Introducción al paradigma de la inteligencia computacional José Edinson Aedo Cobo

1. Introducción al paradigma de la inteligencia computacional José Edinson Aedo Cobo Depto. de Ing. Electrónica. E-mail: joseaedo@udea.edu.co

2. Introducción • “Un sistema inteligente” sería aquel que posee una habilidad parecida al ser humano para resolver problemas dentro de un dominio específico, tiene capacidad para adaptarse, aprender en un ambiente cambiante y explicar como se toman las decisiones ( o acciones). • En el último siglo ha existido un interés creciente por la • construcción de máquinas inteligentes. • 1947, Se definió la Cibernética ( Norbert Wiener) • “un estudio unificado del control y de la comunicación • en los animales y las máquinas”.

3. Introducción • 1947, Se definió la Cibernética ( Norbert Wiener) • “un estudio unificado del control y de la comunicación • en los animales y las máquinas”. • La época de la cibernética coincide con el desarrollo de • varios paradigmas: • - Evolución de los computadores analógicos a digitales. • - Teoría formal de la computación ( Alan Turing). • - Computadora basada en lógica digital: John Von Neumann • - Primeros modelos del neuron: McCulloch-Pitts (1943), • perceptron (1957) • - La inteligencia artificial (IA), 1960, John McCarthy

4. Introducción Inteligencia Artificial: “Buscaban definir los métodos algoritmos capaces de hacer pensar a los computadores” Hubo una gran efervescencia en la década del 60, debido A los resultados se pensaba que “conseguiría construir máquinas realmente inteligentes”. Hubo un declive de las otras áreas: la cibernética y la redes neuronales.

5. Introducción 1969, Marvin Minsky, mostró mediante un estudio riguroso formal, limitaciones en los perceptrones para resolver algunos problemas. Esto causó una perdida de confianza en el área de redes neuronales. La Inteligencia Artificial: El ser humano utiliza el lenguaje como medio para razonar y sacar conclusiones. La IA busca de imitar el comportamiento inteligente, tratando de expresarlo en formas de lenguaje o reglas Simbólicas”

6. Introducción La Inteligencia Artificial: “La IA manipula simbolos basandose en la suposición que el Comportamiento inteligente puede ser almacenado en bases de conocimiento estructuradas simbólicamente”. El mayor desarrollo de la IA son los sistemas expertos o Sistemas basados en conocimiento: “Son complejos programas (software) en los que se codifica el conocimiento de expertos en una materia muy concreta en forma de reglas de decisión”. - La IA se sustenta en el binomio: lógica boolena-máquina de Von Neumann.

7. Máquina de Inferencia Pregunta Facilidad de Base de Datos Respuesta Explicación Interface de Usuario Global Usuario (Novato) Hechos KB Reglas Ingeniero de Conocimiento Adquisición de Computador Conocimiento Humano Host Experto etc... Estructura de un sistema experto

8. Introducción • Algunas definiciones de IA: • “AI is the study of agents that exist in an evironment and • perceive and act”. (Russell, Norvig, artificial Intelligence: • a Modern approach, 1995). • “Is the art of making computer do smart things”. • (Waldrop,87). • “AI is a programming style, where programs operate on • data according to rules in order to accomplish goals” • (Tylor, 88).

9. Introducción • Algunas definiciones de IA: • “AI is the acitivitiy of providing such machines as computers with the ability to display behavior that would be regarded as intelligent if were observed in humans”, • (R. McLeod, 79). • La inteligencia computacional (soft computing) tiene • Objetivos similares a la IA, pero ha puesto más énfasis • en metodologías inspiradas biológicamente: modelado del • Cerebro, algoritmos evolutivos, lógica difusa).

10. Introducción • El curso tendrá tres componentes formales: • Algoritmos genéticos. • Las redes neuronales. • Sistemas difusos

11. Introducción a los algoritmos genéticos Evolutionary algorithms are stochastic search methods that mimic the metaphor of natural biological evolution

12. Introducción a los algoritmos genéticos

13. Introducción a la redes neuronales • Desde le punto de vista físico en el cerebro el procesamiento de la información se efectúa a través de la auto-organización de millones de procesadores elementales. • Estudiaremos en este módulo: • La estructura de la neurona biológica básica. • Los modelos de las neuronas artificiales simples. • Arquitecturas en red (de neuronas). • Aplicaciones prácticas de las redes neuronales.

14. Introducción a la redes neuronales Cerebro Computador .

15. Introducción a la redes neuronales La estructura de la neurona biológica básica Soma: 10-80 micrómetros. Axón: 100 micras – a metros (“nervios”) soma axón dendritas

16. Introducción a la redes neuronales • Tipos de neuronas: • Interneuronas, envían información a otras neuronas. • Motoras: entregan la información directamente a los • músculos. • Receptoras o sensoras: reciben la información • directamente del medio externo.

17. Introducción a la redes neuronales • Transmisión de la información nerviosa: • El potencial en la soma se controla por concentraciones de • iones tales como: Na+, K+, Ca2+ y P2- • El voltaje de reposo de la neurona es de aprox. 60 mV. • La soma integras (suma) las excitaciones que entran por • las dendritas. • Cuando pasa el umbral de -40 mV se genera el potencial de • acción. • típicamente la frecuencia de disparo oscila entre 1-100P/s

18. Introducción a la redes neuronales • Estructura de una rede neuronal: • Imitan la estructura de las rede neuronales biológicas. • Es un sistema que procesa la información de forma • paralela, distribuida y es adaptativo. • Son redundante y tolerantes a fallas.

19. Introducción a la redes neuronales • Estructura de una rede neuronal: • Un sistema neuronal o conexionista (Rumelhart y J. L. McClelland) está compuesto por los siguientes elementos: • Una arquitectura ( un patrón de conectividad). • Un conjunto de procesadores elementales (neuronas). • Una dinámica de activaciones. • Una dinámica de aprendizaje (regla de aprendizaje). • Un entorno en el cual opera.

20. Introducción a los sistemas difusos Introducción Los sistemas difusos son utilizado en muchos campos de la ingeniería. Hacen del parte del área se que se ha denominado softcomputing. Lotfi A. Zadeh (1992): “Soft computing is an emerging approach to computing which parallels the remarkable ability of the human mind to reason and learn in an environment of uncertainty and imprecision”.

21. Introducción a los sistemas difusos Inteligencia computacional: Softcomputing cubre en algunos paradigmas recientes: - Redes neuronales. - Lógica difusa y sistemas basados en razonamiento difuso. - Técnicas de optimización basadas en algoritmos genéticos y re-cocimiento simulado.

22. Introducción a los sistemas difusos Los sistemas difusos: Han sido desarrolladas buscando modelar la forma como el cerebro manipula información imprecisa. La redes neuronales: Son modeladas a partir de la arquitectura física del cerebro.

23. Introducción a los sistemas difusos • Los sistemas difusos y las redes neuronales: • Estimadores libres de modelos. • Sistemas dinámicos. • Ambos tienen la capacidad de modelar procesos no • lineales complejos con un grado arbitrario de exactitud. • Son tecnologías complementarias: • Sistemas difusos con habilidades de aprendizaje. • Redes neuronales con una estructura determinada por la forma y el proceso de razonamiento propio de las reglas difusas “If-then”.

24. Introducción a los sistemas difusos • Los sistemas difusos y las redes neuronales • Redes neuronales: • Realizan un mapeo no lineal de entrada-salida. • Poseen la capacidad de generalización. • Tienen la propiedad de la “adaptabilidad”. • Son tolerantes a fallas. • Tienen habilidad de aprendizaje.

25. Introducción a los sistemas difusos • La fusión de las dos tecnologías produce sistemas con diferentes características: • Sistemas neurodifusos: Sistemas difusos provistos de • métodos de sintonía propios de las redes neuronales • pero sin alterar su funcionalidad. • Redes neuronales difusas: Conservan las propiedades y • la arquitectura de las redes neuronales y simplemente • se “fuzifican” algunos de sus elementos.

26. Algoritmos Genéticos “The GA is a stochastic global search method that mimics the metaphor of natural biological evolution. GAs operate on a population of potential solutions applying the principle of survival of the fittest to produce (hopefully) better and better approximations to a solution”

27. Algoritmos Genéticos Individuals, or current approximations, are encoded as strings, chromosomes, composed over some alphabet(s), so that the genotypes (chromosome values) are uniquely mapped onto the decision variable (phenotypic) domain. The most commonly used representation in GAs is the binary alphabet {0, 1}

28. Algoritmos Genéticos For example, a problem with two variables, x1 and x2, may be mapped onto the chromosome structure in the following way:

29. Algoritmos Genéticos Having decoded the chromosome representation into the decision variable domain, it is possible to assess the performance, or fitness, of individual members of a population. This is done through an objective function that characterises an individual’s performance in the problem domain. In the natural world this would be an individual’s ability to survive in its present environment.

30. Algoritmos Genéticos Once the individuals have been assigned a fitness value, they can be chosen from the population, with a probability according to their relative fitness, and recombined to produce the next generation.. Genetic operators manipulate the characters (genes) of the chromosomes directly, using the assumption that certain individual’s gene codes, on average, produce fitter individuals.

31. Algoritmos Genéticos The simplest recombination operator is that of single-point crossover. Consider the two parent binary strings:.. Consider the two parent binary strings:

32. Algoritmos Genéticos If an integer position, i, is selected uniformly at random between 1 and the string length, l, minus one [1, l-1], and the genetic information exchanged between the individuals about this point, then two new offspring strings are produced. If the crossover point l = 5 is selected:

33. Algoritmos Genéticos A further genetic operator, called mutation, is then applied to the new chromosomes, again with a set probability, Pm. Mutation causes the individual genetic representation to be changed according to some probabilistic rule. Mutation will cause a single bit to change its state, 0 ⇒ 1 or 1 ⇒ 0. So, for example, mutating the fourth bit of O1 leads to the new string,

34. Algoritmos Genético básico. P(t) es la población en el tiempo t