Se denomina inteligencia artificial (IA) a la rama de las ciencias de la Computacin
dedicada al desarrollo de agentes racionales no vivos.
Para explicar la definicin anterior, entindase a un agente como cualquier cosa capaz de percibir su entorno (recibir entradas), procesar tales percepciones y actuar en su entorno (proporcionar salidas), y entindase a la racionalidad como una capacidad humana que permite pensar, evaluar y actuar conforme a ciertos principios de optimidad y consistencia , para satisfacer algn objetivo o finalidad. De acuerdo al concepto previo, racionalidad es ms general y por ello ms adecuado que inteligencia para definir la naturaleza del objetivo de esta disciplina.
Por lo tanto, y de manera ms especfica la inteligencia artificial es la disciplina que se encarga de construir procesos que al ser ejecutados sobre una arquitectura fsica producen acciones o resultados que maximizan una medida de rendimiento determinada, basndose en la secuencia de entradas percibidas y en el conocimiento almacenado en tal arquitectura.
Existen distintos tipos de conocimiento y medios de representacin del conocimiento, el cual puede ser cargado en el agente por su diseador o puede ser aprendido por el mismo agente utilizando tcnicas de aprendizaje.
Tambin se distinguen varios tipos de procesos vlidos para obtener resultados racionales, que determinan el tipo de agente inteligente. De ms simples a ms complejos, los cinco principales tipos de procesos son:
Ejecucin de una respuesta predeterminada por cada entrada (anlogas a actos reflejos en seres vivos). Bsqueda del estado requerido en el conjunto de los estados producidos por las acciones posibles. Algoritmos genticos (anlogo al proceso de evolucin de las cadenas de ADN). Redes neuronales artificiales (anlogo al funcionamiento fsico del cerebro de animales y humanos). Razonamiento mediante una lgica formal (anlogo al pensamiento abstracto humano).
Tambin existen distintos tipos de percepciones y acciones, pueden ser obtenidas y producidas, respectivamente por sensores fsicos y sensores mecnicos en mquinas, pulsos elctricos u pticos en computadoras, tanto como por entradas y salidas de bits de un software y su entorno software.
Inteligencia Artificial Convencional Se conoce tambin como IA simblico-deductiva. Est basada en el anlisis formal y estadstico del comportamiento humano ante diferentes problemas:
Razonamiento basado en casos: Ayuda a tomar decisiones mientras se resuelven ciertos problemas concretos y aparte de que son muy importantes requieren de un buen funcionamiento. Sistemas expertos: Infieren una solucin a travs del conocimiento previo del contexto en que se aplica y ocupa de ciertas reglas o relaciones. Redes bayesianas: Propone soluciones mediante inferencia probabilstica. Inteligencia artificial basada en comportamientos: que tienen autonoma y pueden auto-regularse y controlarse para mejorar. Smart process management: facilita la toma de decisiones complejas, proponiendo una solucin a un determinado problema al igual que lo hara un especialista en la actividad.
Inteligencia Artificial Computacional La Inteligencia Computacional (tambin conocida como IA subsimblica-inductiva) implica desarrollo o aprendizaje interactivo (por ejemplo, modificaciones interactivas de los parmetros en sistemas conexionistas). El aprendizaje se realiza basndose en datos empricos.
Aplicaciones De La Inteligencia Artificial Lingstica computacional Minera de datos (Data Mining) Industriales. Mdicas Mundos virtuales Procesamiento de lenguaje natural (Natural Language Processing) Robtica Mecatrnica Sistemas de apoyo a la decisin Videojuegos Prototipos informticos Anlisis de sistemas dinmicos. Smart Process Management
Lingu stica Computacional La lingstica computacional es un campo multidisciplinar de la lingstica y la informtica que utiliza la informtica para estudiar y tratar el lenguaje humano. Para lograrlo, intenta modelar de forma lgica el lenguaje natural desde un punto de vista computacional. Dicho modelado no se centra en ninguna de las reas de la lingstica en particular, sino que es un campo interdisciplinar, en el que participan lingistas, informticos especializados en inteligencia artificial, psiclogos cognoscitivos y expertos en lgica, entre otros.
Algunas de las reas de estudio de la lingstica computacional son:
Corpus lingstico asistido por ordenador. Diseo de analizadores sintcticos (en ingls: parser), para lenguajes naturales. Diseo de etiquetadores o lematizadores (en ingls: tagger), tales como el POS- tagger. Definicin de lgicas especializadas que sirvan como fuente para el Procesamiento de Lenguajes Naturales. Estudio de la posible relacin entre lenguajes formales y naturales. Traduccin automtica.
Lingu stica Computacional Teo rica Basa sus temas de trabajo en la lingstica terica y en la ciencia cognitiva. Los aportes de la psicologa cognitiva, en especial de la psicolingstica, tambin son de especial relevancia, y han dado como resultado la aparicin de una nueva ciencia, la psicolingstica computacional.
Su objetivo es desarrollar teoras lingsticas computables, es decir, que puedan ser aplicadas sutilmente a los ordenadores. Dado que las teoras formales existentes no dan cuenta de todos los fenmenos lingsticos posibles, la lingstica computacional terica se perfila como un incentivo para la comprensin formal de los procesos lingsticos, as como un medio para su demostracin prctica. Esto ocurre, por ejemplo, mediante el anlisis automtico de grandes corpus lingsticos, para investigar un fenmeno lingstico o probar la validez de una teora.
Sin embargo, no todas las teoras lingsticas tienen la pretensin de ser aplicadas al dominio informtico. En efecto, la lingstica cognitiva estudia las motivaciones de un hablante determinado para expresarse, lo que naturalmente est lejos de poder ser modelado con un ordenador.
Lingu stica Computacional Aplicada Es una vertiente de la lingstica computacional con una evidente orientacin tecnolgica, lo que ha provocado que con frecuencia sea referida con nombres como ingeniera lingstica o tecnologa del lenguaje humano. Se centra en los aspectos prcticos que se puedan derivar de la simulacin de la conducta lingstica con medios informticos. Su objetivo es crear productos informticos que incorporen algn componente en el que intervenga el lenguaje, oral o escrito. Entre ellos figuran:
El apoyo a los usuarios de computadores con el procesamiento de texto, por ejemplo, correccin de errores de digitacin y ortogrficos, prueba de la correccin gramatical, cambio en ideogramas en japons o chino. La bsqueda automtica en pasajes de texto (bsqueda inteligente de informacin) y, por cierto, no solo su forma, sino su significado (recuperacin de informacin y motores de bsqueda). El apoyo al traducir textos en otra lengua (traduccin asistida por ordenador) o tambin la traduccin automtica. El procesamiento del lenguaje hablado (reconocimiento del habla y sntesis de habla), por ejemplo, en el servicio de informacin telefnico o en aparatos de lectura para ciegos. De la bsqueda de informacin en grande de bibliografas a la contestacin directa de preguntas sobre la base de grandes bancos de datos (recuperacin de informacin, minera de datos, extraccin de la informacin). El tratamiento de datos presentes lingsticamente, por ejemplo, la indexacin de literatura, la creacin de ndices y listas de materias, la produccin de resmenes y abstracts. El apoyo a los autores en la redaccin de textos, por ejemplo, en la bsqueda de la palabra precisa o la terminologa correcta. La interaccin de los usuarios con el computador en lenguaje natural, tal que los computadores sean accesibles tambin a las personas que no tienen suficiente conocimiento de las rdenes especficas (interfaces hombre-mquina).
Problemas De La Lingu stica Computacional Algunos de los problemas que se deben resolver son:
Determinar la semntica. La misma forma de palabra puede presentar en funcin del contexto un significado diferente (comparar homnimo). Se debe elegir el significado pertinente al contexto. Por otro lado, se necesitan formalismos para la representacin de los significados de las palabras. Resolucin de la ambigedad sintctica. En algunos casos, una frase se deja analizar e interpretar de varias formas. Elegir la correcta exige algunas veces informacin semntica sobre el acto de habla y la intencin del hablante, pero, al menos, conocimientos estadsticos previos sobre la co-ocurrencia (aparicin conjunta) de las palabras.
Por ejemplo: Pedro vio a Mara con los binoculares aqu no est claro si Pedro ha visto a Mara, la que sostiene unos binoculares en la mano, o si Pedro con la ayuda de unos binoculares pudo ver a Mara.
Reconocer el propsito de una expresin lingstica (ver Pragmtica). Algunas frases no deben entenderse textualmente. Por ejemplo, se espera de la pregunta Puede darme la sal por favor? no la respuesta S o No sino en lugar de ello que se entregue la sal.
Si y cmo estos pueden resolverse automticamente no est definido solo por el estado de la tecnologa computacional sino que depende naturalmente mucho de las caractersticas de la lengua. Ms an: se aspirar, por cierto, a procedimientos que sean aplicables a todas las lenguas; sin embargo, los detalles sern elaborados separadamente para cada una. Un programa para la separacin automtica de palabras que fuera diseado para el ingls, no ser utilizable sin adaptacin para el alemn, porque aqu los principios de separacin de palabras son otros. A diferencia de la informtica, la cual trata generalmente de la programacin de computadores, el campo de aplicacin de la lingstica computacional yace, por tanto, en la parte especfica del lenguaje de los programas computacionales.
Una ciencia no se define solo mediante un campo de aplicacin, sino tambin mediante un inters terico. Los computadores son autmatas, los que manipulan smbolos segn reglas definidas. Igual como los nmeros, tambin los lenguajes son ciertamente, muy complejos sistemas de smbolos. Resulta evidente, por consiguiente, disear programas computacionales que simulen las operaciones que el hombre realiza con las palabras de una lengua, al menos en parte. Se pueden probar as las hiptesis lingsticas con el computador. La lingstica computacional es, en este sentido, una lingstica en la cual la simulacin computacional se utiliza como medio metdico para profundizar nuestros conocimientos sobre la lengua humana.
Al fin y al cabo, plantea este enfoque, sin duda, diversas preguntas psicolgicas y filosficas. El computador es una mquina, la lengua es algo intelectual. Cun lejos se pueden realizar clculos con el lenguaje? Pensarn los computadores un da o funcionar el intelecto humano como una mquina simblica? La fascinacin de la simulacin computacional del comportamiento de la lengua es precisamente sondear sus lmites. Un inters de conocimiento por el cual uno se puede dedicar a la lingstica computacional es descubrir si y como la comunicacin humana es procesable por los ordenadores y en caso de que se encuentren lmites, cmo son stos. Son estos lmites solo prcticos o tericos primordiales? Este conocimiento es muy importante para el lugar que nosotros queremos ceder a los computadores en la sociedad. Aplicaciones De La Lingu stica Computacional Analizador sintctico Analizador morfolgico Analizador semntico Alineador Conjugador Conversor de lenguajes Corpus lingstico Corrector ortogrfico Desambiguador funcional Flexionador Lematizador Motor de indexacin = Motor de indizacin
Minera De Datos La minera de datos (DM, Data Mining) consiste en la extraccin no trivial de informacin que reside de manera implcita en los datos. Dicha informacin era previamente desconocida y podr resultar til para algn proceso. En otras palabras, la minera de datos prepara, sondea y explora los datos para sacar la informacin oculta en ellos. Bajo el nombre de minera de datos se engloba todo un conjunto de tcnicas encaminadas a la extraccin de conocimiento procesable, implcito en las bases de datos. Est fuertemente ligado con la supervisin de procesos industriales ya que resulta muy til para aprovechar los datos almacenados en las bases de datos.
Las bases de la minera de datos se encuentran en la inteligencia artificial y en el anlisis estadstico. Mediante los modelos extrados utilizando tcnicas de minera de datos se aborda la solucin a problemas de prediccin, clasificacin y segmentacin.
Proceso De Minera De Datos Un proceso tpico de minera de datos consta de los siguientes pasos generales:
1. Seleccin del conjunto de datos, tanto en lo que se refiere a las variables objetivo (aquellas que se quiere predecir, calcular o inferir), como a las variables independientes (las que sirven para hacer el clculo o proceso), como posiblemente al muestreo de los registros disponibles. 2. Anlisis de las propiedades de los datos, en especial los histogramas, diagramas de dispersin, presencia de valores atpicos y ausencia de datos (valores nulos). 3. Transformacin del conjunto de datos de entrada, se realizar de diversas formas en funcin del anlisis previo, con el objetivo de prepararlo para aplicar la tcnica de minera de datos que mejor se adapte a los datos y al problema, a este paso tambin se le conoce como preprocesamiento de los datos. 4. Seleccionar y aplicar la tcnica de minera de datos, se construye el modelo predictivo, de clasificacin o segmentacin. 5. Extraccin de conocimiento, mediante una tcnica de minera de datos, se obtiene un modelo de conocimiento, que representa patrones de comportamiento observados en los valores de las variables del problema o relaciones de asociacin entre dichas variables. Tambin pueden usarse varias tcnicas a la vez para generar distintos modelos, aunque generalmente cada tcnica obliga a un preprocesado diferente de los datos. 6. Interpretacin y evaluacin de datos, una vez obtenido el modelo, se debe proceder a su validacin comprobando que las conclusiones que arroja son vlidas y suficientemente satisfactorias. En el caso de haber obtenido varios modelos mediante el uso de distintas tcnicas, se deben comparar los modelos en busca de aquel que se ajuste mejor al problema. Si ninguno de los modelos alcanza los resultados esperados, debe alterarse alguno de los pasos anteriores para generar nuevos modelos.
Si el modelo final no superara esta evaluacin el proceso se podra repetir desde el principio o, si el experto lo considera oportuno, a partir de cualquiera de los pasos anteriores. Esta retroalimentacin se podr repetir cuantas veces se considere necesario hasta obtener un modelo vlido.
Una vez validado el modelo, si resulta ser aceptable (proporciona salidas adecuadas y/o con mrgenes de error admisibles) ste ya est listo para su explotacin. Los modelos obtenidos por tcnicas de minera de datos se aplican incorporndolos en los sistemas de anlisis de informacin de las organizaciones, e incluso, en los sistemas transaccionales. En este sentido cabe destacar los esfuerzos del Data Mining Group, que est estandarizando el lenguaje PMML (Predictive Model Markup Language), de manera que los modelos de minera de datos sean interoperables en distintas plataformas, con independencia del sistema con el que han sido construidos. Los principales fabricantes de sistemas de bases de datos y programas de anlisis de la informacin hacen uso de este estndar.
Tradicionalmente, las tcnicas de minera de datos se aplicaban sobre informacin contenida en almacenes de datos. De hecho, muchas grandes empresas e instituciones han creado y alimentan bases de datos especialmente diseadas para proyectos de minera de datos en las que centralizan informacin potencialmente til de todas sus reas de negocio. No obstante, actualmente est cobrando una importancia cada vez mayor la minera de datos desestructurados como informacin contenida en ficheros de texto, en Internet, etc.
Protocolo De Un Proyecto De Minera De Datos Un proyecto de minera de datos tiene varias fases necesarias que son, esencialmente:
Comprensin del negocio y del problema que se quiere resolver. Determinacin, obtencin y limpieza de los datos necesarios. Creacin de modelos matemticos. Validacin, comunicacin, etc. de los resultados obtenidos. Integracin, si procede, de los resultados en un sistema transaccional o similar.
La relacin entre todas estas fases slo es lineal sobre el papel. En realidad, es mucho ms compleja y esconde toda una jerarqua de subfases. A travs de la experiencia acumulada en proyectos de minera de datos se han ido desarrollando metodologas que permiten gestionar esta complejidad de una manera ms o menos uniforme.
Te cnicas De Minera De Datos Como ya se ha comentado, las tcnicas de la minera de datos provienen de la Inteligencia artificial y de la estadstica, dichas tcnicas, no son ms que algoritmos, ms o menos sofisticados que se aplican sobre un conjunto de datos para obtener unos resultados. Las tcnicas ms representativas son:
Redes neuronales.- Son un paradigma de aprendizaje y procesamiento automtico inspirado en la forma en que funciona el sistema nervioso de los animales. Se trata de un sistema de interconexin de neuronas en una red que colabora para producir un estmulo de salida. Algunos ejemplos de red neuronal son: o El Perceptrn. o El Perceptrn multicapa. o Los Mapas Autoorganizados, tambin conocidos como redes de Kohonen. Regresin lineal.- Es la ms utilizada para formar relaciones entre datos. Rpida y eficaz pero insuficiente en espacios multidimensionales donde puedan relacionarse ms de 2 variables. rboles de decisin.- Un rbol de decisin es un modelo de prediccin utilizado en el mbito de la inteligencia artificial, dada una base de datos se construyen estos diagramas de construcciones lgicas, muy similares a los sistemas de prediccin basados en reglas, que sirven para representar y categorizar una serie de condiciones que suceden de forma sucesiva, para la resolucin de un problema. Ejemplos: o Algoritmo ID3. o Algoritmo C4.5. Modelos estadsticos.- Es una expresin simblica en forma de igualdad o ecuacin que se emplea en todos los diseos experimentales y en la regresin para indicar los diferentes factores que modifican la variable de respuesta. Agrupamiento o Clustering.- Es un procedimiento de agrupacin de una serie de vectores segn criterios habitualmente de distancia; se tratar de disponer los vectores de entrada de forma que estn ms cercanos aquellos que tengan caractersticas comunes. Ejemplos: o Algoritmo K-means. o Algoritmo K-medoids. Segn el objetivo del anlisis de los datos, los algoritmos utilizados se clasifican en supervisados y no supervisados (Weiss y Indurkhya, 1998): Algoritmos supervisados (o predictivos): predicen un dato (o un conjunto de ellos) desconocido a priori, a partir de otros conocidos. Algoritmos no supervisados (o del descubrimiento del conocimiento): se descubren patrones y tendencias en los datos.
Ejemplos De Uso De La Minera De Datos Negocios La minera de datos puede contribuir significativamente en las aplicaciones de administracin empresarial basada en la relacin con el cliente. En lugar de contactar con el cliente de forma indiscriminada a travs de un centro de llamadas o enviando cartas, slo se contactar con aquellos que se perciba que tienen una mayor probabilidad de responder positivamente a una determinada oferta o promocin. Por lo general, las empresas que emplean minera de datos ven rpidamente el retorno de la inversin, pero tambin reconocen que el nmero de modelos predictivos desarrollados puede crecer muy rpidamente.
En lugar de crear modelos para predecir qu clientes pueden cambiar, la empresa podra construir modelos separados para cada regin y/o para cada tipo de cliente. Tambin puede querer determinar qu clientes van a ser rentables durante una ventana de tiempo (una quincena, un mes,...) y slo enviar las ofertas a las personas que es probable que sean rentables. Para mantener esta cantidad de modelos, es necesario gestionar las versiones de cada modelo y pasar a una minera de datos lo ms automatizada posible.
Minera De Datos Y Otras Disciplinas Ana logas Suscita cierta polmica el definir las fronteras existentes entre la minera de datos y disciplinas anlogas, como pueden serlo la estadstica, la inteligencia artificial, etc. Hay quienes sostienen que la minera de datos no es sino estadstica envuelta en una jerga de negocios que la conviertan en un producto vendible. Otros, en cambio, encuentran en ella una serie de problemas y mtodos especficos que la hacen distinta de otras disciplinas. El hecho es, que en la prctica la totalidad de los modelos y algoritmos de uso general en minera de datos redes neuronales, rboles de regresin y clasificacin, modelos logsticos, anlisis de componentes principales, etc. gozan de una tradicin relativamente larga en otros campos.
De La Estadstica Ciertamente, la minera de datos bebe de la estadstica, de la que toma las siguientes tcnicas:
Anlisis de varianza, mediante el cual se evala la existencia de diferencias significativas entre las medias de una o ms variables continas en poblaciones distintas. Regresin: define la relacin entre una o ms variables y un conjunto de variables predictoras de las primeras. Prueba chi-cuadrado: por medio de la cual se realiza el contraste la hiptesis de dependencia entre variables. Anlisis de agrupamiento o clustering: permite la clasificacin de una poblacin de individuos caracterizados por mltiples atributos (binarios, cualitativos o cuantitativos) en un nmero determinado de grupos, con base en las semejanzas o diferencias de los individuos. Anlisis discriminante: permite la clasificacin de individuos en grupos que previamente se han establecido, permite encontrar la regla de clasificacin de los elementos de estos grupos, y por tanto una mejor identificacin de cules son las variables que definan la pertenencia al grupo. Series de tiempo: permite el estudio de la evolucin de una variable a travs del tiempo para poder realizar predicciones, a partir de ese conocimiento y bajo el supuesto de que no van a producirse cambios estructurales.
De La Informa tica De la informtica toma las siguientes tcnicas:
Algoritmos genticos: Son mtodos numricos de optimizacin, en los que aquella variable o variables que se pretenden optimizar junto con las variables de estudio constituyen un segmento de informacin. Aquellas configuraciones de las variables de anlisis que obtengan mejores valores para la variable de respuesta, correspondern a segmentos con mayor capacidad reproductiva. A travs de la reproduccin, los mejores segmentos perduran y su proporcin crece de generacin en generacin. Se puede adems introducir elementos aleatorios para la modificacin de las variables (mutaciones). Al cabo de cierto nmero de iteraciones, la poblacin estar constituida por buenas soluciones al problema de optimizacin, pues las malas soluciones han ido descartndose, iteracin tras iteracin. Inteligencia Artificial: Mediante un sistema informtico que simula un sistema inteligente, se procede al anlisis de los datos disponibles. Entre los sistemas de Inteligencia Artificial se encuadraran los Sistemas Expertos y las Redes Neuronales. Sistemas Expertos: Son sistemas que han sido creados a partir de reglas prcticas extradas del conocimiento de expertos. Principalmente a base de inferencias o de causa-efecto. Sistemas Inteligentes: Son similares a los sistemas expertos, pero con mayor ventaja ante nuevas situaciones desconocidas para el experto. Redes neuronales: Genricamente, son mtodos de proceso numrico en paralelo, en el que las variables interactan mediante transformaciones lineales o no lineales, hasta obtener unas salidas. Estas salidas se contrastan con los que tenan que haber salido, basndose en unos datos de prueba, dando lugar a un proceso de retroalimentacin mediante el cual la red se reconfigura, hasta obtener un modelo adecuado.
Minera De Datos Basada En Teora De La Informacio n Todas las herramientas tradicionales de minera de datos asumen que los datos que usarn para construir los modelos contienen la informacin necesaria para lograr el propsito buscado: obtener suficiente conocimiento que pueda ser aplicado al negocio (o problema) para obtener un beneficio (o solucin).
El inconveniente es que esto no es necesariamente cierto. Adems, existe otro problema mayor an. Una vez construido el modelo no es posible conocer si el mismo ha capturado toda la informacin disponible en los datos. Por esta razn la prctica comn es realizar varios modelos con distintos parmetros para ver si alguno logra mejores resultados. Un enfoque relativamente nuevo al anlisis de datos soluciona estos problemas haciendo que la prctica de la minera de datos se parezca ms a una ciencia que a un arte.
En 1948 Claude Shannon public un trabajo llamado Una Teora Matemtica de la Comunicacin. Posteriormente esta pas a llamarse Teora de la informacin y sent las bases de la comunicacin y la codificacin de la informacin. Shannon propuso una manera de medir la cantidad de informacin a ser expresada en bits.
En 1999 Dorian Pyle public un libro llamado Data Preparation for Data Mining en el que propone una manera de usar la Teora de la Informacin para analizar datos. En este nuevo enfoque, una base de datos es un canal que transmite informacin. Por un lado est el mundo real que captura datos generados por el negocio. Por el otro estn todas las situaciones y problemas importantes del negocio. Y la informacin fluye desde el mundo real y a travs de los datos, hasta la problemtica del negocio.
Con esta perspectiva y usando la Teora de la informacin, es posible medir la cantidad de informacin disponible en los datos y qu porcin de la misma podr utilizarse para resolver la problemtica del negocio. Como un ejemplo prctico, podra encontrarse que los datos contienen un 65% de la informacin necesaria para predecir qu cliente rescindirn sus contratos. De esta manera, si el modelo final es capaz de hacer predicciones con un 60% de acierto, se puede asegurar que la herramienta que gener el modelo hizo un buen trabajo capturando la informacin disponible. Ahora, si el modelo hubiese tenido un porcentaje de aciertos de solo el 10%, por ejemplo, entonces intentar otros modelos o incluso con otras herramientas podra valer la pena.
La capacidad de medir informacin contenida en los datos tiene otras ventajas importantes.
Al analizar los datos desde esta nueva perspectiva se genera un mapa de informacin que hace innecesario la preparacin previa de los datos, una tarea absolutamente imprescindible si se desea buenos resultados, pero que lleva enorme cantidad de tiempo. Es posible seleccionar un grupo de variables ptimo que contenga la informacin necesaria para realizar un modelo de prediccin.
Una vez que las variables son procesadas con el fin de crear el mapa de informacin y luego seleccionadas aquellas que aportan la mayor informacin, la eleccin de la herramienta que se usar para crear el modelo deja de tener importancia, ya que el mayor trabajo fue realizado en los pasos previos.
Procesamiento De Lenguajes Naturales El Procesamiento de Lenguajes Naturales abreviado PLN, o NLP del idioma ingls Natural Language Processing es una subdisciplina de la Inteligencia Artificial y la rama ingenieril de la lingstica computacional. El PLN se ocupa de la formulacin e investigacin de mecanismos eficaces computacionalmente para la comunicacin entre personas o entre personas y mquinas por medio de lenguajes naturales. El PLN no trata de la comunicacin por medio de lenguajes naturales de una forma abstracta, sino de disear mecanismos para comunicarse que sean eficaces computacionalmente que se puedan realizar por medio de programas que ejecuten o simulen la comunicacin. Los modelos aplicados se enfocan no slo a la comprensin del lenguaje de por s, sino a aspectos generales cognitivos humanos y a la organizacin de la memoria. El lenguaje natural sirve slo de medio para estudiar estos fenmenos.
Dificultades En El Procesamiento De Lenguajes Naturales Ambigedad El lenguaje natural es inherentemente ambiguo a diferentes niveles:
A nivel lxico, una misma palabra puede tener varios significados, y la seleccin del apropiado se debe deducir a partir del contexto oracional o conocimiento bsico. Muchas investigaciones en el campo del procesamiento de lenguajes naturales han estudiado mtodos de resolver las ambigedades lxicas mediante diccionarios, gramticas, bases de conocimiento y correlaciones estadsticas. A nivel referencial, la resolucin de anforas y catforas implica determinar la entidad lingstica previa o posterior a que hacen referencia. A nivel estructural, se requiere de la semntica para desambiguar la dependencia de los sintagmas preposicionales que conducen a la construccin de distintos rboles sintcticos. Por ejemplo, en la frase Rompi el dibujo de un ataque de nervios. A nivel pragmtico, una oracin, a menudo, no significa lo que realmente se est diciendo. Elementos tales como la irona tienen un papel importante en la interpretacin del mensaje.
Para resolver estos tipos de ambigedades y otros, el problema central en el PLN es la traduccin de entradas en lenguaje natural a una representacin interna sin ambigedad, como rboles de anlisis.
Deteccio n De Separacio n Entre Las Palabras En la lengua hablada no se suelen hacer pausas entre palabra y palabra. El lugar en el que se debe separar las palabras a menudo depende de cul es la posibilidad que mantenga un sentido lgico tanto gramatical como contextual. En la lengua escrita, idiomas como el chino mandarn tampoco tienen separaciones entre las palabras.
Recepcio n Imperfecta De Datos Acentos extranjeros, regionalismos o dificultades en la produccin del habla, errores de mecanografiado o expresiones no gramaticales, errores en la lectura de textos mediante OCR
Aplicaciones Las principales tareas de trabajo en el PLN son:
Sntesis del discurso Anlisis del lenguaje Comprensin del lenguaje Reconocimiento del habla Sntesis de voz Generacin de lenguajes naturales Traduccin automtica Respuesta a preguntas Recuperacin de la informacin Extraccin de la informacin
Sistemas De Apoyo De Las Decisiones Las principales caractersticas de estos son:
Suelen introducirse despus de haber implantado los Sistemas Transaccionales ms relevantes de la empresa, ya que estos ltimos constituyen su plataforma de informacin. La informacin que generan sirve de apoyo a los mandos intermedios y a la alta administracin en el proceso de toma de decisiones. Suelen ser intensivos en clculos y escasos en entradas y salidas de informacin. As, por ejemplo, un modelo de planeacin financiera requiere poca informacin de entrada, genera poca informacin como resultado, pero puede realizar muchos clculos durante su proceso. No suelen ahorrar mano de obra. Debido a ello, la justificacin econmica para el desarrollo de estos sistemas es difcil, ya que no se conocen los ingresos del proyecto de inversin. Suelen ser Sistemas de Informacin interactivos y amigables, con altos estndares de diseo grfico y visual, ya que estn dirigidos al usuario final. Apoyan la toma de decisiones que, por su misma naturaleza son repetitivos y de decisiones no estructuradas que no suelen repetirse. Por ejemplo, un Sistema de Compra de Materiales que indique cundo debe hacerse un pedido al proveedor o un Sistema de Simulacin de Negocios que apoye la decisin de introducir un nuevo producto al mercado. Estos sistemas pueden ser desarrollados directamente por el usuario final sin la participacin operativa de los analistas y programadores del rea de informtica.
Este tipo de sistemas puede incluir la programacin de la produccin, compra de materiales, flujo de fondos, proyecciones financieras, modelos de simulacin de negocios, modelos de inventarios, etc.
Sistemas Estrate gicos Sus principales caractersticas son:
Su funcin primordial no es apoyar la automatizacin de procesos operativos ni proporcionar informacin para apoyar la toma de decisiones. Suelen desarrollarse in house, es decir, dentro de la organizacin, por lo tanto no pueden adaptarse fcilmente a paquetes disponibles en el mercado. Tpicamente su forma de desarrollo es a base de incrementos y a travs de su evolucin dentro de la organizacin. Se inicia con un proceso o funcin en particular y a partir de ah se van agregando nuevas funciones o procesos. Su funcin es lograr ventajas que los competidores no posean, tales como ventajas en costos y servicios diferenciados con clientes y proveedores. En este contexto, los Sistema Estratgicos son creadores de barreras de entrada al negocio. Por ejemplo, el uso de cajeros automticos en los bancos en un Sistema Estratgico, ya que brinda ventaja sobre un banco que no posee tal servicio. Si un banco nuevo decide abrir su puerta al pblico, tendr que dar este servicio para tener un nivel similar al de sus competidores. Apoyan el proceso de innovacin de productos y proceso dentro de la empresa debido a que buscan ventajas respecto a los competidores y una forma de hacerlo en innovando o creando productos y procesos.
Un ejemplo de estos Sistemas de Informacin dentro de la empresa puede ser un sistema MRP (Manufacturing Resoure Planning) enfocado a reducir sustancialmente el desperdicio en el proceso productivo, o bien, un Centro de Informacin que proporcione todo tipo de informacin; como situacin de crditos, embarques, tiempos de entrega, etc. En este contexto los ejemplos anteriores constituyen un Sistema de Informacin Estratgico si y slo s, apoyan o dan forma a la estructura competitiva de la empresa. Por ltimo, es importante aclarar que algunos autores consideran un cuarto tipo de sistemas de informacin denominado Sistemas Personales de Informacin, el cual est enfocado a incrementar la productividad de sus usuarios.
Propiocepcio n La propiocepcin es el sentido que informa al organismo de la posicin de los msculos, es la capacidad de sentir la posicin relativa de partes corporales contiguas. La propiocepcin regula la direccin y rango de movimiento, permite reacciones y respuestas automticas, interviene en el desarrollo del esquema corporal y en la relacin de ste con el espacio, sustentando la accin motora planificada. Otras funciones en las que acta con ms autonoma son el control del equilibrio, la coordinacin de ambos lados del cuerpo, el mantenimiento del nivel de alerta del sistema nervioso central y la influencia en el desarrollo emocional y del comportamiento.
Interocepcio n Es el sentido que nos informa de los estados de nuestras vsceras (sensacin de hambre, sensacin de sed); sus receptores sensoriales se localizan dentro del propio cuerpo.
Nocicepcio n La nocicepcin (tambin conocida como nociocepcin o nocipercepcin) es el proceso neuronal mediante el que se codifican y procesan los estmulos nocivos." Se trata de la actividad aferente producida en el sistema nervioso perifrico y central por los estmulos que tienen potencial para daar los tejidos. Esta actividad es iniciada por los nociceptores, (tambin llamados receptores del dolor), que pueden detectar cambios trmicos, mecnicos o qumicos por encima del umbral del sistema. Una vez estimulado, un nociceptor transmite una seal a travs de la mdula espinal al cerebro. La nonicepcin activa diversas respuestas autnomas y puede tambin conducir a la experiencia del dolor en los seres vivos.