Inteligencia artificial

INTELIGENCIA ARTIFICIAL

2400 años después

ING. JUAN ROMANELLA

Inteligencia Natural

Procesar a gran velocidad

Multiplicidad de sensores

Comparación con información almacenada

Combinación de información

Respuestas correctas o incorrectas

No necesita instrucciones explícitas

Inteligencia Artificial

Modelado y simulación de actividades cognitivas

observar representar comunicarmemorizar

recuperar calcular aplicar procedimientos

comprender

conceptualizar

comparar relacionarordenar clasificar analizar sintetizar

elaborar hipótesis resolver problemas interpretar

inferir planificar evaluar transferir

CREAR

Fundamentos Filosóficos

Fundamentos Matemáticos

Fundamentos Psicológicos

Fundamentos de Ingeniería Computacional

Fundamentos Filosóficos

Platón Algoritmo de Eutidemo

Aristóteles Silogismos

Rene Descartes Dualismo

Blas Pascal Intuición e Instintos

Newell y Simon Programación

Fundamentos Matemáticos

Computación máquina de Turing 1936

Lógica Aristoteles 430 ACBoole 1847

Probabilidad Gerolamo Cardano 1530

Teoría de las decisiones

John von Neumann 1944

Fundamentos Psicológicos

Procesos cognitivos

Memoria

Atención

Conocimiento

Percepción

Razonamiento

Asociación

Interpretación

Fundamentos de ingeniería computacional

Ramas

Máquinas Inteligentes

Herramientas de Simulación

Ramas

Actividad Racional

SE

Modelos Computacionales

RNA

Sistemas Expertos

Resultados

Gestión del conocimiento

Sistemas IA

Como hacer

Porque Hacer

Cuando Hacer

Para que Hacer

Aprendizaje y Adaptabilidad

Ingeniería computacional

Inteligencia

Artefacto

De la ingeniería computacional a la IA

Pascal 1650

Leibnitz 1654

Babbage 1820

Turing 1940

De la IAa la ingeniería computacional

Multi Tasking

Base de datos relacionadas

Administración automática de memoria

Programación orientada a objetos

Sistemas que piensan como humanos

Sistemas que actúan como humanos

Sistemas que piensan racionalmente

Sistemas que actúan racionalmente

ambiente Arquitectura + programa

percepciones

acciones

efectores

sensores

Acercamiento por modelos

Los Homunculis

Entradas, salidas y cajas negras

Redes

Redes con peso

REDES

NEURONALES

BIOLÓGICAS

Neurona y conexiones sinápticas

1011 NEURONAS con 1014 SINAPSIS

Sinápsis

Activación neuronal

Los microtúbulos son cilindros huecos de 25 nm de diámetro.

Sus paredes son hexágonos de la proteína tubulina.

Cada tubulina tiene forma de un “maní “de dímeros de 8 nm

constituidos por monómeros alfa y beta.

Los microtúbulos son los mayores componentes del citoesqueleto

y se auto.reúnen para determinar la forma y función celular.

Cristalografía por rayos X . Amos y Klug. 1974

Tubulina

Microtúbulo

Extremo - Extremo + Tubulina

Tubulina

Protofilamento

EL MICROTÚBULO

Computadora de Qubits

Sistema sensorial

Sistema efector

El pensamiento humano no es solo racional sino también emotivo

El accionar humano no es solo mecánico sino motivacional

La emoción, el deseo, la motivación y el bienestar propio y de la especie guían la conducta humana inteligente.

La emoción por quién, el deseo hacia qué, la motivación hacia donde y el bienestar de quién guiará la conducta de los sistemas inteligentes?

Y la pregunta fundamental...

El sistema inteligente será desarrollado en una computadora o en un ordenador?La inteligencia artificial tendrá un cerebro masculino o uno femenino?

Diferencias cognoscitivas

Cerebros femeninos y masculinos tienen funciones, habilidades y prioridades distintas

Diferencias cognoscitivasDiferencias cognoscitivas

Los hombres se destacan: Tareas espaciales Razonamiento matemático Recorridos en rutas predeterminadas

Las mujeres presentan: Mayor velocidad perceptual Mayor fluidez verbal Más recuerdos de los detalles de una ruta Más velocidad en trabajos manuales de precisión. Mejor significación de la expresión facial y

reconocimiento de caras

Los hombres se destacan: Tareas espaciales Razonamiento matemático Recorridos en rutas predeterminadas

Las mujeres presentan: Mayor velocidad perceptual Mayor fluidez verbal Más recuerdos de los detalles de una ruta Más velocidad en trabajos manuales de precisión. Mejor significación de la expresión facial y

reconocimiento de caras

Estas diferencias persisten con la evolución.

La cultura y la educación pueden atenuarlas pero no transformarlas

Se objetivan en tests neuropsicológicos y en neuroimágenes de alta resolución

Lopez Mato 03, modificado de Pease

Significado Paleológico

Hombre cazaba sólo. Desarrolló

Competencia,cálculo de distancia,visión tubular, percepción de sonidos graves, detección de movimientos lejanos, piel gruesa.

Comunicación corta y fuerte Pease A y B

Significado Paleológico

Mujer recolectaba frutos y cuidaba a la cría. Desarrolló

Cooperación, visión periférica, percepción de sonidos agudos,

detección de movimientos cercanos, piel fina con mayor tacto.

Comunicación verbal y paraverbal acentuada Pease A y B

Significado paleológico de las diferencias

Mujer programada para parir defender a la prole mantener la armonía

Cerebro femenino fue programado para nutrir, educar, proveer cariño y amor

Pease A y B

Significado paleológico de las diferencias

Hombre programado para cazar, guerrear, proteger, proveer materialmente

Cerebro masculino está determinado a intentar resolver problemas.

Pease A y B

REDES

NEURONALES

ARTIFICIALES

Historia

Simulación de red neuronal (1956)

ADALINE, MADALINE (1959)

PERCEPTRON (1962)

Incapacidad XOR (1969)

Memorias asociativas (década del 70)

PDP (década del 80)

Modelo de unidad de proceso

Unidad de proceso electrónica

Carlos von der Becke- - - - - - - - - - - - - - - - - - - -U. FASTA- - - - - -------------------------------------------------------------------------------------------------------------------------------------Foundations of Artificial Intelligence

9

Dos amplificadores operacionalesson una neurona artificial analógica

e=excitación; i=inhibición; h=dintel -- Beer se aparta de este modelo

Modelo de unidad de proceso ponderada

Neuronas Biológicas y Unidades de ProcesoNeuronas Unidades de proceso

Conexiones sinápticas Conexiones ponderadas

Efectividad de las sinápsis

Peso de las conexiones

Excitación o inhibición Signo del peso

Sinápsis combinadas Función de propagación

Activación por tasa de disparo

Activación por salida

REDES NEURONALES

NEURONA

MATRIZ DE PESOS Determina el comportamiento de la red

CAPAS DE NEURONAS

ENTRADA OCULTAS SALIDA

Red de peso de conexión

RED DE PESO DE CONEXION

AdelanteAtras

Lateral

entradas

LATERALES

WAT: GANADOR TOMA TODO

COLAPSO DE ONDA

CLASE. MODO QUE GANA

RETARDO

MODELOS CON MEMORIA

ADELANTE

PRECONCIENCIA A CONCIENCIA

ATRAS

MECANISMO DE REFUERZO

RED MULTICAPA

CAPAS OCULTAS

SE CUANTIFICA COMO PESO

ARQUITECTURAS

ACON: all class in one network

OCON: one class in one network

TAMAÑO Y RAPIDEZ de las REDES

PESO SINAPTICO ACON (N+n).K

OCON N (n+1).K

TIEMPO ENTRENAMIENTO

Para N chico: ACON ~ OCON

Para N grande: OCON + peso y + velocidad

Función lineal de base

Función radial de base

Función de activación

Lineales

Umbral

No Lineales

Gaussiana

Sigmoidal

Función de activaciónSigmoidal

Función de activación

1.Acomodación de señales muy intensas sin producir saturación. 2.Admite señales débiles sin excesiva atenuación 3.Fácilmente derivable, ya que

Función Gaussiana

Como implementar una RNA

ASOCIACION

CLASIFICACION

FORMULACION PROBLEMA

ALGORITMO DE ANALISIS

MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION

ASOCIACION

AUTO recupera un patrón dada información

parcial

HETERO recupera un conjunto de patrones dado un

patrón

ASOCIACION

CLASIFICACION



MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION

CLASIFICACION de RNA

NO SUPERVISADA solo se basa en entradas

SUPERVISADA

interpola entre entradas y salidas

CLASIFICACION

SUPERVISADA

conjunto de muestras de entrenamiento

CLASIFICACION

RED ENTRENADA SUPERVISADA

interpolación suave

RED ENTRENADA SUPERVISADA

regla delta

CLASIFICACION

NO SUPERVISADA

redes de peso fijo

sin adaptación a ambientes cambiantes

CLASIFICACION

RNA No Supervisadas modernas

Aprendizaje por componentes principales

Aprendizaje competitivo

Códigos demográficos

Aprendizaje reforzado

ASOCIACION

CLASIFICADOR



MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION

FORMULACION PROBLEMA- VISION ARTIFICIAL- PROCESADO DE IMÁGENES- PROCESADO DE SEÑALES- RECONOCIMIENTO DEL HABLA- RECONOCIMIENTO DE CARACTERES- SISTEMAS EXPERTOS- ANALISIS DE IMÁGENES MEDICAS- CONTROL REMOTO- CONTROL DE ROBOTS- INSPECCION INDUSTRIAL- EXPLORACION

ASOCIACION

CLASIFICADOR



MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION


Modelos lineales

Suman ruido

Modelos no lineales

Eliminan perturbaciones

s=bim ti de todas las unidades ocultas


s

Salida de otras redesAsociacion

HumedadTemperaturaVibraciónDisconfort

UmbralRuidoFactores de Distracción

Funciones de probabilidadErrores

ASOCIACION

CLASIFICADOR



MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION

Modelo NeuralMemorias Heteroasociativas

Competitivas

Adaptación Probabilística

Pesos fijos

PERCEPTRON

1º sistema con memorias heteroasociativas

Salida

Fotocélulas

Perceptron

Redes Competitivas

Simulación neurofisiológica del córtex cerebral

Similitud en métodos estadísticos de análisis de clusters

Redes Competitivas

a

A B

b

a o b

Redes de Adaptación Probabilística

Pesos de conexiones precalculados

Operaciones no lineales

Actualización iterativa

Minimiza la función de energía

Redes de Pesos Fijos

Filtros

Recuperación de patrones

ASOCIACION

CLASIFICADOR



MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION

Arquitectura

ACON

OCON

Nuevas Redes

Nuevas redes

Red de memoria retroasociativa

A B

cd

Nuevas redes

Redes de memoria asociativa

A B

cd

ASOCIACION

CLASIFICADOR



MODELO NEURAL

ARQUITECTURA

IMPLEMENTACION

Implementación

Insecto ElectrónicoHardware dedicado 20000 neuronas

Gato ElectrónicoHardware evolutivo 1 millón de neuronas

RobokonecoCompuertas matriciales de efecto de campo 40

millones de neuronas

Implementación


70

“Correlato neural” de PERIPLANETA

Implementación


72

Hexápodo en 3-Duno de los tantos robots hexapódicos

Implementación

Hardware evolutivo

A B A

C

B

C

Implementación

Compuertas matriciales de campo

A B

C D

B D

A C

Implementación

ROBOKONEKO 32768 módulos neurales

Módulo Neural 180 axones

1152 neuronas por módulo

450 millones de transistores por módulo

Implementación

Gato Electrónico

106 neuronas 104 sinapsis 102 1/s sw

Robokoneko

107 neuronas 104 sinapsis 103 1/s sw

Cerebro

1011 neuronas 107 tubulinas 109 1/s sw

Implementación

Comparativamente con un procesador Pentium IV de 2,5 Gb realizando 109 operaciones por segundoEl Gato Electrónico realiza 1000 conexiones mas por unidad de tiempoRobokoneko o un gato real realizan 100000 conexiones mas por unidad de tiempoEl cerebro realiza 1000000000000000000 (un Trillón) de conexiones mas por unidad de tiempo

Tecnologías en computación neuronal

Simuladores de Software

Aceleradores de Hardware

Chips de Silicio

Procesadores Opticos

Bio Chips


Simuladores de Software

Simples de implementar con cualquier lenguaje

Librerías C++

Matlab

Mathematica

P3 (LISP)


Aceleradores de HardwareMark III y IV 8100 unidades de proceso

417000 conexiones

NEP para PC

ANZA 1500000 conexiones

DELTA II 11000000 conexiones


Chips de Silicio

ENN 256 neuro transistores

100000 sinapto resistores

Silicon Retina

Silicon Ear


Procesadores Ópticos

Moduladores de luz

Opto electrónica integrada

Llaves ópticas no lineales

Resonadores ópticos de fase variable


Bio ChipsDNA

PROTEINAS

ANTICUERPOS

Lógica Difusa

Robot

Máquina

Humanoide

Trabajador

Inteligente

Karel Capec

1920

Lógica Difusa

Sistema anticipatorio

If Then

sistema

presente

modelo predictivo

probabilidad

Lógica Difusa

pasado futuro

determinismo probabilidad

tiempo

variable delevento

Lógica difusa

bajo medio alto

A(x)

Lógica Difusa

Heuristically programmed Algorythmic computer

IBM 10000

Lógica Difusa Brazo robot

Lógica difusa

Control de posición

Estacionamiento automático

Frenos ABS

Cajas de cambio

Autofocus de cámaras

El Futuro

La teletransportación

Primera computadora de quantums

T A B

T BA

T BA

Blatt, Wineland, et al 2004

T A B

El Futuro

Primer computadora de quantums

3 átomos- 272,7 ºC

Computadora de quantums práctica

500 a 5000 átomos

Temperatura ambiente

Con la Inteligencia aparece la certeza de la finitud y la búsqueda de la trascendencia.

¿Las computadoras tendrán sentido de muerte y buscarán un dios?

En el mundo del carbono,primero surgen las emociones y los sentimientos y más tarde la inteligencia.

En el mundo del silicio, primero surgirá la inteligencia y a lo mejor, bastante más tarde las emociones y los sentimientos.

Andrea Romanella

MUCHAS GRACIAS

No basta con alcanzar la sabiduría,

es necesario saber utilizarla

Marco Tulio Cicerón 106 – 43 ac

Inteligencia artificial

Documents

Transcript of Inteligencia artificial