Inteligencia Artificial
EL RENACIMIENTO GÓTICO
(1990 – 2010)
En 1996, IBM, Crea la computadora autónoma Deep Blue, esta le gana al campeón mundial de ajedrez Gary Kasparov el año 1997.
DEEP BLUE
IBM en su afán de demostrar la capacidad de sus sistemas en 1996 crea un “supercomputador” denominado DEEP BLUE (azul profundo) capaz de desafiar a una de las grandes mentes del mundo del ajedrez el Sr. Gary Kasparov, este “supercomputador” tenía procesadores diseñados especialmente para evaluar jugadas de ajedrez. Contaba con datos relativos a más de four.000 movimientos y las partidas de 700.000 grandes maestros de ajedrez. Sus procesadores eran capaces de calcular 200 millones de posiciones por segundo.
El primer encuentro se realizó el 10 de febrero de 1996, con un resultado no favorable para IBM, el “supercomputador” fue derrotado por four-2. El encuentro finalizó el 17 de febrero del mismo año.
Después de la derrota en IBM se incrementaron los deseos de sobrepasar la capacidad humana y crearon la segunda versión del “supercomputador” al cual lo llamaron DEEPER BLUE (azul más profundo), ésta incluía una versión mejorada del software program, los ajustes los realizó otro gran maestro del ajedrez, el Sr. Joel Benjamin.
El nuevo torneo se desarrolló entre el three y eleven de mayo de 1997, las primeras partidas fueron terminadas en tablas, siendo en la sexta partida derrotado Kasparov por Deeper Blue.
Como anécdota importante es mencionar que Kasparov realizó fuertes críticas contra IBM, especialmente enfocadas con las actualizaciones que realizó IBM posteriores a los encuentros iniciales, y sobretodo porque después de la segunda partida, Kasparov planteó un sacrificio de peón suponiendo que sería aceptado por la “supercomputadora”, como muchos programas de la época, pero no fue aceptado el sacrificio, lo que hace suponer a Kasparov que la jugada fue indicada por un operador humano. Después Kasparov solicitó los registros escritos de los procesos de Deeper Blue, IBM aceptó entregarlos posterior al encuentro, situación que nunca aconteció. Finalmente, Kasparov desafió a IBM a presentar a Deeper Blue en un torneo oficial, citando textualmente: “Yo personalmente les garantizo a todos los aquí presentes que si Deep Blue participa en ajedrez de competición, personalmente, repito, garantizo que le haré pedazos.
ASIMO
ASIMO Advanced Step Innovative Mobility (Paso Avanzado en Movilidad Innovadora), Es un robotic humanoide (Androide) creado en el año 1980 por la empresa Honda uno de los símbolos de la apuesta de la compañía por la investigación y el desarrollo de la Inteligencia Artificial. (Androide es la denominación que se le da a un robotic u organismo sintético antropomorfo que, además de imitar la apariencia humana, imita algunos aspectos de su conducta de manera autónoma).
En 1980 Honda creó el E0, un prototipo bípedo muy rudimentario que necesitaba de 5 segundos para completar un paso y que carecía del aspecto humano del que hace gala ASIMO, pero que fue la base sobre la que se cimentaron desarrollos posteriores.
La siguiente generación de robots estuvo formada por los modelos E1, E2 y E3, desarrollados entre 1987 y 1991. El E1 period capaz de caminar a zero,25 Km/h, lo que provocó que se atisbara una cierta distinción de movimiento entre ambas piernas. Por su parte, con el E2 el fabricante japonés fue un pasito más allá al crear el primer modelo que simulaba de manera más menos realista el caminar humano, si bien es cierto que sólo podía alcanzar 1,2 Km/h. Eso se consiguió con el E3, que además de mejoras estéticas que lo hacían más agradable a la vista, podía caminar a three Km/h, la misma velocidad que desarrollamos cuando andamos.
Entre 1991 y 1993, y una vez que ya se había logrado que los robots fueran capaces de simular la forma de andar humana y caminaban a una velocidad similar, Honda desarrolló la tecnología necesaria para que además pudieran controlar el balanceo de su cuerpo y tuvieran la habilidad de avanzar sobre pisos en los que hubiera obstáculos generación de robots estuvo formada por los modelos E4, E5 y E6.
El E4 fue un prototipo experimental más ligero que sus predecesores que period capaz de desplazarse a four,7 Km/h, la velocidad que alcanzamos los humanos cuando caminamos a paso ligero. El E5 no introdujo mejoras sustanciales en la forma de desplazarse pero se convirtió en todo un hito al ser el primer modelo autónomo de la compañía japonesa. Hubo que esperar hasta el E6 para que Honda consiguiera por primera vez que un robotic fuera capaz de controlar los balanceos de su cuerpo, cualidad que le permitía subir y bajar escaleras y caminar sobre obstáculos.
En 1993, los prototipos de la firma japonesa ya eran capaces de caminar de manera autónoma y de sortear obstáculos simples, por lo que el siguiente objetivo de Honda fue crear robots con aspecto humanoide. Fue entre 1993 y 1997, en una nueva generación que estuvo formada por los modelos P1, P2 y P3.
Con una altura de 1,915 m y un peso de one hundred seventy five Kg, el P1 se convirtió en el primer desarrollo que además de piernas tenía tronco, brazos y una cabeza. Eso supuso un salto cualitativo muy importante, ya que este robotic no sólo caminaba, sino que además podía encender y apagar interruptores, agarrar los pomos de las puertas e incluso llevar objetos gracias a sus extremidades superiores. El P2 mejoró mucho desde el punto de vista estético, al mostrar un aspecto humanoide mucho más verosímil que su predecesor, pero sobre todo destacó por ser el primero en no necesitar cables para caminar, subir y bajar escaleras empujar objetos. Gracias al uso de la tecnología wireless, este robot de 1,82 m de altura y 210 Kg de peso incorporaba en su espalda una mochila con un ordenador, un motor, una batería y una radio que se encargaban de hacer funcionar al conjunto. Con un aspecto más liviano, desenfadado y atractivo, el P3 fue el robot que introdujo la estética ASIMO. Con 1,60 m de altura y a hundred thirty Kg, se convirtió en el primer modelo completamente independiente de la serie y permitió a Honda presentar al gran público un prototipo visualmente muy atractivo con el que atrajo la atención de millones de personas.
Y así llegamos al año 2000, fecha en la que Honda presentó la primera versión del popular ASIMO, un robot que medía sólo 1,2 m de altura y había rebajado su peso hasta los 52 Kg. Period capaz de caminar a 1,6 Km/h, podía permanecer en funcionamiento durante 30 minutos seguidos y sus baterías necesitaban de 4 horas para recargarse por completo.
2000 – 2010
año 2000, fecha en la que Honda presentó la primera versión del fashionable ASIMO, un robotic que medía sólo 1,2 m de altura y había rebajado su peso hasta los fifty two Kg. Period capaz de caminar a 1,6 Km/h, podía permanecer en funcionamiento durante 30 minutos seguidos y sus baterías necesitaban de four horas para recargarse por completo.
En 2004 llegó la siguiente generación del robot ASIMO, que para la ocasión había crecido hasta 1,30 metros de altura y había visto incrementado su peso ligeramente hasta los 54 Kg. Pero si por algo destacaba era porque podía caminar a 2,5 Km/h y correr a 3 Km/h, mantenerse en funcionamiento ininterrumpido durante 1 horas y forty minutos y necesitaba three horas para recargarse.
año 2005. Tiene el mismo tamaño que el prototipo del 2004, pero es capaz de caminar a 2,7 Km/h (1,6 Km/h en caso de llevar un objeto de 1 Kg) y correr a 6 Km/h en línea recta y 5 Km/h en círculos.
Para el 2010 ASIMO cambio su aspecto convirtiéndose ahora de la línea P, que sería ASIMO en su versión P4 se presentaba ahora mucho más elegante con algo menos de peso aunque la misma altura que el P3.
En 2006 se celebró el aniversario con el Congreso en español 50 años de Inteligencia Artificial – Campus Multidisciplinar en Percepción e Inteligencia 2006.
fue la única celebración internacional en español del 50 aniversario de la Inteligencia Artificial, de la Conferencia de Dartmouth.
formado por especialistas de diversas áreas, cómo la Inteligencia Artificial, la Neurobiología, la Psicología, la Filosofía, la Lingüística, la Lógica, la Computación…, con el fin de intercambiar los conocimientos básicos de las diferentes áreas y de poner en contacto investigadores de los diferentes campos. El facilitar la creación de colaboraciones e investigaciones multidisciplinares es un objetivo prioritario de la propuesta.
En el año 2009, Ya hay en desarrollo sistemas inteligentes terapéuticos que permiten detectar emociones para poder interactuar con niños autistas.
A.L.I.C.E : (Artificial Linguistic Web Laptop Entity) es un proyecto de Internet, que forma parte del Proyecto Pandora. Este proyecto consiste en la creación de bots de todo tipo, en especial los de chat. Desde la página de ALICE, el usuario puede entablar una conversación con un programa inteligente de conversación, que simula una charla actual, de manera tal que el usuario puede difícilmente percatarse de que está hablando con un robotic. Richard Wallace
Ganó el Premio Loebner los años: 2000, 2001, 2004
Otros Ganadores del Premio Loebner son: Jabberwock, Ultra Hal Assistant, George, Joan.
Suzette: Chatbot ganador del Premio Loebner (2010)
Los avances en inteligencia artificial continúan diariamente, apuntando a aquel desafío que muchos programadores sueñan cumplir: La superación del famoso Check de Turing.
El hecho de que un sistema artificial pueda demostrar un nivel de inteligencia capaz de engañar a un humano no sólo habla maravillas de dicho sistema, sino también de las mentes que lo crearon. Este año el Premio Loebner de Inteligencia Artificial fue para el chatbot llamado Suzette, llegando en primer lugar tras lograr engañar a uno de los jueces.
¿Que es un Chatbot?
Un bot de charla, es un programa que simula mantener una conversación con una persona, la conversación se establece a través de un teclado, aunque también hay modelos que disponen de una interfaz de usuario multimedia. Más recientemente, algunos comienzan a utilizar programas conversores de texto a sonido , dotando de mayor realismo a la interacción con el usuario.
‘Watson’, la computadora que le Ganó a dos campeones de Jeopardy!(2011)
Fue un juego de tres días y tres concursantes: Ken Jennings, quien ganó 74 juegos al hilo con una ganancia total de más de 2 millones de dólares; Brad Rutter, ganador de más de 3 millones de dólares, y ‘Watson’, una computadora diseñada por IBM especialmente para participar en Jeopardy!
El resultado remaining: ‘Watson’ ganó, con un complete de un millón de dólares en three días; le siguió Jennings con 300,000 dólares y al remaining quedó Rutter con 200,000.
Watson es un sistema informático de inteligencia artificial que es capaz de responder a preguntas formuladas en lenguaje natural, desarrollado por la corporación estadounidense IBM. Forma parte del proyecto del equipo de investigación DeepQA, liderado por el investigador principal David Ferrucci. Lleva su nombre en honor del fundador y primer presidente de IBM, Thomas J. Watson.
Curiosity (2011)
Fue finalmente lanzado el 26 de noviembre de 2011 a las 10:02 am EST, y aterrizó en Marte exitosamente en el cráter Gale el 6 de agosto de 2012, aproximadamente a las 05:31 UTC enviando sus primeras imágenes a la Tierra.
Objetivos: blog de inteligencia artificial
Determinar si existió vida alguna vez en Marte, caracterizar el clima de Marte, determinar su geología y prepararse para la exploración humana de Marte.
“Si no se hubiera investigado estos 30 40 años en inteligencia artificial y robótica, sería imposible hacer un robotic como ‘Curiosity'”, explica Ramón López de Mántaras, director del Instituto de Investigación en Inteligencia Artificial (IIIA)
en
(1980-1990)
Al investigar el significado de la Inteligencia Artificial (IA), existen diversas definiciones con diferentes puntos de vistas, pero lo cierto es que la IA apunta a la capacidad que debe tener un sistema de aprender” de los hechos y/ estímulos a los cuales se ve enfrentado en una determinada situación.
Aprendizaje Automático
Ya en los 80, se desarrollaron lenguajes especiales para utilizar con la Inteligencia Artificial, tales como el lisp el prolog. Es en esta época es cuando se desarrollan programas expertos más refinados, como por ejemplo el EURISKO. Este programa perfecciona su propio cuerpo de reglas heurísticas automáticamente por inducción.
La profundización de los sistemas expertos, sumado al avance tecnológico y al conocimiento detallado del funcionamiento humano llevó a conducir los estudios sobre la capacidad de aprender resurgiendo con fuerzas las Redes Neuronales.
El regreso de las redes neuronales (1986 al presente )
Los físicos utilizaron técnicas de la mecánica estadística para analizar las propiedades de almacenamiento y optimización de las redes. Psicólogos estudiaron los modelos de la memoria basados en redes neuronales.
Cuatro grupos reinventaron el algoritmo de aprendizaje de retroprogramación. El algoritmo se aplica a problemas relacionados con el aprendizaje en computación y en psicología
Había pesimismo en la aplicación de la tecnología de los sistemas expertos. Para construir un sistema experto satisfactorio, se necesitaba algo más que un sistema de razonamiento que estuviera lleno de reglas.
Aprendizaje Automático Lógica Automática
El aprendizaje automático aprendizaje de máquinas es una rama de la inteligencia artificial cuyo objetivo es desarrollar técnicas que permitan a las computadoras aprender. De forma más concreta, se trata de crear programas capaces de generalizar comportamientos a partir de una información no estructurada suministrada en forma de ejemplos. Es, por lo tanto, un proceso de inducción del conocimiento. En muchas ocasiones el campo de actuación del aprendizaje automático se solapa con el de la estadística, ya que las dos disciplinas se basan en el análisis de datos. Sin embargo, el aprendizaje automático se centra más en el estudio de la complejidad computacional de los problemas. Muchos problemas son de clase NP-hard, por lo que gran parte de la investigación realizada en aprendizaje automático está enfocada al diseño de soluciones factibles a esos problemas. El aprendizaje automático puede ser visto como un intento de automatizar algunas partes del método científico mediante métodos matemáticos.
El aprendizaje automático tiene una amplia gama de aplicaciones, incluyendo motores de búsqueda, diagnósticos médicos, detección de fraude en el uso de tarjetas de crédito, análisis del mercado de valores, clasificación de secuencias de ADN, reconocimiento del habla y del lenguaje escrito, juegos y robótica.
Los diferentes algoritmos de Aprendizaje Automático se agrupan en una taxonomía en función de la salida de los mismos.
Algunos tipos de algoritmos son:
Aprendizaje supervisado
El algoritmo produce una función que establece una correspondencia entre las entradas y las salidas deseadas del sistema. Un ejemplo de este tipo de algoritmo es el problema de clasificación, donde el sistema de aprendizaje trata de etiquetar (clasificar) una serie de vectores utilizando una entre varias categorías (clases). La base de conocimiento del sistema está formada por ejemplos de etiquetados anteriores. Este tipo de aprendizaje puede llegar a ser muy útil en problemas de investigación biológica, biología computacional y bioinformática.
Aprendizaje no supervisado
Todo el proceso de modelado se lleva a cabo sobre un conjunto de ejemplos formado tan sólo por entradas al sistema. No se tiene información sobre las categorías de esos ejemplos. Por lo tanto, en este caso, el sistema tiene que ser capaz de reconocer patrones para poder etiquetar las nuevas entradas.
Aprendizaje semi-supervisado
Este tipo de algoritmos combinan los dos algoritmos anteriores para poder clasificar de manera adecuada. Se tiene en cuenta los datos marcados y los no marcados.
Aprendizaje por refuerzo
El algoritmo aprende observando el mundo que le rodea. Su información de entrada es una retroalimentación que obtiene del mundo exterior como respuesta a sus acciones. Por lo tanto, el sistema aprende a base de ensayo-error.
Transducción
Comparable al aprendizaje supervisado, pero no construye de forma explícita una función. Trata de predecir las categorías de los futuros ejemplos basándose en los ejemplos de entrada, sus respectivas categorías y los ejemplos nuevos al sistema.
Redes híbridas
Es un enfoque mixto en el que se utiliza una función de mejora para facilitar la convergencia. Un ejemplo de este último tipo son las redes de base radial.
Aprendizaje multi-tarea
Métodos de aprendizaje que usan conocimiento previamente aprendido por el sistema de cara a enfrentarse a problemas parecidos a los ya vistos.
en