era digital

Era de la inteigencia artificial

• 
• Inicio según Keigh Darlington: Los paradigmas y las técnicas de software de la AI han surgido a partir de teorías de la ciencia cognitiva, la psicología, la lógica, etc., pero no han madurado suficientemente, en parte por causa del fundamento experimental en el que se basaban y en parte debido a un hardware que tenía una potencia inadecuada. Los programas de AI requieren un hardware más potente en lo que respecta a la velocidad operativa y a la memoria que lo que requiere el software convencional. Durante aproximadamente los 50 años posteriores el progreso ha resultado en ocasiones errático e impredecible, ya que la AI es un campo multidisciplinario que en el momento presente no está respaldado por ninguna teoría fuerte. Los paradigmas y las técnicas de software de la AI han surgido a partir de teorías de la ciencia cognitiva, la psicología, la lógica, etc., pero no han madurado suficientemente, en parte por causa del fundamento experimental en el que se basaban y en parte debido a un hardware que tenía una potencia inadecuada. Los programas de AI requieren un hardware más potente en lo que respecta a la velocidad operativa y a la memoria que lo que requiere el software convencional.

EL ENFOQUE CAMBIANTE

• Primera fase: comenzó durante la Conferencia de Dartmouth y se centró en técnicas relacionadas con la Resolución general de problemas (GPS) (Newell y Simon 1971). Este enfoque asumía que cualquier problema que pudiera escribirse en código de programación, ya sea una demostración de un teorema matemático, una partida de ajedrez o encontrar la distancia más corta de una ciudad a otra, podía resolverse. comenzó durante la Conferencia de Dartmouth y se centró en técnicas relacionadas con la Resolución general de problemas (GPS) (Newell y Simon 1971). Este enfoque asumía que cualquier problema que pudiera escribirse en código de programación, ya sea una demostración de un teorema matemático, una partida de ajedrez o encontrar la distancia más corta de una ciudad a otra, podía resolverse Por ejemplo, a la hora de jugar ajedrez existiría una representación simbólica del tablero, las piezas, los posibles movimientos y los mejores movimientos basados en la heurística de partidas previas, etc.. Sin embargo, a pesar de resultar muy prometedor en sus inicios, el enfoque GPS pronto se quedó sin combustible. La razón fundamental es que, a medida que los problemas aumentaban de tamaño, el número de combinaciones de búsqueda crecía exponencialmente.

Fase 2

• La segunda fase en la investigación intentó encontrar formas de facilitar la búsqueda, reduciendo o acotando el espacio y, al mismo tiempo, trató de encontrar formas de representar el conocimiento en la IA. Durante este periodo de la IA se consiguieron algunos éxitos en la investigación. Fundamentalmente, cabe destacar el caso de Shrdlu (Winnograd, 1972). En los Estados Unidos y en el resto del mundo se manifestaron recelos similares acerca de la IA. Sin embargo, en 1982, reconociendo las posibles ventajas de la IA, los japoneses renovaron las esperanzas con un gran proyecto denominado “Proyecto de Sistemas Informáticos de Quinta Generación” (FGCS). Se trataba de un proyecto muy ambicioso tanto en hardware como en software, incluyendo, entre otras cosas, entornos de software inteligente y procesamiento paralelo de quinta generación. Este proyecto sirvió como catalizador para el interés en la IA en el resto del mundo. se desarrolló un movimiento centrado en la construcción de Sistemas Basados en Conocimiento Inteligente (IKBS). Dichos sistemas también se denominan “sistemas expertos”. El catalizador para esta actividad en el Reino Unido fue el proyecto ALVEY . Se trataba de un gran proyecto colaborativo financiado por el gobierno, la industria y el comercio en el Reino Unido que intentaba probar la viabilidad del uso de los IKBS en más de 200 sistemas de demostración

Fase 3

• La investigación en IA concentrándose en los IKBS que, a diferencia del enfoque de conocimiento universal GPS, confiaba en conocimiento basado en dominio específico para resolver problemas de IA. Con los IKBS, un problema como puede ser el caso del diagnóstico médico de una enfermedad infecciosa, podía resolverse incorporando en los IKBS el conocimiento del dominio correspondiente a dicho problema. Dicho conocimiento podía adquirirse a partir de expertos humanos en este dominio o por otros medios. Esta clase de conocimiento se escribe en forma de reglas. La Fig. 2 muestra una regla típica procedente del sistema médico experto denominado MYCIN. El conjunto de reglas y hechos que conforman este conocimiento se denominó “base de conocimiento”. Luego, un motor de inferencia en software utilizaría dicho conocimiento para extraer conclusiones. No obstante, los IKBS presentaban algunos defectos, por ej., su incapacidad de aprender y, en algunos casos, la estrechez percibida de su enfoque. La capacidad de aprender resulta importante ya que los IKBS deben actualizarse con regularidad. Realizar esta tarea de forma manual consume muchísimo tiempo. Actualmente, las técnicas de aprendizaje de máquina en IA han madurado para permitir que los sistemas aprendan sin ayuda y con intervención humana escasa o incluso nula

Proyecto CYC

• Se trataba de un proyecto de IA muy ambicioso que intentaba representar el conocimiento relacionado con el sentido común de manera explícita ensamblando una ontología de los conceptos familiares respecto al sentido común, El propósito de CYC era permitir que las aplicaciones de IA llevaran a cabo razonamientos aplicando el sentido común como los seres humanos. Sin embargo, el proyecto CYC tenía ciertas deficiencias, una de las cuales estaba relacionada con las ambigüedades del lenguaje humano. Otros enfoques más recientes se basan en lo que ha dado en denominarse “big data”, utilizando en ocasiones un modelo de fuente abierta para capturar datos en la Web. Por ejemplo, ConcepNet.

aprendizaje de máquina

• Se ha convertido en un tema de investigación muy importante en IA. Fundamentalmente, se implementa utilizando técnicas como las redes neuronales y los algoritmos genéticos. Esto representa la cuarta fase en la investigación en IA descrita en la Fig. 3, y en mi próximo artículo analizaré su impacto.