INTRODUCCION

El presente artículo tiene como finalidad, el abordar que es el aprendizaje automático,como colabora en el desarrollo de agentes inteligentes, para la inteligencia artificial,cuales son algunas de sus mejores variantes, así como una visión comparativa de cómoson cada uno de los tipos de aprendizaje en cuanto a su forma de resolver problemas y sermodelados.Hemos tomado como referencia algunos libros de texto así como una tesis doctoral, deIsmael Ledesma Espino llamada Aprendizaje automático en conjuntos clasificadoresheterogéneos y modelado de agentes en donde se plantea el desarrollo de agentesinteligentes con datos continuos en dominios, estáticos. Además de esta, consultamos ellibro Aprendizaje Automático de Antonio Moreno, donde se presentan los conceptosbásicos sobre el aprendizaje automático y una clasificación de los tipos de aprendizajedescrita. Entre otras fuentes como Introducción to Machine Learning e InteligenciaArtificial un enfoque moderno

se muestra el concepto básico del aprendizajeautomático, sus diversas acepciones según nuestras fuentes, enseguida se muestran losdiversos tipos de aprendizaje automático, esta información se ve esquematizada encuadros sinópticos y una descripción medianamente extensa.En la siguiente parte del artículo se tocan algunos tipos de modelado de agentesinteligentes entre los que destacan los deteoría de juegos.Finalmente se concluye con una comparativa de donde y cuando se deben de aplicar losdiversos tipos de aprendizaje

APRENDIZAJE AUTOMATICO

Antes de definir aprendizaje automático debemos tener claro lo que es la inteligencia artificial.

Como nos damos cuenta cada vez mas las definiciones tienden a simplificarse como podemos observar en las siguientes dos definiciones de Bellman en 1978 y de Nilsson en 1998.

“[La automatización de] actividades que vinculamos con procesos de pensamiento humano, actividades como la toma de decisión, resolución de problemas, aprendizaje ...”

Bellman, 1978.

“IA... está relacionada con conductas inteligentes en artefactos”. Nilsson, 1998.

Aprendizaje automatico

El Aprendizaje Automático es una disciplina dentro de los Sistemas Inteligentes cuya

importancia ha quedado establecida desde hace dos décadas [Anderson y Kline, 1979].

De las variadas formas que se han explorado, la que mejor modeliza el aprendizaje

humano es la que toma en los sistemas con aprendizaje por observación y descubrimiento.

También podemos definirlo como la rama de la Inteligencia Artificial que se dedica al estudio de los agentes/programas que aprenden o evolucionan basados en su experiencia, para realizar una tarea determinada cada vez mejor. El objetivo principal de todo proceso de aprendizaje es utilizar la evidencia conocida para poder crear una hipótesis y poder dar una respuesta a nuevas situaciones no conocidas.

Por ejemplo, un software que juegue al backgammon; no sólo que realice movimientos válidos sino que en cada partida (contra oponentes reales o bien contra sigo mismo) mejora su performance (medida por ejemplo en cant. de partidas ganadas / partidas jugadas en un torneo).

Bock [1985] sostiene que no se puede hablar de Sistemas Inteligentes sino hay Aprendizaje Automático. En apoyo de la postulación de Bock sobre aprendizaje, Rauch-

Hindin [1985] sostiene que los sistemas que pueden observar y aprender a manejar

cambios incesantes en los entornos de funcionamiento son el sueño de las organizaciones

e industrias. Sostiene también el principio de que los programas de aprendizaje permiten

comprobar teorías de aprendizaje [Moravec, 1988] y define los sistemas de producción

adaptativos como sistemas que aprenden nuevas reglas basadas en lo que han observado

[Carbonell, 1983; Eiter y Gotlob, 1992; Falkenhaimer, 1990; Christiansen, 1992],

agregando estas nuevas reglas al sistema de producción existente.

Un sistema inteligente autónomo ha sido definido [Fritz y otros, 1989; 1990; García

Martínez y Borrajo, 1996] como aquél que puede descubrir y registrar si una acción hecha

en una situación dada fue favorable. Entra dentro de los sistemas que aprenden por

observación y descubrimiento por experimentación activa [Wang, 1994; 1995].

Los sistemas inteligentes autónomos formulan operadores que en conjunto constituyen un

modelo de como el entorno que los circunda funciona [García Martínez, 1992a]. Tal

modelo es parcial pero tiene la consistencia suficiente [García Martínez, 1993a; 1993b;

1995] como para ser utilizado por su carácter predictivo en procesos de planificación

suficiente [García Martínez, 1996; 1997a; García Martínez et al., 1998a; 1998b; García

Martínez et al., 1999a; 1999b].

En este contexto, el propósito de este proyecto es estudiar de que manera la interacción

entre sistemas inteligentes autónomos mejora el modelo de funcionamiento del entorno

que cada sistema va formando y cómo se integran en dicha interacción los modelos de

refuerzo [Sutton, 1984].

AplicacionesHoy en día existen aplicaciones que utilizan agentes basados en aprendizaje en numerosas ramas de la industria y de la ciencia. Por ejemplo:Procesamiento del Lenguaje Natural

Para el análisis sintáctico y morfológico de los textos. Extracción de Información, Clasificación Automática de Documentos, Agrupamiento Semántico, entre otras tareas se cubren utilizando técnicas de ML. Los modelos de Análisis de Sentimiento permiter reconocer la orientación o polaridad subjetiva de un texto, esto es, si están hablando bien o mal de aquéllo que se está opinando.

Sistemas de Recuperación de InformaciónLos buscadores de Internet utilizan técnicas de ML para mejorar la performance de sus búsquedas y confeccionar rankings personalizados según la experiencia de los usuarios.

Diagnósitco MédicoSe utilizan técnicas de ML para asistir a médicos en el diagnóstico según la historia clínica y los síntomas que presenta el paciente. También existen modelos que miden el riesgo de vida de un accidentado y decidir en el envío de una ambulancia, un médico particular o puede tratarse el incidente por teléfono

Ciencias biológicasPara la clasificación de especies, reconocimiento de tumores o arritmias o patrones en cadenas de ADN. Descubrimiento y predicción de patrones de movilidad.

Finanzas e Industria bancariaLa industria bancaria utiliza modelos de riesgo crediticio para calificar a los solicitantes según su nivel de cumplimiento esperado en el pago de las cuotas del crédito. También existen modelos de fraude de consumo de tarjetas de crédito y de predicción de comportamiento en el mercado de valores.

Análisis de imágenesPara reconocer escritura manuscrita, indentificar direcciones y remitentes de un envío postal, facturas o recibos u otro tipo de documentos legales. También otro tipo de objetos dentro de una imagen, como personas, rostros, monumentos arquitectónicos o accidentes geográficos, etc.

JuegosYa existen muchos juegos, como el Backgammon y las Damas, donde programas de computadoras que han sido entrenadas con técnicas de ML superan a los campeones mundiales.

Robótica

Se utilizan modelos de ML para regular el desplazamiento de robots, planificación de tareas entre otras tareas.

Sistemas de RecomendaciónExtracción de Información, Clasificación Automática de Documentos, Agrupamiento Semántico, Análisis de Sentimiento, entre otras tareas se cubren utilizando técnicas de ML.

http://www.interempresas.net/MetalMecanica/Articulos/104119-Proponen-nuevos-metodos-para-mejorar-el-aprendizaje-automatico-de-las-maquinas.html

Proponen nuevos métodos para mejorar el aprendizaje automático de las máquinasMikel Galar

7 de enero de 2013

http://www.fgcsic.es/lychnos/es_ES/articulos/inteligencia_artificial

Edición: Diciembre 2011

VICENÇ TORRA

La inteligencia artificial

Aplicación de técnicas de aprendizaje automático para la identificación de patrones de

interacción en una experiencia virtual de aprendizaje.

Priscila Valdiviezo Díaz

Unidad de Virtualización, UTPL

Sierra, B. Aprendizaje Automático: conceptos básicos y avanzados. Madrid – España, Pearson

Prentice Hall, (2006).

Santos, O.C, Martin, L., Del Campo, E., Saneiro, M., Mazzone, E., Boticario, J.G., Petrie, H.

User-centered design methods for validating a recommendations model to enrich learning

management systems with adaptive navigation support. Recuperado el 15 de septiembre de

2009, de: http://www.easy-hub.org/workshops/umap2009/doc/paper7.pdf

Santos, O.C., Boticario, J.G. Supporting a collaborative task in a web-based learning

environment with Artificial Intelligence and User Modelling techniques. 6º Simposio

Internacional de Informática Educativa (SIIE’04): November 16-18, 2004. Caceres (Spain).

(2004).