Cronología De La Inteligencia Artificial

Künstliche Intelligenz
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, mit einem für IBM ungünstigen Ergebnis, er “supercomputador” wurde von four-2 besiegt. Das Treffen endete am 17. Februar desselben Jahres.
Nach der Niederlage gegen IBM wuchs der Wunsch, die menschliche Leistungsfähigkeit zu übertreffen, und sie entwickelten die zweite Version von “supercomputador” die sie DEEPER BLUE nannten (tieferes Blau), diese beinhaltete eine verbesserte Version der Software, die Anpassungen wurden von einem weiteren großen Schachmeister vorgenommen, Herr. Joel Benjamin.
Das neue Turnier fand zwischen dem 3. und 11. Mai 1997 statt, Die ersten Partien endeten remis, in der sechsten Partie wurde Kasparov von Deeper Blue besiegt.
Als wichtige Anekdote ist zu erwähnen, dass Kasparov harte Kritik an IBM übte, 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 desarrollamoamo 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 ein Peso von einhundertfünfundsiebzig 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, konnte 30 Minuten am Stück in Betrieb bleiben und seine Batterien benötigten 4 Stunden, um vollständig aufgeladen zu werden.
2000 – 2010
Jahr 2000, Datum, an dem Honda die erste Version des modischen ASIMO vorstellte, ein Roboter, der nur 1,2 m groß war und sein Gewicht auf 52 kg reduziert hatte. Period capaz de caminar a 1,6 km/h, konnte 30 Minuten am Stück in Betrieb bleiben und seine Batterien benötigten 4 Stunden, um vollständig aufgeladen zu werden.
Im Jahr 2004 kam die nächste Generation des ASIMO-Roboters, der für diesen Anlass auf 1,30 Meter Höhe gewachsen war und dessen Gewicht leicht auf 54 kg zugenommen hatte. Aber wofür er besonders bekannt war, war, dass er 2,5 km/h gehen und 3 km/h laufen konnte, mantenerse en funcionamiento ininterrumpido durante 1 horas y vierzig 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 im Falle des Tragens eines Objekts von 1 kg) und 6 km/h geradeaus laufen und 5 km/h in Kreisen laufen.
Für 2010 änderte ASIMO sein Aussehen, indem es nun aus der P-Reihe stammt, was ASIMO in seiner P4-Version wäre, die nun viel eleganter mit etwas weniger Gewicht, aber derselben Höhe wie die P3-Version präsentiert wurde.
Im Jahr 2006 wurde das Jubiläum mit dem Kongress auf Spanisch 50 Jahre Künstliche Intelligenz gefeiert – Multidisziplinärer Campus in Wahrnehmung und Intelligenz 2006.
es war die einzige internationale Feier zum 50. Jahrestag der Künstlichen Intelligenz auf Spanisch, der Dartmouth-Konferenz.
gebildet von Spezialisten aus verschiedenen Bereichen, wie Künstliche Intelligenz, Neurobiologie, Psychologie, Philosophie, die Linguistik, die Logik, die Informatik…, mit dem Ziel, die Grundlagen der verschiedenen Bereiche auszutauschen und Forscher aus den unterschiedlichen Feldern miteinander in Kontakt zu bringen. Die Erleichterung der Schaffung von multidisziplinären Kooperationen und Forschungen ist ein vorrangiges Ziel des Vorschlags.
Im Jahr 2009, Es gibt bereits intelligente therapeutische Systeme in Entwicklung, die es ermöglichen, Emotionen zu erkennen, um mit autistischen Kindern zu interagieren.
A.L.I.C.E : (Artificial Linguistic Web Laptop Entity) ist ein Internetprojekt, das Teil des Pandora-Projekts ist. Dieses Projekt besteht in der Erstellung von Bots aller Art, insbesondere von Chatbots. Von der ALICE-Seite aus, kann der Benutzer ein Gespräch mit einem intelligenten Gesprächsprogramm führen, die ein aktuelles Gespräch simuliert, auf eine Weise, dass der Benutzer kaum bemerken kann, dass er mit einem Roboter spricht. Richard Wallace
Gewann die Loebner-Preise in den Jahren: 2000, 2001, 2004
Andere Gewinner des Loebner-Preises sind: Jabberwock, Ultra Hal Assistant, George, Joan.
Suzette: Chatbot, der den Loebner-Preis gewonnen hat (2010)
Die Fortschritte in der künstlichen Intelligenz setzen sich täglich fort, mit dem Ziel dieser Herausforderung, die viele Programmierer träumen zu erfüllen: Die Überwindung des berühmten Turing-Tests.
Dass ein künstliches System ein Intelligenzniveau demonstrieren kann, das einen Menschen täuschen kann, spricht nicht nur für das System, sondern auch für die Köpfe, die es geschaffen haben. In diesem Jahr ging der Loebner-Preis für künstliche Intelligenz an den Chatbot namens 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, erfolgt die Unterhaltung über eine Tastatur, aunque también hay modelos que disponen de una interfaz de usuario multimedia. Más recientemente, beginnen einige, Text-zu-Sprache-Programme zu verwenden , um die Interaktion mit dem Benutzer realistischer zu gestalten.
'Watson', der Computer, der zwei Jeopardy-Champions besiegte!(2011)
Es war ein dreitägiges Spiel mit drei Teilnehmern: Ken Jennings, der 74 Spiele in Folge gewann mit einem Gesamtgewinn von über 2 Millionen Dollar; Brad Rutter, Gewinner von mehr als 3 Millionen Dollar, und 'Watson', ein von IBM speziell für die Teilnahme an Jeopardy entwickelter Computer!
Das verbleibende Ergebnis: 'Watson'’ gewann, mit einem Gesamtgewinn von einer Million Dollar in drei Tagen; es folgte Jennings mit 300,000 Dollar und zuletzt blieb Rutter mit 200,000.
Watson ist ein Computersystem mit künstlicher Intelligenz, das in der Lage ist, Fragen in natürlicher Sprache zu beantworten, entwickelt von der amerikanischen Firma 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 der künstlichen Intelligenz
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)
in
(1980-1990)
Al investigar el significado de la Inteligencia Artificial (KI), 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, wurden spezielle Sprachen entwickelt, die mit Künstlicher Intelligenz verwendet werden konnten, 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, Zusätzlich zum technologischen Fortschritt und dem detaillierten Wissen über das menschliche Funktionieren führte dies dazu, Studien über die Lernfähigkeit durchzuführen, wobei die Neuronalen Netze mit Kraft wiederauflebten.
Die Rückkehr der neuronalen Netze (1986 bis heute )
Physiker nutzten Techniken der statistischen Mechanik, um die Speicher- und Optimierungseigenschaften der Netze zu analysieren. Psychologen studierten Modelle des Gedächtnisses, die auf neuronalen Netzen basieren.
Vier Gruppen erfanden den Lernalgorithmus des Rückpropagationsverfahrens neu. Der Algorithmus wird auf Probleme angewendet, die mit Lernen in der Informatik und Psychologie zusammenhängen
Es herrschte Pessimismus bei der Anwendung der Technologie von Expertensystemen. Um ein zufriedenstellendes Expertensystem zu entwickeln, Es wurde etwas mehr als ein auf Regeln basierendes Denksystem benötigt.
Automatisches maschinelles Lernen Logik
Maschinelles Lernen ist ein Zweig der künstlichen Intelligenz, dessen Ziel es ist, Techniken zu entwickeln, die es Computern ermöglichen zu lernen. Genauer gesagt, es geht darum, Programme zu erstellen, die in der Lage sind, Verhaltensweisen aus unstrukturierten Informationen, die in Form von Beispielen bereitgestellt werden, zu verallgemeinern. Es ist, daher, ein Prozess der Wissensinduktion. In vielen Fällen überschneidet sich das Einsatzgebiet des maschinellen Lernens mit dem der Statistik, da sich beide Disziplinen auf die Datenanalyse stützen. Jedoch, Maschinelles Lernen konzentriert sich stärker auf das Studium der rechnerischen Komplexität von Problemen. Viele Probleme gehören zur Klasse NP-schwer, deshalb ist ein Großteil der Forschung im Bereich des maschinellen Lernens auf die Entwicklung praktikabler Lösungen für diese Probleme ausgerichtet. Maschinelles Lernen kann als Versuch gesehen werden, bestimmte Teile der wissenschaftlichen Methode mithilfe mathematischer Methoden zu automatisieren.
Maschinelles Lernen hat ein breites Anwendungsspektrum, einschließlich Suchmaschinen, diagnósticos médicos, Betrugserkennung bei der Nutzung von Kreditkarten, Analyse des Aktienmarktes, Klassifizierung von DNA-Sequenzen, Spracherkennung und Erkennung geschriebener Sprache, Spiele und Robotik.
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 (klassifizieren) eine Reihe von Vektoren unter Verwendung einer von mehreren Kategorien (Klassen). Die Wissensbasis des Systems besteht aus früheren gelabelten Beispielen. Diese Art des Lernens kann in biologischen Forschungsproblemen sehr nützlich sein, computational biology und Bioinformatik.
Unüberwachtes Lernen
Der gesamte Modellierungsprozess wird über einen Satz von Beispielen durchgeführt, der nur Systemeingaben enthält. Es gibt keine Informationen über die Kategorien dieser Beispiele. Por lo tanto, en este caso, das System muss in der Lage sein, Muster zu erkennen, um neue Eingaben zu labeln.
Semi-supervised Learning
Diese Art von Algorithmen kombiniert die beiden vorherigen Algorithmen, um eine angemessene Klassifizierung zu ermöglichen. 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, aber baut nicht explizit eine Funktion auf. Versucht, die Kategorien zukünftiger Beispiele basierend auf den Eingabe-Beispielen vorherzusagen, deren jeweilige Kategorien und die neuen Beispiele für das System.
Hybride Netzwerke
Es ist ein gemischter Ansatz, bei dem eine Verbesserungsfunktion verwendet wird, um die Konvergenz zu erleichtern. Ein Beispiel für diesen letzten Typ sind Radialbasis-Netzwerke.
Multi-Task-Lernen
Lernmethoden, die zuvor vom System erlerntes Wissen nutzen, um sich ähnlichen Problemen wie den bereits gesehenen zu stellen.
in