas a
partir de datos
numéricos)
SI x es una imagen Y
x contiene pista(s) Y
x contiene aviones Y
x contiene edificios(s) Y
S.E.
(algunos) aviones apuntan al(los)
edificio(s),
ENTONCES x es una imagen de un EXSYS
aeropuerto comercial.
(Construye sistemas
expertos a partir de
reglas)

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
35

SEE5: CONSTRUCCIÓN DE ÁRBOL DE DECISIÓN
O REGLAS
A=9
RESISTENCIA B = 13
F=9

>7 <= 7

A=9
PESO F=9

B
13 <= 67 > 67

A F
9 9

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
36

CARACTERÍSTICAS DEL ENFOQUE
CONEXIONISTA

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
37

LA RED NEURONAL BIOLÓGICA: UNA
COMPUTADORA HUMANA QUE APRENDE

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
38

UNA NEURONA BIOLÓGICA EN DETALLE

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
39

UNA NEURONA ARTIFICIAL EN DETALLE
Salida (Axón y sinapsis
hacia otras unidades)

Función de activación
(Regulación de la salida)
Fct
(Net)

i
Net = Σ Wi . Xi+Biais
N
Activación (Suma el
conjunto de entradas y sus
pesos asociados)

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
40

UNA RED NEURONAL ARTIFICIAL
En las redes neuronales (o conexionistas), los conocimientos son
representados por las ligas entre las unidades (neuronas artificiales) y
sus pesos sinápticos asociados

capa de Unidad j
salida Pesoij

capa Unidad i
oculta

capa de
entrada

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
41

APRENDIZAJE CONEXIONISTA
El aprendizaje es un proceso gradual e iterativo, donde los
pesos de la RNA son modificados según una regla de
aprendizaje antes de alcanzar sus valores finales.
Detener
cuando el
error global
< error
aceptado

1 2 4 2 5 1 1

1 2 4 2 5 1 1

2 2 4 2 5 1 2

1 0 2 2 2 1 2

3 2 6 2 25 2 1

1 0 4 2 1 1 2

4 4 18 5 2 3 1

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
42

EJEMPLO: UNA RNA QUE APRENDE A
CLASIFICAR
solución

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

3 3 A B B B
-1 -3 B B B
B B
B B
... ... ... B B B
X Y B
B A

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
43

EJEMPLO DE No
1
Estatura
168
IQ
150
Peso A.Ment. Resist Veloc.
58 8 6
Clase
4 ajedrecista

SISTEMA 2
3
4
176
180
188
148
110
115
62
98
104
9
6
7
7
6
5
5 ajedrecista
9 futbolista
9 futbolista

CONEXIONISTA 5
6
192
196
100
120
85
97
5
6
9
8
5 basquetbolista
4 basquetbolista
7 200 105 94 4 8 6 basquetbolista

QUE APRENDE 8
9
204
168
120
150
100
58
6
8
9
6
4 basquetbolista
4 ajedrecista
10 180 110 98 6 6 9 futbolista
11 184 120 100 6 4 8 futbolista
12 188 115 104 7 5 9 futbolista

BRAINMAKER 13
14
15
192
196
200
100
120
105
85
97
94
5
6
4
9
8
8
5 basquetbolista
4 basquetbolista
6 basquetbolista
16 204 120 100 6 9 4 basquetbolista
(Aprende a reconocer o clasificar 17
18
160
166
150
145
58
67
8
9
6
5
4 ajedrecista
6 ajedrecista
objetos a partir de datos 19 167 148 62 9 7 5 ajedrecista
numéricos) 20 179 110 98 6 6 9 futbolista
21 191 100 85 5 9 5 basquetbolista
22 170 150 58 8 6 4 ajedrecista

Ajedrecista = 1 23
24
169
173
145
148
67
62
9
9
5
7
6 ajedrecista
5 ajedrecista
25 182 110 98 6 6 9 futbolista
26 186 120 100 6 4 8 futbolista
Futbolista = 2 27 182 115 104 7 5 9 futbolista
28 197 100 85 5 9 5 basquetbolista
29 198 120 97 6 8 4 basquetbolista
Basquetbolista = 3 30
31
204
200
105
120
94
100
4
6
8
9
6 basquetbolista
4 basquetbolista

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
44

TEMA 6

CONCLUSIONES

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
45

CONCLUSIONES 
¿Cómo es posible que un diminuto y lento cerebro tenga
capacidad para percibir, comprender, predecir y manipular un
mundo que en tamaño y complejidad lo excede a creces? 

La IA es una ciencia nueva con mucho camino y con pasos
prometedores. 

La predicción de futuras aplicaciones son inimaginables. 

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

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA
46

GRACIAS !!!
Cenidet:
www.cenidet.edu.mx

Email - Dr. Gerardo Reyes :
greyes@cenidet.edu.mx

INTELIGENCIA ARTIFICIAL - IEEE PERÚ - NOVIEMBRE 09 IA