Cronología De La Inteligencia Artificial

Intelligence artificielle
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” a été battu par four-2. La rencontre s'est terminée le 17 février de la même année.
Après la défaite contre IBM, les désirs de surpasser la capacité humaine ont augmenté et ils ont créé la deuxième version de “supercomputador” qu'ils ont appelée DEEPER BLUE (bleu plus profond), celle-ci comprenait une version améliorée du logiciel program, les ajustements ont été réalisés par un autre grand maître d'échecs, M.. Joel Benjamin.
Le nouveau tournoi s'est déroulé entre le trois et le onze mai 1997, les premières parties se sont terminées par des nulles, c'est lors de la sixième partie que Kasparov a été battu par Deeper Blue.
Comme anecdote importante, il faut mentionner que Kasparov a fait de fortes critiques contre IBM, surtout axées sur les mises à jour effectuées par IBM après les rencontres initiales, 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. Enfin, 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 (Étape Avancée en Mobilité Innovante), C'est un robot humanoïde (Androïde) créé en 1980 par l'entreprise Honda, l'un des symboles de l'engagement de la société dans la recherche et le développement de l'Intelligence Artificielle. (Androïde est la dénomination donnée à un robot ou organisme synthétique anthropomorphe qui, en plus d'imiter l'apparence humaine, imite certains aspects de son comportement de manière autonome).
En 1980 Honda a créé le E0, un prototype bipède très rudimentaire qui avait besoin de 5 secondes pour effectuer un pas et qui ne possédait pas l'apparence humaine dont fait preuve ASIMO, mais qui a été la base sur laquelle se sont construits les développements ultérieurs.
La génération suivante de robots était composée des modèles E1, E2 et 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. Pour sa part, 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, saisir les poignées des portes et même transporter des objets grâce à ses membres supérieurs. Le P2 s'est beaucoup amélioré d'un point de vue esthétique, en présentant un aspect humanoïde beaucoup plus crédible que son prédécesseur, mais il s'est surtout distingué en étant le premier à ne pas avoir besoin de câbles pour marcher, monter et descendre des escaliers, pousser des objets. Grâce à l'utilisation de la technologie sans fil, ce robot de 1,82 m de hauteur et 210 kg de poids incorporait dans son dos un sac à dos avec un ordinateur, un moteur, une batterie et une radio qui se chargeaient de faire fonctionner l'ensemble. Avec un aspect plus léger, décontracté et attrayant, le P3 a été le robot qui a introduit l'esthétique ASIMO. Avec 1,60 m de hauteur et cent trente 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) et courir à 6 km/h en ligne droite et 5 km/h en cercles.
Pour 2010, ASIMO a changé d'apparence en passant désormais de la série P, ce qui serait ASIMO dans sa version P4 se présentait maintenant beaucoup plus élégant avec un peu moins de poids bien que la même hauteur que le P3.
En 2006, l'anniversaire a été célébré avec le Congrès en espagnol des 50 ans de l'Intelligence Artificielle – Campus Multidisciplinaire en Perception et Intelligence 2006.
ce fut la seule célébration internationale en espagnol du 50ᵉ anniversaire de l'Intelligence Artificielle, de la Conférence de Dartmouth.
formé par des spécialistes de diverses domaines, comment l'Intelligence Artificielle, la Neurobiologie, la Psychologie, la Philosophie, la Linguistique, la Logique, l'Informatique…, afin d'échanger les connaissances de base des différentes disciplines et de mettre en contact des chercheurs de différents domaines. Faciliter la création de collaborations et de recherches multidisciplinaires est un objectif prioritaire de la proposition.
En 2009, Il existe déjà en développement des systèmes thérapeutiques intelligents qui permettent de détecter les émotions afin de pouvoir interagir avec des enfants autistes.
A.L.I.C.E : (Artificial Linguistic Web Laptop Entity) est un projet Internet, qui fait partie du Projet Pandora. Ce projet consiste en la création de bots de toutes sortes, en particulier ceux de chat. Depuis la page d'ALICE, l'utilisateur peut engager une conversation avec un programme intelligent de conversation, qui simule un dialogue actuel, de telle manière que l'utilisateur peut difficilement se rendre compte qu'il parle avec un robot. Richard Wallace
A remporté le Prix Loebner les années: 2000, 2001, 2004
Autres lauréats du Prix Loebner sont: Jabberwock, Ultra Hal Assistant, George, Joan.
Suzette: Chatbot lauréat du Prix Loebner (2010)
Les avancées en intelligence artificielle continuent quotidiennement, visant ce défi que de nombreux programmeurs rêvent de relever: La surpassion du célèbre Test de Turing.
Le fait qu'un système artificiel puisse démontrer un niveau d'intelligence capable de tromper un humain ne parle pas seulement des merveilles de ce système, mais également des esprits qui l'ont créé. Cette année, le Prix Loebner d'Intelligence Artificielle a été décerné au chatbot appelé 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. Plus récemment, 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’, un ordinateur conçu par IBM spécialement pour participer à Jeopardy!
Le résultat restant: ‘Watson’ a gagné, avec un total d’un million de dollars en trois jours; ensuite Jennings avec 300,000 dollars et le restant est allé à Rutter avec 200,000.
Watson est un système informatique d’intelligence artificielle capable de répondre à des questions formulées en langage naturel, développé par la société américaine IBM. Fait partie du projet de l’équipe de recherche DeepQA, dirigé par le chercheur principal David Ferrucci. Porte son nom en l’honneur du fondateur et premier président d’IBM, Thomas J. Watson.
Curiosity (2011)
Il a finalement été lancé le 26 novembre 2011 à 10:02 h 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 sur l'intelligence artificielle
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, des langages spéciaux ont été développés pour être utilisés avec l'intelligence artificielle, 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.
Le retour des réseaux neuronaux (1986 à aujourd'hui )
Les physiciens ont utilisé des techniques de la mécanique statistique pour analyser les propriétés de stockage et d'optimisation des réseaux. Les psychologues ont étudié les modèles de mémoire basés sur les réseaux neuronaux.
Quatre groupes ont réinventé l'algorithme d'apprentissage par rétropropagation. L'algorithme s'applique à des problèmes liés à l'apprentissage en informatique et en psychologie
Il y avait du pessimisme quant à l'application de la technologie des systèmes experts. Pour construire un système expert satisfaisant, il fallait plus qu'un système de raisonnement rempli de règles.
Apprentissage automatique Logique automatique
L'apprentissage automatique est une branche de l'intelligence artificielle dont l'objectif est de développer des techniques permettant aux ordinateurs d'apprendre. De manière plus concrète, il s'agit de créer des programmes capables de généraliser des comportements à partir d'informations non structurées fournies sous forme d'exemples. C'est, par conséquent, un processus d'induction des connaissances. Dans de nombreux cas, le champ d'application de l'apprentissage automatique se chevauche avec celui de la statistique, car les deux disciplines se basent sur l'analyse des données. Cependant, l'apprentissage automatique se concentre davantage sur l'étude de la complexité computationnelle des problèmes. De nombreux problèmes sont de classe NP-difficile, c'est pourquoi une grande partie de la recherche réalisée en apprentissage automatique est axée sur la conception de solutions réalisables à ces problèmes. L'apprentissage automatique peut être vu comme une tentative d'automatiser certaines parties de la méthode scientifique par des méthodes mathématiques.
L'apprentissage automatique a une large gamme d'applications, y compris les moteurs de recherche, les diagnostics médicaux, la détection de fraude dans l'utilisation des cartes de crédit, l'analyse du marché boursier, la classification des séquences d'ADN, la reconnaissance de la parole et du langage écrit, les jeux et la robotique.
Les différents algorithmes d'apprentissage automatique sont regroupés dans une taxonomie en fonction de leur sortie.
Certains types d'algorithmes sont:
Apprentissage supervisé
L'algorithme produit une fonction qui établit une correspondance entre les entrées et les sorties souhaitées du système. Un exemple de ce type d'algorithme est le problème de classification, où le système d'apprentissage essaie d'étiqueter (classer) une série de vecteurs en utilisant une parmi plusieurs catégories (classes). La base de connaissances du système est constituée d'exemples d'étiquetage précédents. Ce type d'apprentissage peut devenir très utile dans les problèmes de recherche biologique, biologie computationnelle et bioinformatique.
Apprentissage non supervisé
Tout le processus de modélisation se déroule sur un ensemble d'exemples constitué uniquement des entrées au système. On ne dispose d'aucune information sur les catégories de ces exemples. Par conséquent, dans ce cas, le système doit être capable de reconnaître des motifs afin de pouvoir étiqueter les nouvelles entrées.
Apprentissage semi-supervisé
Ce type d'algorithmes combine les deux algorithmes précédents pour pouvoir classer correctement. On prend en compte les données marquées et non marquées.
Apprentissage par renforcement
L'algorithme apprend en observant le monde qui l'entoure. Ses informations d'entrée sont un retour qu'il obtient du monde extérieur en réponse à ses actions. Par conséquent, le système apprend par essais et erreurs.
Transduction
Comparable à l'apprentissage supervisé, mais ne construit pas explicitement une fonction. Il tente de prédire les catégories des exemples futurs en se basant sur les exemples d'entrée, leurs catégories respectives et les nouveaux exemples pour le système.
Réseaux hybrides
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