You are on page 1of 21

INTELIGENCIA ARTIFICIAL

Se denomina inteligencia artificial (IA) en ciencias de la computacin a las inteligencias no


naturales en agentes racionales no vivos. John McCarthy, acu el trmino en 1956, la defini: "Es
la ciencia e ingeniera de hacer mquinas inteligentes, especialmente programas de cmputo
inteligentes."
Para explicar la definicin anterior, entindase a un Agente inteligente que permite pensar, evaluar
y actuar conforme a ciertos principios de optimizacin y consistencia, para satisfacer algn objetivo
o finalidad. De acuerdo al concepto previo, racionalidad es ms general y por ello ms adecuado
que inteligencia para definir la naturaleza del objetivo de esta disciplina.
Con lo cual , y de manera ms especfica la inteligencia artificial es la disciplina que se encarga de
construir procesos que al ser ejecutados sobre una arquitectura fsica producen acciones o
resultados que maximizan una medida de rendimiento determinada, basndose en la secuencia de
entradas percibidas y en el conocimiento almacenado en tal arquitectura.
Existen distintos tipos de conocimiento y medios de representacin del conocimiento, el cual puede
ser cargado en el agente por su diseador o puede ser aprendido por el mismo agente utilizando
tcnicas de aprendizaje.
Tambin se distinguen varios tipos de procesos vlidos para obtener resultados racionales, que
determinan el tipo de agente inteligente. De ms simples a ms complejos, los cinco principales
tipos de procesos son:
Ejecucin de una respuesta predeterminada por cada entrada (anlogas a actos reflejos en seres
vivos).
Bsqueda del estado requerido en el conjunto de los estados producidos por las acciones
posibles.
Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de ADN).
Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro de animales y
humanos).
Razonamiento mediante una lgica formal (anlogo al pensamiento abstracto humano).

Tambin existen distintos tipos de percepciones y acciones, pueden ser obtenidas y producidas,
respectivamente por sensores fsicos y sensores mecnicos en mquinas, pulsos elctricos u
pticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno
software.
Varios ejemplos se encuentran en el rea de control de sistemas, planificacin automtica, la
habilidad de responder a diagnsticos y a consultas de los consumidores, reconocimiento de
escritura, reconocimiento del habla y reconocimiento de patrones. Los sistemas de IA actualmente
son parte de la rutina en campos como economa, medicina, ingeniera y la milicia, y se ha usado

Pgina 1 de 21

en gran variedad de aplicaciones de software, juegos de estrategia como ajedrez de computador y


otros videojuegos.
a. Categoras de la inteligencia Artificial
Sistemas que piensan como humanos.- Estos sistemas tratan de emular el pensamiento
humano; por ejemplo las redes neuronales artificiales. La automatizacin de actividades que
vinculamos con procesos de pensamiento humano, actividades como la Toma de decisiones,
resolucin de problemas, aprendizaje.
Sistemas que actan como humanos.- Estos sistemas tratan de actuar como humanos; es decir,
imitan el comportamiento humano; por ejemplo la robtica. El estudio de cmo lograr que las
computadoras realicen tareas que, por el momento, los humanos hacen mejor.
Sistemas que piensan racionalmente.- Es decir, con lgica (idealmente), tratan de imitar o
emular el pensamiento lgico racional del ser humano; por ejemplo los sistemas expertos. El
estudio de los clculos que hacen posible percibir, razonar y actuar.
Sistemas que actan racionalmente (idealmente). Tratan de emular en forma racional el
comportamiento humano; por ejemplo los agentes inteligentes .Est relacionado con conductas
inteligentes en artefactos.

b. Escuelas de pensamiento
La IA se divide en dos escuelas de pensamiento:
1. Inteligencia artificial convencional
Se conoce tambin como IA simblico-deductiva. Est basada en el anlisis formal y estadstico
del comportamiento humano ante diferentes problemas:
Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos
problemas concretos y aparte de que son muy importantes requieren de un buen funcionamiento.
Sistemas expertos: Infieren una solucin a travs del conocimiento previo del contexto en que se
aplica y ocupa de ciertas reglas o relaciones.
Redes bayesianas: Propone soluciones mediante inferencia probabilstica.
Inteligencia artificial basada en comportamientos: que tienen autonoma y pueden autoregularse y controlarse para mejorar.
Smart process management: facilita la toma de decisiones complejas, proponiendo una solucin
a un determinado problema al igual que lo hara un especialista en la actividad.

Pgina 2 de 21

2. Inteligencia artificial computacional


La Inteligencia Computacional (tambin conocida como IA subsimblica-inductiva) implica
desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de los parmetros en
sistemas conexionistas). El aprendizaje se realiza basndose en datos empricos.
Historia
l trmino "inteligencia artificial" fue acuado formalmente en 1956 durante la conferencia de
Darthmounth, ms para entonces ya se haba estado trabajando en ello durante cinco aos en los
cuales se haba propuesto muchas definiciones distintas que en ningn caso haban logrado ser
aceptadas totalmente por la comunidad investigadora. La IA es una de las disciplinas ms nuevas
junto con la gentica moderna. Ambos son dos de los campos ms atractivos para los cientficos
hoy da.
Las ideas ms bsicas se remontan a los griegos, antes de Cristo. Aristteles (384-322 a. C.) fue el
primero en describir un conjunto de reglas que describen una parte del funcionamiento de la mente
para obtener conclusiones racionales, y Ctesibio de Alejandra (250 a. C.) construy la primera
mquina autocontrolada, un regulador del flujo de agua (racional pero sin razonamiento).
En 1315 Ramon Llull en su libro Ars magna tuvo la idea de que el razonamiento poda ser
efectuado de manera artificial.
En 1936 Alan Turing disea formalmente una Mquina universal que demuestra la viabilidad de un
dispositivo fsico para implementar cualquier cmputo formalmente definido.
En 1943 Warren McCulloch y Walter Pitts presentaron su modelo de neuronas artificiales, el cual
se considera el primer trabajo del campo, aun cuando todava no exista el trmino. Los primeros
avances importantes comenzaron a principios de los aos 1950 con el trabajo de Alan Turing, a
partir de lo cual la ciencia ha pasado por diversas situaciones.
En 1955 Herbert Simon, Allen Newell y J.C. Shaw, desarrollan el primer lenguaje de programacin
orientado a la resolucin de problemas, el IPL-11. Un ao ms tarde desarrollan el LogicTheorist,
el cual era capaz de demostrar teoremas matemticos.
En 1956 fue inventado el trmino inteligencia artificial por John McCarthy, Marvin Minsky y Claude
Shannon en la Conferencia de Dartmouth, un congreso en el que se hicieron previsiones
triunfalistas a diez aos que jams se cumplieron, lo que provoc el abandono casi total de las
investigaciones durante quince aos.
En 1957 Newell y Simon continan su trabajo con el desarrollo del General Problem Solver (GPS).
GPS era un sistema orientado a la resolucin de problemas.
En 1958 John McCarthy desarrolla en el Instituto de Tecnologa de Massachusetts (MIT) el LISP.
Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simblico.
En 1959 Rosenblatt introduce el Perceptrn.

Pgina 3 de 21

A finales de los 50 y comienzos de la dcada del 60 Robert K. Lindsay desarrolla Sad Sam, un
programa para la lectura de oraciones en ingls y la inferencia de conclusiones a partir de su
interpretacin.
En 1963 Quillian desarrolla las redes semnticas como modelo de representacin del
conocimiento.
En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era
capaz de inferir conocimiento basado en informacin que se le suministra. Bobrow desarrolla
STUDENT.
Posteriormente entre los aos 1968-1970 Terry Winograd desarroll el sistema SHRDLU, que
permita interrogar y dar rdenes a un robot que se mova dentro de un mundo de bloques.
A mediados de los aos 60, aparecen los sistemas expertos, que predicen la probabilidad de una
solucin bajo un set de condiciones. Por ejemplo DENDRAL, iniciado en 1965 por Buchanan,
Feigenbaum y Lederberg, el primer Sistema Experto, que asista a qumicos en estructuras
qumicas complejas euclidianas, MACSYMA, que asista a ingenieros y cientficos en la solucin de
ecuaciones matemticas complejas.
En 1968 Minsky publica Semantic Information Processing.
En 1968 Seymour Papert, Danny Bobrow y Wally Feurzeig desarrollan el lenguaje de programacin
LOGO.
En 1969 Alan Kay desarrolla el lenguaje Smalltalk en Xerox PARC y se publica en 1980.
En 1973 Alain Colmenauer y su equipo de investigacin en la Universidad de Aix-Marseille crean
PROLOG (del francs PROgrammation en LOGique) un lenguaje de programacin ampliamente
utilizado en IA.
En 1973 Shank y Abelson desarrollan los guiones, o scripts, pilares de muchas tcnicas actuales
en Inteligencia Artificial y la informtica en general.
En 1974 Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos ms
conocidos, que asisti a mdicos en el diagnstico y tratamiento de infecciones en la sangre.
En las dcadas de 1970 y 1980, creci el uso de sistemas expertos, como MYCIN: R1/XCON,
ABRL, PIP, PUFF, CASNET, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy
(Shells) como EMYCIN, EXPERT, OPSS.
En 1981 Kazuhiro Fuchi anuncia el proyecto japons de la quinta generacin de computadoras.
En 1986 McClelland y Rumelhart publican Parallel Distributed Processing (Redes Neuronales).
En 1988 se establecen los lenguajes Orientados a Objetos.
En 1997 Garry
Kasparov, campen mundial de ajedrez, pierde ante la computadora autnoma Deep Blue.
En 2006 se celebr el aniversario con el Congreso en espaol 50 aos de Inteligencia Artificial Campus Multidisciplinar en Percepcin e Inteligencia 2006.

Pgina 4 de 21

En el ao 2009 ya hay en desarrollo sistemas inteligentes teraputicos que permiten detectar


emociones para poder interactuar con nios autistas.
En el ao 2011 IBM desarroll una supercomputadora llamada Watson , la cual gan una ronda de
tres juegos seguidos de Jeopardy, venciendo a sus dos mximos campeones, y ganando un
premio de 1 milln de dlares que IBM luego don a obras de caridad.
Existen personas que al dialogar sin saberlo con un chatbot no se percatan de hablar con un
programa, de modo tal que se cumple la prueba de Turing como cuando se formul: Existir
Inteligencia Artificial cuando no seamos capaces de distinguir entre un ser humano y un programa
de computadora en una conversacin a ciegas.
Como ancdota, muchos de los investigadores sobre IA sostienen que la inteligencia es un
programa capaz de ser ejecutado independientemente de la mquina que lo ejecute, computador o
cerebro.
c. La Inteligencia Artificial y los sentimientos
El concepto de IA es an demasiado difuso. Contextualizando, y teniendo en cuenta un punto de
vista cientfico, podramos englobar a esta ciencia como la encargada de imitar una persona, y no
su cuerpo, sino imitar al cerebro, en todas sus funciones, existentes en el humano o inventadas
sobre el desarrollo de una mquina inteligente.
A veces, aplicando la definicin de Inteligencia Artificial, se piensa en mquinas inteligentes sin
sentimientos, que obstaculizan encontrar la mejor solucin a un problema dado. Muchos
pensamos en dispositivos artificiales capaces de concluir miles de premisas a partir de otras
premisas dadas, sin que ningn tipo de emocin tenga la opcin de obstaculizar dicha labor.
En esta lnea, hay que saber que ya existen sistemas inteligentes. Capaces de tomar decisiones
acertadas.
Aunque, por el momento, la mayora de los investigadores en el mbito de la Inteligencia Artificial
se centran slo en el aspecto racional, muchos de ellos consideran seriamente la posibilidad de
incorporar componentes emotivos como indicadores de estado, a fin de aumentar la eficacia de
los sistemas inteligentes.
Particularmente para los robots mviles, es necesario que cuenten con algo similar a las
emociones con el objeto de saber en cada instante y como mnimo qu hacer a continuacin.
Al tener sentimientos y, al menos potencialmente, motivaciones, podrn actuar de acuerdo
con sus intenciones. As, se podra equipar a un robot con dispositivos que controlen su medio
interno; por ejemplo, que sientan hambre al detectar que su nivel de energa est descendiendo
o que sientan miedo cuando aquel est demasiado bajo.
Esta seal podra interrumpir los procesos de alto nivel y obligar al robot a conseguir el preciado
elemento. Incluso se podra introducir el dolor o el sufrimiento fsico, a fin de evitar las
torpezas de funcionamiento como, por ejemplo, introducir la mano dentro de una cadena de
engranajes o saltar desde una cierta altura, lo cual le provocara daos irreparables.
Esto significa que los sistemas inteligentes deben ser dotados con mecanismos de
retroalimentacin que les permitan tener conocimiento de estados internos, igual que sucede con
los humanos que disponen de propiocepcin, interocepcin, nocicepcin, etctera. Esto es
fundamental tanto para tomar decisiones como para conservar su propia integridad y seguridad.

Pgina 5 de 21

La retroalimentacin en sistemas est particularmente desarrollada en ciberntica, por ejemplo en


el cambio de direccin y velocidad autnomo de un misil, utilizando como parmetro la posicin en
cada instante en relacin al objetivo que debe alcanzar. Esto debe ser diferenciado del
conocimiento que un sistema o programa computacional puede tener de sus estados internos, por
ejemplo la cantidad de ciclos cumplidos en un loop o bucle en sentencias tipo do... for, o la
cantidad de memoria disponible para una operacin determinada.
A los sistemas inteligentes el no tener en cuenta elementos emocionales les permite no olvidar la
meta que deben alcanzar. En los humanos el olvido de la meta o el abandonar las metas por
perturbaciones emocionales es un problema que en algunos casos llega a ser incapacitante. Los
sistemas inteligentes, al combinar una memoria durable, una asignacin de metas o motivacin,
junto a la toma de decisiones y asignacin de prioridades con base en estados actuales y estados
meta, logran un comportamiento en extremo eficiente, especialmente ante problemas complejos y
peligrosos.
En sntesis, lo racional y lo emocional estn de tal manera interrelacionados entre s, que se podra
decir que no slo no son aspectos contradictorios sino que son hasta cierto punto
complementarios.
d.Crticas
Las principales crticas a la Inteligencia Artificial tienen que ver con su capacidad de imitar por
completo a un ser humano. Estas crticas ignoran que ningn humano individual tiene capacidad
para resolver todo tipo de problemas, y autores como Howard Gardner han propuesto que existen
inteligencias mltiples. Un sistema de inteligencia artificial debera resolver problemas. Por lo tanto
es fundamental en su diseo la delimitacin de los tipos de problemas que resolver y las
estrategias y algoritmos que utilizar para encontrar la solucin.
En los humanos la capacidad de resolver problemas tiene dos aspectos: los aspectos innatos y los
aspectos aprendidos. Los aspectos innatos permiten por ejemplo almacenar y recuperar
informacin en la memoria y los aspectos aprendidos el saber resolver un problema matemtico
mediante el algoritmo adecuado. Del mismo modo que un humano debe disponer de herramientas
que le permitan solucionar ciertos problemas, los sistemas artificiales deben ser programados de
modo tal que puedan resolver ciertos problemas.
Muchas personas consideran que el test de Turing ha sido superado, citando conversaciones en
que al dialogar con un programa de inteligencia artificial para chat no saben que hablan con un
programa. Sin embargo, esta situacin no es equivalente a un test de Turing, que requiere que el
participante est sobre aviso de la posibilidad de hablar con una mquina.
Otros experimentos mentales como la Habitacin china de John Searle han mostrado cmo una
mquina podra simular pensamiento sin tener que tenerlo, pasando el test de Turing sin siquiera
entender lo que hace. Esto demostrara que la mquina en realidad no est pensando, ya que
actuar de acuerdo con un programa preestablecido sera suficiente. Si para Turing el hecho de
engaar a un ser humano que intenta evitar que le engaen es muestra de una mente inteligente,
Searle considera posible lograr dicho efecto mediante reglas definidas a priori.
Uno de los mayores problemas en sistemas de inteligencia artificial es la comunicacin con el
usuario. Este obstculo es debido a la ambigedad del lenguaje, y apareci ya en los inicios de los
primeros sistemas operativos informticos. La capacidad de los humanos para comunicarse entre
s implica el conocimiento del lenguaje que utiliza el interlocutor. Para que un humano pueda
comunicarse con un sistema inteligente hay dos opciones: o bien el humano aprende el lenguaje
del sistema como si aprendiese a hablar cualquier otro idioma distinto al nativo, o bien el sistema
tiene la capacidad de interpretar el mensaje del usuario en la lengua que el usuario utiliza.
Un humano durante toda su vida aprende el vocabulario de su lengua nativa. Un humano interpreta

Pgina 6 de 21

los mensajes a pesar de la polisemia de las palabras utilizando el contexto para resolver
ambigedades. Sin embargo, debe conocer los distintos significados para poder interpretar, y es
por esto que lenguajes especializados y tcnicos son conocidos solamente por expertos en las
respectivas disciplinas. Un sistema de inteligencia artificial se enfrenta con el mismo problema, la
polisemia del lenguaje humano, su sintaxis poco estructurada y los dialectos entre grupos.
Los desarrollos en inteligencia artificial son mayores en los campos disciplinares en los que existe
mayor consenso entre especialistas. Un sistema experto es ms probable de ser programado en
fsica o en medicina que en sociologa o en psicologa. Esto se debe al problema del consenso
entre especialistas en la definicin de los conceptos involucrados y en los procedimientos y
tcnicas a utilizar. Por ejemplo, en fsica hay acuerdo sobre el concepto de velocidad y cmo
calcularla. Sin embargo, en psicologa se discuten los conceptos, la etiologa, la psicopatologa y
cmo proceder ante cierto diagnstico. Esto dificulta la creacin de sistemas inteligentes porque
siempre habr desacuerdo sobre lo que se esperara que el sistema haga. A pesar de esto hay
grandes avances en el diseo de sistemas expertos para el diagnstico y toma de decisiones en el
mbito mdico y psiquitrico (Adaraga Morales, Zaccagnini Sancho, 1994).
RED NEURONAL ARTIFICAL
Las redes de neuronas artificiales (denominadas habitualmente como RNA o en ingls como:
"ANN") son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que
funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas
en una red que colabora para producir un estmulo de salida. En inteligencia artificial es frecuente
referirse a ellas como redes de neuronas o redes neuronales.
Historia
Los primeros modelos de redes neuronales datan de 1943 por los neurlogos McCulloch y Pitts.
Aos ms tarde, en 1949, Donald Hebb desarroll sus ideas sobre el aprendizaje neuronal,
quedando reflejado en la "regla de Hebb". En 1958, Rosemblatt desarroll el perceptrn simple, y
en 1960, Widrow y Hoff desarrollaron el ADALINE, que fue la primera aplicacin industrial real.
En los aos siguientes, se redujo la investigacin, debido a la falta de modelos de aprendizaje y el
estudio de Minsky y Papert sobre las limitaciones del perceptrn. Sin embargo, en los aos 80,
volvieron a resurgir las RNA gracias al desarrollo de la red de Hopfield, y en especial, al algoritmo
de aprendizaje de retropropagacin ideado por Rumelhart y McLellan en 1986 que fue aplicado en
el desarrollo de los perceptrones multicapa.
Una red neuronal se compone de unidades llamadas neuronas. Cada neurona recibe una serie de
entradas a travs de interconexiones y emite una salida. Esta salida viene dada por tres funciones:
Una funcin de propagacin (tambin conocida como funcin de excitacin), que por lo general
consiste en el sumatorio de cada entrada multiplicada por el peso de su interconexin (valor neto).
Si el peso es positivo, la conexin se denomina excitatoria; si es negativo, se denomina inhibitoria.
Una funcin de activacin, que modifica a la anterior. Puede no existir, siendo en este caso la
salida la misma funcin de propagacin.
Una funcin de transferencia, que se aplica al valor devuelto por la funcin de activacin. Se
utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretacin que
queramos darle a dichas salidas. Algunas de las ms utilizadas son la funcin sigmoidea (para
obtener valores en el intervalo [0,1]) y la tangente hiperblica (para obtener valores en el intervalo
[-1,1]).

Pgina 7 de 21

a. Diseo y programacin de una RNA (red neuronal artificial)


Con un paradigma convencional de programacin en ingeniera del software, el objetivo del
programador es modelar matemticamente (con distintos grados de formalismo) el problema en
cuestin y posteriormente formular una solucin (programa) mediante un algoritmo codificado que
tenga una serie de propiedades que permitan resolver dicho problema. En contraposicin, la
aproximacin basada en las RNA parte de un conjunto de datos de entrada suficientemente
significativo y el objetivo es conseguir que la red aprenda automticamente las propiedades
deseadas. En este sentido, el diseo de la red tiene menos que ver con cuestiones como los flujos
de datos y la deteccin de condiciones, y ms que ver con cuestiones tales como la seleccin del
modelo de red, la de las variables a incorporar y el preprocesamiento de la informacin que
formar el conjunto de entrenamiento. Asimismo, el proceso por el que los parmetros de la red se
adecuan a la resolucin de cada problema no se denomina genricamente programacin sino que
se suele denominar entrenamiento neuronal.
Por ejemplo en una red que se va a aplicar al diagnstico de imgenes mdicas; durante la fase de
entrenamiento el sistema recibe imgenes de tejidos que se sabe son cancergenos y tejidos que
se sabe son sanos, as como las respectivas clasificaciones de dichas imgenes. Si el
entrenamiento es el adecuado, una vez concluido, el sistema podr recibir imgenes de tejidos no
clasificados y obtener su clasificacin sano/no sano con un buen grado de seguridad. Las variables
de entrada pueden ser desde los puntos individuales de cada imagen hasta un vector de
caractersticas de las mismas que se puedan incorporar al sistema (por ejemplo, procedencia
anatmica del tejido de la imagen o la edad del paciente al que se le extrajo la muestra).
b. Estructura
La mayora de los cientficos coinciden en que una RNA es muy diferente en trminos de estructura
de un cerebro animal. Al igual que el cerebro, una RNA se compone de un conjunto masivamente
paralelo de unidades de proceso muy simples y es en las conexiones entre estas unidades donde
reside la inteligencia de la red. Sin embargo, en trminos de escala, un cerebro es muchsimo
mayor que cualquier RNA creada hasta la actualidad, y las neuronas artificiales tambin son ms
simples que su contrapartida animal.
Biolgicamente, un cerebro aprende mediante la reorganizacin de las conexiones sinpticas entre
las neuronas que lo componen. De la misma manera, las RNA tienen un gran nmero de
procesadores virtuales interconectados que de forma simplificada simulan la funcionalidad de las
neuronas biolgicas. En esta simulacin, la reorganizacin de las conexiones sinpticas biolgicas
se modela mediante un mecanismo de pesos, que son ajustados durante la fase de aprendizaje.
En una RNA entrenada, el conjunto de los pesos determina el conocimiento de esa RNA y tiene la
propiedad de resolver el problema para el que la RNA ha sido entrenada.
Por otra parte, en una RNA, adems de los pesos y las conexiones, cada neurona tiene asociada
una funcin matemtica denominada funcin de transferencia. Dicha funcin genera la seal de
salida de la neurona a partir de las seales de entrada. La entrada de la funcin es la suma de
todas las seales de entrada por el peso asociado a la conexin de entrada de la seal. Algunos
ejemplos de entradas son la funcin escaln de Heaviside, la lineal o mixta, la sigmoide y la
funcin gaussiana, recordando que la funcin de transferencia es la relacin entre la seal de
salida y la entrada.
c. Ventajas
Las redes neuronales artificiales (RNA) tienen muchas ventajas debido a que estn basadas en la
estructura del sistema nervioso, principalmente el cerebro.

Pgina 8 de 21

Aprendizaje: Las RNA tienen la habilidad de aprender mediante una etapa que se llama etapa
de aprendizaje. Esta consiste en proporcionar a la RNA datos como entrada a su vez que se le
indica cul es la salida (respuesta) esperada.
Auto organizacin: Una RNA crea su propia representacin de la informacin en su interior,
descargando al usuario de esto.
Tolerancia a fallos: Debido a que una RNA almacena la informacin de forma redundante, sta
puede seguir respondiendo de manera aceptable aun si se daa parcialmente.
Flexibilidad: Una RNA puede manejar cambios no importantes en la informacin de entrada,
como seales con ruido u otros cambios en la entrada (por ejemplo si la informacin de entrada es
la imagen de un objeto, la respuesta correspondiente no sufre cambios si la imagen cambia un
poco su brillo o el objeto cambia ligeramente).
Tiempo real: La estructura de una RNA es paralela, por lo cual si esto es implementado con
computadoras o en dispositivos electrnicos especiales, se pueden obtener respuestas en tiempo
real.
d. Modelos (Tipologa de las RNA)
Existe una serie de modelos que aparecen en la mayora de estudios acadmicos y la bibliografa
especializada.
Perceptrn
Adaline
Perceptrn multicapa
Memorias asociativas
Mquina de Boltzmann
Mquina de Cauchy
Propagacin hacia atrs (backpropagation)
Redes de Elman
Redes de Hopfield
Red de contrapropagacin
Redes de neuronas de base radial
Redes de neuronas de aprendizaje competitivo
Mapas Autoorganizados (RNA) (Redes de Kohonen)
Crecimiento dinmico de clulas
Gas Neuronal Creciente
Redes ART (Adaptative Resonance Theory)

Pgina 9 de 21

e. Topologa
Una primera clasificacin de las redes de neuronas artificiales que se suele hacer es en funcin
del patrn de conexiones que presenta. As se definen tres tipos bsicos de redes:
Dos tipos de redes de propagacin hacia delante o acclicas en las que todas las seales van
desde la capa de entrada hacia la salida sin existir ciclos, ni conexiones entre neuronas de la
misma capa.
Monocapa. Ejemplos: perceptrn, Adaline.
Multicapa. Ejemplos: perceptrn multicapa.
Las redes recurrentes que presentan al menos un ciclo cerrado de activacin neuronal. Ejemplos:
Elman, Hopfield, mquina de Boltzmann.

Aprendizaje
Una segunda clasificacin que se suele hacer es en funcin del tipo de aprendizaje de que es
capaz (si necesita o no un conjunto de entrenamiento supervisado). Para cada tipo de aprendizaje
encontramos varios modelos propuestos por diferentes autores:
Aprendizaje supervisado: necesitan un conjunto de datos de entrada previamente clasificado o
cuya respuesta objetivo se conoce. Ejemplos de este tipo de redes son: el perceptrn simple, la red
Adaline, el perceptrn multicapa, red backpropagation, y la memoria asociativa bidireccional.
Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto previo. Ejemplos de
este tipo de redes son: las memorias asociativas, las redes de Hopfield, la mquina de Boltzmann y
la mquina de Cauchy, las redes de aprendizaje competitivo, las redes de Kohonen o mapas
autoorganizados y las redes de resonancia adaptativa (ART).
Redes hbridas: son un enfoque mixto en el que se utiliza una funcin de mejora para facilitar la
convergencia. Un ejemplo de este ltimo tipo son las redes de base radial.
Aprendizaje reforzado: se sita a medio camino entre el supervisado y el autoorganizado.
Tipo de entrada
Finalmente tambin se pueden clasificar las RNAs segn sean capaces de procesar informacin
de distinto tipo en:
Redes analgicas: procesan datos de entrada con valores continuos y, habitualmente, acotados.
Ejemplos de este tipo de redes son: Hopfield, Kohonen y las redes de aprendizaje competitivo.
Redes discretas: procesan datos de entrada de naturaleza discreta; habitualmente valores lgicos
booleanos. Ejemplos de este segundo tipo de redes son: las mquinas de Boltzmann y Cauchy, y
la red discreta de Hopfield.

Pgina 10 de 21

Pgina 11 de 21

Aplicaciones
Las caractersticas de las RNA las hacen bastante apropiadas para aplicaciones en las que no se
dispone a priori de un modelo identificable que pueda ser programado, pero se dispone de un
conjunto bsico de ejemplos de entrada (previamente clasificados o no). Asimismo, son altamente
robustas tanto al ruido como a la disfuncin de elementos concretos y son fcilmente
paralelizables.
Esto incluye problemas de clasificacin y reconocimiento de patrones de voz, imgenes, seales,
etc. Asimismo se han utilizado para encontrar patrones de fraude econmico, hacer predicciones
en el mercado financiero, hacer predicciones de tiempo atmosfrico, etc.
Tambin se pueden utilizar cuando no existen modelos matemticos precisos o algoritmos con
complejidad razonable, por ejemplo la red de Kohonen ha sido aplicada con un xito ms que
razonable al clsico problema del viajante (un problema para el que no se conoce solucin
algortmica de complejidad polinmica).
Otro tipo especial de redes neuronales artificiales se ha aplicado en conjuncin con los
algoritmos genticos (AG) para crear controladores para robots. La disciplina que trata la evolucin
de redes neuronales mediante algoritmos genticos se denomina Robtica Evolutiva. En este tipo
de aplicacin el genoma del AG lo constituyen los parmetros de la red (topologa, algoritmo de
aprendizaje, funciones de activacin, etc.) y la adecuacin de la red viene dada por la adecuacin
del comportamiento exhibido por el robot controlado (normalmente una simulacin de dicho
comportamiento).
Ejemplos
Quake II Neuralbot
Un bot es un programa que simula a un jugador humano. El Neuralbot es un bot para el juego
Quake II que utiliza una red neuronal artificial para decidir su comportamiento y un algoritmo
gentico para el aprendizaje. Es muy fcil probarlo para ver su evolucin.
Clasificador No Sesgado de Protenas
Es un programa que combina diversas tcnicas computacionales con el objetivo de clasificar
familias de protenas. Un posible mtodo consiste en utilizar mtricas adaptativas como por
ejemplo: mapas autoorganizados y algoritmos genticos.

El problema de clasificacin no sesgada basada en la expresin de las protenas en Aminocidos


puede reducirse, conceptualmente, a lo siguiente:
La

identificacin

de

grupos

de

protenas

que

compartan

caractersticas

comunes.

La determinacin de las razones estructurales por las cuales las protenas en cuestin se agrupan
de la manera indicada.
Evitar la idea de establecer criterios de clasificacin (sesgados) fundamentados en ideas
preconcebidas para lograr su clasificacin. En este sentido, hay dos asuntos que considerar:

Pgina 12 de 21

Cmo

lograr

la

caracterizacin

de

las

protenas

de

manera

no

sesgada

Cmo lograr lo anterior sin apelar a medidas de agrupamiento que, a su vez, impliquen algn tipo
de sesgo sobre dicho agrupamiento.
Las RNA han sido aplicadas a un nmero en aumento de problemas en la vida real y de
considerable complejidad, donde su mayor ventaja es en la solucin de problemas que son
bastante complejos para la tecnologa actual, tratndose de problemas que no tienen una solucin
algortmica o cuya solucin algortmica es demasiado compleja para ser encontrada.
En general, debido a que son parecidas al las del cerebro humano, las RNA son bien nombradas
ya que son buenas para resolver problemas que el humano puede resolver pero las computadoras
no. Estos problemas incluyen el reconocimiento de patrones y la prediccin del tiempo. De
cualquier forma, el humano tiene capacidad para el reconocimiento de patrones, pero la capacidad
de las redes neuronales no se ve afectada por la fatiga, condiciones de trabajo, estado emocional,
y compensaciones.
Se conocen cinco aplicaciones tecnolgicas extendidas:
Reconocimiento de textos manuscritos
Reconocimiento del habla
Simulacin de centrales de produccin de energa
Deteccin de explosivos
Identificacin de blancos de radares

Pgina 13 de 21

SISTEMAS EXPERTOS (SE)

Es una aplicacin informtica capaz de solucionar un conjunto de problemas que exigen un gran
conocimiento sobre un determinado tema. Un sistema experto es un conjunto de programas que,
sobre una base de conocimientos, posee informacin de uno o ms expertos en un rea
especfica. Se puede entender como una rama de la inteligencia artificial, donde el poder de
resolucin de un problema en un programa de computadora viene del conocimiento de un dominio
especfico. Estos sistemas imitan las actividades de un humano para resolver problemas de distinta
ndole (no necesariamente tiene que ser de inteligencia artificial). Tambin se dice que un SE se
basa en el conocimiento declarativo (hechos sobre objetos, situaciones) y el conocimiento de
control (informacin sobre el seguimiento de una accin).
Para que un sistema experto sea herramienta efectiva, los usuarios deben interactuar de una forma
fcil, reuniendo dos capacidades para poder cumplirlo:
Explicar sus razonamientos o base del conocimiento: los sistemas expertos se deben realizar
siguiendo ciertas reglas o pasos comprensibles de manera que se pueda generar la explicacin
para cada una de estas reglas, que a la vez se basan en hechos.
Adquisicin de nuevos conocimientos o integrador del sistema: son mecanismos de razonamiento
que sirven para modificar los conocimientos anteriores. Sobre la base de lo anterior se puede decir
que los sistemas expertos son el producto de investigaciones en el campo de la inteligencia
artificial ya que sta no intenta sustituir a los expertos humanos, sino que se desea ayudarlos a
realizar con ms rapidez y eficacia todas las tareas que realiza.
Debido a esto en la actualidad se estn mezclando diferentes tcnicas o aplicaciones
aprovechando las ventajas que cada una de estas ofrece para poder tener empresas ms seguras.
Un ejemplo de estas tcnicas sera los agentes que tienen la capacidad de negociar y navegar a
travs de recursos en lnea; y es por eso que en la actualidad juega un papel preponderante en los
sistemas expertos.
a. Estructura bsica de un SE
Un Sistema Experto est conformado por:
1. Base de conocimientos (BC): Contiene conocimiento modelado extrado del dilogo con un
experto.
2. Base de hechos (Memoria de trabajo): contiene los hechos sobre un problema que se ha
descubierto durante el anlisis.
3. Motor de inferencia: Modela el proceso de razonamiento humano.
4. Mdulos de justificacin: Explica el razonamiento utilizado por el sistema para llegar a una
determinada
conclusin.
5. Interfaz de usuario: es la interaccin entre el SE y el usuario, y se realiza mediante el lenguaje
natural.

Pgina 14 de 21

b. Tipos de SE
Principalmente existen tres tipos de sistemas expertos:
1. Basados en reglas previamente establecidas.
2. Basados en casos o CBR (Case Based Reasoning).
3. Basados en redes bayesianas.

En cada uno de ellos, la solucin a un problema planteado se obtiene:


Aplicando reglas heursticas apoyadas generalmente en lgica difusa para su evaluacin y
aplicacin.
Aplicando el razonamiento basado en casos, donde la solucin a un problema similar planteado
con anterioridad se adapta al nuevo problema.
Aplicando

redes

bayesianas,

basadas

en

estadstica

el

teorema

de

Bayes.

c. Ventajas y limitaciones de los Sistemas Expertos


Ventajas
Permanencia: A diferencia de un experto humano un SE (sistema experto) no envejece, y por
tanto no sufre prdida de facultades con el paso del tiempo.
Replicacin: Una vez programado un SE lo podemos replicar infinidad de veces.
Rapidez: Un SE puede obtener informacin de una base de datos y realizar clculos numricos
mucho ms rpido que cualquier ser humano.
Bajo costo: A pesar de que el costo inicial pueda ser elevado, gracias a la capacidad de
duplicacin el coste finalmente es bajo.
Entornos peligrosos: Un SE puede trabajar en entornos peligrosos o dainos para el ser humano.
Fiabilidad: Los SE no se ven afectados por condiciones externas, un humano s (cansancio,
presin, etc.).
Consolidar varios conocimientos.
Apoyo Acadmico.
Limitaciones
Sentido comn: Para un Sistema Experto no hay nada obvio. Por ejemplo, un sistema experto
sobre medicina podra admitir que un hombre lleva 40 meses embarazado, a no ser que se
especifique que esto no es posible ya que un hombre no puede gestar hijos.

Pgina 15 de 21

Lenguaje natural: Con un experto humano podemos mantener una conversacin informal
mientras que con un SE no podemos.
Capacidad de aprendizaje: Cualquier persona aprende con relativa facilidad de sus errores y de
errores ajenos, que un SE haga esto es muy complicado.
Perspectiva global: Un experto humano es capaz de distinguir cuales son las cuestiones
relevantes
de
un
problema
y
separarlas
de
cuestiones
secundarias.
Capacidad sensorial: Un SE carece de sentidos.
Flexibilidad: Un humano es sumamente flexible a la hora de aceptar datos para la resolucin de
un
problema.
Conocimiento no estructurado: Un SE no es capaz de manejar conocimiento poco estructurado.

Ejemplos importantes Sistemas Expertos


Dendral
XCon
Dipmeter Advisor
Mycin
CADUCEUS
R1
CLIPS, Jess
Prolog
d. Tareas que realiza un Sistema Experto
Monitorizacin
La monitorizacin es un caso particular de la interpretacin, y consiste en la comparacin continua
de los valores de las seales o datos de entrada y unos valores que actan como criterios de
normalidad o estndares. En el campo del mantenimiento predictivo los Sistemas Expertos se
utilizan fundamentalmente como herramientas de diagnstico. Se trata de que el programa pueda
determinar en cada momento el estado de funcionamiento de sistemas complejos, anticipndose a
los posibles incidentes que pudieran acontecer. As, usando un modelo computacional del
razonamiento de un experto humano, proporciona los mismos resultados que alcanzara dicho
experto.

Pgina 16 de 21

Diseo
Diseo es el proceso de especificar una descripcin de un artefacto que satisface varias
caractersticas desde un nmero de fuentes de conocimiento.
El diseo se concibe de distintas formas:
El diseo en ingeniera es el uso de principios cientficos, informacin tcnica e imaginacin en la
definicin de una estructura mecnica, mquina o sistema que ejecute funciones especficas con el
mximo de economa y eficiencia.
El diseo industrial busca rectificar las omisiones de la ingeniera, es un intento consciente de
traer forma y orden visual a la ingeniera de hardware donde la tecnologa no provee estas
caractersticas.
Los SE en diseo ven este proceso como un problema de bsqueda de una solucin ptima o
adecuada. Las soluciones alternas pueden ser conocidas de antemano o se pueden generar
automticamente probndose distintos diseos para verificar cules de ellos cumplen los
requerimientos solicitados por el usuario, sta tcnica es llamada generacin y prueba, por lo
tanto estos SE son llamados de seleccin. En reas de aplicacin, la prueba se termina cuando se
encuentra la primera solucin; sin embargo, existen problemas ms complejos en los que el
objetivo es encontrar la solucin ptima.

Planificacin
La planificacin es la realizacin de planes o secuencias de acciones y es un caso particular de la
simulacin. Est compuesto por un simulador y un sistema de control. El efecto final es la
ordenacin de un conjunto de acciones con el fin de conseguir un objetivo global.
Los

problemas

que

presentan

la

planificacin

mediante

SE

son

los

siguientes:

Existen consecuencias no previsibles, de forma que hay que explorar y explicar varios planes.
Existen muchas consideraciones que deben ser valoradas o incluirles un factor de peso.
Suelen existir interacciones entre planes de subobjetivos diversos, por lo que deben elegirse
soluciones de compromiso.
Trabajo frecuente con incertidumbre, pues la mayora de los datos con los que se trabaja son ms
o menos probables pero no seguros.

Es

necesario

hacer

uso

de

fuentes

diversas

tales

como

bases

de

datos.

Control
Un sistema de control participa en la realizacin de las tareas de interpretacin, diagnstico y
reparacin de forma secuencial. Con ello se consigue conducir o guiar un proceso o sistema. Los
sistemas de control son complejos debido al nmero de funciones que deben manejar y el gran
nmero de factores que deben considerar; esta complejidad creciente es otra de las razones que
apuntan al uso del conocimiento, y por tanto de los SE.

Pgina 17 de 21

Cabe aclarar que los sistemas de control pueden ser en lazo abierto, si en el mismo la
realimentacin o el paso de un proceso a otro lo realiza el operador, o en lazo cerrado si no tiene
que intervenir el operador en ninguna parte del mismo. Reparacin, correcta o terapia.
La reparacin, correccin, terapia o tratamiento consiste en la proposicin de las acciones
correctoras necesarias para la resolucin de un problema. Los SE en reparacin tienen que cumplir
diversos objetivos, como son: Reparacin lo ms rpida y econmicamente posible. Orden de las
reparaciones cuando hay que realizar varias. Evitar los efectos secundarios de la reparacin, es
decir la aparicin de nuevas averas por la reparacin.
Simulacin
La simulacin es una tcnica que consistente en crear modelos basados en hechos, observaciones
e interpretaciones sobre la computadora, a fin de estudiar el comportamiento de los mismos
mediante la observacin de las salidas para un conjunto de entradas. Las tcnicas tradicionales de
simulacin requieren modelos matemticos y lgicos, que describen el comportamiento del sistema
bajo estudio.
El empleo de los SE para la simulacin viene motivado por la principal caracterstica de los SE, que
es su capacidad para la simulacin del razonamiento de un experto humano, que es un proceso
complejo.
En la aplicacin de los SE para simulacin hay que diferenciar cinco configuraciones posibles:
Un SE puede disponer de un simulador con el fin de comprobar las soluciones y en su caso
rectificar el proceso que sigue.
Un sistema de simulacin puede contener como parte del mismo a un SE y por lo tanto el SE no
tiene que ser necesariamente de simulacin.
Un SE puede controlar un proceso de simulacin, es decir que el modelo est en la base de
conocimiento del SE y su evolucin es funcin de la base de hechos, la base de conocimientos y el
motor de inferencia, y no de un conjunto de ecuaciones aritmtico lgicas.
Un SE puede utilizarse como consejero del usuario y del sistema de simulacin.
Un SE puede utilizarse como mscara o sistema frontal de un simulador con el fin de que el
usuario reciba explicacin y justificacin de los procesos.
Instruccin
Un sistema de instruccin realizara un seguimiento del proceso de aprendizaje. El sistema detecta
errores ya sea de una persona con conocimientos e identifica el remedio adecuado, es decir,
desarrolla un plan de enseanza que facilita el proceso de aprendizaje y la correccin de errores.
Recuperacin de informacin
Los Sistemas Expertos, con su capacidad para combinar informacin y reglas de actuacin, han
sido vistos como una de las posibles soluciones al tratamiento y recuperacin de informacin, no
slo documental. La dcada de 1980 fue prolija en investigacin y publicaciones sobre
experimentos de este orden, inters que continua en la actualidad.
Lo que diferencia a estos sistemas de un sistema tradicional de recuperacin de informacin es
que stos ltimos slo son capaces de recuperar lo que existe explcitamente, mientras que un
Sistema Experto debe ser capaz de generar informacin no explcita, razonando con los elementos

Pgina 18 de 21

que se le dan. Pero la capacidad de los SE en el mbito de la recuperacin de la informacin no se


limita a la recuperacin. Pueden utilizarse para ayudar al usuario, en seleccin de recursos de
informacin, en filtrado de respuestas, etc. Un SE puede actuar como un intermediario inteligente
que gua y apoya el trabajo del usuario final.

SISTEMA EXPERTO DRENDAL


Dendral (Interpreta la estructura molecular) es el nombre de un sistema experto desarrollado por
Edward Feigenbaum y otros programadores en la Universidad de Stanford, a mediados de los aos
60, y su desarrollo dur diez aos, (1965 a 1975)
Fue el primer sistema experto en ser utilizado para propsitos reales, al margen de la investigacin
computacional, y durante aproximadamente 10 aos, el sistema tuvo cierto xito entre qumicos y
bilogos, ya que facilitaba enormemente la inferencia de estructuras moleculares, dominio en el
que Dendral estaba especializado.
Inicialmente escrito en Lisp, su filosofa de trabajo se aleja de las estructuras clsicas de los
sistemas expertos ms tpicos (como Mycin o XCon), ya que su implementacin no separaba de
forma explcita el conocimiento del motor de inferencia. Sin embargo, pronto se convirti en uno de
los modelos a seguir por muchos de los programadores de sistemas expertos de la poca.

SISTEMA EXPERTO MYCIN


Mycin es un sistema experto desarrollado a principios de los aos 70 por Edgar ShortLiffe, en la
Universidad de Stanford. Fue escrito en Lisp, e inicialmente estaba inspirado en Dendral, otro
sistema experto que tuvo cierto xito a finales de los aos 60. Su principal funcin consista en el
diagnstico de enfermedades infecciosas de la sangre; adems, Mycin era capaz de razonar el
proceso seguido para llegar a estos diagnsticos, y de recetar medicaciones personalizadas a
cada paciente (segn su estatura, peso, etc.).
Mtodo
El funcionamiento de Mycin se basaba principalmente en un sencillo motor de inferencia, que
manejaba una base de conocimiento de aproximadamente unas 500 reglas. El programa capturaba
las entradas a partir de una serie de preguntas (como por ejemplo, Tiene el paciente molestias en
el pecho?, o Ha sido operado el paciente anteriormente?), que usualmente responda el mdico
del paciente. Tras este proceso, Mycin mostraba la salida por pantalla, que consista en una serie
de posibles enfermedades (ordenadas por su probabilidad asociada), la explicacin del por qu de
cada uno de estos diagnsticos, y una serie de recomendaciones sobre el tratamiento a seguir por
el paciente. Para calcular la probabilidad de cada uno de los resultados, los autores desarrollaron
una tcnica emprica basada en factores de certeza. Estos factores de certeza se calculaban de tal
manera que en funcin de unas evidencias se asigna a la hiptesis un factor de certeza.
Resultados
Las investigaciones realizadas por la Stanford Medical School, desvelaron que Mycin tuvo una tasa
de aciertos de aproximadamente el 65%, lo cual mejoraba las estadsticas de la mayora de los
mdicos no especializados en el diagnstico de infecciones bacterianas (dominio en el que Mycin
estaba especializado), que ejercan la profesin en aquellos aos. Los mdicos que trabajaban
exclusivamente en este campo conseguan una tasa del 80%.
Actualidad
Poco a poco Mycin fue cayendo en desuso, debido principalmente a alguna de las debilidades que

Pgina 19 de 21

el programa presentaba, y tambin, por cuestiones ticas y legales que surgan al volcar la
responsabilidad de la salud de una persona a una mquina (por ejemplo, si Mycin se equivocaba
en algn diagnstico, quin asuma la culpa, el programador o el mdico?).
Otro de los motivos se achaca a la excesiva dificultad que supona el mantenimiento del programa.
Era este uno de los principales problemas de Mycin, y en general, de los sistemas expertos de la
poca, en los cuales se dedicaban muchos esfuerzos y recursos a extraer el conocimiento
necesario de los expertos en dominio para construir el motor de inferencia.

LAS TECNICAS HEURISTICAS


Nacen de la necesidad de una deteccin genrica de los virus informticos. Se llama deteccin
genrica a la posibilidad de detectar cualquier virus an sin haberlo analizado antes y sin estar
en la base de datos del antivirus que se est considerando. Esto pareciera que carece de sentido
pero es tan simple como buscar instrucciones comunes de los virus para advertir de la posibilidad
de que un archivo o programa est infectado.
Cuando analizamos las primeras instrucciones de cualquier archivo, veremos instrucciones para
detectar los parmetros de la lnea de comandos, borrar la pantalla, llamar a alguna funcin,
ejecutar alguna macro, etc.. No obstante tratndose de un virus suelen ser otras bien diferentes
como activar el cuerpo del virus o buscar ms archivos para intentar implantarles su cdigo.
La experiencia es sin duda lo que lleva a una persona a reconocer algo infectado de algo limpio en
cuestin de segundos. Esa experiencia se ha pretendido introducir en los programas antivirus
bajo el nombre de heurstica.
El funcionamiento de la heurstica es sencillo, primero se analiza cada programa sospechoso sin
ejecutar las instrucciones, lo que hace es desensamblar o "descompilar" el cdigo de mquina para
deducir que hara el programa si se ejecutara. Avisando que el programa tiene instrucciones para
hacer algo que es raro en un programa normal, pero que es comn en un virus.
Sin duda el principal problema de las tcnicas heursticas ha sido los falsos positivos. A pesar de
que se han mejorado mucho en los ltimos aos, siguen sin conseguir demasiada efectividad
(aunque hay algunas excepciones). El problema ms que en la calidad de la rutina heurstica est
en la interpretacin que el usuario realice de ese aviso heurstico. Si es poco experimentado estar
constantemente mandando muestras a su casa de antivirus ya que el antivirus le dijo que poda
tener un virus.
Entendiendo la Heurstica como un indicador de probabilidad de contagio, esto nos lleva a
considerarla como un sistema de deteccin mejorada que al incluirla los antivirus nos permite
establecer un sistema de alerta y de prevencin ante la aparicin de mutaciones de virus o de
nuevos virus.
Esta tcnica permite "barrer" diferentes tipos de cdigos dentro de los archivos, que sean
susceptibles de ser malignos. Cdigos que son genricos dentro de los archivos maliciosos y que
siempre suelen ser parecidos. O por lo menos respetar parte de las cadenas de comandos que
activan los virus.
Pero cmo opera un antivirus? Los virus tienen patrones de cdigos que son como sus "huellas
digitales". Los software antivirus buscan estos patrones, pero slo de los que tienen almacenados
en su lista (por esto la actualizacin es tan importante). Estos productos tambin pueden valerse
de la heurstica, es decir, analizan los archivos para detectar comportamientos similares a los de
los virus.

Pgina 20 de 21

Cada da crece el nmero de nuevos virus y la alternativa para poder neutralizarlos, sin haber
programado antes el antivirus para su reconocimiento, es la denominada bsqueda heurstica. A
travs de ella, el programa antivirus analiza el cdigo de los programas buscando instrucciones,
acciones sospechosas o indicios que delaten la presencia de virus en la computadora, de acuerdo
a los patrones habituales empleados por los cdigos maliciosos.
El mtodo Heurstico es una tecnologa de programacin que dentro de sus rutinas de deteccin de
especies virales, incluye las cadenas clsicas que son similares, parecidas o afines a virus
autnticos. El mtodo heurstico, si no est bien programado, es susceptible de incurrir en
resultados falsos positivos o negativos. Adems, al encontrar un virus desconocido, variante de
otro existente, el antivirus que emplea este mtodo de bsqueda no podr eliminar eficientemente
el virus y mucho menos reparar el archivo o rea afectada.
Para que un antivirus detecte y elimine eficientemente a un virus as como tambin repare los
daos ocasionados, debe incluir en la base de datos de sus rutinas de deteccin y eliminacin el
exacto micro cdigo viral de esa especie. Sin embargo la tcnica de bsqueda heurstica de virus
por "familias" es una forma eficiente de detectar a especies virales que pertenecen a una misma
familia, aunque no es un mtodo absolutamente exacto o eficiente.

Pgina 21 de 21