Aplicaciones con las técnicas de IA.

Rebotica.

La robótica es una disciplina que se ocupa del diseño, operación, manufacturación, estudio y aplicación de autómatas o robots. Para ello, combina la ingeniería mecánica, ingeniería eléctrica, ingeniería electrónica, ingeniería biomédica y las ciencias de la computación, así como otras disciplinas.

La robótica representa la cumbre en la trayectoria de desarrollo tecnológico, es decir, del diseño de herramientas. Su cometido es construir una herramienta que pueda desempeñar muchas de las labores que actualmente desempeña el ser humano, de manera más eficiente y rápida, o en condiciones y ambientes que al ser humano le serían inaccesibles.

El robot es, de algún modo, la herramienta más inteligente posible. Sin embargo, el desarrollo de este tipo de herramientas, ya desde los años de los inicios de la automatización, también se traduce en desempleo y en la sustitución de mano de obra humana por autómatas.

Esto alimenta también un miedo ancestral a perder el control sobre este tipo de herramientas, o a ser reemplazado, dominado o violentado por ellas, advertencias que figuran incluso en textos tan antiguos como el Golem de la tradición hebrea, o el monstruo de Frankenstein creado por la novelista inglesa Mary Shelley.

Conceptos básicos.

Robótica: La robótica es una ciencia o rama de la tecnología, que estudia el diseño y construcción de máquinas capaces de desempeñar tareas realizadas por el ser humano o que requieren del uso de inteligencia. Las ciencias y tecnologías de las que deriva podrían ser: el álgebra, los autómatas programables, las máquinas de estados, la mecánica o la informática.

Robot: Manipulador automático controlado, reprogramable, polivalente, capaz de posicionar y orientar piezas, útiles o dispositivos especiales, siguiendo trayectoria variables reprogramables, para la ejecución de tareas variadas. Normalmente tiene la forma de uno o varios brazos terminados en una muñeca. Su unidad de control incluye un dispositivo de memoria y ocasionalmente de percepción del entorno. Normalmente su uso es el de realizar una tarea de manera cíclica, pudiéndose adaptar a otra sin cambios permanentes en su material.

Robot Industrial: Manipulador multifuncional reprogramable con varios grados de libertad, capaz de manipular materias, piezas, herramientas o dispositivos especiales según trayectorias variables programadas para realizar tareas diversas. El robot industrial posee ciertas características antropomórficas, es decir, con características basadas en la figura humana. La característica antropomórfica más común en nuestros días es la de un brazo mecánico, el cual realiza diversas tareas industriales.

Efector: Dispositivo que produce determinados efectos en el entorno, bajo el control del robot. Se utilizan principalmente de dos maneras:

- Modificar la ubicación del robot respecto de su ambiente.

- Desplazar otros objetos del entorno (Manipulación).

Manipulador: Son sistemas mecánicos multifuncionales, con un sencillo sistema de control, que permite gobernar el movimiento de sus elementos. Grados de libertad: Una de las principales características que definen a los robots lo constituye los grados de libertad que posea. Hablar de "grados de libertad" equivale a decir número y tipo de movimientos del manipulador.

Grados de libertad: Una de las principales características que definen a los robots lo constituye los grados de libertad que posea. Hablar de "grados de libertad" equivale a decir número y tipo de movimientos del manipulador.

Clasificación.

Los robots se clasifican generalmente en base a su pertenencia a las diferentes generaciones de robots construidos, que son:

Primera generación. Robots multifuncionales con un sistema simple de control, manual, de secuencia fija o secuencia variable.

Segunda generación. Robots de aprendizaje, que repiten secuencias de movimientos previamente ejecutadas por operadores humanos.

Tercera generación. Robots de control sensorizado, controlados por algún tipo de programa (software) que envía las señales al cuerpo robotizado para llevar a cabo determinadas tareas mecánicas.

Otra forma de clasificación responde a la estructura del robot, pudiendo hablar de robots:

Poliarticulados. Tienen muchas piezas móviles.

Móviles. Son de tipo rodante o automotor.

Zoomórficos. Imitan la forma de algunos animales.

Antropomórficos. Imitan la forma del ser humano.

También existen los robots híbridos, que combinan algunas de las categorías anteriores.

Desarrollos actuales y aplicaciones.

Aumento de la productividad, en fábricas y otros espacios mecánicos, ya que los robots pueden hacer tareas más veces, más rápido y más eficientemente que los trabajadores humanos.

Acceso a entornos hostiles, como lo son el espacio exterior, el fondo marino, espacios desprovistos de aire, etc., en los que un trabajador humano no podría operar o lo haría a altísimos costos y riesgos.

Automatización de tareas indeseadas, generalmente aquellas vinculadas al mantenimiento o la limpieza, que son de tipo mecánico y repetitivo. Las aspiradoras inteligentes (roomba) son un buen ejemplo de ello.

Ayuda en la medicina, permitiendo operaciones a distancia, controladas mediante software médico especializado, con un altísimo índice de precisión, a través de brazos y otras herramientas robóticas.

Aplicaciones bélicas, para fabricar bombarderos automatizados, tanques no tripulados, y otras nuevas formas de armamento tecnológico. Si esto es realmente un beneficio es materia de debate.

Redes Neuronales.

Las redes neuronales artificiales son un modelo inspirado en el funcionamiento del cerebro humano. Está formado por un conjunto de nodos conocidos como neuronas artificiales que están conectadas y transmiten señales entre sí. Estas señales se transmiten desde la entrada hasta generar una salida.

El objetivo principal de este modelo es aprender modificándose automáticamente a si mismo de forma que puede llegar a realizar tareas complejas que no podrían ser realizadas mediante la clásica programación basada en reglas. De esta forma se pueden automatizar funciones que en un principio solo podrían ser realizadas por personas.

Como se ha mencionado el funcionamiento de las redes se asemeja al del cerebro humano. Las redes reciben una serie de valores de entrada y cada una de estas entradas llega a un nodo llamado neurona. Las neuronas de la red están a su vez agrupadas en capas que forman la red neuronal. Cada una de las neuronas de la red posee a su vez un peso, un valor numérico, con el que modifica la entrada recibida. Los nuevos valores obtenidos salen de las neuronas y continúan su camino por la red. Este funcionamiento puede observarse de forma esquemática en la siguiente imagen.

Conceptos básicos.

Modelo de red neuronal. El tipo de modelo determina cómo la red conecta los predictores con los objetivos a través de las capas ocultas. Los perceptrones multicapa (PMC) permiten relaciones más complejas con el coste posible de aumentar el tiempo de entrenamiento y puntuación. La función de base radial (RBF) puede tener tiempos de entrenamiento y puntuación inferiores, con el coste posible de una potencia de predicción reducida en comparación con PMC.

Capas ocultas. Las capas ocultas de una red neuronal contienen unidades no observables. El valor de cada unidad oculta es alguna función de los predictores; la forma exacta de la función depende en parte del tipo de red. Los perceptrones multicapa pueden tener una o dos capas ocultas; la red de función de base radial puede tener una capa oculta.

Calcular automáticamente el número de unidades. Esta opción construye una red con una capa oculta y calcula el "mejor" número de unidades en la capa oculta.

Personalizar el número de unidades. Esta opción le permite especificar el número de unidades en cada capa oculta. La primera capa oculta debe tener al menos una unidad. La especificación de 0 unidades para la segunda capa oculta construye perceptrones multicapa con una única capa oculta.

Neurona. Son células del sistema nervioso que una vez alcanzan su edad adulta no pueden dividirse, su principal función es la respuesta eléctrica a los estímulos generados por las células emisoras, por ejemplo, las fibras musculares.

Función de activación. La función de activación define la salida de un nodo dado un conjunto de entradas, es la representación básica a cómo funciona el perceptrón en una red neuronal artificial. Esta función se puede decir que es binaria, es decir que el resultado final debe ser de activación o no y para producir esto, se utiliza la función escalón.

Tipos de redes neuronales. Perceptrón: La primera de estas redes fue desarrollada en 1943 por Warren McCulloch y Walter Pitts. Consiste en un conjunto de entrada cuyos valores son multiplicados por cada enlace por valores aleatorios, el resultado final debe de ser comparado con un patrón preliminar y si es correcto el resultado debe de ser 1, si no debe de ser 0. Cuando se desarrollo se creía que podía computar cualquier tipo de función aritmética o lógica.

ADALINE: Su principal importancia fue su funcionamiento, que inspiro a la creación de otras redes neuronales. Su significado original es ADAptive LInear NEuron (Neurona Lineal Adaptiva), pero después cambio a Adaptive LInear Element (Elemento Lineal Adaptivo) debido al desinterés en la época a la inteligencia artificial y a que Adaline es un dispositivo con un único elemento de procesamiento, es decir que no puede ser una red neuronal. ADALINE puede resolver los mismos problemas que la red Perceptrón, pero la diferencia es la función de transferencia de tipo lineal en comparación con el limitador que utiliza la red Perceptrón.

Backpropagation: Basado en el algoritmo de propagación inversa para redes multicapa, se utilizo para poder superar la limitante de resolución de problemas linealmente separables que las redes de una sola capa tenían. Es una de las redes más utilizadas actualmente.

Aprendizaje asociativo: Son redes que son capaces de auto organizarse, debido a que cambian automáticamente los pesos en sus neuronas. En este tipo de red no es necesario indicar quela respuesta es correcta o incorrecta. Debido a que estas redes no reciben información sobre que es correcto o no, los resultados generados son debido al algoritmo de aprendizaje que utilizan, identificando categorías, errores, irregularidades, correcciones entre otros de los datos ingresados.

Redes competitivas: En este tipo de redes, las neuronas o grupos de neuronas compiten y se ayudan entre sí para saber qué red deberá de quedar activada, y cuales deben de quedar totalmente anuladas. Las competencias entre las neuronas ocurren en cada capa. El objetivo de este tipo de red es categorizar la información que se ingresa, es decir que la neurona que se active al final debe de ser de acuerdo a la categoría. Esta categorización debe de aprenderse, debido a que es una red de tipo no supervisada.

Redes recurrentes: Entre las redes recurrentes podemos mencionar las redes Hopfield, que funcionan con los fundamentos de control geométrico que se basa en la geometría diferencial. Otro tipo de red es la multicapa, en estas el valor de salida no cambia conforme el tiempo, pero adquiere un comportamiento dinámico al cambiar los valores de entrada, que converge a un valor estacionario. También se puede mencionar a la red Elman, que consiste en dos capas Backpropagation con la diferencia que la capa oculta tiene una salida que alimenta la misma capa oculta, permitiendo reconocer patrones temporales o variables con el tiempo.

Redes Hopfield. Llamada así por su inventor John Hopfield, su estructura está conformada por unidades binarias, cuyos valores pueden ser 1 y 0, o bien 1 y -1. Su objetivo es alcanzar valores mínimos locales, requiriendo que los pesos sean simétricos para evitar un comportamiento caótico.

Perceptrón. Es una neurona básica que inspiro la red de inteligencia artificial perceptrón, básicamente permite separar elementos en un plano en grupos categorizados como deseados y no deseados. Estas neuronas pueden asociarse para poder solucionar problemas más complejos.

Una neurona biológica perceptrón, está compuesta por un canal de salida llamado axón y dendritas que opera como canal de entrada y funcionan como sensores, recopilando información del lugar donde se encuentran y reaccionando mediante sinapsis.

Redes feedfoward. Un sistema feedfoward es aquel que reacciona a los cambios a su entorno, manteniendo un estado concreto del sistema. Uno de los ejemplos más clásicos es la reacción del corazón cuando el cuerpo se encuentra corriendo. Este sistema funciona para actividades ya conocidas, pero para una acción nueva apenas podrá responder.

Clasificación.

Las redes neuronales se clasifican de las siguientes maneras:

La red neuronal monocapa: se corresponde con la red neuronal más simple, está compuesta por una capa de neuronas que proyectan las entradas a una capa de neuronas de salida donde se realizan los diferentes cálculos.

La red neuronal multicapa es una generalización de la red neuronal monocapa, la diferencia reside en que mientras la red neuronal monocapa está compuesta por una capa de neuronas de entrada y una capa de neuronas de salida, esta dispone de un conjunto de capas intermedias (capas ocultas) entre la capa de entrada y la de salida.

Dependiendo del número de conexiones que presente la red esta puede estar total o parcialmente conectada.

La principal diferencia de la red neuronal convolucional con el perceptrón multicapa viene en que cada neurona no se une con todas y cada una de las capas siguientes, sino que solo con un subgrupo de ellas (se especializa), con esto se consigue reducir el número de neuronas necesarias y la complejidad computacional necesaria para su ejecución.

Las redes neuronales recurrentes no tienen una estructura de capas, sino que permiten conexiones arbitrarias entre las neuronas, incluso pudiendo crear ciclos, con esto se consigue crear la temporalidad, permitiendo que la red tenga memoria.

Las redes de base radial calculan la salida de la función en función de la distancia a un punto denominado centro. La salida es una combinación lineal de las funciones de activación radiales utilizadas por las neuronas individuales.

Desarrollos actuales y aplicaciones.

El ámbito de aplicación de las Redes Neuronales Artificiales en Telecomunicaciones puede ser muy importante, considerando por un lado el tipo de problemas a resolver, por ejemplo, relacionados al tráfico de datos y por otro lado, las soluciones que pueden ser proporcionas por las redes neuronales para este tipo de problemas. Algunas de las características, de las redes neuronales, importantes para aplicar a esta área son: Son capaces de determinar relaciones no lineales entre un conjunto de datos, asociando patrones de entrada o salidas correspondientes. Los tipos de aprendizaje disponibles pueden utilizarse para tareas de predicción y clasificación.

Los modelos supervisados y no supervisados pueden ser aplicados para extraer y cancelar ruido de las señales. Una vez que la red ha sido entrenada y probada puede adaptarse por sí misma a los cambios. Una aproximación basada en redes neuronales artificiales puede aprender los modelos específicos de cada sistema de red y proporcionar aproximaciones aceptables de los sistemas.

Visión Artificial.

Visión Artificial. Conocida como "Visión por Computadora". Conjunto de todas aquellas técnicas y modelos que nos permiten la adquisición, procesamiento, análisis y explicación de cualquier tipo de información espacial del mundo real obtenida a través de imágenes digitales.

Conceptos básicos.

Sensores. Existe gran diversidad de sensores a partir de los cuales se pueden obtener imágenes. Su principal clasificación es a partir de la naturaleza de la señal que conforman la imagen, dentro de ellos podemos mencionar, los sensores de Rayos X, Rayos Gamma, luz ultravioleta, infrarroja, etc. Por otra parte, podemos mencionar los sensores basados en el principio del eco como es el caso de los radares y los equipos de ultrasonido.

Iluminación. La iluminación de una escena es uno de los puntos sensibles en un sistema de visión. Las fuentes de luz se deben escoger en función de la aplicación que se desea realizar, una fuente mal escogida puede traer consigo un sin número de anormalidades difíciles de eliminar como son el caso de las sombras, las reflexiones y el bajo contraste. Es por ello que el conocimiento del tipo de iluminación a utilizar se debe tener muy en cuenta.

Iluminación tipo LED. La luz emitida por este tipo de fuente presenta como ventaja fundamental que tiene naturaleza monocromática, estos dispositivos presentan una larga vida útil, alto rendimiento y requieren de una fuente de alimentación de muy baja potencia además presentan un costo excesivamente bajo. Sus principales desventajas son que emiten poca intensidad y que en ocasiones dos LEDs similares presentan diferencias en la longitud de onda de la luz que emiten.

Flash. Normalmente se utilizan para captar imágenes en movimiento, son fuentes de luz de gran intensidad luminosa que se ve poco afectada por la luz ambiente. Su principal desventaja es la fuente de alimentación las cuales deben estar bien sincronizadas con le sistema de captura de la imagen, presentan gran disipación de calor y pierden luminosidad con el tiempo. A su favor podemos decir que son fuentes extremadamente rápidas.

Láser. Muchos hemos escuchado hablar de lo extremadamente direccional de la luz emitida por este tipo de fuente además presenta la característica de ser monocromática. Se postula como una fuente de luz casi perfecta, aunque su inconveniente principal es su costo y la necesidad de colocarle dispositivos auxiliares para realizar barridos de la zona de interés.

Lámpara Incandescente. Su iluminación es bastante homogénea, aunque presenta las dificultades de ser consumidoras y disipadoras de calor. No presentan tiempos de vida largo, aunque si son muy baratas.

Lámparas Fluorescentes. Su iluminación es muy clara, aunque presentan tiempos de vida cortos y las pérdidas de iluminación con el tiempo son acentuadas. El costo de este tipo de fuente es bajo.

Tarjetas digitalizadoras. La función de estas tarjetas es captar la señal que ofrece el sensor de imagen y convertirla a formato digital y entregarla al dispositivo inteligente, llámese PC o PLC, para su posterior análisis. Una muestra de este tipo de dispositivo se observa en la siguiente figura.

Desarrollos actuales y aplicaciones.

1. Visión artificial para la Detección de defectos

Se trata de quizás la aplicación más habitual de la visión artificial. Hasta ahora la detección de defectos la realizan personas entrenadas en lotes seleccionados, y no suele ser posible el control total de la producción. Con la visión artificial podemos detectar defectos como: rajas en metales, defectos de pintura, malas impresiones etc. en tamaños menores a 0,05mm. ¡Mucho mejor que el ojo humano! Estas cámaras de visión necesitan de un algoritmo que es el ‘cerebro inteligente’ que es capaz de diferenciar que es un defecto y que no. Este algoritmo se diseña y entrena específicamente para cada aplicación en particular a través de imágenes con defecto y sin defecto.

2. Visión artificial para la Metrología

Es otra de las reinas de las aplicaciones. Lo que hasta ahora se venía realizando con complejos equipos de metrología láser o palpadores, se puede medir ahora utilizando la visión artificial. En esta aplicación la clave es realizar un buen ajuste de la referencia para poder medir con la precisión necesaria, y sobre todo, utilizar la iluminación adecuada para cada tipo de material y ambiente de trabajo. Utilizando sistemas de visión artificial podemos medir tamaños de piezas variables, rectitud, paralelismo…

3. Visión artificial para la Detección de intrusos

A través de cámaras hiperespectrales es posible diferenciar entre una fruta y una piedra, lo que permite, sobretodo en alimentación, que los productos sean más seguros para el consumidor. Las cámaras hiperespectrales que, al fin y al cabo, son un tipo de visión artificial, son capaces de diferenciar el tipo de material a través de la medida que hacen de la longitud de onda. De esta forma, podemos diferenciar una piedra de una fruta, un plástico de un metal u otras combinaciones mientras el material sea distinto.

4. Visión artificial para la Verificación de montajes

Cada día se realizan montajes más y más complejos, con más piezas o conexionados. La visión artificial nos permite comprobar, paso a paso, que cada pieza está en su lugar, o al final del proceso, que el montaje final es correcto. Esta aplicación es muy útil para el montaje de maquinaria, equipos, placas electrónicas o pre-montajes con mucha complejidad. Estos sistemas reducen considerablemente tiempos de ciclo de operaciones muy complejas y tiempos de reoperación.

5. Visión artificial para Lector de pantallas

En algunas ocasiones no es posible extraer datos de una pantalla de visualización bien porque es un sistema cerrado de proveedor ó porque dicho sistema es incompatible con el nuestro. Una solución a este problema es instalar una cámara de visión artificial para leer la pantalla y extraer los datos que en ella aparecen (temperaturas, códigos, tensiones… cualquier información útil que aparezca en pantalla y tu necesites). Para ello, buscamos las regiones de interés en las que se encuentra la información, utilizamos un algoritmo de reconocimiento de caracteres (OCR) para extraerla ¡y todo perfecto!

Lógica difusa (Fuzzy Logic).

La lógica difusa (fuzzy logic) permite tratar información imprecisa, como medio lista, temperatura baja o mucha fuerza, en términos de conjuntos difusos. La teoría de conjuntos difusos provee una herramienta matemática para aproximar el razonamiento de estos enunciados cuando la información disponible es incierta, incompleta, imprecisa o vaga. En Lógica Difusa, se utilizan conceptos relativos de la realidad, definiendo grados, variables de pertenencia y siguiendo patrones de razonamiento similares a los del pensamiento humano.

Conceptos básicos.

La lógica difusa o lógica heurística se basa en lo relativo de lo observado como posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí. Así, por ejemplo, una persona que mida 2 metros es claramente una persona alta, si previamente se ha tomado el valor de persona baja y se ha establecido en 1 metro. Ambos valores están contextualizados a personas y referidos a una medida métrica lineal.

Desarrollos actuales y aplicaciones.

La lógica difusa se utiliza cuando la complejidad del proceso en cuestión es muy alta y no existen modelos matemáticos precisos, para procesos altamente no lineales y cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o subjetivo).

En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona eficientemente el problema, cuando los problemas son lineales o cuando no tienen solución.

Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón, y cada vez se está usando en gran multitud de campos. La primera vez que se usó de forma importante fue en el metro japonés, con excelentes resultados. A continuación, se citan algunos ejemplos de su aplicación:

Sistemas de control de acondicionadores de aire

· Sistemas de foco automático en cámaras fotográficas

· Electrodomésticos familiares (frigoríficos, lavadoras...)

· Optimización de sistemas de control industriales

· Sistemas de escritura

· Mejora en la eficiencia del uso de combustible en motores

· Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)

· Tecnología informática

· Bases de datos difusas: Almacenar y consultar información imprecisa. Para este punto, por ejemplo, existe el lenguaje FSQL.

· Y en general, en la gran mayoría de los sistemas de control que no dependen de un Sí/No.

Procesamiento de lenguaje natural (PLN).

El procesamiento del lenguaje natural (PLN o NLP) es un campo dentro de la inteligencia artificial y la lingüística aplicada que estudia las interacciones mediante uso del lenguaje natural entre los seres humanos y las máquinas. Más concretamente se centra en el procesamiento de las comunicaciones humanas, dividiéndolas en partes, e identificando los elementos más relevantes del mensaje. Con la Comprensión y Generación de Lenguaje Natural, busca que las máquinas consigan entender, interpretar y manipular el lenguaje humano.

Los asistentes virtuales o chatbots son una de las utilidades más conocidas de la PLN, pero no son la única. Además, es importante entender que el PNL no dota de inteligencia a un chatbot, sólo le da la capacidad de procesar y generar lenguaje humano. En caso de querer dotar de inteligencia a un asistente virtual, habría que utilizar sistemas como reglas o redes neuronales.

Muchas veces cuando se habla de procesamiento de lenguaje natural, algunas personas únicamente lo relacionan con los chatbots, por eso vamos a ver otros usos del PLN.

Conceptos básicos.

· Lingüística

· Análisis Lingüístico

· Lenguaje

· Lenguaje Formal

· Comprensión del lenguaje

· Generación de textos

· Gramáticas Formales

· Definiciones empleadas en las gramáticas formales

Desarrollos actúales y aplicaciones.

Comprensión del lenguaje natural (CLN o NLU)

La comprensión del lenguaje natural (CLN o NLU) es la parte del procesamiento del lenguaje natural que se encarga de interpretar un mensaje y entender su significado e intención, tal y como haría una persona. Para que el sistema funcione necesita datasets en el idioma específico, reglas de gramática, teoría semántica y pragmática (para entender el contexto e intencionalidad), etc.

Generación del lenguaje natural (GLN o NLG)

La generación del lenguaje natural (GLN o NLG) dota a la máquina de la capacidad de crear un nuevo mensaje en lenguaje humano de manera autónoma. De manera resumida, lo que hacen estos modelos es: escoger la información a reproducir (dependiendo de la interpretación del mensaje a contestar), decidir cómo organizarla y cómo reproducirla (léxico y recursos gramaticales, morfología, estructuras sintácticas, etc.). Estos modelos generan frases nuevas palabra a palabra y tienen que ser entrenados para que funcionen correctamente.

Recuperación de información (RI o IR)

La recuperación de información (RI) o en inglés Information Retrieval (IR), es el campo dentro de la informática que se encarga de procesar textos de documentos, para poder recuperar partes específicas en base a palabras clave. Por ejemplo técnicas como la extracción de información estructurada (permite obtener de un documento el trozo de texto en el que está lo que buscas) o los sistemas de respuesta a preguntas de usuarios (que devuelve ante una consulta, una respuesta de una batería de respuestas ya existentes, asociadas a palabras clave de la consulta). No genera nuevas frases, por lo que no necesita utilizar reglas gramaticales. No es tan “inteligente” como la Generación del Lenguaje Natural.

Reconocimiento y síntesis del habla

Los sistemas de reconocimiento de voz procesan los mensajes en voz humana, los transforman en texto, los interpretan y comprenden la intencionalidad de los mismos, y tras la generación de la respuesta en texto, se vuelve a transformar en voz humana a través de la síntesis de voz. La síntesis del habla o de voz, es la que capacita a la máquina para poder generar y reproducir habla en lenguaje natural.

Traducción automática

La Traducción automática o Machine Translation en inglés, es un campo de investigación dentro de la lingüística computacional que estudia los sistemas capaces de traducir mensajes entre diferentes lenguas o idiomas. Por ejemplo Google es una de las empresas que más ha invertido en sistemas de traducción automática, con su traductor que utiliza un motor estadístico propio. Los sistemas de autocorrección y autocompletado de texto, también utilizan Procesamiento del Lenguaje Natural (PLN o NLP).

Resumen y clasificación de textos

También se está utilizando el procesamiento del lenguaje natural para resumir textos de extensiones largas de manera automática o extraer palabras clave para clasificarlos. Muchas veces, debido a la gran cantidad de documentación o por la longitud de la misma, utilizar estos sistemas ayuda en sectores como el legal a encontrar partes dentro de las leyes, o resumir una gran cantidad de documentación.

Otro de los usos que se le da a esta función de clasificación, es la de detección de spam. Empresas como Google utilizan esta tecnología para clasificar los textos de los correos electrónicos y detectar si se trata de spam o no. Para esto, toman palabras clave como “gratis” o “descuento”, la condición de palabras en mayúscula o las exclamaciones.

Detección de sentimientos o emociones

Uno de los usos más novedosos del PLN es el análisis de sentimientos. Cada vez más empresas y profesionales del marketing están utilizando esta tecnología para saber qué sienten los usuarios sobre una marca, producto o servicio, utilizando datos de entrada como mensajes, comentarios o reacciones en diferentes redes sociales.

Sistemas Expertos.

Son sistemas basados en computadoras, interactivos y confiables, que pueden tomar decisiones y resolver problemas complejos. La toma de decisiones se considera el más alto nivel de inteligencia y experiencia humana.

La IA simula estos procesos y cuando hablamos de sistemas expertos nos referimos a la resolución de los problemas más complejos en un dominio específico.

En otras palabras, el software de IA tiene el suficiente conocimiento almacenado como para resolver problemas complejos que solo un experto humano podría resolver.

Pero estos sistemas también son capaces de expresar y razonar una idea sobre algún dominio del conocimiento. Los sistemas expertos fueron los antecesores de los sistemas actuales de inteligencia artificial, aprendizaje profundo y aprendizaje automático.

Conceptos básicos.

Base de conocimiento: en este componente se representan los hechos y reglas. Aquí se almacena el conocimiento en un dominio particular, así como en las reglas para resolver un problema, procedimientos y datos intrínsecos relevantes para el dominio.

Es el repositorio de los hechos, es decir, un gran contenedor de conocimiento que se obtiene de diferentes expertos de un campo específico.

Motor de inferencia: es el cerebro del sistema experto. Su función es obtener el conocimiento relevante de la base de conocimientos, interpretarlo y encontrar una solución relevante para el problema del usuario. Contiene las reglas de su base de conocimiento y las aplica a los hechos conocidos para inferir nuevos hechos.

Módulo de adquisición de conocimiento y aprendizaje: es la parte de estos sistemas que permite que el sistema experto adquiera cada vez más conocimiento de diversas fuentes y lo almacene en la base de conocimiento.

Interfaz de usuario: es la parte más crucial del sistema experto. Este módulo hace posible que un usuario no experto interactúe con el sistema experto y encuentre una solución a un problema.

Módulo de explicación: en este módulo el sistema experto da una explicación al usuario sobre cómo el sistema experto llegó a una conclusión particular.

Clasificación.

Se clasifican en 3 tipos.

1.- Los sistemas que están basados en reglas previamente establecidas, también llamados RBR (De las siglas en ingles Rule Based Reasoning).

2.- Los sistemas que están basados en casos o también conocidos como CBR (De las siglas en ingles, Case Based Reasoning).

3.-Los que están basados en redes de Bayes.

Hablando de forma más general de cada uno de los tipos de sistemas expertos, el primer caso se refiere, cuando las reglas activas ya fueron programadas y con ellas se hace una evaluación, y aplicación de las mismas.

En el segundo caso se refiere a casos que ya han sido solucionados, y se usa su lógica de como es que se solucionó el mismo, para poder adaptarla a casos similares nuevos.

En el tercer caso se refiere a la implementación de el Teorema de Bayes, utilizado en estadística.

Desarrollos actuales y aplicaciones.

Existen muchos ejemplos de sistemas expertos, pero compartimos algunos a continuación:

MYCIN: es uno de los primeros sistemas expertos basados en el encadenamiento hacia atrás.

Este sistema es capaz de identificar varias bacterias que pueden causar infecciones agudas y también puede recomendar medicamentos según el peso del paciente.

DENDRAL: es un sistema experto basado en inteligencia artificial utilizado para el análisis químico.

El sistema puede predecir la estructura molecular, basado en los datos espectrográficos de una sustancia.

R1 / XCON: es usado en el campo de la informática. Es capaz de seleccionar un software específico para generar un sistema informático a gusto del usuario.

PXDES: es un gran sistema para la medicina moderna. Puede determinar fácilmente el tipo y el grado de cáncer de pulmón en un paciente a través de un análisis de datos.

CaDet: también es un sistema de apoyo clínico que podría identificar el cáncer en etapas tempranas.

DXplain: otro sistema de apoyo clínico, pero en este caso, tiene la capacidad de sugerir una variedad de enfermedades según los hallazgos del médico.

En general, en cuanto a las aplicaciones de estos sistemas expertos, algunas de las más populares son:

Gestión de la información.
Hospitales e instalaciones médicas.
Gestión de servicios de ayuda.
Evaluación del desempeño de los empleados.
Análisis de préstamos.
Detección de virus.
Útil para proyectos de reparación y mantenimiento.
Optimización de almacenes.
Planificación y programación.
La configuración de objetos fabricados.
Toma de decisiones financieras Publicación de conocimiento.
Monitorización y control de procesos.
Supervisar el funcionamiento de la planta y el controlador.
Bolsa de comercio.
Horarios de aerolínea y horarios de carga.

Por tanto, un sistema experto toma hechos y heurísticas para resolver problemas complejos de toma de decisiones. En ese orden, la calidad mejorada de las decisiones, la reducción de costos, la consistencia, la confiabilidad, la velocidad son los beneficios clave de un sistema experto.

Sin embargo, se debe tomar en cuenta que un sistema experto no puede dar soluciones creativas y su mantenimiento puede ser costoso. Fuera de eso, sus aplicaciones son muy amplias y son muy útiles para asegurar información rápida y precisa.

Welcome to Dubai

jueves, 24 de junio de 2021

Welcome to Dubai, the famous emirate city.

jueves, 17 de junio de 2021