Inteligencia artificial

Abstract

En este trabajo se estará compartiendo los conocimientos generales adaptados a los modelos de gestión en la inteligencia artificial.

Full text

1"
"
Universidad de Panamá
Facultad de Ingeniería
Licenciatura en Ingeniería en Operaciones Aeroportuaria
Modelo de Gestión Aeroportuaria
Taller N°4
INTELIGENCIA ARTIFICIAL EN MODELOS GERENCIALES
Pertenece a:
Ortega Javier
Profesor: Jorge Martínez
III Ciclo 2°Año
Lunes 26 de octubre del 2020

2"
"
Índice
Introducción…………………………………….............................................................................3
¿Qué es Inteligencia Artificial?........................................................................................................4
Historia de la Inteligencia Artificial………………………………….……………………………5
Tipos de Inteligencia Artificial ventajas y desventaja…………………………………..……5,6,7,8
Técnicas de la inteligencia Artificial y sus aplicaciones……………………………………….8-36
Conceptos…………………………………………………………………………...………...37,38
Conclusiones……………………………………………………….…………………………….39
Recomendaciones………………………………………………………………………..………40
Infografía…………………………………………………………………………………………41

3"
"
Introducción
En el siguiente trabajo se desarrolla los que es la inteligencia artificia un tema de gran importancia
para la humanidad, se presenta como ha sido la historia de la inteligencia artificial y como esta
cuenta con grandes ventajas que la hacen importante para la humanidad y sus desventajas se
presenta lo diferente tipo de inteligencia artificiales que existen el mundo tales como maquinas
reactivas, Memoria limitada, Teoría de la mente, Autoconciencia. La inteligencia con ciertas
técnicas como son la lógica difusa, lingüística computacional, vida artificial, visión artificial,
audición artificial y como estas se aplican.

4"
"
INTELIGENCIA ARTIFICIAL EN MODELOS GERENCIALES
¿QUÉ ES INTELIGENCIA ARTIFICIAL?
Es aquella inteligencia que es realizada por máquinas sofisticadas que agilizan la forma de vida y
de trabajo en cualquier área de trabajo, ya que es un agente muy flexible que percibe su entorno y
lleva a cabo acciones que maximicen sus posibilidades de éxito en algún objetivo o tarea. También
se refiere a una especie de imitación que esta inteligencia adopta por parte de los seres humanos,
permitiéndole realizar ciertas tareas o labores que eviten el riesgo de una pérdida humana.
Hoy en día, la tecnología adoptado y evolucionado de una forma muy impresionante, donde hoy
por hoy se observan industrias totalmente computarizadas que funcionan gracias a programas de
inteligencia artificial, generando una mayor productividad y ganancia a las empresas que adoptan
esta nueva forma de revolucionar sus productos y su forma de producir en masa sus diferentes
productos.
Tenemos ejemplos como lo son las Aeronaves de las diferentes aerolíneas, que cuentan con una
serie de sistemas muy sofisticados que permiten el despegue, el funcionamiento y la seguridad de
la aeronave y de los pasajeros; también se puede hablar sobre muchas industrias a nivel
internacional que producen en masa productos que generan una gran demanda a nivel mundial.

5"
"
HISTORIA DE LA INTELIGENCIA ARTIFICIAL
El término de inteligencia artificial fue acuñado formalmente en 1956 durante la conferencia de
Dartmouth, pero para entonces ya se había estado trabajando en ello durante cinco años en los
cuales se había propuesto muchas definiciones distintas que en ningún caso habían logrado ser
aceptadas totalmente por la comunidad investigadora. La IA es una de las disciplinas más nuevas
junto con la genética moderna.
Se basaron también en los antiguos griegos como lo fue Aristóteles, donde implementó diferentes
reglas que describen como es el funcionamiento real de la mente para así poder obtener resultados
racionales. En 1315 Ramon Llull en su libro “Ars Magnatuvo”, la idea de que el razonamiento
podía ser efectuado de manera artificial.
TIPOS DE INTELIGENCIA ARTIFICIAL
ü Máquinas reactivas: Los tipos más básicos de sistemas de IA son puramente reactivos. No
pueden utilizar experiencias pasadas en las que basar las decisiones actuales. Deep
Blue fue una supercomputadora creada por IBM. Fue capaz de vencer al ajedrez al gran
maestro internacional Garry Kasparov. Ocurrió a fines de la década de 1990 y es el ejemplo
perfecto de este tipo de máquina.
Puede identificar las piezas en un tablero de ajedrez y saber cómo se mueve cada una.
Puede realizar predicciones sobre los mejores movimientos
Ventajas: puede llegar a formular especies de patrones para poder realizar una jugada y
analizar probables movimientos como lo fue en el ajedrez

6"
"
Desventajas: no tienen la capacidad de formar recuerdos como una persona normal.
ü Memoria limitada: maneja máquinas que pueden mirar hacia el pasado. Los vehículos
autónomos ya hacen algo parecido. Por ejemplo, observan la velocidad y dirección de otros
autos. Para que funcionen así hay que identificar objetos específicos y monitorearlos a lo
largo del tiempo. Pero estas simples piezas de información sobre el pasado son solo
transitorias. No se guardan como parte de la biblioteca de experiencias del automóvil.
Ventajas: pueden llegar a brindar seguridad al conductor del automóvil, resguardando su
seguridad haciendo un conocimiento general de lo que lo rodea.
Desventajas: no se pueden recopilar recuerdos o experiencia de años anteriores.
ü Teoría de la mente: Llegamos a un punto en el que nos acercamos más a los tipos de
inteligencia artificial que deseamos en un futuro. Las máquinas de la siguiente clase son

7"
"
más avanzadas. No solo forman representaciones sobre el mundo, también sobre otros
agentes o entidades.
En psicología, esto se denomina ‘teoría de la mente’. Implica la comprensión de que las
personas, las criaturas y los objetos en el mundo pueden tener pensamientos y emociones
que afectan a su propio comportamiento.
Ventajas: se puede llegar a formar una convivencia o interacción con los humanos en una
sociedad completamente artificial.
Desventajas: pueden llegar a perder los pensamientos o la cordura y adoptar un
comportamiento no muy amable, donde sus respuestas a la inteligencia serán nulas.
ü Autoconciencia: El paso final del desarrollo de la IA es construir sistemas que puedan
formar representaciones sobre sí mismos. En última instancia, los investigadores de la IA
tendrán que comprender no solo la conciencia, sino también construir máquinas que la
tengan.
Los seres conscientes son conscientes de sí mismos, conocen sus estados internos y pueden
predecir los sentimientos de los demás. Es probable que estemos lejos de crear máquinas
que sean conscientes de sí mismas. Sin embargo, los esfuerzos se enfocan hacia la
comprensión de la memoria, el aprendizaje y la capacidad de basar las decisiones en
experiencias pasadas.
Ventajas: llegar a crear una simulación de sí mismo, formándolo a base de las
características ya sean físicas o emocionales de cualquier ser humano; es aquella conexión
con sí mismo a través de la inteligencia artificial.

8"
"
Desventajas: el reto se basaba en el entendimiento y el comportamiento del ser humano.
TÉCNICAS DE LA INTELIGENCIA ARTIFICIAL Y SUS APLICACIONES
• APRENDIZAJE AUTOMATIZADO (MACHINE LEARNING)
Es el área de la ciencia computacional que se centra en el análisis y la interpretación de patrones y
estructuras de datos que hacen posible el aprendizaje, el razonamiento y la toma de decisiones sin
interacción humana. Dicho de otro modo, el aprendizaje automático permite que el usuario
alimente un algoritmo informático con una cantidad ingente de datos, a partir de los cuales el
ordenador analice toda la información y sea capaz de tomar decisiones y hacer recomendaciones
basándose únicamente en los datos introducidos. En el caso de identificar correcciones, el
algoritmo puede incorporar esa información para mejorar la toma de decisiones futura.
El Machine Learning es de gran ayuda para modelar y recopilar conocimiento, con la finalidad de
facilitar información específica y para la elaboración de mejores herramientas de trabajo para las
personas. Durante los próximos años, se prevé que el uso de algoritmos serán un factor importante
en la profesionalidad y la competitividad.
Los principales tipos de Machine Learning:

9"
"
ü Aprendizaje supervisado: se basa en la información de entrenamiento. Es donde se le
proporciona cierta cantidad de datos definiendo con etiquetas dichos datos, de manera
que el sistema se vaya entrenado. Ejemplo: se proporciona a la computadora imágenes
de gatos o perros con etiquetas que los definan como tales. Al introducir la cantidad
suficiente de estos datos, sin necesidad de utilizar etiquetas se pueden introducir nuevos
datos, basándose en varios patrones que durante su entrenamiento ha registrado. Este
sistema se le llama clasificación.
ü Aprendizaje no supervisado: las etiquetas o valores verdaderos no son utilizados en
este tipo de aprendizaje. Ya que, en este caso, la finalidad de este sistema es la de la
abstracción y comprensión de patrones de información de modo directo. Se trata de un
método de entrenamiento similar a la forma en que procesa la información un ser
humano. También es conocido como un modelo de problema (clustering).
ü Aprendizaje semisupervisado: en este tipo de aprendizaje, se toman en cuenta los datos
supervisados y no supervisados, combinando los dos anteriores para que pueda
clasificar de manera adecuada.
ü Aprendizaje por refuerzo: a partir de la experiencia, los sistemas aprenden con este
modelo de aprendizaje. Donde existe un sistema de castigos y premios, y el vehículo
se ve forzado a desarrollar un aprendizaje efectivo de hacer sus tareas. Se trata de una
técnica que se basa en el error y la prueba, optimizando el comportamiento del sistema,
utilizando funciones de premio. Para la Inteligencia Artificial es una forma muy
interesante de aprendizaje, ya que no requiere introducción de información en gran
cantidad.
ü Transducción: este sistema es muy similar al aprendizaje supervisado, aunque no
construye una función de manera clara, solo trata de predecir variedades de ejemplos
futuros.
ü Aprendizaje multitarea: son los métodos de aprendizaje que emplean previamente
conocimiento aprendido por el sistema, donde están propensos a enfrentarse a diversos
problemas.
La aplicación:
ü Detección de fraude en transacciones.
ü Disminución de errores en la producción mediante sistemas de Visión Artificial

10"
"
ü Lograr predecir fallos en los equipos tecnológicos.
ü Pronosticar que trabajadores o empleados serán rentables el año próximo.
ü Basándose en comportamientos en redes sociales y en la web, selecciona clientes
potenciales.
ü Lograr predecir el tráfico urbano.
ü Encontrar el momento indicado para actualizar Facebook, publicar twits o enviar
newsletter.
ü Prediagnóstico enfermedades a un paciente basándose en sus síntomas.
ü Controlar la producción en aplicaciones para la Industria 4.0
ü El comportamiento de una aplicación móvil puede cambiarse para que se adapte a las
necesidades de cada usuario.
ü Detección de instrucciones en una red de comunicaciones de datos.
ü Decidir el mejor horario para llamar a un cliente.
• LA INGENIERÍA DEL CONOCIMIENTO
es un campo de la inteligencia artificial (IA) que crea reglas para aplicar a los datos para imitar el
proceso de pensamiento de un experto humano. Examina la estructura de una tarea o una decisión
para identificar cómo se llega a una conclusión. Una biblioteca de métodos de resolución de
problemas y el conocimiento colateral utilizado para cada uno se puede crear y servir como
problemas para ser diagnosticados por el sistema. El software resultante podría ayudar en el

11"
"
diagnóstico, la resolución de problemas y la resolución de problemas, ya sea por sí solo o en una
función de apoyo a un agente humano.
Aplicaciones:
ü Sistemas de tiempo real de planta nucleares
ü Sistemas de monitorización de planta química
ü Sistema de diseño de microcircuito
ü Sistema de diseño de puentes
ü Control de trafico
ü Sistemas de interpretación de terrenos
ü Sistemas supervisor
ü Procesos industriales
Control de tráfico Sistemas de monitorización de planta química
• LÓGICA DIFUSA
Aplicaciones generales: La lógica difusa se utiliza cuando la complejidad del proceso en cuestión
es muy alta y no existen modelos matemáticos precisos, para procesos altamente no lineales y
cuando se envuelven definiciones y conocimiento no estrictamente definido (impreciso o
subjetivo).
En cambio, no es una buena idea usarla cuando algún modelo matemático ya soluciona
eficientemente el problema, cuando los problemas son lineales o cuando no tienen solución.

12"
"
Esta técnica se ha empleado con bastante éxito en la industria, principalmente en Japón,
extendiéndose sus aplicaciones a multitud de campos. La primera vez que se usó de forma
importante fue en el metro japonés, con excelentes resultados. Posteriormente se generalizó según
la teoría de la incertidumbre desarrollada por el matemático y economista español Jaume Gil Aluja.
A continuación, se citan algunos ejemplos de su aplicación:
ü Sistemas de control de acondicionadores de aire
ü Sistemas de foco automático en cámaras fotográficas
ü Electrodomésticos familiares (frigoríficos, lavadoras...)
ü Optimización de sistemas de control industriales
ü Sistemas de escritura
ü Mejora en la eficiencia del uso de combustible en motores
ü Sistemas expertos del conocimiento (simular el comportamiento de un experto humano)
ü Tecnología informática
ü Bases de datos difusas: Almacenar y consultar información imprecisa. Para este punto, por
ejemplo, existe el lenguaje FSQL.
ü Y, en general, en la gran mayoría de los sistemas de control que no dependen de un Sí/No.
Sistemas de control de aire acondicionados Electrodomésticos familiares
Lógica difusa en inteligencia artificial: En Inteligencia artificial, la lógica difusa, o lógica borrosa
se utiliza para la resolución de una variedad de problemas, principalmente los relacionados con
control de procesos industriales complejos y sistemas de decisión en general, la resolución y la
compresión de datos. Los sistemas de lógica difusa están también muy extendidos en la tecnología
cotidiana, por ejemplo, en cámaras digitales, sistemas de aire acondicionado, lavarropas, etc. Los
sistemas basados en lógica difusa imitan la forma en que toman decisiones los humanos, con la
ventaja de ser mucho más rápidos. Estos sistemas son generalmente robustos y tolerantes a
imprecisiones y ruidos en los datos de entrada. Algunos lenguajes de programación lógica que han

13"
"
incorporado la lógica difusa serían por ejemplo las diversas implementaciones de Fuzzy PROLOG
o el lenguaje Fril.
Consiste en la aplicación de la lógica difusa con la intención de imitar el razonamiento humano en
la programación de computadoras. Con la lógica convencional, las computadoras pueden
manipular valores estrictamente duales, como verdadero/falso, sí/no o ligado/desligado. En la
lógica difusa, se usan modelos matemáticos para representar nociones subjetivas, como
caliente/tibio/frío, para valores concretos que puedan ser manipuladas por los ordenadores.
La lógica difusa es aplicable en situaciones y/o campos como:
ü Donde hallan procesos muy complejos, en los cuales los modelos matemáticos simples no
son capaces de dar solución a determinados problemas. Por ejemplo, un sistema de riego
el cual funciona a partir del clima del medio ambiente. Este sistema no puede basarse en
clima frio o caliente como lo haría un sistema lógico binario, el cual toma dos estados.
Acá necesitamos tomar en cuenta diferentes estados para dar modelos matemáticos
automatizados que den salidas y/o decisiones factibles.
Para procesos altamente no lineales, ejemplos de estos son:
ü La meteorología
ü La combustión
ü La evolución biológica

14"
"
En el campo de las empresas este tipo de teoría se ha extendido en general a todas las áreas de
decisión, en las que se manejan estimaciones subjetivas basadas en la información disponible y en
su propia experiencia. Por ejemplo:
ü Modelos de decisión utilizados con criterios de optimización
ü Modelo de producción
ü Inventarios
ü Seguros de vida
ü Localización de plantas industriales
ü Selección de carteras
ü Estrategia de entrada a mercados extranjeros
ü Valoración de intangibles en empresas de Internet
Cuando los sistemas funcionan generalmente bien o los modelos matemáticos se pueden diseñar
fácilmente, no hay necesidad de emplear la lógica difusa, puesto que la solución no es tan compleja
como para hacer deducciones del tipo que hacen los seres humanos.
• REDES NEURONALES ARTIFICIALES (ARTIFICIAL NEURAL NET WORKS)
Son un modelo computacional vagamente inspirado en el comportamiento observado en su
homólogo biológico. Consiste en un conjunto de unidades, llamadas neuronas artificiales,
conectadas entre sí para transmitirse señales. La información de entrada atraviesa la red neuronal
(donde se somete a diversas operaciones) produciendo unos valores de salida.
Cada neurona está conectada con otras a través de unos enlaces. En estos enlaces el valor de salida
de la neurona anterior es multiplicado por un valor de peso. Estos pesos en los enlaces pueden

15"
"
incrementar o inhibir el estado de activación de las neuronas adyacentes. Del mismo modo, a la
salida de la neurona, puede existir una función limitadora o umbral, que modifica el valor resultado
o impone un límite que no se debe sobrepasar antes de propagarse a otra neurona. Esta función se
conoce como función de activación.
Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita,
y sobresalen en áreas donde la detección de soluciones o características es difícil de expresar con
la programación convencional. Para realizar este aprendizaje automático, normalmente, se intenta
minimizar una función de pérdida que evalúa la red en su total. Los valores de los pesos de las
neuronas se van actualizando buscando reducir el valor de la función de pérdida. Este proceso se
realiza mediante la propagación hacia atrás.
El objetivo de la red neuronal es resolver los problemas de la misma manera que el cerebro
humano, aunque las redes neuronales son más abstractas. Las redes neuronales actuales suelen
contener desde unos miles a unos pocos millones de unidades neuronales.
Tipos de redes neuronales
Perceptrón: La red neuronal en su forma original y más sencilla es una red de una sola neurona
que se modifica mediante ponderaciones y según su valor de umbral. El término perceptrón se usa
actualmente también para designar redes prealimentadas (feedforward) de una sola capa.
Redes feedforward o prealimentadas: Este artificial neural net Works solo pueden transmitir
información en una dirección. Puede tratarse de redes de una sola capa (de entrada, o de salida) o
de más de una, con varias capas ocultas (hidden layers).
Redes neuronales recurrentes: En las redes recurrentes, la información puede recorrer también
ciclos de feedback, volviendo atrás a través de las capas. La retroalimentación permite que el
sistema desarrolle una memoria. Este tipo de redes se usan, por ejemplo, para el reconocimiento
de voz, la traducción y el reconocimiento de texto manuscrito.

16"
"
Redes neuronales convulsiónales: Estas redes son una subcategoría de las redes de muchas capas;
en concreto, han de tener al menos cinco. En cada una de ellas se realiza un reconocimiento de
patrones cuyo resultado se transmite a la siguiente capa. Este tipo de redes neuronales se usa para
reconocer imágenes
Algunas de las aplicaciones generales de las redes neuronales artificiales son:
ü Sistemas inteligentes para la toma de decisiones en la gestión empresarial.
ü Predicción.
ü Reconocimiento de tendencias.
ü Reconocimiento de patrones y gestión de riesgo, aplicados por ejemplo en la detección
de fraude.
ü Artefactos inteligentes con capacidad de aprendizaje, por ejemplo, los homepods o
altavoces inteligentes.
ü Hogar inteligente o domótica.
ü Sistemas de visión computacional y detección.
ü Vehículos autónomos y energías renovables.
ü Finanzas:
ü Previsión de la evolución de los precios.
ü Valoración del riesgo de los créditos.
ü Identificación de falsificaciones.
ü Interpretación de firmas
Reconocimiento de patrones y gestión de riesgo Hogar inteligente o domótica.
• SISTEMAS REACTIVOS (REACTIVE SYSTEMS)
Se mantienen en una continua interacción con su entorno, respondiendo ante los estímulos externos
en función de su estado interno. Esto causa que su comportamiento sea complejo de analizar y

17"
"
muy sujeto a errores. Muchos de estos errores pueden causar problemas de seguridad, por lo que
a menudo los sistemas reactivos son también sistemas críticos.
Entre los formalismos utilizados para especificación de sistemas en tiempo real y sistemas
reactivos destacan los métodos estructurados. Son métodos operacionales que tienen amplia
difusión en la industria por ser gráficos, fáciles de aprender, de utilizar y de revisar.
• SISTEMAS MULTIAGENTES (MULTI-AGENT SYSTEMS)
Es un sistema compuesto por múltiples agentes inteligentes que interactúan entre ellos. Los
sistemas multi-agente pueden ser utilizados para resolver problemas que son difíciles o imposibles
de resolver para un agente individual o un sistema monolítico. Sus principales sistemas están
enfocados en áreas como el comercio, la economía y el bienestar de ciertas cuentas.
• SISTEMAS BASADOS EN REGLAS (RULE-BASED SYSTEMS)
Ttrabajan mediante la aplicación de reglas, comparación de resultados y aplicación de las nuevas
reglas basadas en situación modificada. También pueden trabajar por inferencia lógica dirigida,
bien empezando con una evidencia inicial en una determinada situación y dirigiéndose hacia la
obtención de una solución, o bien con hipótesis sobre las posibles soluciones y volviendo hacia

18"
"
atrás para encontrar una evidencia existente o una deducción de una evidencia existente que apoye
una hipótesis en particular
• RAZONAMIENTO BASADO EN CASOS (CASE-BASED REASONING)
Es el proceso de solucionar nuevos problemas basándose en las soluciones de problemas
anteriores. Un mecánico de automóviles que repara un motor porque recordó que otro coche
presentaba los mismos síntomas está usando razonamiento basado en casos. Un abogado que apela
a precedentes legales para defender alguna causa está usando razonamiento basado en casos.
También un ingeniero cuando copia elementos de la naturaleza, está tratando a esta como una base
de datos de soluciones. El razonamiento basado en casos es una manera de razonar haciendo
analogías.
• SISTEMAS EXPERTOS (EXPERT SYSTEMS)
Son sistemas basados en computadoras, interactivos y confiables, que pueden tomar decisiones y
resolver problemas complejos. La toma de decisiones se considera el más alto nivel de inteligencia
y experiencia humana.
La IA simula estos procesos y cuando hablamos de sistemas expertos nos referimos a la resolución
de los problemas más complejos en un dominio específico.
En otras palabras, el software de IA tiene el suficiente conocimiento almacenado como para
resolver problemas complejos que solo un experto humano podría resolver.

19"
"
Pero estos sistemas también son capaces de expresar y razonar una idea sobre algún dominio del
conocimiento. Los sistemas expertos fueron los antecesores de los sistemas actuales de inteligencia
artificial, aprendizaje profundo y aprendizaje automático.
Por otro lado, los sistemas expertos se identifican a través de una variedad de características como
por ejemplo el alto nivel de experiencia que proporciona eficiencia, precisión y resolución
imaginativa de problemas. Además, reacciona a tiempo justo, es decir, interactúa en un período de
tiempo muy razonable con el usuario.
Los sistemas expertos son operadores confiables que no deben emitir ningún tipo de error.
Además, son muy flexibles y el mecanismo de compilación de información es muy efectivo.
Finalmente, un sistema experto es capaz de manejar problemas y decisiones desafiantes. De esa
manera, brinda las soluciones más concisas
En cuanto a las aplicaciones de estos sistemas expertos, algunas de las más populares son:
ü Gestión de la información.
ü Hospitales e instalaciones médicas.
ü Gestión de servicios de ayuda.
ü Evaluación del desempeño de los empleados.
ü Análisis de préstamos.
ü Detección de virus.
ü Útil para proyectos de reparación y mantenimiento.
ü Optimización de almacenes.
ü Planificación y programación.
ü La configuración de objetos fabricados.
ü Toma de decisiones financieras Publicación de conocimiento.
ü Monitorización y control de procesos.
ü Supervisar el funcionamiento de la planta y el controlador.
ü Bolsa de comercio.
ü Horarios de aerolínea y horarios de carga.

20"
"
• REDES BAYESIANAS (BAYESIAN NETWORKS)
Las redes bayesianas por definición son un modelo gráfico probabilístico que representan un
conjunto de variables aleatorias y sus dependencias condicionales a través de un gráfico acíclico
dirigido.
Para poder entender las redes bayesianas, es necesario definir que un Gráfico Acíclico Dirigido es
un grafo dirigido que no tiene ciclos. Esto significa que no hay un camino definido que comience
y termine en el mismo punto. Esto se puede ver como una calle de un solo sentido, puedes ir, pero
no regresar. Son utilizados en modelos donde no tiene sentido que una opción o vértice tenga
camino directo a él mismo.
Estas redes surgen como una forma de razonar bajo incertidumbre, un factor que predomina en los
problemas reales. Uno de sus primeros campos de aplicación fue en el diagnóstico de
enfermedades. Como sabemos, no hay síntomas que sean estrictamente lógicos, es decir, no se
puede afirmar que una persona tiene una enfermedad con sólo saber un síntoma x. Por lo tanto, los
investigadores empezaron a usar relaciones probabilísticas para intentar construir los primeros
programas. Sin embargo, generalmente el cálculo de las mismas es complejo, y deriva en
problemas de tiempo no polinomial. Las redes bayesianas, al representar relaciones directas,
reducen el número de operaciones de forma considerable, y por lo tanto permiten resolver y
modelar problemas como el de diagnóstico.
Las redes bayesianas tienen multitud de aplicaciones, como:
- Sistemas de decisión
- Diagnóstico
- Clasificación de documentos, imágenes, etc.

21"
"
- Bioinformática
- Interacción hombre-maquina
En las distintas secciones de este apartado detallaremos diversas aplicaciones donde han sido
utilizadas.
• VIDA ARTIFICIAL (ARTIFICIAL LIFE)
La vida artificial es un campo de investigación que tiene como objeto de estudio la investigación
de la vida y los sistemas artificiales que exhiben propiedades similares a los seres vivos, a través
de modelos de simulación. El científico Christopher Langton fue el primero en utilizar el término
a fines de la década de 1980 cuando se celebró la "Primera Conferencia Internacional de la Síntesis
y Simulación de Sistemas Vivientes" (también conocido como Vida Artificial I) en Laboratorio
Nacional de Los Álamos en 1987. Existen tres tipos principales de vida artificial, nombrados de
acuerdo a su enfoque: soft, con un enfoque en el software; hard, con un enfoque en el hardware; y
web, con un enfoque en la bioquímica.
El área de vida artificial es un punto de encuentro para gente de otras áreas más tradicionales como
lingüística, física, matemáticas, filosofía, psicología, ciencias de la computación, biología,
antropología y sociología en las que sería inusual que se discutieran enfoques teóricos y
computacionales.
Las aplicaciones de la vida artificial se pueden encontrar en alguno de estos casos:
Los sistemas complejos adaptativos, que han dado pasaron a una nueva generación de sistemas
expertos, que son capaces de aprender y evolucionar.

22"
"
Los autómatas celulares, que imitan funciones de los organismos celulares en programas
complejos, aplicando el conocimiento biológico de los mismos a principios prácticos de
organización en sistemas de cómputo.
Los agentes autónomos, que son cada día más usados en aplicaciones de búsqueda.
En el conocimiento de comportamientos adaptativos, para el desarrollo de robots adaptativos. En
algunos campos de aplicación de la vida artificial se plantean dos tipos de simulaciones, basadas
en el mundo real, las cuales ayudan a la toma de decisiones. Estas son:
La primera de ellas, se centra en los aspectos de "más alto nivel" en cada problema, utilizando
fórmulas y reglas, o hechos históricos, que ayudan a la toma de decisiones. Un ejemplo de esto
pueden ser las fórmulas del tiro parabólico, ya que estas pueden entenderse como modelos de
simulación.
La segunda pone atención en los aspectos de "más bajo nivel", mediante fórmulas o reglas. Una
de las ventajas de este tipo de simulaciones es que sus características son más sencillas, ya que
suelen ser más fáciles de detectar los aspectos de bajo nivel que aquellos de alto nivel.
• TÉCNICAS DE REPRESENTACIÓN DE CONOCIMIENTO
Representar el conocimiento en Inteligencia Artificial es el proceso de transformación de éste a un
dominio o un lenguaje simbólico para ser procesado en un computador.
Cuyo objetivo fundamental es representar el conocimiento de una manera que facilite la inferencia
(sacar conclusiones) a partir de dicho conocimiento. Analiza cómo pensar formalmente cómo usar
un sistema de símbolos para representar un dominio del discurso (aquello de lo que se puede
hablar), junto con funciones que permitan inferir (realizar un razonamiento formal) sobre los
objetos.

23"
"
Es un sistema que sirve para analizar el modo de pensamiento de manera formal. Se usa un entorno
de símbolos para la representación de un dominio de discurso, junto a las funciones que puedan
inferir sobre los objetos procesados.
• REDES SEMÁNTICAS (SEMANTIC NETWORKS) Y FRAMES
El tema de las redes semánticas como tal se origina a principios de la década de 1960, pero su
origen se puede rastrear a las gráficas existenciales en 1896 propuestas por Charles Pierce. Es
importante destacar que aquellas cosas que pueden ser representadas por redes semánticas también
pueden serlo mediante lógica de primer orden, por lo cual la elección del lenguaje se basa en otros
parámetros que el poder expresivo del mismo, como ser la claridad de lo expresado para un lector
humano. Hay que hacer la salvedad de que las redes semánticas tiene un poder expresivo limitado,
pero se puede ampliar la notación para aumentar dicho poder expresivo. Por lo tanto, es
perfectamente posible (y de hecho hay ejemplos) que un sistema pueda mostrar su conocimiento
en lógica y en frames dependiendo de las necesidades particulares del caso. Las diferencias entre
redes semánticas y frames es pequeña por lo cual podemos estudiar lo esencial de ambas como
una unidad.
Los sistemas de frames y redes semánticas se basan en la representación de categorías (clases) de
objetos y sus relaciones. Dicha representación se realiza en forma de grafo donde los nodos son
clases (o instancia de dichas clases) y los ejes relaciones.
La definición de clase e instancia es similar a la dada en la orientación a objetos, una clase
representa una categoría de objetos, como ser mamíferos, gatos, animales, casas, carteros, nubes,
etc. Las clases contienen entonces las características comunes a un grupo de objetos sin designar
ninguno en particular. Los elementos que comparten las características comunes de una clase se
dicen instancias de la misma. De esta manera Tom es una instancia de Gatos. La representación
de esta afirmación mediante redes semánticas se ve en el siguiente diagrama:

24"
"
La relación instancia de es representada mediante un arco y los nodos representan por un lado
categorías de objetos (Gatos) y por otro los objetos específicos (Tom). Es importante notar que es
fundamental definir claramente la semántica del lenguaje. Definir qué significa un nodo y qué
significa un eje. Del ejemplo anterior, del gato Tom, podemos deducir que la teoría de conjuntos
es una herramienta útil para comenzar a definir la semántica de los sistemas de frames y redes
semánticas. La relación de instancia es equivalente a la relación miembro de la teoría de conjuntos.
También podemos decir que los gatos son subconjuntos de los mamíferos.
Las relaciones de la teoría de conjuntos subconjunto y miembro no bastan y son necesarias por lo
menos tres relaciones más formando entonces un total de cinco relaciones o vínculos para las redes
semánticas. Una nos debe permitir establecer cierta relación R entre nodos A y B (ejemplo Tom
tiene 4 años, donde Tom es A, R es la edad y 4 sería B). Otra nos debe permitir establecer que para
todos los elementos de un conjunto A se cumple R con B (por ejemplo: A los elefantes, R la
cantidad de trompas y B el número 1). Finalmente, que una relación R se cumple para todos los
elementos de A con al menos un elemento de B.
Veamos un cuadro con las cinco relaciones (notamos diferente a R para representar distintas
semánticas):
La forma de inferir en una red semántica es mediante el seguimiento de los vínculos que forma la
herencia. En la red semántica de la figura se puede inferir la cantidad de patas de Tom mediante

25"
"
el seguimiento de los vínculos, miembro, cant_patas, de lo que se deduce que Tom tiene cuatro
patas. Este mecanismo es llamado herencia. Es posible expresar la red semántica en lógica, y
utilizar la inferencia lógica para deducir lo mismo: que Tom tiene cuatro patas. Pero existe una
diferencia de implementación en lo que hace a los algoritmos para realizar inferencia en redes
semánticas, ya que éstas utilizan en general algoritmos específicos de grafos.
Las redes semánticas así definidas tienen un muy limitado poder de inferencia, sólo la herencia de
propiedades. Los frames nos permiten ampliar la red semántica creando una red de frames, que
puede gráficamente visualizarse como una red semántica. Un frame o marco es una entidad que
almacena toda la información relativa a un concepto particular. Por ejemplo, veamos un sistema
de frames para representar a la red semántica anterior:
ü Mamíferos:
ü subclase: Animal
ü tiene: cabeza
ü Gatos
ü subclase: Mamíferos
ü cant_patas: 4
ü Perros
ü subclase: Mamíferos
ü Tom
ü Instancia: Gatos
Utilizamos indistintamente la relación subclase y subconjunto y la relación miembro e instancia.
El sistema de frames cuenta con cuatro frames: Mamíferos, Gatos, Perros y Tom, cada simple
frame representa un objeto. En los frames se ubican las propiedades de dichos objetos (ej.
cant_patas en Gatos) que son llamadas slots. Los slots que representan la relación de subclase o

26"
"
instancia permiten establecer la herencia. La transformación de una red semántica en un sistema
de frames es sencilla, los nodos se transforman en frames y los ejes en slots mientras que el nodo
del otro lado del eje es el valor del slot.
Las clasificaciones y taxonomías contienen muchas excepciones. ¿Qué pasaría si a Tom le faltara
una pata? Evidentemente, la inferencia de que Tom tiene cuatro patas es falsa. Se necesita de un
mecanismo que permita manejar la excepción. Se debe entonces modificar el significado de las
relaciones. Una relación R de A y B indica R (A, B) a menos que exista una A’ tal que se cumpla
R (A’, B’). Es decir, que las relaciones toman el significado de valores por defecto u omisión. En
el caso de Tom con tres patas habría que agregar un slot en Tom indicando cant_patas igual a tres.
El frame de Tom quedaría:
ü Gatos
ü subclase: Mamíferos
ü *cant_patas: 4
ü Tom:
ü Instancia: Gato
ü cant_patas: 3
Los sistemas de frames permiten especificar tanto los valores por defecto como sobrescribir dichos
valores. El asterisco indicaría slots cuyos valores pueden ser sobrescritos. Los frames heredan las
propiedades de sus padres salvo el caso en que exista una propiedad en conflicto con una heredada.
En este caso la propiedad del frame es la que se toma como válida.
En los ejemplos vistos hasta aquí cada frame tenía un solo padre. En este caso se dice que existe
herencia simple, pero cabe la posibilidad de que un frame herede de más de un padre en cuyo caso
se dice que hay herencia múltiple. Los objetos heredan de todos sus padres. Siguiendo con el
ejemplo de Tom supongamos un frame que represente a los animales domésticos en ese caso Tom
es un Gato y también un animal doméstico. Veamos entonces como serían la red semántica y los
frames.

27"
"
ü Gatos
ü subclase: Mamíferos
ü *cant_patas: 4
ü Animal Doméstico:
ü subclase: Animal
ü Tom:
ü Instancia: Gato
ü Instancia: Animal Domestico
ü cant_patas: 3
Es importante notar que la herencia múltiple puede en algunos casos provocar un conflicto cuando
dos propiedades del mismo tipo son heredadas desde distintos padres. Supongamos que decimos
que los animales domésticos se alimentan de comida balanceada y los gatos de ratones, claramente
en Tom el slot alimento debe elegir alguno de los dos valores, una alternativa es sobrescribirlo en
Tom, otra es crear un frame (o nodo) intermedio que resuelva el conflicto.
No todo puede ser fácilmente representado por un sistema de frames, es muy complicado
especificar la negación y la disyunción. Pero, aun así, es la representación mediante redes
semánticas y frames son claras, simples y de fácil lectura.
• VISIÓN ARTIFICIAL
La visión artificial, también conocida como visión por computadora (del inglés computer visión)
o visión técnica, es una disciplina científica que incluye métodos para adquirir, procesar, analizar
y comprender las imágenes del mundo real con el fin de producir información numérica o
simbólica para que puedan ser tratados por un ordenador. Tal y como los humanos usamos nuestros
ojos y cerebros para comprender el mundo que nos rodea, la visión artificial trata de producir el
mismo efecto para que los ordenadores puedan percibir y comprender una imagen o secuencia de

28"
"
imágenes y actuar según convenga en una determinada situación. Esta comprensión se consigue
gracias a distintos campos como la geometría, la estadística, la física y otras disciplinas. La
adquisición de los datos se consigue por varios medios como secuencias de imágenes, vistas desde
varias cámaras de video o datos multidimensionales desde un escáner médico.
Aplicaciones
1. Visión artificial para la Detección de defectos
Se trata de quizás la aplicación más habitual de la visión artificial. Hasta ahora la detección de
defectos la realizan personas entrenadas en lotes seleccionados, y no suele ser posible el control
total de la producción. Con la visión artificial podemos detectar defectos como: rajas en metales,
defectos de pintura, malas impresiones etc.
2. Visión artificial para la Metrología
Es otra de las reinas de las aplicaciones. Lo que hasta ahora se venía realizando con complejos
equipos de metrología láser o palpadores, se puede medir ahora utilizando la visión artificial. En
esta aplicación la clave es realizar un buen ajuste de la referencia para poder medir con la precisión
necesaria, y, sobre todo, utilizar la iluminación adecuada para cada tipo de material y ambiente de
trabajo.
3. Visión artificial para la Detección de intrusos
A través de cámaras hiperespectrales es posible diferenciar entre una fruta y una piedra, lo que
permite, sobre todo en alimentación, que los productos sean más seguros para el consumidor. Las
cámaras hiperespectrales que, al fin y al cabo, son un tipo de visión artificial, son capaces de
diferenciar el tipo de material a través de la medida que hacen de la longitud de onda.
4. Visión artificial para la Verificación de montajes
Cada día se realizan montajes más y más complejos, con más piezas o conexionados. La visión
artificial nos permite comprobar, paso a paso, que cada pieza está en su lugar, o al final del proceso,
que el montaje final es correcto.
5. Visión artificial para la Lector de pantallas

29"
"
En algunas ocasiones no es posible extraer datos de una pantalla de visualización bien porque es
un sistema cerrado de proveedor o porque dicho sistema es incompatible con el nuestro.
• AUDICIÓN ARTIFICIAL
El oído es uno de los órganos al que menos le prestamos atención y al que menos escuchamos
porque, aunque dejemos de oír bien, no le damos la importancia debida como lo hacemos con la
vista, que cuando empieza a fallar, acudimos de inmediato al especialista, y si necesitamos lentes,
los mandamos hacer el mismo día o en la misma semana. El oído artificial es un sistema capaz de
simular el trabajo que realiza el sistema receptor auditivo y de producir la respuesta del nervio
auditivo cuando se enfrenta a cualquier estimulo.
Se debe tener en cuenta que el oído artificial no cumple el papel del cerebro es decir su control no
es independiente, su función es de codificar los sonidos en pulsos eléctricos ayudándose de un
determinado código que emplearía un oído común.
Otro interesante modelo de intentar reemplazar al oído humano es mediante el uso de una
impresora 3D común y corriente; el oído biónico creado a base de este tipo de estructura es capaz
de percibir sonidos que el oído humano no puede hacerlo se ha convertido en un equipo que es el
primero o el más interesante que relaciona la ingeniera con la biología.
• LINGÜÍSTICA COMPUTACIONAL

30"
"
La lingüística computacional es la disciplina científica y de ingeniería relacionada con la
comprensión del lenguaje hablado y escrito desde una perspectiva computacional. También se
agrupa dentro de esta definición al diseño y creación de dispositivos tecnológicos capaces de
procesar y reproducir el lenguaje humano de manera útil, ya sea en forma masiva o a través de una
configuración de diálogo.
En la medida en que el lenguaje es un espejo de la mente, una comprensión computacional del
lenguaje también proporciona una visión del pensamiento y la inteligencia. Y dado que el lenguaje
es nuestro medio de comunicación más natural y versátil, las computadoras lingüísticamente
competentes son un gran adelanto, puesto que facilitan enormemente nuestra interacción con
máquinas y software de todo tipo.
Gracias la lingüística computacional incluso la tecnología más compleja puede ponerse a nuestro
alcance, de manera que realmente satisfaga nuestras necesidades, apoyándose en los vastos
recursos textuales y de conocimiento que existen en internet.
Aplicaciones de lingüística computacional:
Teniendo en cuenta la velocidad a la que se desarrollan los avances en el campo de la tecnología,
no resulta sorprendente conocer el amplio número y variedad de aplicaciones de la lingüística
computacional que existen en la actualidad.
Entre las más conocidas se encuentran las siguientes:
ü Traducción automática.
ü Aplicaciones de recuperación de documentos y su posterior agrupación en clústeres.
ü Extracción y resumen de conocimientos.
ü Análisis de sentimientos.
ü Chatbots y otros tipos de robots de diálogo amigables.

31"
"
Aplicaciones de lingüística computacional dentro de universos virtuales, juegos y ficción
interactiva.
Interfaces de usuario en lenguaje natural, como las siguientes:
ü Respuesta a preguntas basadas en texto.
ü Respuesta a preguntas inferenciales (basadas en el conocimiento).
ü Servicios web y asistentes basados en voz.
ü Solucionadores de problemas colaborativos y tutores inteligentes.
ü Diferentes clases de robots habilitados para el lenguaje
Servicios web y asistentes basados en voz.
• PROCESAMIENTO DEL LENGUAJE NATURAL (NATURAL LANGUAGE
PROCESSING)

32"
"
¿Qué es el Procesamiento de Lenguaje Natural?
El Procesamiento del Lenguaje Natural (PNL), en inglés Natural Language Processing (NLP), es
un campo de conocimiento que combina las tecnologías de la ciencia computacional con la
lingüística aplicada y que, básicamente, pretende conseguir que una máquina comprenda lo que
expresa una persona mediante el uso de una lengua natural, sea cual sea la lengua materna de la
persona (español, inglés, alemán, chino…)
¿Para qué se utiliza el Procesamiento de Lenguaje Natural?
ü Extracción de información
ü Respuesta a preguntas
ü Traducción automática
ü Síntesis de voz
ü Recuperación de información
ü Comprensión del lenguaje
ü Reconocimiento del habla
ü Generación de lenguajes naturales
La Extracción de Información se trata de un tipo de recuperación de información, cuyo objetivo
es extraer automáticamente información estructurada (o semiestructurada) desde documentos
legibles por un ordenador.
La Respuesta a Preguntas es uno de los sistemas más complejos de recuperación de la información
y por el cual una máquina debería ser capaz de recuperar respuestas planteadas en lenguaje natural.
Estos buscadores de respuestas intentan reconocer un amplio rango de tipos de preguntas,
incluyendo “cómo”, “cuándo”, “dónde”, “por qué”, hechos, listas, definiciones, etc.…

33"
"
La Traducción Automática (en inglés, Machine Translation) es un área de la lingüística
computacional que investiga el uso de un sistema capaz de traducir texto o habla de un lenguaje
natural a otro.
La Síntesis de Voz, o también Síntesis del Habla, es la creación de habla artificial. Los
sintetizadores de voz, que son los sistemas utilizados para este propósito, pueden ser utilizados
tanto en productos softwares como hardware.
La Búsqueda y Recuperación de Información, del inglés Information Search and Retrieval (ISR),
es el campo de la informática que se ocupa del procesamiento de documentos que contienen texto
libre, en documentos electrónicos y cualquier tipo de colección documental digital, para que
puedan recuperarse rápidamente en función de las palabras clave especificadas en una consulta
por parte de un usuario.
La Comprensión del Lenguaje es el campo de la ciencia que estudia la manera en la que los seres
humanos utilizamos los símbolos para expresar ideas y sentimientos y cómo nuestro cerebro
procesa y entiende esa comunicación. La meta es que una máquina pueda llegar a leer un mensaje,
interpretarlo, entender su significado, contexto e intención al igual que lo hacemos los seres
humanos.
El Reconocimiento del habla es una disciplina de la Inteligencia Artificial que estudia cómo
permitir la comunicación entre personas y máquinas. Estos sistemas de reconocimiento de voz
pretenden procesar la señal de voz humana y reconocer la información contenida para convertirla
en texto o ejecutar órdenes que actúan sobre un proceso.
Hablamos de Generación de Lenguajes Naturales (GLN) como el proceso de creación de un texto
en lenguaje natural para la comunicación con fines específicos. La Inteligencia Artificial permite
la producción de narrativa escrita o hablada para a partir de un grupo de datos.
Beneficios del Procesamiento de Lenguaje Natural en los negocios
La aplicación de técnicas de Procesamiento del Lenguaje Natural en los procesos corporativos son
un eficaz potenciador para los negocios. Abajo nombramos algunos de los beneficios que
encontrarás al incorporar técnicas de PLN en tu empresa.

34"
"
Agilizar y automatizar el trabajo: Dentro de una empresa encontramos tareas repetitivas y poco
placenteras que ocupan una gran cantidad de tiempo y recursos a nuestra empresa. Gracias al
Procesamiento del Lenguaje Natural podemos agilizar y automatizar estos procesos para
incrementar la productividad.
Análisis de sentimiento: El análisis de sentimiento mediante técnicas de PLN es, quizás, una de
las técnicas más populares de estas aplicaciones. Gracias al procesamiento de Lenguaje Natural
podemos analizar a gran escala cómo estamos comunicándonos con nuestro público, conocer el
estado de una campaña en particular o evaluar a competidores.
Introducir PLN para rastrear los comentarios sobre tu marca en redes sociales o prensa digital te
ayudará a encontrar la información que realmente necesitas para tomar decisiones. Descubrirás
los comentarios positivos o negativos, te alertará para que puedas detectar y/o prevenir problemas,
conocerás los usuarios que más hablan de tu marca (Influencers y haters) y evaluará la satisfacción
del mercado de tus campañas, promociones y productos.
Traducción automática de tu lengua a la lengua del receptor
Las técnicas de traducción automática son aquellas que se llevan a cabo sin la intervención de un
humano.
Gracias al Procesamiento de Lenguaje Natural se puede llegar a romper la barrera del idioma para
conseguir una correcta comunicación entre emisor y receptor.
La traducción automática aportará mayor productividad y flexibilidad para todo tipo de proyectos
dentro de tu empresa.
Chatbots y sistemas conversacionales: El procesamiento del lenguaje natural es lo que permite que
los chatbots entiendan los mensajes y respondan adecuadamente. El procesamiento de Lenguaje
Natural ayuda a proporcionar el contexto y el significado de las entradas del usuario para que el
chatbot pueda obtener y ofrecer la mejor respuesta.
Extracción del contenido realmente importante: Las empresas se ven obligadas a procesar una gran
cantidad de documentos diariamente para rescatar información que realmente es necesaria y que
de verdad ofrece valor al negocio. El procesamiento del lenguaje natural acelera estas tareas
haciéndonos más eficientes.

35"
"
Desde abogados hasta recursos humanos. Los beneficios de agilizar este tipo de trámites con PLN
pueden ser utilizados por prácticamente todos los departamentos de una empresa, haciendo que los
profesionales focalicen su trabajo en tareas que realmente aportan valor.
Si buscas mejorar los procesos de tu empresa y no quieres quedarte atrás frente a tus competidores
no esperes más para integrar técnicas PLN en tu negocio.
• MINERÍA DE DATOS (DATA MINING)
Cuando se habla de minería de datos, aplicaciones, herramientas y soluciones trabajan de forma
conjunta para lograr un objetivo común: garantizar la calidad de los datos. Se busca llegar a un
nivel que aporte fiabilidad a la toma de decisiones, asegurando que con ellos se crea un
conocimiento sólido, íntegro y completo.
Dentro del campo de la minería de datos, las aplicaciones más extendidas son las siguientes:
1. Análisis de datos financieros: se emplea tanto en el sector bancario como en el de las finanzas.
Se busca proveer datos que aseguren que es posible practicar análisis sistemáticos en condiciones
avanzadas y con garantías de fiabilidad. Algunos ejemplos son:
ü Diseño y construcción de almacenes de datos para el análisis multidimensional de datos.
ü Predicción de pago de préstamos y análisis de políticas de crédito de cliente.
ü Clasificación y el agrupamiento de los clientes para la creación de ofertas personalizadas.
ü Detección de blanqueamiento de dinero y otros delitos financieros.
2. Industria minorista: el sector retail recoge grandes cantidades de datos provenientes de las
ventas, el historial de compra de los clientes o el transporte de mercancías. La cantidad de datos
recogidos continúa expandiéndose rápidamente debido al aumento de la facilidad, disponibilidad
y popularidad de la web y las transacciones online. La minería de datos con sus aplicaciones para
la industria minorista ayuda a identificar patrones de compra de los clientes y tendencias. De esta

36"
"
forma, las empresas están en condiciones de proporcionar una mejor calidad de servicio al cliente,
aumentando su satisfacción y facilitando su retención. Entre estas aplicaciones destacan las que
permiten:
ü El análisis multidimensional de las ventas, los clientes, los productos, el tiempo y la región.
ü Los análisis de la eficacia de las campañas de ventas.
ü La recomendación personalizada de productos.
ü Las referencias cruzadas de artículos.
3. Industria de las telecomunicaciones: en este sector, los datos son especialmente importantes para
alcanzar una buena comprensión del negocio. La minería de datos y aplicaciones específicamente
diseñadas para esta área, ayudan en la identificación de los patrones de
telecomunicaciones, facilitan la detección de actividades fraudulentas y posibilitan el hacer un
mejor uso de los recursos, mejorando la calidad del servicio. Entre las más ventajosas están:
ü Análisis multidimensional de datos de telecomunicaciones.
ü Análisis de patrones fraudulentos.
ü Identificación de patrones inusuales, hábitos y tendencias.
ü Asociación multidimensional y análisis de patrones secuenciales.
4. Análisis de datos biológicos: el campo de la biología es uno de los más beneficiados por los
avances de la tecnología. La genómica, la proteómica, la genómica funcional y la minería de
datos aplicada a la investigación de los seres vivos son sólo algunos ejemplos, una lista donde no
hay que olvidarse de la bioinformática. La minería de datos con sus aplicaciones aporta una
contribución importante para el análisis de datos biológicos:
ü Integración semántica de las bases de datos genómicos y
proteómicos heterogéneos distribuidos.
ü Alineamiento, indexación, búsqueda de similitudes y análisis comparativo de
múltiples secuencias de nucleótidos.
ü Descubrimiento de patrones y análisis de redes genéticas.
ü Identificación de patrones de proteínas estructurales.

37"
"
Conceptos
1. Lógica difusa: se basa en lo relativo de lo observado como posición diferencial. Este tipo
de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí.
2. Inteligencia Artificial: es la combinación de algoritmos planteados con el propósito de
crear máquinas que presenten las mismas capacidades que el ser humano.
3. Inventarios: Lista ordenada de bienes y demás cosas valorables que pertenecen a una
persona, empresa o institución.
4. Sistemas: es "un objeto complejo cuyas partes o componentes se relacionan con al menos
alguno de los demás componentes”; puede ser material o conceptual.
5. Tecnologías: se define como el conjunto de conocimientos y técnicas que, aplicados de
forma lógica y ordenada, permiten al ser humano modificar su entorno material o virtual
para satisfacer sus necesidades, esto es, un proceso combinado de pensamiento y acción
con la finalidad de crear soluciones útiles.
6. Análisis: es un estudio profundo de un sujeto, objeto o situación con el fin de conocer sus
fundamentos, sus bases y motivos de su surgimiento, creación o causas originarias.
7. Estrategias: es un plan general para lograr uno o más objetivos a largo plazo o generales
en condiciones de incertidumbre.
8. Visión: es la capacidad de proyectar el futuro de una empresa. En un concepto más
terminado. Es una declaración que indica hacia dónde se dirige la empresa a largo plazo, o
qué es aquello en lo que pretende convertirse en el futuro.
9. Razonamiento: se entiende por razonamiento a la facultad que permite resolver problemas,
extraer conclusiones y aprender de manera consciente de los hechos, estableciendo
conexiones causales y lógicas necesarias entre ellos.
10. Técnicas: es el conjunto de procedimientos, reglas, normas o protocolos que tiene como
objetivo obtener un resultado determinado y efectivo, ya sea en el campo de la informática,
las ciencias, el arte, el deporte, la educación o en cualquier otra actividad.
11. Sistemas artificiales: es un sistema físico o representativo, que interactúa como variable
dependiente de un sistema social.
12. Bioquímica: La bioquímica es una rama de la ciencia que estudia la composición química
de los seres vivos, especialmente las proteínas, carbohidratos, lípidos y ácidos nucleicos.

38"
"
13. Agente autónomo: Un agente autónomo es un agente inteligente que opera en nombre de
un propietario, pero sin ninguna interferencia de esa entidad propietaria.
14. Antropología: es la ciencia que estudia al ser humano de una forma integral, de sus
características físicas como animales y de su cultura, que es el rasgo único no biológico.
15. Sociología: La sociología es la ciencia social que se encarga del análisis científico de la
sociedad humana o población regional.
16. Datos multidimensionales: se utilizan principalmente para crear aplicaciones OLAP y
pueden verse como bases de datos de una sola tabla, su peculiaridad es que por cada
dimensión tienen un campo, y otro campo por cada métrica o hecho.
17. cámaras hiperespectrales: Las cámaras hiperespectrales están equipadas con sensores
capaces de percibir centenares de longitudes de onda dentro y fuera del espectro visible,
haciendo posible la generación de imágenes mucho más precisas.
18. Receptor auditivo: Consiste de pequeñas células capilares que traducen la vibración del
fluido por sonidos provenientes de los ductos que lo circundan en impulsos eléctricos que
son trasladados al cerebro por nervios sensoriales.
19. Pulsos eléctricos: s una nueva tecnología para la inactivación de microorganismos y
enzimas.
20. Biónico: La biónica es la aplicación de soluciones biológicas a la técnica de los sistemas
de arquitectura, diseño, ingeniería y tecnología moderna.

39"
"
Conclusión
Al culminar este resumen Podemos concluir que:
ü La inteligencia artificial es una forma muy bonita y amplia de interactuar con la tecnología
que abunda y rodea nuestro planeta, es muy bueno saber y tener conocimientos básicos
sobre esta inteligencia. A nivel mundial se vive esta realidad, de que llegue el momento en
que seamos reemplazados por máquinas sofisticadas, que agilicen y formen una nueva
manera de vida muy inteligente.
ü En la sociedad, dentro de las ciencias de la computación, la de la Inteligencia Artificial es
una de las áreas que causa más expectación. Que un sistema pueda mejorar su
comportamiento sobre la base de la experiencia y que, además, tenga una noción de lo que
es un error y que pueda evitarlo, resulta muy interesante.
No obstante, la realización del trabajo, me ha servido para darme cuenta de que la IA no es
algo nuevo, lleva décadas de estudio y está en constante evolución. La realidad es que la
mayoría de la gente, al hablar de inteligencia artificial tiende a relacionarlo con el mundo
de la robótica y, más concretamente a los robots con formas humanas, capaces de
relacionarse. Gracias a este trabajo he descubierto que no es así. La robótica existía mucho
antes de la inteligencia artificial.
ü Es un parte esencial del mundo, siendo muy cambiante ya que surge nuevas necesidades
que el hombre quiere suplir, lo que origina a la creación de esta tecnología de inteligencia
artificia y que gracias a la inteligencia artificial se ha logrado que una maquina sea capaz
de desarrollar áreas de conocimiento muy específicas y complicadas, haciendo que la
maquina pueda simular procesos que el hombre realiza.
ü La inteligencia artificial es uno de los modelos más interesantes de los cuales se basan en
diferentes áreas de aplicabilidad, como vemos en esta investigación es tan interesante lo
que se puede lograr con tanta tecnología avanzada, así como crear una nueva vida hasta
poder escuchar mediante por un aparato creado con el fin de satisfacer una necesidad de
manera correcta e innovadora, pues la visión artificial es más que solo ver lo superficial,
sino que llega a muchos más detalles.

40"
"
Recomendaciones
En base a nuestras conclusiones podemos recomendar que:
ü Investigar más a profundidad sobre el tema
ü Promover más el tema de inteligencia artificial
ü El humano debe estar en el centro y ser siempre la prioridad.
ü Es imprescindible la colaboración entre personas y máquinas.
ü Que hallan modelos guía en internet para aprender más sobre inteligencia artificial.
ü Que se profundice más sobre estos temas.

41"
"
Infografías
(https://es.wikipedia.org/wiki/Vida_artificial#:~:text=La%20vida%20artificial%20es%20un, s.f.)
(https://www.forbes.com.mx/escuchas-a-tu-oido-inteligencia-artificial-aplicada-a-la-salud-
auditiva/, s.f.)
(https://www.atriainnovation.com/siete-aplicaciones-vision-artificial/, s.f.)
(https://es.wikipedia.org/wiki/Visi%C3%B3n_artificial#:~:text=La%20visi%C3%B3n%20artific
ial%2C%20tambi%C3%A9n%20conocida, s.f.)
(https://www.google.com/search?q=tipos+de+inteligencia+artificial&client=safari&hl=es&prmd
=ivn&source=lnms&tbm=isch&sa=X&ved=2ahUKEwiImrb5o7LsAhXDjFkKHVItCNAQ_AUo
AXoECBoQAQ&biw=375&bih=635#imgrc=B8xsbvQ0fgjgnM, s.f.)
(https://es.m.wikipedia.org/wiki/Inteligencia_artificial, s.f.)
(https://www.apd.es/tipos-de-inteligencia-artificial/, s.f.)
(http://smartcomputing.gerardorossel.org/frames-y-redes-
semanticas.aspx#:~:text=Frames%20(Marcos)%20y%20Redes%20Sem%C3%A1nticas&text=L
os%20sistemas%20de%20frames%20y, s.f.)
(https://www.dail.es/aplicaciones-del-procesamiento-del-lenguaje-
natural/#:~:text=El%20procesamiento%20del%20lenguaje%20natural%20es%20lo%20que%20
permite%20que, s.f.)
(https://blog.es.logicalis.com/analytics/mineria-de-datos-aplicaciones-que-ya-son-una-
realidad#:~:text=La%20miner%C3%ADa%20de%20datos%20y, s.f.)
(https://revistaderobots.com/inteligencia-artificial/que-es-el-machine-learning-y-el-aprendizaje-
automatico/, s.f.)
"