IA

 IA - INTELIGENCIA ARTIFICIAL

El término inteligencia artificial fue adoptado en 1956, pero se ha vuelto más popular hoy día gracias al incremento en los volúmenes de datos, algoritmos avanzados, y mejoras en el poder de cómputo y el almacenaje.

La investigación inicial de la inteligencia artificial en la década de 1950 exploraba temas como la solución de problemas y métodos simbólicos. En la década de 1960, el Departamento de Defensa de los Estados Unidos mostró interés en este tipo de trabajo y comenzó a entrenar computadoras para que imitaran el razonamiento humano básico. Por ejemplo, la Defense Advanced Research Projects Agency (DARPA, Agencia de Proyectos de Investigación Avanzada de Defensa) realizó proyectos de planimetría de calles en la década de 1970. Y DARPA produjo asistentes personales inteligentes en 2003, mucho tiempo antes que Siri, Alexa o Cortana fueran nombres comunes.

Este trabajo inicial abrió el camino para la automatización y el razonamiento formal que vemos hoy en las computadoras, incluyendo sistemas de soporte a decisiones y sistemas de búsqueda inteligentes que pueden ser diseñados para complementar y aumentar las capacidades humanas.

Aunque las películas de Hollywood y las novelas de ciencia ficción representan la inteligencia artificial como robots semejantes a humanos que se apoderan del mundo, la evolución actual de las tecnologías IA no es tan aterradora – o así de inteligente. En su lugar, la inteligencia artificial ha evolucionado para brindar muchos beneficios específicos a todas las industrias.

TIPOS DE IA

Sistema experto — la máquina aprende en tiempo real (tipos de inteligencia artificial 1)

Los sistemas expertos (SE) -también llamados sistemas basados en reglas, sistemas basados en el conocimiento o computación cognitiva es uno de los tipos de inteligencia artificial:

Son programas informáticos que imitan la capacidad de toma de decisiones de los expertos humanos entrenados.

Los sistemas expertos pueden considerarse un tipo de inteligencia artificial (IA), ya que se basan en complejos modelos lógicos, pero el término suele reservarse para programas con un objetivo específico.

Ese objetivo puede ser diagnosticar enfermedades y recomendar tratamientos, encontrar petróleo en el subsuelo y predecir su caudal, recomendar operaciones bursátiles, optimizar operaciones logísticas y cadenas de suministro, o muchas otras tareas.

El primer sistema experto se creó en la Universidad de Stanford en 1970. Desde entonces le han seguido muchos otros.

Algunos sistemas expertos han tenido mucho éxito en sus campos de especialización y siguen utilizándose décadas después.

Sin embargo, los sistemas expertos tienen limitaciones:

Requieren una experiencia y un trabajo considerables para programarlos.

Suelen requerir mucho tiempo y esfuerzo para aplicarlos a nuevas situaciones. y

A menudo son demasiado complejos para que los no expertos los entiendan o los manejen con eficacia.

Por ello, muchas investigaciones se han centrado en crear una inteligencia artificial menos especializada y más flexible que los sistemas expertos tradicionales.

Redes neuronales — una red de nodos inspirada en las neuronas (tipos de inteligencia artificial 2)

Las redes neuronales son tipos de inteligencia artificial (IA) que se utiliza para modelar la actividad colectiva de células cerebrales interconectadas o neuronas.

Se basan en la suposición de que estos sistemas pueden aprender sin ser programados explícitamente.

Se han aplicado en una amplia gama de campos, como:

El reconocimiento de patrones.

La minería de datos.

El aprendizaje automático.

Los juegos

La traducción de idiomas, entre tantos otros.

En un tipo de red neuronal, los nodos están conectados entre sí mediante enlaces ponderados.

Si un nodo está directamente conectado a otro nodo, se dice que está dentro de la vecindad de ese nodo.

El número de nodos de una red puede ser muy grande: algunas aplicaciones utilizan miles o incluso millones.

Un nodo suele tener una o más entradas que se aplican a los enlaces ponderados que desembocan en él.

Cada enlace ponderado tiene un valor de peso asociado.

Una entrada puede influir en el comportamiento de un nodo determinado de diferentes maneras, dependiendo del tipo de red neuronal que se considere.

Por ejemplo, en una red neuronal de capa de entrada (en la que hay una capa de entrada pero no capas ocultas), cada nodo recibe información de cada entrada vinculada a él a través de enlaces ponderados y luego pasa una señal a cualquier nodo dentro de su propia vecindad a través de enlaces no ponderados.

Lógica difusa — algoritmos o programas que permiten entradas y resultados imprecisos (tipos de inteligencia artificial 3)

La lógica difusa es un algoritmo que permite entradas y salidas imprecisas. De ahí el nombre de lógica difusa.

La lógica difusa como tipos de inteligencia artificial, permite a un programa informático tener en cuenta las dos caras de un argumento.

La lógica difusa parte de la base de que en los problemas del mundo real siempre hay variables difíciles de cuantificar, como las temperaturas y las distancias.

Por ejemplo, un calentador de agua puede pedirle que fije la temperatura deseada en 73 grados, pero no le importa si introduce 72 o 74.

Algoritmos genéticos — simulan la evolución (modelan la evolución humana) (tipos de inteligencia artificial 4)

Los algoritmos genéticos, o AG, son un tipo de algoritmo de búsqueda que imita el proceso de selección natural.

Se basan en el modo en que los organismos vivos transmiten su información genética a las generaciones sucesivas.

Los algoritmos genéticos se diseñaron originalmente para imitar la evolución natural como forma de resolver problemas complejos no lineales.

Por ello, también se han utilizado como uno de los tipos de inteligencia artificial y una técnica de optimización en áreas como el aprendizaje automático, los sistemas de control y la programación informática.

Uno de los usos más conocidos de los algoritmos genéticos es el recocido simulado, un método de resolución de problemas utilizado en informática.

Los algoritmos genéticos también se han aplicado con éxito a la optimización de carteras y a la gestión de riesgos.

Los algoritmos genéticos toman una población de posibles soluciones y la modifican repetidamente en función de nuevos criterios hasta que producen una solución satisfactoria.

El proceso imita la forma en que los organismos vivos transmiten sus genes mediante el apareamiento y la mutación a lo largo de sucesivas generaciones.

Fuente: FUENTE CLICK AQUI!!!