PDF de programación - Áreas de aplicación de la Inteligencia Artificial

ARTIFICIAL INTELLIGENCE. AN ILLUSTRATIVE OVERVIEW

Aaron Sloman

School of Computer Science
The University of Birmingham

http://www.cs.bham.ac.uk/~axs/courses.ai.html


Las áreas de aplicación de la Inteligencia Artificial se pueden dividir en dos, de
acuerdo al contenido del estudio o de acuerdo a las herramientas y técnicas utilizadas.
Se desarrollan a continuación.
(A) Contenido

Ya que los seres humanos y otros animales, y también los robots inteligentes y otros
artefactos, tienen una amplia variedad de capacidades, todas ellas muy complejas y
difíciles de explicar o modelar, tanto en el plano científico como ingenieril, la IA ha
generado varios subcampos, tratando aspectos particulares de la inteligencia.

(B) Técnicas

Debido a que las aplicaciones de la IA son muchas y muy diversas, algunos de los
subcampos se agrupan en torno a las técnicas relevantes a cada clase de problemas.

A. Subcampos basados en el contenido.

• Percepción, especialmente la visión, sino también la percepción auditiva y táctil,
y, más recientemente, el gusto y el olfato. Esto se desglosa en el estudio de los
diferentes tipos de procesos incluyendo la transducción física, el análisis y
reconocimiento de patrones, la segmentación y "parsing" complejo de los datos
sensoriales, la interpretación y el control de la atención. Este es un enorme
subcampo y puede dividirse en más campos especializados de acuerdo a la
modalidad sensorial, el tipo de cosas que se perciben, las formas de
representación utilizadas, si la percepción está puramente dirigida por los datos
o
los mecanismos utilizados (por ejemplo
neuronales o simbólicos), la arquitectura más grande que contiene el sistema
sensorial, y el dominio de aplicación.

incluye procesos

top-down,

• Procesamiento de lenguaje natural, incluida la producción y la interpretación de
la lengua hablada y escrita, ya sea manuscrita, impresa o electrónica en todo (por
ejemplo el correo electrónico).

• Aprendizaje y desarrollo, incluidos los procesos de aprendizaje simbólico (por
ejemplo la regla de inducción), la utilización de las redes neuronales (a veces
descrita como sub-simbólica), el uso de algoritmos evolutivos, sistemas de auto-
depuración, y diversos tipos auto-organización.

• Planificación, solución de problemas, diseño automático: dado un problema
complejo y una colección de recursos, restricciones y criterios de evaluación
crear una solución que cumpla con las restricciones y lo haga bien o sea óptima
de acuerdo con los criterios establecidos, o si ello no es posible proponer
algunas buenas alternativas.

• Variedad de razonamiento: Esto incluye estudio tanto del razonamiento informal
de sentido común como de razonamiento experto especializado. El primero

1

incluye el estudio del razonamiento analógico, la inferencia con revocación,
razonamiento basado en casos. El último incluye la lógica y razonamiento
matemático, incluyendo el diseño de demostradores de teoremas y de sistemas
de inferencia, ya sea con la intención de modelar diversas clases de capacidades
inferenciales y matemáticas humanas, o para fines prácticos, por ejemplo, en
“toolkits” de álgebra simbólica, o razonamiento en robots o sistemas de control
autónomos.

• Estudio de las representaciones: la investigación de las propiedades formales de
los diferentes tipos de representaciones, los mecanismos necesarios para su
funcionamiento, y el tipo de tareas para las que son buenas o malas. Esto puede
incluir el estudio de ontologías de diversos tipos. Sobre algunos mecanismos se
afirma a veces que no utilizan ninguna representación (por ejemplo las redes
neuronales), mientras que realmente son un tipo especial de representación, por
ejemplo, numérica y continua, en contraposición a la estructural y discreta.

• Técnicas y mecanismos de memoria: análisis de las necesidades de los diversos
tipos de memoria, incluyendo grandes almacenes de conocimiento conteniendo
diversos tipos, ya sea para modelar el conocimiento humanos o para su
utilización en diversos tipos de aplicaciones.

•

istemas multiagente: el estudio de los diversos tipos de comunicación
(lingüística y no lingüísta, explícita e implícita, intencional y no intencional), los
tipos de cooperación y conflicto, reconocimiento de los planes e intenciones de
otros, etc. Algunos estudios de sistemas multiagente tienen que ver con la
comprensión de interacciones sociales humana, mientras que otros están
preocupados con el diseño de aplicaciones que implican múltiples robots o
múltiples sistemas software concurrentes. Algunos sistemas multiagente se
proponen como una arquitectura para un único agente inteligente complejo.

• Mecanismos afectivos: durante los años 90 ha habido un creciente interés en el
papel de la motivación y las emociones en la inteligencia. Esto se estudia a veces
como un tema propio, y, a veces, como parte del estudio de arquitecturas
completas para sistemas autónomos inteligentes. Una teoría general tendría que
representar a una amplia variedad de estados afectivos y procesos, incluidos
deseos, preferencias, antipatías, placeres, dolores, objetivos de largo plazo,
intenciones, ideales, valores, actitudes, estados de ánimo, y mucho más. Uno de
los debates actuales se refiere a si las emociones son necesarias para la
inteligencia, o si son simplemente efectos secundarios o nuevas características
de los mecanismos que se requieren para otras funciones.

• Robótica: uno de los más subcampos más antiguos de la IA. A veces estudiado
con el propósito de producir nuevos tipos de máquinas útiles, y, a veces, porque
diseñar completamente robots de trabajo proporciona un banco de pruebas para
la integración de las teorías y técnicas de distintos subcampos de la IA, por
ejemplo, percepción, aprendizaje, memoria, control motor, planificación, etc. Es
decir, se trata de un contexto para explorar ideas acerca de sistemas completos.
A veces, los diseñadores de robots intentan mostrar que ciertos tipos de
mecanismos no son necesarios en los sistemas con un cierto tipo de inteligencia,
por ejemplo, mostrando lo que pueden hacer los robots que no usan las
capacidades de planificación o deliberación.

2

• Desarrollo de lenguajes y herramientas.
• Arquitecturas de sistemas completos. Hasta mediados de los 80 la mayor parte
del trabajo en la IA se refiere a formas específicas de representación y
algoritmos específicos para realizar alguna tarea. Desde entonces, se ha dado
una importancia creciente a la arquitectura en la que muchos y diferentes
mecanismos se combinan para proporcionar un sistema con muchos tipos
distintos de funcionalidades, a menudo mecanismos activos simultáneamente.

• La búsqueda es otro tema que debería haber sido mencionado anteriormente, ya
la búsqueda de una solución a algún problema en un espacio de posibilidades es
un tema recurrente en la IA. Se han estudiado muchas formas diferentes de
búsqueda, en relación a las diferentes formas de representación, diferentes
dominios del problema y diferentes requisitos (por ejemplo, ¿Debe ser la
solución óptima, o la meta es satisfactoria? Si no es suficientemente satisfactoria,
y es muy difícil de lograr el óptimo, ¿puede bastar con hallar una solución que
está garantizada de encontrarse cerca de la óptima, dentro de cierto límite?)

• Las ontologías1 han recibido una atención considerable después de que se haya
demostrado que no es suficiente especificar las formas de representación que
utiliza un sistema inteligente. También es importante investigar qué tipo de
cosas deberían estar representadas. Una especificación de ontología es una
especificación de qué tipo de cosas tienen que existir: dos personas que
comparten una ontología puede, no obstante, discrepar en cuanto a qué cosas
que realmente existen ontología se podrían permitir, o qué las leyes rigen su
comportamiento. (Este tema está estrechamente vinculado a las viejas teorías
filosóficas acerca de lo que existe o lo que puede existir.) El desarrollo de una
ontología como resultado de la interacción con algún entorno es una clase
importante de aprendizaje.

Lo anterior no pretende ser una lista completa. Hay muchos otros campos
secundarios que podrían enumerarse.

B. Subcampos de aplicación de la IA
Hay un conjunto muy abierto de campos de aplicación de la IA. Los siguientes son sólo
ejemplos, y no una lista completa:

•

•

IA en la medicina, que incluye la interpretación de imágenes médicas,
diagnóstico, sistemas expertos para ayudar a los médicos, la monitorización y
control en las unidades de cuidados intensivos, diseño de prótesis, diseño de
fármacos, sistemas tutores inteligentes para diversos aspectos de la medicina.

IA en la robótica, que incluye la visión, el control de motores, el aprendizaje, la
planificación, la comunicación lingüística, el comportamiento cooperativo.


1 La palabra "ontología" se utiliza a menudo para referirse a lo que aquí se describe como la
especificación de una ontología. Esa especificación podría ser un documento concreto en un determinado
lenguaje formal. Sin embargo, la misma ontología (el mismo conjunto de las entidades, las propiedades,
las relaciones, los estados, los procesos, etc.) pueden especificarse utilizando