5.1. Robótica.

5.1.1. Conceptos básicos.

5.1.2. Clasificación.
5.1.3. Desarrollos actuales y aplicaciones.
5.2. Redes Neuronales (RN).
5.2.1. Conceptos básicos.
5.2.2. Clasificación.
5.2.3. Desarrollos actuales y aplicaciones.
5.3. Visión artificial.
5.3.1. Conceptos básicos.
5.3.2. Desarrollos actuales y aplicaciones.
5.4. Lógica difusa (Fuzzy Logic).
5.4.1. Conceptos básicos.
5.4.2. Desarrollos actuales y aplicaciones.
5.5. Procesamiento de Lenguaje Natural (PLN).
5.5.1. Conceptos básicos.
5.5.2. Desarrollos actuales y aplicaciones.
5.6. Sistemas Expertos (SE).
5.6.1. Conceptos básicos.
5.6.2. Clasificación.
5.6.3. Desarrollos actuales y aplicaciones.
5.1 Robótica

Introducción

La robótica es la ciencia multidisciplinaria encargada del diseño y creación

de las maquinas llamadas robots, "Karel Capek utilizo el término checo
robota (trabajo forzado, labor) que en su traducción se le conoce como
robot".

La inteligencia artificial se ve aplicada en la acción de poder comandar y

controlar a las diferentes maquinas haciéndolas capases de recibir y
procesar la información exterior mediante
su programación y sensores especializados, naciendo así los llamados
robots, los robots son diseñados para que realicen trabajos con la finalidad
reducir el esfuerzo del hombre, den confort en base a esto los divide a los
robots teniendo en cuenta la aplicación que se le dé en un campo especifico
por ejemplo la enseñanza, la medicina, construcción, el hogar.

5.1.1. Conceptos básicos.

Es la rama de la tecnología que se dedica al diseño, construcción,
operación, disposición estructural, manufactura y aplicación de los robots.
La robótica combina diversas disciplinas como son: la mecánica, la
electrónica, la informática, la inteligencia artificial, la ingeniería de control y
la física. Otras áreas importantes en robótica son el álgebra, los autómatas
programables y las máquinas de estados.

5.1.2. Clasificación.
La que a continuación se presenta es la clasificación más común:

•1ª Generación.
Manipuladores. Son sistemas mecánicos multifuncionales con un sencillo
sistema de control, bien manual, de secuencia fija o de secuencia variable.

• 2ª Generación.
Robots de aprendizaje. Repiten una secuencia de movimientos que ha sido
ejecutada previamente por un operador humano. El modo de hacerlo es a
través de un dispositivo mecánico. El operador realiza los movimientos
requeridos mientras el robot le sigue y los memoriza.

• 3ª Generación.
Robots con control sensorizado. El controlador es una computadora que
ejecuta las órdenes de un programa y las envía al manipulador para que
realice los movimientos necesarios.

• 4ª Generación.
Robots inteligentes. Son similares a los anteriores, pero además poseen
sensores que envían información a la computadora de control sobre el
estado del proceso. Esto permite una toma inteligente de decisiones y el
control del proceso en tiempo real.

La subdivisión de los Robots, con base en su arquitectura, se hace en los

siguientes grupos: poliarticulados, móviles, androides, zoomórficos e
híbridos.

• 1. Poliarticulados
En este grupo se encuentran los Robots de muy diversa forma y
configuración, cuya característica común es la de ser básicamente
sedentarios (aunque excepcionalmente pueden ser guiados para efectuar
desplazamientos limitados) y estar estructurados para mover sus elementos
terminales en un determinado espacio de trabajo según uno o más sistemas
de coordenadas, y con un número limitado de grados de libertad.
• 2. Móviles
Son Robots con gran capacidad de desplazamiento, basada en carros o
plataformas y dotada de un sistema locomotor de tipo rodante. Siguen su
camino por telemando o guiándose por la información recibida de su
entorno a través de sus sensores.
• 3. Androides
Son Robots que intentan reproducir total o parcialmente la forma y el
comportamiento cinemática del ser humano. Actualmente, los androides son
todavía dispositivos muy poco evolucionados y sin utilidad práctica, y
destinados, fundamentalmente, al estudio y experimentación. Uno de los
aspectos más complejos de estos Robots, y sobre el que se centra la
mayoría de los trabajos, es el de la locomoción bípeda.
• 4. Zoomórficos
Los Robots zoomórficos, que considerados en sentido no restrictivo podrían
incluir también a los androides, constituyen una clase caracterizada
principalmente por sus sistemas de locomoción que imitan a los diversos
seres vivos. A pesar de la disparidad morfológica de sus posibles sistemas
de locomoción es conveniente agrupar a los Robots zoomórficos en dos
categorías principales: caminadores y no caminadores.
• 5. Híbridos
Corresponden a aquellos de difícil clasificación, cuya estructura se sitúa en
combinación con alguna de las anteriores ya expuestas, bien sea por
conjunción o por yuxtaposición.

5.1.3. Desarrollos actuales y aplicaciones.

Robots están siendo aplicados en sectores como:
• Agricultura y silvicultura.
• Ayuda a discapacitados.
• Construcción.
• Domésticos.
• Entornos peligrosos.
• Espacio.
• Medicina y salud.
• Minería.
• Submarino.
• Vigilancia y seguridad.
 5.2. Redes Neuronales (RN)

Introducción

Las Redes Neuronales son un campo muy importante dentro de la Inteligencia

Artificial. Inspirándose en el comportamiento conocido del cerebro humano
(principalmente el referido a las neuronas y sus conexiones), trata de crear
modelos artificiales que solucionen problemas difíciles de resolver mediante
técnicas algorítmicas convencionales.

5.2.1. Conceptos básicos.

Son un paradigma de aprendizaje y procesamiento automático
inspirado en la forma en que funciona el sistema nervioso de los animales.
Se trata de un sistema de interconexión de neuronas que colaboran entre sí
para producir un estímulo de salida. En inteligencia artificial es frecuente
referirse a ellas como redes de neuronas o redes neuronales.
Una red neuronal se compone de unidades llamadas neuronas. Cada
neurona recibe una serie de entradas a través de interconexiones y emite
una salida.
5.2.2. Clasificación.
Topología
Una primera clasificación de las redes de neuronas artificiales que se
suele hacer es en función del patrón de conexiones que presenta. Así se
definen tres tipos básicos de redes:

Dos tipos de redes de propagación hacia delante o acíclicas en las que

todas las señales van desde la capa de entrada hacia la salida sin existir
ciclos, ni conexiones entre neuronas de la misma capa de red neuronal y su
clasificación.

• Monocapa. Ejemplos: perceptrón, Adaline.

• Multicapa. Ejemplos: perceptrón multicapa.
• Las redes recurrentes que presentan al menos un ciclo cerrado de
activación neuronal. Ejemplos: Elman, Hopfield, máquina de Boltzmann.

Aprendizaje
Una segunda clasificación que se suele hacer es en función del tipo
de aprendizaje de que es capaz (si necesita o no un conjunto de
entrenamiento supervisado).

• Aprendizaje supervisado: necesitan un conjunto de datos de entrada

previamente clasificado o cuya respuesta objetivo se conoce.
• Aprendizaje no supervisado o autoorganizado: no necesitan de tal conjunto
previo.
• Redes híbridas: son un enfoque mixto en el que se utiliza una función de
mejora para facilitar la convergencia.
• Aprendizaje reforzado: se sitúa a medio camino entre el supervisado y el
autoorganizado.

Tipo de entrada
Finalmente también se pueden clasificar las RN según sean
capaces de procesar información de distinto tipo en:
• Redes analógicas: procesan datos de entrada con valores continuos y,
habitualmente, acotados.
• Redes discretas: procesan datos de entrada de naturaleza discreta;
habitualmente valores lógicos booleanos.
5.2.3. Desarrollos actuales y aplicaciones.
Aplicaciones
También se pueden utilizar cuando no existen modelos matemáticos
precisos o algoritmos con complejidad razonable, por ejemplo la red de
Kohonen ha sido aplicada con un éxito más que razonable al clásico
problema del viajante (un problema para el que no se conoce solución
algorítmica de complejidad polinómica).

Otro tipo especial de redes neuronales artificiales se ha aplicado en

conjunción con los algoritmos genéticos (AG) para crear controladores para
robots. La disciplina que trata la evolución de redes neuronales mediante
algoritmos genéticos se denomina Robótica Evolutiva. En este tipo de
aplicación el genoma del AG lo constituyen los parámetros de la red
(topología, algoritmo de aprendizaje, funciones de activación, etc.) y la
adecuación de la red viene dada por la adecuación del comportamiento
exhibido por el robot controlado (normalmente una simulación de dicho
comportamiento).

5.3. Visión artificial.

5.3.1. Conceptos básicos.
También conocida como visión por computador o visión técnica, es un
subcampo de la inteligencia artificial. El propósito de la visión artificial es
programar un computador para que "entienda" una escena o las
características de una imagen.

Los objetivos típicos de la visión artificial incluyen:

• La detección, segmentación, localización y reconocimiento de ciertos

objetos en imágenes (por ejemplo, caras humanas).
• La evaluación de los resultados (por ejemplo, segmentación, registro).
• Registro de diferentes imágenes de una misma escena u objeto, es decir,
hacer concordar un mismo objeto en diversas imágenes.
• Seguimiento de un objeto en una secuencia de imágenes.
• Mapeo de una escena para generar un modelo tridimensional de la
escena; este modelo podría ser usado por un robot para navegarpor la
escena.
• Estimación de las posturas tridimensionales de humanos.
• Búsqueda de imágenes digitales por su contenido.
5.3.2. Desarrollos actuales y aplicaciones.
La visión artificial es aplicada en el área de la salud en el ser
humano cuando la retina esta dañada o no funciona bien, los
fotorreceptores dejan de funcionar, pero eso no quiere decir que toda la
estructura del sistema visual humano no pueda seguir funcionando. Por ello,
algunos científicos están desarrollando microchips de silicio que puedan
dotar de visión artificial a aquellas personas a quienes no les funcionan los
fotorreceptores.
La digitalización de una imagen electrónica o de video capturada por
un microscopio óptico permite obtener un incremento espectacular en las
posibilidades de ampliar características, extraer información o modificar la
imagen. En comparación con el mecanismo tradicional de captura de
imágenes, la fotomicrografía en película, la digitalización de la imagen y el
proceso de postadquisición/recuperación permiten una modificación
reversible de la imagen como matriz ordenada de enteros
fundamentalmente libre de ruido, más que una mera serie de variaciones
análogas en color e intensidad. Esta sección trata sobre diversos temas de
actualidad acerca de la adquisición y procesamiento de imágenes para
microscopía óptica.

5.4. Lógica difusa (Fuzzy Logic).

Introducción

La forma en que la gente piensa es, inherentemente, difusa. La forma en

que percibimos el mundo está cambiando continuamente y no siempre se
puede definir en términos de sentencias verdaderas o falsas.

5.4.1. Conceptos básicos.

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.

La lógica difusa ("fuzzy logic" en inglés) se adapta mejor al mundo

real en el que vivimos, e incluso puede comprender y funcionar con
nuestras expresiones, del tipo "hace mucho calor", "no es muy alto", "el
ritmo del corazón está un poco acelerado", etc.

La clave de esta adaptación al lenguaje, se basa en comprender

los cuantificadores de nuestro lenguaje (en los ejemplos de arriba "mucho",
"muy" y "un poco").

En la teoría de conjuntos difusos se definen también las

operaciones de unión, intersección, diferencia, negación o complemento, y
otras operaciones sobre conjuntos (ver también subconjunto difuso), en los
que se basa esta lógica.
Para cada conjunto difuso, existe asociada una función de pertenencia para
sus elementos, que indican en qué medida el elemento forma parte de ese
conjunto difuso. Las formas de las funciones de pertenencia más típicas son
trapezoidales, lineales y curvas.

Se basa en reglas heurísticas de la forma SI (antecedente)

ENTONCES (consecuente), donde el antecedente y el consecuente son
también conjuntos difusos, ya sea puros o resultado de operar con ellos.
Sirvan como ejemplos de regla heurística para esta lógica (nótese la
importancia de las palabras "muchísimo", "drásticamente", "un poco" y
"levemente" para la lógica difusa):

• SI hace muchísimo frio ENTONCES aumento drásticamente la

temperatura.
• SI voy a llegar un poco tarde ENTONCES aumento levemente la
velocidad.

Los métodos de inferencia para esta base de reglas deben ser

simples, veloces y eficaces. Los resultados de dichos métodos son un área
final, fruto de un conjunto de áreas solapadas entre sí (cada área es
resultado de una regla de inferencia). Para escoger una salida concreta a
partir de tanta premisa difusa, el método más usado es el del centroide, en
el que la salida final será el centro de gravedad del área total resultante.
5.4.2. 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).
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.

5.5. Procesamiento de Lenguaje Natural (PLN).

Introducción
El Procesamiento del Lenguaje Natural es una disciplina con una larga trayectoria.
Nace en la década de 1960, como subárea de la Inteligencia Artificial y
la Lingüística, con el objeto de estudiar los problemas derivados de la generación y
comprensión automática del lenguaje natural.

En sus orígenes, sus métodos tuvieron gran aceptación y éxito, no obstante,

cuando sus aplicaciones fueron llevadas a la práctica, en entornos no controlados y
con vocabularios genéricos, empezaron a surgir multitud de dificultades.
5.5.1. Conceptos básicos.
Es una subdisciplina de la Inteligencia Artificial y la rama ingeniería
de la lingüística computacional. El PLN se ocupa de la formulación e
investigación de mecanismos eficaces computacionalmente para la
comunicación entre personas o entre personas y máquinas por medio de
lenguajes naturales. El PLN no trata de la comunicación por medio de
lenguajes naturales de una forma abstracta, sino de diseñar mecanismos
para comunicarse que sean eficaces computacionalmente —que se puedan
realizar por medio de programas que ejecuten o simulen la comunicación—.
Los modelos aplicados se enfocan no sólo a la comprensión del lenguaje de
por sí, sino a aspectos generales cognitivos humanos y a la organización de
la memoria.
El lenguaje natural es inherentemente ambiguo a diferentes niveles:

• A nivel léxico, una misma palabra puede tener varios significados, y la

selección del apropiado se debe deducir a partir del contexto oracional o
conocimiento básico. Muchas investigaciones en el campo del
procesamiento de lenguajes naturales han estudiado métodos de resolver
las ambigüedades léxicas mediante diccionarios, gramáticas, bases de
conocimiento y correlaciones estadísticas.
• A nivel referencial, la resolución de anáforas y catáforas implica
determinar la entidad lingüística previa o posterior a que hacen referencia.
• A nivel estructural, se requiere de la semántica para desambiguar la
dependencia de los sintagmas preposicionales que conducen a la
construcción de distintos árboles sintácticos. Por ejemplo, en la frase
Rompió el dibujo de un ataque de nervios.
• A nivel pragmático, una oración, a menudo, no significa lo que realmente
se está diciendo. Elementos tales como la ironía tienen un papel importante
en la interpretación del mensaje.
5.5.2. Desarrollos actuales y aplicaciones.
Las principales tareas de trabajo en el PLN son:
• Síntesis del discurso
• Análisis del lenguaje
• Comprensión del lenguaje
• Reconocimiento del habla
• Síntesis de voz
• Generación de lenguajes naturales
• Traducción automática
• Respuesta a preguntas
• Recuperación de la información
• Extracción de la información

5.6. Sistemas Expertos (SE).

Introducción
Los sistemas expertos son programas que reproducen el proceso intelectual
de un experto humano en un campo particular, pudiendo mejorar su
productividad, ahorrar tiempo y dinero, conservar sus valiosos
conocimientos y difundirlos más fácilmente.

Antes de la aparición del ordenador, el hombre ya se preguntaba si se le

arrebataría el privilegio de razonar y pensar. En la actualidad existe un
campo dentro de la inteligencia artificial al que se le atribuye esa facultad: el
de los sistemas expertos. Estos sistemas permiten la creación de máquinas
que razonan como el hombre, restrinjiéndose a un espacio de
conocimientos limitado. En teoría pueden razonar siguiendo los pasos que
seguiría un experto humano (médico, analista, empresario, etc.) para
resolver un problema concreto. Este tipo de modelos de conocimiento por
ordenador ofrece un extenso campo de posibilidades en resolución de
problemas y en aprendizaje. Su uso se extenderá ampliamente en el futuro,
debido a su importante impacto sobre los negocios y la industria.
El objetivo de este curso es enseñar de forma práctica el funcionamiento y
construcción de un sistema experto. A lo largo de la serie de artículos se
demostrará que los sistemas expertos son útiles y prácticos, y que, además,
son realizables. También se analizará la problemática de la adquisición y
representación del conocimiento, así como los métodos para tratar la
incertidumbre.

5.6.1. Conceptos básicos.

Los sistemas expertos son llamados así porque emulan el
razonamiento de un experto en un dominio concreto y en ocasiones son
usados por éstos. Con los sistemas expertos se busca una mejor calidad y
rapidez en las respuestas dando así lugar a una mejora de la productividad
del experto.

Es una aplicación informática capaz de solucionar un conjunto de

problemas que exigen un gran conocimiento sobre un determinado tema.
Un sistema experto es un conjunto de programas que, sobre una base de
conocimientos, posee información de uno o más expertos en un área
específica. Se puede entender como una rama de la inteligencia artificial,
donde el poder de resolución de un problema en un programa de
computadora viene del conocimiento de un dominio específico. Estos
sistemas imitan las actividades de un humano para resolver problemas de
distinta índole (no necesariamente tiene que ser de inteligencia artificial).
También se dice que un SE se basa en el conocimiento declarativo (hechos
sobre objetos, situaciones) y el conocimiento de control (información sobre
el seguimiento de una acción).

Para que un sistema experto sea herramienta efectiva, los usuarios

deben interactuar de una forma fácil, reuniendo dos capacidades para poder
cumplirlo:

• Explicar sus razonamientos o base del conocimiento: los sistemas

expertos se deben realizar siguiendo ciertas reglas o pasos comprensibles
de manera que se pueda generar la explicación para cada una de estas
reglas, que a la vez se basan en hechos.
• Adquisición de nuevos conocimientos o integrador del sistema: son
mecanismos de razonamiento que sirven para modificar los conocimientos
anteriores. Sobre la base de lo anterior se puede decir que los sistemas
expertos son el producto de investigaciones en el campo de la inteligencia
artificial ya que ésta no intenta sustituir a los expertos humanos, sino que se
desea ayudarlos a realizar con más rapidez y eficacia todas las tareas que
realiza.

5.6.2. Clasificación.

Un Sistema Experto está conformado por:

• Base de conocimientos (BC): Contiene conocimiento modelado extraído
del diálogo con un experto.
• Base de hechos (Memoria de trabajo): contiene los hechos sobre un
problema que se ha descubierto durante el análisis.
• Motor de inferencia: Modela el proceso de razonamiento humano.
• Módulos de justificación: Explica el razonamiento utilizado por el sistema
para llegar a una determinada conclusión.
• Interfaz de usuario: es la interacción entre el SE y el usuario, y se realiza
mediante el lenguaje natural.
Principalmente existen tres tipos de sistemas expertos:
• Basados en reglas previamente establecidas.
• Basados en casos o CBR (Case Based Reasoning).
• Basados en redes bayesianas.

5.6.3. Desarrollos actuales y aplicaciones.

Monitorización
La monitorización es un caso particular de la interpretación, y
consiste en la comparación continua de los valores de las señales o datos
de entrada y unos valores que actúan como criterios de normalidad o
estándares. En el campo del mantenimiento predictivo los Sistemas
Expertos se utilizan fundamentalmente como herramientas de diagnóstico.
Se trata de que el programa pueda determinar en cada momento el estado
de funcionamiento de sistemas complejos, anticipándose a los posibles
incidentes que pudieran acontecer.

Diseño
Los SE en diseño ven este proceso como un problema de búsqueda
de una solución óptima o adecuada. Las soluciones alternas pueden ser
conocidas de antemano o se pueden generar automáticamente probándose
distintos diseños para verificar cuáles de ellos cumplen los requerimientos
solicitados por el usuario, ésta técnica es llamada “generación y prueba”,
por lo tanto estos SE son llamados de selección. En áreas de aplicación, la
prueba se termina cuando se encuentra la primera solución; sin embargo,
existen problemas más complejos en los que el objetivo es encontrar la
solución óptima.