SISTEMAS INTELIGENTES

PROFESOR:
HUGO VEGA HUERTA

INTEGRANTES:
CCAIPANI SÁNCHEZ MARCO
GARAUNDO RODRÍGUEZ CARLOS
ROJAS ALVARADO GIOVANNA
SULCA PAUCAR EDER
 Conceptos

Inteligencia es el nivel del sistema en lograr sus

objetivos. Un sistema tiene mayor inteligencia si
alcanza sus más rápidamente y más fácilmente. La
inteligencia incluye la fácilmente. La inteligencia
incluye la capacidad de de aprender a lograrlo. La
inteligencia de un sistema es una propiedad de su
mente. El funcionamiento del cerebro se denomina
"mente".
 Sistema

Sistema es parte del universo, con una extensión

limitada en espacio y tiempo. Existen más
correlaciones o correlaciones más fuertes entre una
parte del sistema y otra, que entre esa parte del
sistema y partes fuera del sistema.
 Aprendizaje

El aprendizaje es probablemente la capacidad más importante de

un sistema inteligente. El sistema aprende conceptos a partir de la
información recibida de los sentidos. Aprende reglas de actuación
a base de su experiencia. La actuación, a veces hecha al azar, se
almacena con su valor.
Una regla de actuación aumenta en valor si permitió el logro de
un objetivo.
El aprendizaje incluye la fijación de conceptos abstractos, a base
de ejemplos concretos y la creación de conceptos compuestos que
contienen los conceptos de partes de un objeto. El aprendizaje
también es la capacidad de detectar relaciones (patrones) entre la
parte "situación" y la parte "situación futura" de una regla de
actuación.
 Sistema inteligente

Es un programa de computación que reúne

características y comportamientos asimilables al de
la inteligencia humana o animal.
Es un sistema que tiene su propio objetivo principal,
así como sentidos y efectores. Para alcanzar su
objetivo elige una acción basada en sus experiencias.
Puede aprender generalizando las experiencias que
ha guardado en su memoria.
 Sistemas Inteligentes
Artificiales

Un sistema inteligente artificial es un programa de

computación que consta de partes para cada una de
las funciones descriptas en sistemas inteligentes.
Los sistemas inteligentes están diseñados para tratar con problemas en:

Administración.
Finanzas.
Manufactura.
Reconocimiento de Formas.
Instrumentación Adaptativa.
Procesos de control.
 Sistemas inteligentes

Los Sistemas Inteligentes permiten implementar

algunos características y mecanismos de
procesamiento de los sistemas biológicos. Entre los
sistemas inteligentes destacan las Redes Neuronales
(Redes de Neuronas Artificiales), la Lógica Difusa y
la Computación Evolutiva.
 Sistemas Expertos

son llamados así porque emulan el comportamiento

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.
 Sistemas Expertos

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).
 Sistemas Expertos

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.
 Estructura básica de un SE

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.
 Tipos de SE

Principalmente existen tres tipos de sistemas expertos:

Basados en reglas previamente establecidas.
Basados en casos o CBR (Case Based Reasoning).
Basados en redes bayesianas.
En cada uno de ellos, la solución a un problema planteado se obtiene:
Aplicando reglas heurísticas apoyadas generalmente en lógica difusa
para su evaluación y aplicación.
Aplicando el razonamiento basado en casos, donde la solución a un
problema similar planteado con anterioridad se adapta al nuevo
problema.
Aplicando redes bayesianas, basadas en estadística y el teorema de
Bayes.
 Algunos ejemplos de sistemas
expertos son:

DENDRAL.- Fue ideado a finales de los setenta para generar una

representación estructural de las moléculas orgánicas a partir de los
datos de un espectrógrafo de masas. Tal solución tiene los siguientes
pasos:

 Obtener las limitaciones de los datos.

 Generar estructuras candidatas.
 Predecir espectros de masa con los candidatos.
 Comparar los resultados con los datos.

Este sistema ilustra la solución común de resolver problemas en IA de

"generación y prueba".
MYCIN.- fue diseñado a mediados de los setenta. Es un sistema
interactivo que diagnostica infecciones bacterianas y suministra la
terapia de antibióticos.
 Los nuevos sistemas inteligentes

Los sistemas difusos y las redes neuronales han

tenido un interés creciente de los investigadores en
varias áreas científicas y de ingeniería. El número y
variedad de aplicaciones de la lógica difusa y las
redes neuronales ha ido en aumento. Variando desde
productos de consumo popular y control de procesos
industriales hasta instrumentación médica, sistemas
de información y análisis de decisión.
 Sistemas difusos

En la década pasada, los sistemas difusos han

desplazado a las tecnologías convencionales en
muchas aplicaciones científicas y sistemas de
ingeniería, especialmente en los sistemas de control
y el reconocimiento de patrones.
 Sistemas difusos

La Lógica Difusa, propuesta por L. Zadeh en 1965,

surge como una alternativa a la lógica tradicional que
nosotros conocemos, y como un intento de modelar
la forma en que los seres humanos representamos y
procesamos la información sensorial a un “alto
nivel”, y la forma “difusa” (relativa/subjetiva) con
que manejamos lingüísticamente muchos conceptos.
 Sistemas difusos

A modo de ejemplo, cuando nos referimos a la altura

de un amigo decimos que éste es “chico”, “alto”,
“super alto”, “re-chico”, “enano”, etc., y no que mide
1.654 cm. Más aún el decir que alguien es alto es muy
subjetivo. No es lo mismo que una persona que mide
1.80 m diga que otra es alta, a que una persona que
mida 1.50 m diga lo mismo
 Membership function

Un concepto fundamental en lógica difusa es el de

función de membresía (membership function) el cual
permite manejar de subjetividad de nuestros
lenguaje. La función de membresia m es un valor
real en el rango [0,1].
Ejemplo: “Juan es gordo” con mpeso(Juan)=0.8.
Esto significa que Juan pertenece al grupo de la
gente gorda con un grado de pertenencia de 0.8 (1.0
represente verdadero y 0 representa falso).
 Redes neuronales

Las redes neuronales son una nueva generación de

sistemas de procesamiento de información que son
construidos deliberadamente para hacer uso de
algunos de los principios organizacionales que
caracterizan al cerebro humano.
 Redes neuronales

Están compuestas por unidades estructurales

también conocidas como neuronas, conectadas entre
si. El modelo básico de una neurona es el siguiente:
 Redes neuronales

La topología de una red neuronal estará determinada

por el número de neuronas que esta tenga, por la forma
en éstas estén ordenadas (en capas) y por la naturaleza
de las conexiones presentes.
Típicamente las redes neuronales poseen una capa de
entrada (input layer), una capa de salida (output layer),
y una o varias capas ocultas intermedias (hidden layers).
El flujo de la información puede ser unidireccional desde
la capa de entrada hacia la capa de salida (redes
feedforward) o bidireccional con retroalimentación
(redes recurrentes).
 Redes neuronales

En el siguiente ejemplo se muestran ejemplos de

topologías de redes:
 Propiedades de la redes neuronales

Entre las principales propiedades de las redes

neuronales se encuentran las siguientes:
- Capacidad de Asociación (Generalización)
- Tolerancia ante fallas
- Capacidad de Aprendizaje (Adaptabilidad)
- Seguridad ante caídas del sistema
- Procesamiento masivamente paralelo
- Representación y Procesamiento distribuido de
la información
Características de la redes neuronales

Una de las principales características de las redes

neuronales es su capacidad de aprendizaje, esto se
logra a través de la repetitiva presentación de
ejemplos, lo cuál permite adaptar los pesos
sinápticos de las neuronas.
 Métodos de aprendizaje

Los siguientes métodos de aprendizaje son

utilizados:
 Aprendizaje Supervisado (con profesor)
 Aprendizaje no Supervisado (sin profesor)
 Aprendizaje Competitivo
 Aprendizaje Reforzado (de Pavlov).
 Métodos de aprendizaje

En la siguiente figura se muestra el aprendizaje

supervisado:

Las redes neuronales se utilizan para resolver problemas en los cuales no existe
un modelo analítico o problemas en los cuales el modelo analítico
es demasiado complejo.
 Campo de aplicación
 Diferentes modelos de redes son utilizados para resolver
diferentes tipos de problemas. En la siguiente tabla puede
observarse algunos de los modelos más utilizado y su
campo de aplicación.
 Computación Evolutiva

La idea básica consiste en resolver problemas de

optimización utilizando las mismas estrategias que
utiliza la naturaleza a través del mecanismo de
evolución. Es decir, reproducir a los individuos más
aptos y a través de este mecanismo adaptar la
especie al medio ambiente cambiante.
De esta manera se preserva la especie y asimismo
ésta compite con otras.
 Computación Evolutiva

Podemos afirmar que la evolución darwiniana es un

mecanismo robusto de optimización a través de búsqueda.
Entre los procesos presentes en la evolución y que son
usados en el campo de la computación evolutiva destacan:
 Reproducción: Se transmite el material genético del progenitor a
los descendientes en forma sexuada o asexuada.
 Mutación: Permite aumenta la entropía, es decir la variabilidad de
la especie. Intencionalmente introduce errores en forma aleatoria
durante el proceso de transmisión del material genético.
 Competición: Consiste en la lucha por recursos finitos por parte de
una población siempre en aumento.
 Selección: Es el resultado de la competencia entre especies.
 Áreas de la Computación Evolutiva

El mecanismo de evolución funciona a diferentes

niveles: células, órganos, individuos y especies.
Dependiendo del nivel del cual la Computación
Evolucionaría (Evolutionary Computation) obtenga
sus modelos, pueden distinguirse las siguientes
subáreas:
 Algoritmos Genéticos (Genetics Algorithms)
 Estrategias de Evolución (Evolution Strategies)
 Programación Evolucionaria (Evolutionary Programming)
 Programación Genética (Genetic Programming)
 Referencias

http://www.scribd.com/doc/7208449/Sistemas-
Inteligentes-Conceptos-Aplicaciones
http://robotica.li2.uchile.cl/el710/Clase17.pdf
http://es.wikipedia.org/wiki/Sistema_inteligente
http://es.wikipedia.org/wiki/Sistema_experto
http://ants.dif.um.es/staff/juanbot/ml/files/20022
003/fuzzy.pdf