{"id":4425,"date":"2015-09-29T11:57:16","date_gmt":"2015-09-29T16:57:16","guid":{"rendered":"https:\/\/www.uv.mx\/cienciauv\/?p=4425"},"modified":"2015-10-05T17:30:16","modified_gmt":"2015-10-05T22:30:16","slug":"aprendizajeinteligenciaartificial","status":"publish","type":"post","link":"https:\/\/www.uv.mx\/cienciauv\/blog\/aprendizajeinteligenciaartificial\/","title":{"rendered":"APRENDIZAJE DE CONCEPTOS EN INTELIGENCIA ARTIFICIAL"},"content":{"rendered":"

$\"023-APRENDIZAJE$ <\/a><\/p>\n

Manuel Mart\u00ednez Morales*<\/strong><\/p>\n

\u00a0El campo de la inteligencia artificial surge de la interacci\u00f3n entre varias disciplinas cient\u00edficas como las neurociencias, psicolog\u00eda, matem\u00e1tica, biolog\u00eda evolutiva, ciencias de la computaci\u00f3n y la l\u00f3gica, entre otras. Si bien no existe una definici\u00f3n universalmente aceptada sobre su contenido y sus alcances, puede decirse, en forma un tanto simplista, que la inteligencia artificial se enfoca a estudiar procesos observados en la naturaleza, que pueden clasificarse como \u201cinteligentes\u201d.<\/p>\n

Como parte de dichos procesos se cuentan los mecanismos de comportamiento que aseguran la supervivencia y la adaptaci\u00f3n de seres vivos a medios cambiantes y, particularmente, ciertas funciones espec\u00edficamente humanas como la adquisici\u00f3n y el empleo del lenguaje natural, las formas en que los hombres resuelven problemas mediante representaciones simb\u00f3licas (l\u00f3gicas y\/o matem\u00e1ticas), y la manera en que se estructura y opera el conocimiento \u2013desde el sentido com\u00fan hasta las teor\u00edas cient\u00edficas\u2013; todo ello con el objetivo de implantar o reproducir estos esquemas y procedimientos en un programa de computadora o en algoritmos para regular la acci\u00f3n de robots.<\/p>\n

Aprendizaje autom\u00e1tico<\/strong><\/p>\n

Destacan las teor\u00edas y m\u00e9todos conocidos gen\u00e9ricamente como aprendizaje autom\u00e1tico<\/em>, a veces denominado en ingl\u00e9s machine learning<\/em>. El objetivo de esta rama de la inteligencia artificial es el desarrollo de algoritmos que modifican o adaptan su desempe\u00f1o con el fin de mejorar la tarea para la cual han sido programados. La mayor parte de los programas computacionales no tiene esta caracter\u00edstica. Por ejemplo, se puede escribir un programa para multiplicar n\u00fameros enteros, al programa se le dan como datos de entrada un par de n\u00fameros y se obtiene como salida el producto de \u00e9stos. Este programa nunca cambia la funci\u00f3n que relaciona la entrada y la salida, siempre que se d\u00e9 como entrada el par 3,6, el resultado ser\u00e1 siempre 18. En este caso no hay aprendizaje.<\/p>\n

Pensemos ahora en un algoritmo que \u201caprenda\u201d a reconocer los n\u00fameros nones sin darle la definici\u00f3n de \u00e9stos. Entonces, lo que se hace es darle al programa algunos ejemplos de entrenamiento como se har\u00eda con un ni\u00f1o al que se quiere ense\u00f1ar el concepto. Es decir, se le da una muestra de n\u00fameros pares e impares informando al programa cu\u00e1les corresponden a cada categor\u00eda. El programa, por s\u00ed mismo, debe \u201cdescubrir\u201d el concepto de n\u00famero impar y, eventualmente, aplicarlo a nuevos ejemplos no presentados con anterioridad.<\/p>\n

Este programa tiene que ir cambiando su desempe\u00f1o, modificando la funci\u00f3n que relaciona la entrada con la salida; al principio puede cometer errores, pero de lo que se trata es que, eventualmente, \u201caprenda\u201d el concepto correctamente. Como ejemplos aplicados pueden mencionarse programas que \u201caprenden\u201d a realizar ciertos diagn\u00f3sticos m\u00e9dicos \u2013como identificar c\u00e9lulas cancerosas distingui\u00e9ndolas de c\u00e9lulas sanas\u2013 y programas que \u201cdescubren\u201d regularidades y patrones en bases de datos. El aprendizaje autom\u00e1tico<\/em> est\u00e1 enfocado a estudiar y desarrollar teor\u00edas y m\u00e9todos para dise\u00f1ar algoritmos de este tipo.<\/p>\n

Aprendizaje de conceptos<\/strong><\/p>\n

Existe un campo especializado, dentro del \u00e1rea de aprendizaje autom\u00e1tico<\/em>, denominado aprendizaje de conceptos<\/em>, cuyo prop\u00f3sito es identificar conceptos a partir de un conjunto de datos y representar el concepto en forma apropiada. En el caso m\u00e1s sencillo,\u00a0 el $\"023-APRENDIZAJE$ concepto se define como una funci\u00f3n que hace corresponder a un conjunto de atributos un indicador que toma solamente dos valores, correspondientes a los ejemplos positivos del concepto y a los ejemplos negativos del concepto respectivamente.<\/p>\n

Para ilustrar la forma en que operan estos algoritmos, consideremos el siguiente ejemplo hipot\u00e9tico. La Tabla<\/em><\/strong> que acompa\u00f1a este texto muestra datos sobre casos de estallamiento de huelgas en diversas circunstancias y la presencia, o ausencia, de varios factores que se piensa se relacionan con el evento. De este modo, el primer caso (primera l\u00ednea de la tabla) corresponde a una huelga que tuvo \u00e9xito (\u00c9xito=S\u00cd), en un sitio en el cual el mercado se encontraba en etapa de expansi\u00f3n (Mercado=S\u00cd), no exist\u00eda el riesgo de estallamiento de otras huelgas por solidaridad (Solidaridad=NO), y el sindicato responsable de la huelga dispon\u00eda de un fondo de resistencia s\u00f3lido (Fondo=S\u00cd). Los otros casos pueden leerse de la misma manera.<\/p>\n

El problema para el soci\u00f3logo es intentar determinar algunas hip\u00f3tesis sobre posibles relaciones causales entre los factores considerados y el \u00e9xito (o fracaso) de la huelga. Obviamente, el objetivo no es analizar los efectos de los diversos factores aisladamente, sino que el investigador sabe que est\u00e1 frente a un proceso complejo y lo aborda desde la perspectiva de la multicausalidad. Dado que el caso que presentamos es artificial, no es muy dif\u00edcil, a partir de una exploraci\u00f3n de la tabla, extraer algunas regularidades como, por ejemplo, que siempre que M=S\u00cd y F=S\u00cd, la huelga fue exitosa independientemente del valor del tercer factor (S).<\/p>\n

Pero note tambi\u00e9n que existen otras posibilidades. El problema es analizar la relaci\u00f3n entre los factores dados y el resultado de la huelga y determinar cu\u00e1les combinaciones de atributos son los que se asocian con una huelga exitosa. Aun cuando se trabaje con pocos factores y casos, no es tan sencillo extraer el patr\u00f3n de las interacciones. En las aplicaciones reales pueden tenerse decenas de atributos y miles de casos, lo que complica el an\u00e1lisis.<\/p>\n

Diagrama reticular<\/strong><\/p>\n

Aplicando el algoritmo de aprendizaje M-latiz, dise\u00f1ado por el autor de este texto, se construye una estructura algebraica denominada ret\u00edcula<\/em> (lattice<\/em>), que puede representarse en un diagrama que muestra los distintos casos y la forma en que se relacionan los atributos considerados, v\u00e9ase el Diagrama 1<\/em><\/strong>.<\/p>\n

$\"023-APRENDIZAJE$ <\/a><\/p>\n

El diagrama reticular se interpreta de la siguiente manera. Se define un concepto como un par ordenado, en el cual la primera parte del par representa los objetos designados por el concepto, y la segunda parte contiene los atributos definitorios de esos objetos, todo ello en un orden jer\u00e1rquico. Por ejemplo, considere el par {1,2,3,4; E}, que indica que el concepto Huelga Exitosa, representado por la letra E, es un atributo de los objetos 1,2,3 y 4, lo cual puede corroborarse en la Tabla<\/em><\/strong>. Estos casos se subdividen, por un lado, en {1,3,4; ME}, que corresponde a los casos en los cuales las huelga fue exitosa y se dan condiciones de mercado favorables, M; y, por otro lado, en {2,3,4; SE} aqu\u00e9llos en los cuales una huelga exitosa se asocia con la posibilidad de huelgas de solidaridad. En la misma forma pueden interpretarse los otros elementos de la estructura. Una posible conclusi\u00f3n \u2013que podr\u00eda tomarse como una hip\u00f3tesis por el soci\u00f3logo\u2013 ser\u00eda que las huelgas exitosas tuvieron lugar cuando hab\u00eda condiciones de mercado favorables y pod\u00edan presentarse huelgas de solidaridad.<\/p>\n

Una de tantas posibilidades<\/strong><\/p>\n

El ejemplo presentado es imaginario para que la presentaci\u00f3n se simplifique, en la aplicaci\u00f3n real se consideran m\u00e1s atributos y \u00e9stos pueden tomar m\u00e1s de dos valores.<\/p>\n

El aprendizaje de conceptos<\/em> es solamente una de tantas especialidades dentro del campo de aprendizaje autom\u00e1tico<\/em>. Entre las variantes de este campo pueden mencionarse, adem\u00e1s del aprendizaje de conceptos, algoritmos de aprendizaje basados en redes neuronales, los algoritmos gen\u00e9ticos, el aprendizaje bayesiano (probabilista), el aprendizaje por reforzamiento, el aprendizaje de \u00e1rboles de decisi\u00f3n, entre muchos otros.<\/p>\n

Descargar versi\u00f3n impresa<\/a><\/strong><\/p>\n

*Investigador en el Centro de Investigaci\u00f3n en Inteligencia Artificial, UV; actualmente Director de Comunicaci\u00f3n de la Ciencia en la misma universidad. <\/strong><\/p>\n

Correo: manuelmm69@hotmail.com<\/strong><\/p>\n

Dise\u00f1o:\u00a0\u00a0L.D.G Francisco J. Cobos Prior<\/strong><\/p>\n

\u00a0<\/strong><\/p>\n

\u00a0<\/strong><\/p>\n

<\/p>\n","protected":false},"excerpt":{"rendered":"

Manuel Mart\u00ednez Morales* \u00a0El campo de la inteligencia artificial surge de la interacci\u00f3n entre varias disciplinas cient\u00edficas como las neurociencias, psicolog\u00eda, matem\u00e1tica, biolog\u00eda evolutiva, ciencias de la computaci\u00f3n y la l\u00f3gica, entre otras. Si bien no existe una definici\u00f3n universalmente aceptada sobre su contenido y sus alcances, puede decirse, en forma un tanto simplista, […]<\/p>\n","protected":false},"author":1746,"featured_media":4445,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"ventana_nueva":"","tipo_url":"","url":"","extracto":"","imagen_halign":"","imagen_valign":"","bg_size":"","text_hide":"","media_url":"","tipo_media":"","video_url":"","video_pos":"","video_youtube":"","footnotes":""},"categories":[28],"tags":[],"class_list":["post-4425","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-blog"],"_links":{"self":[{"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/posts\/4425","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/users\/1746"}],"replies":[{"embeddable":true,"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/comments?post=4425"}],"version-history":[{"count":0,"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/posts\/4425\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/media\/4445"}],"wp:attachment":[{"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/media?parent=4425"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/categories?post=4425"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.uv.mx\/cienciauv\/wp-json\/wp\/v2\/tags?post=4425"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}