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.
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.
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.
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.
No hay comentarios:
Publicar un comentario