Inteligencia artificial en EAFIT - Recently Updated Pages

Robotica

jsilvazu — Mon, 21 Apr 2008 22:11:18 CDT

Propuesta de Laberinto.

Hace algunos años, unos compañeros y yo estuvimos participando en unas olimpiadas robóticas en la UPB, la competencia consistia en recorrer un laberinto y recoger de este dos pelotas para meterlas al final en un recipiente, el evento del laberinto esta dividido en 2 niveles, creo que este sería una buena propuesta para lo que tenemos que hacer en la materia, adjunto el documento de reglas de la competencia para que lo miren.

http://amasd.upb.edu.co/olimpiada/documentos/reglamentoORA+D2007.pdf

Trabajitos para lejos (0.5 2do parcial)

aespinalc — Thu, 03 Apr 2008 10:29:17 CDT

Para que pongan acá que va a hacer cada uno.

GEMINOID

dianase18 — Tue, 25 Mar 2008 11:29:21 CDT

Geminoid es un robot creado por Hiroshi Ishiguro, profesor de Sistemas Mecánicos Adaptados de la Universidad de Osaka. Este androide es capaz de establecer una conversación con un humano en un alto nivel de compresión, su simulación de gestos es realizada mediante unos tubos de presión de aire conectados al androide que se transmiten a este mediante una silla en la que Geminoid permanece sentado. Geminoid se diseñó con la intención de crear una réplica de la apariencia de su creador, lo ha conseguido, además una de las cosas que más llama la atención en su diseño es la texturización que simula la piel de un humano y el pelo, que fue implantado del de Hiroshi Ishiguro cortado a la mitad para conseguir su mutuo parecido.[1]

Inteligencia Artificial Débil o Fuerte

similena — Wed, 30 Jan 2008 15:51:06 CST

Para que tengamos un poco más claras las diferencia y podamos tener un punto de vista.

Inteligencia artificial fuerte vs. débil

Definición: La clasificación de diferentes posturas, la fuerte y la débil, sobre los alcances de la IA fue propuesta por Searle. FUERTE - Searle llama así a la escuela que afirma que todo lo que caracteriza a la mente es poseer un programa.

La escuela argumenta entonces que las computadoras podrán llegar a realmente pensar, exactamente igual que el humano y a tener conciencia.
El argumento más precisamente indica que hay un tipo básico de programas de computación que implementado adecuadamente, piensa en forma real.
La IA fuerte cree que la computadora puede exhibir conciencia de lo que está haciendo, por ejemplo a través de rutinas y mecanismos autorreflexivos, esto es, de autoanálisis, de autocontrol y de autocrítica de lo que está ejecutando, mediada con técnicas estadísticas sui generis, conducentes a la autocorrección y a la optimización de su tarea, con la ayuda de una visión del mundo de sentido común presente en su sistema operativo.
Searle describe así dicha tesis (que no comparte): "una computadora apropiadamente programada con entradas y salidas correctas tendría con tal motivo una mente en exactamente el sentido que los humanos tienen mentes."
Esta vertiente asegura que un sistema inteligente artificial puede llegar a pensar a un nivel (por lo menos) igual al humano.

DÉBIL - Searle llama así a la escuela que aprecia que los procesos cerebrales y los mentales pueden ser simulados computacionalmente.

La IA DEBIL no cree en las afirmaciones de la escuela FUERTE. Contrapone a esas ideas, estas otras: que las computadoras podrían actuar como si fuesen inteligentes, mimetizadas o como si lo fuesen, simulando serlo. Podrían superar en "inteligencia" a sus programadores, con motivo de su alta capacidad combinatoria (deliberación) ejecutable en cortos tiempos o de ejecución de "sistemas expertos" en campos restringidos, llegando a conclusiones que el hombre no conocía antes de su descubrimiento informático (por ejemplo, un ajedrecista que se acuerda de memoria y repite las jugadas de la máquina en los finales de ajedrez).
La IA débil sostiene que no hay inconvenientes en agregarles a las computadoras habilidades que no posee el ser humano, como conducir helicópteros que pierden una pala en pleno vuelo, sin perder su estabilidad (imposible con pilotos humanos) o reconocer con alta precisión quien es el que emite un cierto tipo de voz o terminar con buen éxito sistemas expertos muy complicados.

En general los expertos en IA siguen perfeccionando sus sistemas computacionales sin sentirse afectados por estas diferencias conceptuale, que no le modifican sus propósitos ni le proponen nuevas vías. Es una tarea de nunca acabar que los expertos de diferentes vertientes del conocimiento se pongan de acuerdo, frente a un candidato a ser un sistema inteligente, sobre qué es la inteligencia o cómo evalualarla y reconocerla como tal (¿mediante el TT, el TTT o el TTTT, el cociente intelectual, algun otro medio?) TT - test de Turing
TTT - test de Turing total
TTTT - test de Turing total - total
Con esta misma tónica Sloman discrimina una "strong strong AI" de una "weak strong AI", introduciendo matices en la inteligencia artificial fuerte.

Tomado de http://www.geocities.com/ohcop/iafuerte.html

Juegos CON adversario

aespinalc — Sun, 27 Jan 2008 22:01:22 CST

Algoritmo MINIMAX
En juegos bipersonales el algoritmo más usado es el denominado Minimax. El procedimiento de búsqueda Minimax es una búsqueda en profundidad (DFS) de profundidad limitada. La idea consiste en comenzar en la posición actual y usar el generador de movimientos plausibles para generar las posibles posiciones sucesivas hasta un cierto límite de niveles. A continuación se aplica la función de evaluación estática a las posiciones obtenidas y se elige la mejor posición para el jugador correspondiente, llevando los valores un nivel hacia atrás para continuar la evaluación en todos los niveles anteriores. Se supone una función de evaluación estática que devuelve valores elevados para indicar buenas situaciones y valores negativos para indicar buenas situaciones para el oponente. Visto de esta manera, la meta es maximizar el valor de la función estática de la siguiente posición de tablero. El nombre del algoritmo deriva de considerar que, dada una función estática que devuelve valores en relación al jugador maximizante, éste procura maximizar su valor mientras que su oponente procura minimizarlo. En un árbol de juego donde los valores de la función estática están en relación al jugador maximizante, se maximiza y minimiza alternadamente de un nivel a otro. La figura 1 muestra un ejemplo donde la elección del siguiente movimiento según la búsqueda Minimax de tres niveles sería el nodo D. El algoritmo Minimax es un procedimiento recursivo, y el corte de la recursión está dado por alguna de las siguientes condiciones:

Gana algún jugador
Se han explorado N capas, siendo N el límite establecido
Se ha agotado el tiempo de exploración
Se ha llegado a una situación estática donde no hay grandes cambios de un nivel a otro

En el algoritmo MINIMAX detallado en breve la función de corte de recursión SUFICIENTE (posición, profundidad) sólo considera las dos primeras condiciones de corte

El algoritmo MINIMAX( posición, profundidad, jugador) usa dos funciones:

GENMOV (posición, jugador): devuelve la lista de movimientos posibles para el jugador a partir de la posición

ESTÁTICA (posición, jugador): devuelve un número que representa la bondad de la posición desde el punto de vista de jugador.

A diferencia de los valores mostrados en el ejemplo de la figura 1, la función ESTÁTICA devuelve valores en relación al jugador actual en vez del jugador maximizante. Por esta razón, en lugar de realizar maximización y minimización alternativas, siempre se maximiza el valor que devuelve esta función.
El algoritmo MINIMAX no necesita tratar diferente a los niveles maximizante y minimizante dado que invierte los valores de un nivel a otro. La función Minimax devuelve una estructura con

VALOR: valor propagado de la función estática
CAMINO: camino para llegar a la solución desde la posición

La primera llamada a la función recursiva será:
MINIMAX (posiciónactual, 0, JUGADOR-UNO)
El algoritmo MINIMAX es el siguiente: MINIMAX( posición, profundidad, jugador)
comienzo

Si SUFICIENTE (posición, profundidad) entonces

resultado.VALOR := ESTATICA (posición, jugador);

resultado.CAMINO := NULO;

return resultado;

sino

Sucesores := GENMOV (posición, jugador);

Si EstaVacia (Sucesores) entonces

resultado.VALOR := ESTATICA (posición, jugador);

resultado.CAMINO := NULO;

return resultado;

sino

resultadoMejor.VALOR := MININT;

por cada sucesor de Sucesores

resultadoSucesor := MINIMAX (sucesor, profundidad+1, CONTRARIO (jugador));

Si resultadoMejor.VALOR < - resultadoSucesor.VALOR entonces

resultadoMejor.VALOR := - resultadoSucesor.VALOR;

resultadoMejor.CAMINO := sucesor + resultadoSucesor.CAMINO;

fin si;

fin por;

return resultadoMejor;

fin sino;

fin MINIMAX;

Tomado de http://dmi.uib.es/~abasolo/intart/2-juegos.html

introduccion de juegos

aespinalc — Sun, 27 Jan 2008 21:57:37 CST

Los juegos provocan una inexplicable fascinación y, la idea de que las computadores puedan jugar existe desde que existen las computadoras:

Siglo XIX, Babbage, arquitecto de computadoras, pensó en programar su máquina analítica para que jugara al ajedrez.
'50, Shannon describió los mecanismos que podían usarse en un programa jugara al ajedrez
'50, Turing describió un programa para jugar al ajedrez pero no lo construyó
'60, Samuel construyó el primer programa de juegos importante y operativo, el cual jugaba a las damas y podía aprender de sus errores para mejorar su comportamiento

Los juegos proporcionan una tarea estructurada en la que es muy fácil medir el éxito o el fracaso.
Según María José, en comparación con otras aplicaciones de inteligencia artificial, por ejemplo comprensión del lenguaje, los juegos no necesitan grandes cantidades de conocimiento.

En un primer momento se pensó que se podrían resolver por búsqueda exhaustiva en el árbol del juego, es decir, un árbol que contenga todos los movimientos posibles de ambos jugadores. Considerando por ejemplo el juego de ajedrez, en una partida cada jugador realiza una media de 50 movimientos, con un factor de ramificación medio de 35 posibilidades, por lo tanto para examinar el árbol de juego completamente se tendrían que examinar 35100 posibilidades.

Tomado de http://dmi.uib.es/~abasolo/intart/2-juegos.html
tomado de http://www.navojoa.gob.mx/hayuntamiento/img/ajedrez/ajedrez_image002.jpg

Juegos SIN adversario

aespinalc — Sun, 27 Jan 2008 21:56:28 CST

ALGORITMO A*

Para juegos simples unipersonales puede usarse el algoritmo A* (Hart, 1968). Este algoritmo implementa una búsqueda primero el mejor.

Se utiliza una función de evaluación estática f formada por:

f = g + h

La función g es una función de coste de llegar del estado inicial al estado evaluado.
La función h es una estimación del coste de llegar desde el estado evaluado al estado final u objetivo del juego.

En cada paso del algoritmo se selecciona el mejor nodo que no se ha expandido hasta el momento, es decir, aquel que tiene menor valor de función f. Este nodo se agrega a una lista de nodos explorados (NodosExplorados) y sus nodos sucesores se agregan a la lista de nodos pendientes de ser explorados (NodosNoExplorados).
El algoritmo A* es el siguiente: Estado_Inicial.g := 0;
Estado_Inicial.h := H(Estado_Inicial);
Estado_Inicial.f := Estado_Inicial.g + Estado_Inicial.h; NodosNoExplorados := Estado_Inicial;
NodosExplorados := Ø; Bool EncuentraEstadoFinal := FALSE; Mientras NOT EncuentraEstadoFinal AND NodosNoExplorados != Ø

EstadoActual := SeleccionarMejorNodo(NodosNoExplorados);

NodosExplorados := NodosExplorados + EstadoActual;

Si EsEstadoFinal (EstadoActual) entonces

EncuentraEstadoFinal := TRUE;

Sino

Sucesores := CalcularSucesores (EstadoActual);

Para cada EstadoSucesor de Sucesores

EstadoSucesor.padre := EstadoActual;

EstadoSucesor.g: EstadoActual.g + Coste(EstadoActual,EstadoSucesor);

Si Pertenece(EstadoSucesor, NodosNoExplorados) entonces

EstadoViejo:=ExtraerNodo(EstadoSucesor, NodosNoExplorados);

EstadoActual.sucesores := EstadoActual.sucesores + EstadoViejo;

Si EstadoViejo.g > EstadoSucesor.g entonces

EstadoViejo.padre := EstadoActual;

EstadoViejo.g := EstadoActual.g;

EstadoViejo.f := EstadoViejo.g + EstadoViejo.h;

Fin si;

Sino si Pertenece(EstadoSucesor, NodosExplorados) entonces

EstadoViejo:=ExtraerNodo(EstadoSucesor, NodosNoExplorados);

EstadoActual.sucesores := EstadoViejo;

Si EstadoViejo.g > EstadoSucesor.g entonces

EstadoViejo.padre := EstadoActual;

EstadoViejo.g := EstadoActual.g;

EstadoViejo.f := EstadoViejo.g + EstadoViejo.h;

ActualizarSucesores(EstadoViejo);

Fin si;

Sino

NodosNoExplorados := NodosNoExplorados + EstadoSucesor;

EstadoActual.sucesores :=EstadoActual.sucesores + EstadoSucesor;

EstadoSucesor.f := EstadoSucesor.g + EstadoSucesor.h;

fin sino;

Fin para;

Fin sino;

Fin mientras;

tomado de http://dmi.uib.es/~abasolo/intart/2-juegos.html
imagen tomada de http://ensino.univates.br/~chaet/algoritmos.jpg

Juegos

aespinalc — Thu, 24 Jan 2008 20:57:45 CST

Si alguien conoce juegos de IA y quiere hacer su aporte. Aqui va el primero.
www.20q.com

El juego del autor reta al jugador con 20 sencillas preguntas para descubrir
qué es lo que este último piensa, y a medida que vas jugando el juego va
aprendiendo.

Almartin
Almartin al igual que Dr. Abuse (www.agentland.com/Download/Intelligent_Agent/398.html), o el softbot de messenger que ofrece la enciclopedia encarta (encarta@botmetro.net, el cual simplemente se agrega al msn y está listo para hablar) es un chat para "dialogar" con el computador, y ademas te responde con voz. interesante ver todos estos inventicos que de cierta manera crean la sensación de estar dialogando con algo ligeramente "inteligente".
www.almartin.es

No es un juego pero si es un video curioso que todavia me estoy preguntando por que pasa eso...
Miren el centro del cuadro bien concentrados sin mirar otra parte, cuando se tremine el video miren otra parte y van a ver lo que pasa...

Home

aespinalc — Thu, 24 Jan 2008 20:44:25 CST

Inteligencia Artificial

Definición
Es un área de las ciencias de la computación que pretende recrear y modelar las capacidades intelectuales humanas.

Definición de wikipedia:

Se denomina inteligencia artificial a la ciencia que intenta la creación de programas para máquinas que imiten el comportamiento y la comprensión humana. La investigación en el campo de la IA se caracteriza por la producción de máquinas para la automatización de tareas que requieran un comportamiento inteligente.

Algunos ejemplos se encuentran en el área de control de sistemas, planificación automática, la habilidad de responder a diagnósticos y a consultas de los consumidores, reconocimiento de escritura, reconocimiento del habla y reconocimiento de patrones. De este modo, se ha convertido en una disciplina científica, enfocada en proveer soluciones a problemas de la vida diaria. Los sistemas de IA actualmente son parte de la rutina en campos como economía, medicina, ingeniería y la milicia, y se ha usado en gran variedad de aplicaciones de software, juegos de estrategia como ajedrez de computador y otros videojuegos.

El matemático sudafricano, Seymour Papert, es considerado pionero en esta ciencia.

Áreas

http://www.monografias.com/trabajos14/inteligenciartif/inteligenciartif.shtml
Interesante pagina sobre las aplicaciones de la inteligencia artificial.

Ingeniería del conocimiento

Historia

El Universo del Cerebro

Muy buen documental sobre el cerebro (videos removidos de youtube por violacion)

http://www.youtube.com/watch?v=umivyDEyV-M

http://www.youtube.com/watch?v=y9UZKPniW2w
http://www.youtube.com/watch?v=SmU6dOl5wMA
http://www.youtube.com/watch?v=kpXfqPnnyVY
http://www.youtube.com/watch?v=qIAoMg4EP0c

Enlaces de interes:

http://www.youtube.com/watch?v=c_zH35qb3jE - Inteligencia Artificial y Sistemas Expertos, nota: solo sirven los primeros 6 minutos.

Un vídeo supremamente interesante en el que el reconocidisimo cientifico Michio Kaku nos habla acerca de la inteligencia artificial y de temas como las computadoras cuánticas y el final de la era del silicio. ps: es en ingles

http://www.mayores.uji.es/pdf/curso2005-2006/Realperspintar.pdf Diapositivas sobre la inteligencia artificial

Novedades en Redes Neuronales

drmayhem — Wed, 31 Oct 2007 16:17:59 CDT

El suspenso despierta y se desvanece de inmediato. Casi no dura nada, porque el sistema toma múltiples fotografías por segundo a personas en movimiento y las coteja de inmediato con bases de datos de sospechosos o prófugos de la ley. Enseguida, a la velocidad de los visores de las máquinas tragamonedas, la computadora confirma o desmiente si se trata de alguien buscado. Son mecanismos que cuentan con la última tecnología mundial y ya están en la Argentina. El Gobierno los implemen tará en diciembre para controlar las migraciones en Ezeiza y, el año que viene, el acceso a la Casa Rosada.

Apenas se produce la captura visual del rostro del que ingresa, comienzan a accionarse motores de búsqueda en las listas del registro nacional de reincidentes, Interpol o el FBI. Si hay coincidencia con las caras archivadas, sonarán alarmas, se cerrarán las puertas y los zapatos de los policías crujirán en rápida sinfonía.

La anterior es el escenario de aplicación más novedoso usado en el Instituto de Tecnología de Santa Fé, Argentina, en donde expertos como la doctora Georgina Stegmayer están trabajando en el desarrollo de sistemas de reconocimiento facial que permitan proteger instalaciones físicas mediante la aplicación de algoritmos de redes neuronales.

EL PROBLEMA

Se plantea implementar una red neuronal de retropropagación para reconocer rostros. En retrospectiva, se pretendió desarrollar un trabajo empírico para exponer las debilidades de este tipo de red neuronal y mejorar progresivamente su desempeño mediante técnicas especializadas de preproceso y compactación.

La base de datos (ORL Face Database) fue elaborada en Olivetti Research Lab, Cambridge entre 1992 y 1994 con imágenes tomadas sobre un fondo homogéneo obscuro (ver Fig 1). La rotación máxima es de 20º y la variación máxima de escala es de 10%. La diversidad también involucra tomas con y sin anteojos y cambios en el peinado.

Como datos de entrenamiento se utilizaron las primeras 5 fotos de cada uno de los individuos, la mitad de las imágenes. La prueba consistió en presentar a la red para identificación la otra mitad, las 5 fotos restantes de cada uno de los individuos.

Esta tarea, eventualmente ejecutada con nuestra maquinaria biológica, no es trivial. En efecto, corresponde aproximadamente a observar la audiencia de un curso numeroso durante un tiempo equivalente al necesario para tener 5 ‘tomas’ y luego reconocer a cada uno de los integrantes, incorporando algunas variaciones.

Modelo Utilizado

El ‘conocer’ un rostro, actividad imprescindible para re-conocer, equivale a asignar una identidad única a un número relativamente pequeño de imágenes prototípicas de una persona. La identidad misma es probablemente un agregado complejo de vivencias y evocaciones; en este trabajo se le asignará sólo la característica de ser única. A su vez, el set de prototipos se almacena de forma tal que sea claramente separable. Parece ser que los recursos utilizados para almacenamiento son considerables; la capacidad de reconocer rostros es limitada en cuanto a número. En consecuencia, reconocer un rostro puede asimilarse a un proceso de búsqueda en el espacio de almacenamiento que, de ser exitoso, rescata con mayor o menor seguridad la identidad (y atributos vivenciales) asociada durante el conocer.

Para modelar el proceso hipotético antes enunciado, se postula una característica cuantitativa que tiene dos parámetros:
· k correspondiente al número de individuos, y,
· m correspondiente al número de fotos de cada uno de ellos.

Llevando estas consideraciones al ámbito de redes neuronales y al contexto del trabajo a efectuar, se plantea una arquitectura con dos capas ocultas. La capa de input tiene 10304 nodos, la primera capa oculta tiene 2*(k+2) neuronas, la segunda k+m neuronas y la de output k neuronas. El razonamiento de soporte para esta elección (salvo la condición de que la capa de output debe ser de dimensión k) es esencialmente intuitivo y se expone a continuación.

Para reconocer una imagen que representa un rostro será necesario mapearla en el ‘espacio de rostros’, llevar a cada uno de sus elementos a un espacio instrumental para el reconocimiento de rostros. En efecto, el contexto perceptual de esta actividad se ‘siente’ distinto al que se utiliza para reconocer objetos en general, una hipótesis derivada de la relevancia evolutiva del reconocimiento de rostros en la estructura gregaria de nuestra especie. Ahora bien, en este espacio debe haber lugar para más de una versión del rostro para poder reconocer expresiones y variaciones; esto explica k+2 que entrega un mínimo de tres prototipos. Adicionalmente, el número de ejemplares almacenable debe ser superior a k; en realidad una función monótamente creciente con k, la más sencilla , en concordancia con la navaja de Occam. La segunda capa oculta debe ser capaz de ‘transmitir’ una síntesis del ‘espacio de rostros’ con una fidelidad suficiente para una actividad de asociación binaria (en realidad, bastante ‘fuzzy’) de identificación ejecutada por la capa de output. En consecuencia, se necesita al menos una neurona por individuo y una por variante; un total de k+m.

Las funciones de activación de las capas ocultas es tanh, concordante con la naturaleza positiva o negativa de la señal sináptica (reforzamiento o inhibición); la de la capa de output debe llevar a un conjunto de alternativas sí/no representables en forma compacta por una sigmoide en el intervalo [0,1]. En efecto, la instrospección de nuestra actividad de ‘identificar rostros’ la hace aparecer como difusa, existe un continuo de la fidelidad de la identificación que se manifiesta en expresiones en este contexto tales como ‘se parece...’, ‘no estoy seguro, pero ...’, ‘lo he visto en alguna parte ...’, ‘ podría jurar que es ...’, etc.

En consecuencia con los principios expuestos, se especificó una red con dos capas ocultas para trabajar con datos que se presentan como un set de k vectores de 10304 componentes que deben asociarse con una ficha binaria de identidad de k bits construida de modo que el AND sea nulo para dos individuos diferentes. Esta forma de asociación permite un interesante análisis de resultados. En efecto, proporciona una medida del nivel de ‘confusión’ entre los ejemplares, circunstancia análoga a la que se presenta en el proceso de reconocimiento de rostros para los seres humanos, dado que todos los rostros presentan características comunes tales como una boca, dos ojos, dos orejas, etc.

Para la aplicación misma se procesan ejemplares, tanto para el input como para probar la red entrenada. Los datos fueron normalizados, esto es, fueron llevados a una media nula y varianza unitaria, transformación esencialmente reversible que entrega un mapa biyectivo más compacto aprovechando la circunstancia de que cada componente de input puede tener sólo 256 valores distintos. En efecto, se construye una representación analógica en un intervalo continuo [-4,+4] para estos valores, acercándose así al rango de la función tanh utilizada para transmitir la señal de input. A continuación se transcribe el script de Matlab con el cual se hizo el trabajo.

k=40;
m=5;
% k individuos, m fotos de cada uno de ellos
for n=1:m;
for i =1:k;
the_file=['D:\face\face_files\s' int2str(i) '\' int2str(n) '.pgm'];
foto=fopen(the_file,'r');
[B,header]=fread(foto,14,'char=>char');
% el encabezado no interesa, hay que saltarlo
[p(:,k*(n-1)+i),pix]=fread(foto,10304,'int8=>double');
% la imagen se guarda como vector columna de la matriz de datos p
j=fclose(foto);
end
end
% listo los datos, m*k fotos como vectores columna de la matriz de datos p
% los normalizamos
[pn,meanp,stdp]=prestd(p);
% ahora el output
t=eye(k);
for n=1:m-1;
t=[t,eye(k)];
end
% el output 't' se compone de 'm' matrices eye(k)
% lista la ficha binaria de identidad, el AND es nulo
net=newff(minmax(pn),[2*(k+2),k+m,k],{'tansig','tansig','logsig'},'trainrp');
net.trainParam.show=10;
net.trainParam.goal=0.001;
% ahora a entrenar...
[net,tr]=train(net,pn,t);
% ahora se ve como quedamos, probamos el input
for i=1:m*k
a(:,i)=sim(net,pn(:,i));
end
% si esta matriz se parece a [eye(k),eye(k)...] estamos bien
% ahora vamos a probar otro set de 'm' fotos de los mismos individuos...
for n=m+1:m+m;
for i=1:k;
the_file=['D:\face\face_files\s' int2str(i) '\' int2str(n) '.pgm'];
foto=fopen(the_file,'r');
[B,header]=fread(foto,14,'char=>char');
[p(:,k*(n-1)+i),pix]=fread(foto,10304,'int8=>double');
j=fclose(foto);
end
end
[pn,meanp,stdp]=prestd(p);
% listos los datos de prueba
for i=1:m*k
b(:,i)=sim(net,pn(:,i));
end
b-a
% los vectores columna no nulos de esta matriz 'miden' la fidelidad de la identificacion

Los Resultados

4 Los resultados.

1 Entrenamiento.

Puede observarse que el entrenamiento tomó 70 épocas, lográndose la meta prefijada de error. El entrenamiento utilizó la variante ‘resilient backpropagation’ [2] en modo batch. Esta variante observa los cambios de signo en el gradiente, intensificando el descenso en forma monotónica en la misma dirección si es que el signo no cambió. Si hay cambio, se vuelve a una tasa de aprendizaje pequeña. El método tiene muy buena convergencia; BP tradicional, BP con momentum, BP con tasa de aprendizaje variable y BP con tasa y momentum variables no lograron la meta en 100 épocas, en realidad con evolución plana del error a partir de la época 40.

Log del proceso de entrenamiento

TRAINRP, Epoch 0/100, MSE 0.371922/0.001, Gradient 0.389574/1e-006
TRAINRP, Epoch 10/100, MSE 0.0183699/0.001, Gradient 0.0120647/1e-006
TRAINRP, Epoch 20/100, MSE 0.00686645/0.001, Gradient 0.00241339/1e-006
TRAINRP, Epoch 30/100, MSE 0.00319294/0.001, Gradient 0.00116063/1e-006
TRAINRP, Epoch 40/100, MSE 0.00210703/0.001, Gradient 0.00165312/1e-006
TRAINRP, Epoch 50/100, MSE 0.00152078/0.001, Gradient 6.16599e-005/1e-006
TRAINRP, Epoch 60/100, MSE 0.0012267/0.001, Gradient 0.000784313/1e-006
TRAINRP, Epoch 70/100, MSE 0.000993673/0.001, Gradient 0.000253889/1e-006
TRAINRP, Performance goal met.

Se observa que aún queda gradiente; se podía haber llegado a un error más bajo.

El proceso, hasta la etapa de fin de entrenamiento, tomó algo más de seis minutos. Incluido en este tiempo, adicionalmente al entrenamiento mismo, está el abrir, leer y cerrar 200 archivos y el preproceso de normalización.

2 Prueba.

Se simuló la red con los datos de entrenamiento, el resultado se almacenó en la matriz a. A continuación se leyó y normalizó la información correspondiente a las fotos 5 a 10 de cada uno de los 40 individuos, procediéndose a entregarla a la red para identificación. El resultado se almacenó en la matriz b. Finalmente se calculó b-a, matriz que mide el grado de confusión en la identificación. Esta fase del proceso tomó cerca de dos minutos.

3Análisis de los resultados.

En la Figura 2 puede verse el despliegue gráfico de la matriz b-a. Se observa que la identificación es casi perfecta. Los escasos ‘spikes’ que aparecen, con un valor máximo de 0.5, indican algún grado de confusión. Sin embargo, para todas las fotos el valor de respuesta para el bit asociado a su ficha de identificación es cercano a 1.

Conclusiones
Los principios de diseño utilizados para especificar la red de retropropagación dieron excelentes resultados en reconocimiento de rostros, tanto en tiempo de proceso como en fidelidad de identificación. En efecto, los datos presentados están contenidos en más de 4 MB y la tarea que se entrega a los más de 800,000 pesos de la red es aprender como están organizados. El sobre-aprendizaje, asimilable a privilegiar la memorización de los valores de los datos, no se produjo; la evidencia está dada por el procedimiento de prueba que involucró imágenes distintas a las del entrenamiento. En efecto, los resultados muestran que no sólo se capturó la configuración particular de cada rostro sino que con la presentación de otro ejemplar se asimiló características generales que permitieron asociar la identidad correcta durante la prueba.

La normalización de los datos probó ser un método muy eficiente de compactación sin el cual la identificación no funciona. En efecto, sin este procedimiento la convergencia no se alcanza en menos de 100 épocas como puede notarse en la gráfica de entrenamiento en la Figura 3.

Este resultado muestra que es imprescindible preprocesar los datos a la vez que el tipo de preproceso no necesita ser muy complicado. En efecto, la extracción de características relevantes es efectuada por la red de retropropagación en forma satisfactoria sin necesidad de tener que incorporar hipótesis acerca de la jerarquización de las mismas. Se reencuentra así una hipótesis de trabajo referente a un mecanismo plausible de percepción conducente al reconocimiento de rostros en una escala de tiempo que sugiere un proceso muy eficiente de compresión de datos. En efecto, considerando el ancho de banda del ‘hardware’ biológico involucrado, el flujo neto de señales debe ser bastante reducido. Adicionalmente, el algoritmo de compresión nos es transparente; debe ser relativamente simple, probablemente subordinado al proceso de identificación de modo de modular la captura y compresión de acuerdo al avance de la identificación, en forma similar a la retropropagación del error. Se concluye que el canal de comunicación entre la parte cognoscitiva y la parte perceptual debe ser bidireccional; la percepción no puede ser pasiva.

Referencias Bibliográficas
1) Valentin, D., Abdi, H., O'Toole, A.J., and Cottrell, G.W. (1994). Connectionist Models of Face Processing: A Survey. Pattern Recognition, 27(9):1209-1230.
2) Hancock, P.J.B., Bruce, V., and Burton, A.M. (1999). A comparison of two computer-based face recognition systems with human perceptions of faces. Vision Research
3) Burton, A.M., Bruce, V., and Hancock, P.J.B. (January 1999). From pixels to people: A model of familiar face recognition. Cognitive Science, 23(1).
4) Lawrence, Giles, Tsoi, Back 1996 citeseer.nj.nec.com/lawrence96what.html What Size Neural Network Gives Optimal Generalization? Convergence Properties of Backpropagation (UMIACS-TR-96-22) 5) Lawrence, Giles, Tsoi, Back (1997) Face Recognition: A Convolutional Neural Network Approach - http://citeseer.nj.nec.com/update/25947 citeseer.

LeJOS

dgonzal1 — Wed, 03 Oct 2007 00:04:19 CDT

Página oficial de LeJOS

Referencia API de LeJOS

Visual interface for LeJOS

Archivos necesarios:

Lejos NXJ

LibUsb-Win32

apache-ant-1.7.0

Link de un tutorial que explica paso por paso como instalar el software de lejos para utilizar con
eclipse para el NXT, esta en ingles.

Tutorial NXT

En la ultima version de LeJOS (lejos NXJ 0.4beta), hay un problema con el archivo nxjc.bat el cual hay que abrirlo con el wordpad y añadirle unas comillas en la linea que comienza con "javac". El archivo debería quedar de la siguiente manera.

Fotos Construcción

dgonzal1 — Wed, 03 Oct 2007 00:00:08 CDT

Lego NXT

dgonzal1 — Tue, 02 Oct 2007 23:29:17 CDT

Los Lego NXT MindStorms son uno de los muchos esfuerzos por acercar la robotica a la mayoría de las personas. Esta iniciativa va guiada a niños de 10 años en adelante, para los cuales por defecto el MindStorms trae una interfaz de programación tipo LabView muy intuitiva y fácil de utilizar.

Para proyectos más avanzados contamos con firmware de java en la cual se encuentran dos lines:

LeJOS: es un api que trabaja con un virtual java machine pequeño que sirve para programar en un ambiente java común con muchas de las opciones que nos ofrece este lenguaje como multithreading.
iCommand: es un api que trabaja con un virtual java machine pequeño pero esta orientado a la comunicación via bluetooth.

Microsoft también ofrece unas herramientas para poder trabajar con el Mindstorm desde .NET.

En esta sección pueden apreciar la construcción del humanoide que le pusimos el nombre de Bender, y además los pasos necesarios que tuvimos que seguir para poder hacer el update del Robot para que trabajara con Java.

Se ha creado un BLOG donde documentaremos todo lo que ha pasado con el robot, construccion, programacion, etc. Pueden acceder a él a travez de este link: http://pnxt.blogspot.com

Computadoras cuanticas

iojalvog — Wed, 19 Sep 2007 20:42:32 CDT

DEFINICION

La computación cuántica es un paradigma de computación distinto al de la computación clásica. Se basa en el uso de qubits en lugar de bits, y da lugar a nuevas puertas lógicas que hacen posibles nuevos algoritmos. Una misma tarea puede tener diferente complejidad en computación clásica y en computación cuántica, lo que ha dado lugar a una gran expectación, ya que algunos problemas intratables pasan a ser tratables. Mientras un computador clásico equivale a una máquina de turing, un computador cuántico equivale a una máquina de turing indeterminista.
La empresa canadiense D-Wave System había supuestamente presentado el 13 de febrero de 2007 en Silicon Valley, una primera computadora cuántica comercial de 16-qubits de propósito general; luego la misma compañía admitió que tal máquina llamada Orion no es realmente una Computadora Cuántica, sino una clase de máquina de propósito general que usa algo de mecánica cuántica para resolver problemas.

Problemas de la computación cuántica: Uno de los obstáculos principales para la computación cuántica es el problema de la decoherencia, que causa la pérdida del caracter unitario (y, más específicamente, la reversibilidad) de los pasos del algoritmo cuántico. Los tiempos de decoherencia para los sistemas candidatos, en particular el tiempo de relajación transversal (en la terminología usada en la tecnología de resonancia magnética nuclear e imaginería por resonancia magnética) está típicamente entre nanosegundos y segundos, a temperaturas bajas. Las tasas de error son típicamente proporcionales a la razón entre tiempo de operación frente a tiempo de decoherencia, de forma que cualquier operación debe ser completada en un tiempo mucho más corto que el tiempo de decoherencia. Si la tasa de error es lo bastante baja, es posible usar eficazmente la corrección de errores cuánticos, con lo cual sí sería posible tiempos de cálculo más largos que el tiempo de decoherencia y, en principio, arbitrariamente largos. Se cita con frecuencia una tasa de error límite de 10-4, por debajo de la cual se supone que sería posible la aplicación eficaz de la corrección de errores cuánticos.
Otro de los problemas principales es la escalabilidad, especialmente teniendo en cuenta el considerable incremento en qubits necesarios para cualquier cálculo que implica la corrección de errores. Para ninguno de los sistemas actualmente propuestos es trivial un diseño capaz de manejar un número lo bastante alto de qubits para resolver problemas computacionalmente interesantes hoy en día.

ESTADO DEL ARTE
En este video podemos apreciar el estado del arte de las computadoras cuanticas, que se nos presentan com la ultima frontera actual en la computacion por sus capacidades multatarea en el mismo instante, es decir qeu puden hacer millones de cosas en el mismo instante.

Agentes Inteligentes

iojalvog — Wed, 19 Sep 2007 20:16:35 CDT

¿De donde vienen lo agentes inteligentes? Agentes inteligentes para dummies

Entre las definiciones que mas me gustan de agentes inteligentes esta esta:

El Agente Wooldridge y Jennings

“Es un hardware o más comúnmente un sistema software basado en computador que disfruta de las siguientes propiedades:

autonomía: los agentes operan sin la intervención directa de personas u otros, y tienen algún tipo de control sobre sus actuaciones y estado interno.

habilidad social: los agentes interactúan con otros agentes (posiblemente humanos) vía algún tipo de lenguaje de comunicación de agentes.

reactividad: los agentes perciben el entorno o ambiente, (lo que representa la palabra físicamente, un usuario vía una interfaz de usuario, una colección de otros agentes, Internet, o quizás todos ellos combinados), y responde rápidamente a cambios que ocurren en dicho entorno.

pro-actividad: los agentes no actúan simplemente en respuesta a su entorno, sino que son capaces de exhibir ‘comportamiento dirigido hacia el objetivo’, tomando la iniciativa”

MANUAL DE JESS
Aca esta un manual de jess muy completo para el que lo necesite.
http://www.gsi.dit.upm.es/~cif/cursos/ssii/jessmanual/

JADE:
JADE (Java Agent DEvelopment Framework) es una plataforma desarrollada íntegramente en Java para la creación de sistemas multi-agente. Además de proporcionar un API para la creación de agentes y elementos relacionados, pone a nuestra disposición una interfaz gráfica y una serie de herramientas para el control y la depuración de nuestro sistema durante el desarrollo del mismo.
mas en http://www.dccia.ua.es/~pablo/tutorial_agentes/introduccion.html

noticias

lmorenop — Sun, 09 Sep 2007 21:25:54 CDT

Creé esta pagina para que todos pongamos noticias interesantes de los avances de inteligencia articifial..

Aqui va la primera: http://www.elespectador.com/elespectador/Secciones/Detalles.aspx?idNoticia=14005

Avances en IA

Robots espaciales http://www.terra.es/actualidad/articulo/html/act69850.htm
Emilio Yunis Turbay http://www.universia.net.co/galeriadecientificos/cienciasdelasalud/emilioyunisturbay.html
AI al servicio de las especulaciones financieras http://www.mercado.com.ar/mercado/vercanal_nota.asp?id=352781
En que va la inteligencia artificial? - http://www.enter.com.co/ente_secc/ente_actu/noticias/ARTICULO-WEB-1001940-1961141.html
Una empresa japonesa alquila robots recepcionistas y animadores - http://www.caracol.com.co/noticias/440244.asp?id=440244
Los autos voladores, un sueño posible - http://www.google.com.co/search?q=%22inteligencia+artificial%22+noticias&hl=es&cr=countryCO&start=10&sa=N
http://www.revistanumero.com/39cere.htm
video Rodolfo "que viva Colombia" http://www.youtube.com/watch?v=v1efG1UmV68
La Explicacion de la I.A de un modo sencillo http://video.google.es/videoplay?docid=4425997860213826147&q=inteligencia+artificial&total=18401&start=0&num=10&so=0&type=search&plindex=1
sistemas basados en el conocimiento http://ccc.inaoep.mx/~emorales/Cursos/RdeC/node23.html

Sistema Automatizado de Analisis Forense

casprill — Sun, 09 Sep 2007 20:56:07 CDT

Análisis Automatizado para Computación Forense

Cuando una persona accede sin autorización a una computadora existen pequeños factores, que delatan su intrusión, la detección de un ataque se facilita por que el intruso siempre modifica el estado del sistema, lo mas cercano que pude realizar para ocultar su presencia es dejando el sistema en una copia del estado inicial. Cuando se analiza un sistema atacado se pretende encontrar las incongruencias que este presente, de forma tal que permita identificar las áreas afectadas por el atacante

La forma más simple mediante la cual un atacante accede a un sistema y borra las huellas de su ingreso es mediante el uso de rootkits, estos programas permiten ocultar procesos dentro de otros, y modifican los registros de ingresos al sistema, haciendo pasar al atacante por un usuario válido dentro del mismo.

Existen formas de investigar y rastrear un ataque, analizando los archivos que han sido modificados, al analizar la fecha de modificación de los mismos, estos deberán concordar con la fecha de ingreso de un usuario autorizado a ejecutarlos. Aunque esta es una simplificación de un proceso de detección de intrusiones, existen otras excepciones válidas que pueden ser añadidas a la base de conocimiento de un sistema experto. A medida que se añada más experiencia codificada y automatizada, el tiempo de un experto analista forense se puede utilizar para atender situaciones más novedosas.

En este esquema lo que se propone es utilizar un conjunto de programas de computo forense que permiten obtener los metadatos de los programas más importantes de un servidor, codificarlos en un documento xml, el cual luego será analizado por el JESS con el objetivo de buscar incongruencias dentro del mismo, buscando patrones de intrusión.

Escenario Hipotético

Un intruso ha accedido al sistema capturando la clave del usuario root del mismo. Una técnica común para evitar la detección consiste en borrar las entradas del archivo syslog, y editar los registros del archivo lastlog para borrar sus huellas. Es en este momento cuando el atacante baja, compila e instala el modulo de kernel (LKM), en este caso el rootkit.

Mecanismo

El sistema afectado es una máquina Intel con un sistema operativo Debian en kernel 2.16, al cual se le va a instalar el Coroner's Toolkit (TCT), una herramienta de análisis forense, en conjunto con las librerías XML de Java, y el JESS, los cuales serán instalados en el prototipo.

Procedimiento

1. Instalar el TCT en el servidor víctima.

2. Simular una operación normal (actualizar paquetes, acceder y salir del sistema).

3. Asumir que el atacante obtuvo acceso usando un sniffer de redes y entra como root.

4. El atacante descarga netcat, y ejecuta una backdoor no autorizada y se sale del sistema.

5. El atacante utiliza el backdoor para obtener un acceso no autorizado y carga el rootkit.

6. El atacante compila y corre el rootkit escondiendo los directorios y procesos sospechosos.

7. Se simula una actividad de intrusión.

8. El administrador nota una actividad sospechosa y descubre el ingreso no autorizado.

9. El administrador entra como el root real y analiza el cuerpo de la evidencia del TCT.

10. El administrador utiliza el netcat, para mover la evidencia obtenida a un servidor remoto para analizarla.

11. El analista forense corre el sistema experto prototipo en el cuerpo de la evidencia.

Identificación de nuevas redundancias semánticas, como el registro de aplicaciones populares y registro de sistemas operativos, pueden crear un modelo más realista, de las operaciones del sistema. El desarrollo de técnicas para determinar el comportamiento de artefactos digitales, dejados por programas es importante para la computación forense. La aproximación presentada en esta pagina muestra que es posible responder útiles cuestiones forenses, mediante el uso de datos de mecanismos comunes, que no fueron diseñados para la seguridad y que esto es posible de hacer sin tener una preparación previa al ataque. El análisis pos-facto es una aproximación extensible, que puede evolucionar a mayores relaciones semánticas de datos específicas a abstracciones de aplicación, redes y servidores. Sin embargo es posible que, a la mínima información requerida no exista para resolver un crimen, aun así un atacante siempre deja huella.

Mapas conceptuales e inteligencia artificial: ¿Un matrimonio no viable?

sandravelezholguin — Fri, 07 Sep 2007 13:55:01 CDT

(Traducción libre realizada por los alumnos de la clase de ingeniería del Conocimiento en la Universidad EAFIT)

MAPAS CONCEPTUALES E INTELIGENCIA ARTIFICIAL: UN MATRIMONIO NO VIABLE?

Los mapas conceptuales son una representación gráfica del entendimiento de un dominio de una persona o grupo de personas. Puede ser considerado un esquema para la representación de conocimiento. Sin embargo la comunidad de la inteligencia artificial no están muy convencidos de utilizar el término “representación del conocimiento” para referirse a los mapas conceptuales, porque ellos no pueden cómodamente traducirlo a una representación formal por inferencia o otra técnica de IA (Inteligencia Artificial). Nosotros proponemos que a pesar del formato y estilo libre, que los mapas conceptuales puedan tener, especificar las características para una buena construcción de un mapa conceptual (estructura, semántica, contexto, etc.) que suministre abundancia de información para desarrollar herramientas inteligentes que ayuden al usuario en el proceso de construcción de mapas conceptuales. Nosotros pretendemos es que el compromiso en el formalismo en el camino o en la flexibilidad del propósito acerca de los mapas conceptuales, pueda ser compensado con la ayuda de la inteligencia artificial y las herramientas inteligentes para ayudar a traer lo mejor de los dos mundos, la búsqueda y representación del conocimiento. Nosotros demostramos estos argumentos con una serie de herramientas inteligentes que han sido implementadas en la aplicación CmapTools.

Introducción

Los mapas conceptuales (Cmaps) fueron desarrollados en 1970 por Joe Novak (Novak y Gowin, 1984) en su equipo de investigación en la universidad de Cornell como una manera de ayudar a determinar cómo los estudiantes avanzaban en el entendimiento de la ciencia. Ellos tienen dos dimensiones de la representación gráfica de una persona o grupo de personas entendiendo un dominio. Cmaps consisten en un conjunto de conceptos, definidos por Novak (ibid) como “regularidades percibidas en eventos u objetos o en un registro de eventos u objetos, designados por etiquetas”. Los cuales son construidos para que las relaciones entre ellos sean evidentes. Los conceptos son usualmente encerrados en círculos o cuadros y las relaciones entre los conceptos son indicadas con líneas que los conectan. Las palabras sobre las líneas que los unen especifican las relaciones entre los conceptos. La etiqueta para la mayoría de los conceptos es una sola palabra, aunque algunas veces símbolos como + o % son usados. La tripleta concepto-link-concepto forma las proposiciones, que tienen un significado acerca de un objeto o evento. En un mapa bien construido, las proposiciones deben “tener sentido” cuando se leen separadamente. La figura 1 presenta un mapa conceptual que describe un mapa conceptual. La característica del mapa ejemplificado en la figura 1 es que los conceptos son representados en un estilo jerárquico con el concepto mas general en la parte de arriba del mapa y el más específico, los conceptos menos generales, están organizados debajo. Así el eje vertical expresa el marco jerárquico para los conceptos. El mapa enfatiza el concepto más general uniendo mediante un link las ideas con las proposiciones. El concepto de “Mapas Conceptuales” en la parte de arriba, define el conocimiento del dominio que pertenece al mapa. La tripleta “Mapa conceptual à Representa à Conocimiento Organizado” es una simple proposición. Aunque de otra forma anotado por flechas, las proposiciones son leídas de arriba hacia abajo. La

Carencia de Formalismo de los Mapas Conceptuales

La estructura de un mapa depende de su contexto. Por consiguiente los mapas tienen similares conceptos que varían de un contexto a otro y son sumamente idiosincrásicos. La fuerza de Cmaps está en su capacidad de medir el conocimiento de una persona particular sobre un tema dado en un contexto específico. Así los mapas conceptuales construidos por diferentes personas acerca de un mismo tema son necesariamente diferentes, como una representación del conocimiento personal de su creador. Similarmente nosotros no podemos referirnos al mapa correcto acerca de un tema, ya que pueden haber muchas representaciones diferentes de un tema que son correctas.

En sitios educativos, las técnicas que trazan un mapa de concepto han ayudado a la gente de cualquier edad a examinar muchas formas diferentes de conocimiento. Cuando los conceptos y las palabras que los unen son cuidadosamente elegidos, esos mapas son herramientas poderosas para observar matices de significados. Su rico poder expresivo se deriva de la habilidad de cada mapa para permitir a su creador el uso de un conjunto prácticamente ilimitado de palabras que conectan para mostrar como los sentidos han sido desarrollados. Sin embargo es su libertad en la construcción, sin embargo es la libertad en la construcción de frases en particular, lo que impide a los mapas conceptuales ser automáticamente traducibles a alguna representación formal.

Equilibrio: Usabilidad y Amistad vs Formalismo

El mapeo de conceptos ha tenido un uso extendido como una herramienta de elicitación de conocimiento (KE). En términos de su producción de proposiciones que son informativas acerca de un dominio, el mapa conceptual es almenos más eficiente que otros métodos de KE disponibles y es probablemente el método más eficiente para generar modelos del conocimiento de un dominio (Hoffman, Coffey, Carnot, & Novak, 2002). Como un procedimiento KE, ha sido exitosamente empleado para representaciones medianas e interfaces para software inteligente (Sistemas basados en conocimiento y sistemas tutores) en una variedad de dominios aplicando mapas de conceptos en elicitación u obtención de conocimiento para expertos en servicios de diseño. Las herramientas de mapas de concepto han sido exitosamente incorporadas en la elicitación de conocimiento en ambientes de software. (Ford 1991). Sin embargo, los mapas en su forma pura (estilo “Novakiano”) no son convenientes para una representación formal de conocimiento debido a la libertad proporcionada en la selección de conceptos – que a menudo consisten en más de una palabra – y unión de frases. En la mayoría de los ejemplos de KE situados arriba, los mapas fueron usados como la interfaz de un sistema, pero no fueron usados directamente para generar proposiciones, reglas u otro tipo de representación formal. Siempre que la comunidad de la Inteligencia Artificial ha tomado el uso de los mapas para representar conocimiento, ha sido usualmente bajo la condición de que los conceptos y las frases de unión son estrictamente para taxonomías y ontologías predefinidas, como en el caso del ambiente sacudido para la captura a gran escala de de expertos en conocimiento.(Clark 2001). Las representaciones formales que resultan en la mayoría de los casos no serían probablemente consideradas mapas mentales (en el estilo Novakiano) por la comunidad de mapas de concepto. Como resultado, parte de la comunidad AI no mira con buenos ojos el uso de mapas estilo Novakian y los consideran como “no interesantes” para representar el conocimiento, o interesantes después de “formalizarlos”. Entendemos que “formalizar” un mapa conceptual restringiendo las frases conectivas y/o los conceptos llevan a un esquema de representación del conocimiento que es amigable para aplicar algún tipo de proceso automatizado al esquema. Concordamos con el argumento de Kremer que los mapas pueden ser usados formal o informalmente, y amabas formas son necesarias. Ambas representaciones han mostrado ser útiles en gran variedad de situaciones. En la comunidad AI, el producto tradicional de tareas de elicitacion de conocimiento son los modelos formales esperados por la mayoría de herramientas de AI y de los analistas. Que es, traducir el conocimiento de la mente del experto en una rigurosa e inambigua representación para procesos futuros. Este proceso, aunque efectivo en términos de producto final, es conocido por provocar “ cuellos de botella en la adquisición de conocimiento” (Hayes-Roth, Waterman, & Lenat, 1983). El formalismo requerido a menudo hace imposible para el experto construir su propio modelo de conocimiento, requiriendo la participación de ingenieros del conocimiento altamente entrenados y un número de entrevistas para la elicitacion y el chequeo del modelo. Los mapas conceptuales no proveen de una representación del conocimiento formal a menudo esperado por la comunidad AI como el producto final del modelo de elicitacion del conocimiento. Ellos proveen menos rigurosidad, estructura, del modelo de comprensión del dominio del experto. Como sea, el compromiso en formalizar reduce la carga en el proceso de elicitacion y facilita ampliamente el uso de la técnica por los expertos sin la intervención de un ingeniero del conocimiento (e.g. the Mars 2001 project at NASA Ames by Briggs (Briggs et al., 2004)), Aliviando el cuello de botella en la adquisición del conocimiento. Los mapas conceptuales, en su estilo puro Novakiano, son, una actividad humana – una forma de modelar el conocimiento de una forma que sea fácilmente entendida por otros humanos, no por maquinas. Como sea, ellos traen un enorme beneficio al tradicional esfuerzo de AI para la ingeniería del conocimiento. En ambientes educativos (el main target de los mapas conceptuales estilo Novokiano) algunos investigadores han propuesto unas representaciones más formales y restringidas de mapas conceptuales para facilitar la implementación de herramientas como “algoritmos scoring (no se como se traducen je je je, si alguien sabe…) (Lopes da Rocha, J. Valenda da Costa Jr., & Luiz Favero, 2004), assessment (Kornilakis, Gogoulou, Papanikolaou, & Gouli) y verificación de mapas conceptuales (Cimolino, Kay, & Miller). Dansereau y sus colegas han reportado extensamente el uso de mapas de conocimiento, que utilizan un grupo restringido de frases conectoras, en una variedad de aplicaciones (Chmeilewski & Dansereau, 1998; Lambiotte; Rewey, Dansereau, & Peel) incluyendo el enseñar idiomas foráneos (Bahr & Dansereau, 2001). En nuestro esfuerzo de investigación, no estamos interesados en mapas restringidos para predefinir taxonomias u ontologías para obtener una notación más formal, debido a que nosotros creemos que la libertad de la selección de conceptos y frases conectoras le dan a la herramienta gran poder, los hace amigables y fáciles de aprender. Discutimos, en cambio, que los mapas ofrecen un compromiso razonable entre flexibilidad y formalismo en la representación de conocimiento, y en este paper, que la estructura y el contexto proveído por los mapas habilitan el desarrollo de lo que hemos llamado software inteligente, descrito más adelante en este paper. Otros investigadores han tomado posiciones similares en el desarrollo de herramientas para mapas conceptuales (e.g., Conlon, 2004). Proponemos que a pesar de la deficiencia de formalismos, técnicas AI pueden ser usadas para ayudar usuarios en la construcción de mapas conceptuales Novokianos. Hemos encontrado que siguiendo los lineamientos de Novak (Novak & Gowin, 1984) en términos de hacer conceptos de palabras simples y las frases conectoras lo más cortas posibles conducen a los mapas a, una notación más formal aunque no sea directamente traducible. Provee una abundancia de información de la que se puede tomar ventaja por una herramienta inteligente basada en AI que ayude al usuario en el proceso de construir mapas, en vez de tratar de convertir mapas Novokianos en algo que no son para utilizarlos en aplicaciones AI. Hemos desarrollado herramientas AI para ayudar al usuario en el proceso de construcción de mapas. Estas herramientas toman ventaja de las características de los mapas que describimos en la siguiente sección.

Características de los mapas conceptuales

Los mapas Novokianos tienen características particulares que los hacen amenos para las herramientas inteligentes, y son:

Los mapas tiene estructura: por definición, los conceptos más generales son presentados en la parte superior mientras que los más específicos en la parte inferior. Otra información estructural, por ejemplo, el numero de conexiones ingoing y outgoing de un concepto, podrían proveer información adicional con respecto al rol del concepto en el mapa. (Leake, Maguitman & Reichherzer (Leake, Maguitman, & Reichherzer) presentan soporte experimental de la importancia cognitiva de estos factores).
Los mapas son basados en proposiciones, cada dos conceptos con su frase conectora forman una “unidad de significado”. Esta estructura proposicional diferencian los mapas de otras herramientas como son los mapas mentales y el cerebro y provee semántica a las relaciones entre los conceptos.
Los mapas tienen un contexto, un mapa es la representación del entendimiento de una persona de un dominio particular del conocimiento. Como son, todos los conceptos y las frases conectoras que son interpretadas en el contexto.

Adicionalmente, en mapas bien construidos:

Los conceptos y las frases conectoras son lo más cortas posible, posiblemente palabras simples.
cada dos conceptos unidos por una frase conectora forman una proposicion standalone. Que es, que la preposición puede ser leída independientemente del mapa y sigue “teniendo sentido”.
La estructura es hereditaria y el nodo raíz del mapa es una buena representación del tema del mapa.

Herramientas Inteligentes y CMapsTools

En el instituto para la cognición humana y mecánica (IHMC) hemos desarrollado CMapTools (Cañas et al.; Cañas, Hill et al.) un software muy usado para soportar la construcción de mapas también para la anotación de mapas con material adicional como imágenes , video clips, diagramas y otros recursos. Provee la capacidad de guardar y acceder mapas en servidores múltiples para soportar el intercambio de conocimiento a través de distancias geográficas. Hemos implementado un grupo de herramientas inteligentes en CMapTools. Este va desde un ambiente de colaboración en el “nivel de conocimiento” hasta mapas conceptuales basados en la búsqueda en la Web. Describimos algunas de estas herramientas como ejemplos de cómo una herramienta inteligente puede tomar ventaja de las características de los mapas antes mencionadas.

Soups and the Giant

Las Soups (Cañas, Ford, Brennan, Reichherzer, & Hayes, 1995; Cañas et al., 2001) proveen para un tipo único de colaboración entre un grupo de usuarios – usualmente estudiantes- construir cada uno un mapa en un mismo tema. Como se dijo anteriormente, un mapa puede ser considerado como una colección organizada de proposiciones relacionadas conjuntamente a una colección de tópicos. Cada proposición es expresada por una sentencia simplificada la cual puede ser extraída de un mapa siguiendo los arcos, los nodos iniciales y finales, es decir, tomando pares de conceptos y sus frases conectoras. Por ejemplo, el mapa en la figura 2 contiene la proposición “Ozone forms an Ozone Layer” y “Ozone Layer is in the Stratosphere”. Cuando el estudiante (por propósitos de esta ilustración asumiremos que los usuarios colaborativos son estudiantes) construye el mapa, el sistema automáticamente descompone este mapa en proposiciones que son listadas en la parte superior de la ventana a la derecha del mapa que se muestra en la figura 2.

Esto permite dos muy diferentes (aunque lógicamente equivalentes) representaciones de la ideas del estudiante: uno es la estructura gráfica del del Cmap y otro es la manera textual. Un estudiante puede publicar consideraciones, que son potencialmente visible para otros (las consideraciones publicadas se demuestran con un pin a la izquierda, como si estuvieran fijadas en un tablón de anuncios). Llamamos este proceso que es hacer una demanda. Estas consideraciones publicadas – demandas - parte convertida de los estudiantes de colaboración' compartieron la “sopa del conocimiento”, que consiste en una “base de datos altamente organizada” de las demandas simples que representan el conocimiento cada vez mayor del grupo. Es a través de estas sopas del conocimiento que esa colaboración y el compartir ocurren.

Las sopas del conocimiento tienen muchas interpretaciones y se pueden exhibir de varias maneras. Pueden ser pensadas en como cuerpo del texto, una codificación de un grupo más grande Cmap, o una colección anotada de discusiones entre los estudiantes. Las demandas publicadas se pueden considerar por otros estudiantes y se pueden utilizar en su propio proceso del mapa-edificio, pero un estudiante no puede ver todas las demandas publicadas por otros, pues esto sería a menudo cognitivamente inmanejable. El sistema tiene heurística sobre lo mal relatado de las demandas del conocimiento. Las únicas demandas que un estudiante ve son esos directamente relacionados con los que él contribuyó a la sopa del conocimiento. Mientras que un estudiante publica más, una gama más amplia de otras demandas relacionadas llega a ser visible. Esta estrategia se piensa para animar y para recompensar a estudiantes para la participación. Un estudiante puede preguntar por una demanda hecha por otro estudiante, si el o ella discrepa con él en algo que lo desconcierta, el autor de la demanda puede responder. Preguntar una demanda la hace ser exhibida con “hilo de discusión” a su izquierda, para indicar al autor y a cualquier tercero que está bajo conflicto. Las dudas son mensajes que son visibles con una marca. Cualquier persona - incluyendo, por supuesto, el autor del requerimiento - puede leer este mensaje y responder a él con otro comentario, o una explicación o una defensa del original. De esta manera, una demanda publicada puede convertirse en el lugar geométrico de una discusión extendida sobre un cierto asunto. Propias demandas del estudiante están además conforme a la revisión de par. En el cuadro 2, un estudiante ha preguntado por qel requerimiento “ozono tiene un agujero” - ahora se espera que el autor del requerimiento responda a traves del mismo mecanismo.

Figura 2: Mapa conceptual is parte de la sopa de conocimiento sobre Ozone.

Las sopas no son un canal de comunicaciones. De hecho, la sopa ser publicada como demandas anónimas. El contenido, no la fuente, determina qué partes de la sopa son publicadas por el estudiante. De esta manera, es una nueva clase de interacción del grupo que asciende a una colaboración entre los estudiantes enteramente en los términos de lo que saben, una colaboración en el nivel del conocimiento. Puesto que las sopas son accesibles a través del Internet, la colaboración puede ocurrir dentro de una sala de clase, entre las salas de clase, o entre las escuelas, es local o distante.

Las sopas demuestran la utilidad de la naturaleza de las consideraciones de Cmaps. Aun cuando las consideraciones no se pueden traducir a una notación más formal, se convierten en la base de un ambiente el compartir y de la colaboración.

El gigante

Hemos desarrollado a agente del software - el gigante (Reichherzer, Cañas, Ford, y Hayes, 1998) que se aprovecha del ambiente de la sopa y de la naturaleza preposicional de la creencia del estudiante. El gigante, encajado en el programa y el funcionamiento independientemente en la máquina de cada estudiante, genera las conclusiones tentativas derivadas (de otros estudiantes) de asuntos locales (el estudiante) y compartidos de la sopa del conocimiento usando un sistema de reglas simple. Presenta sus propias demandas al estudiante y pide la decisión sobre su validez.
Referimos al agente como gigante porque en un sentido `sabe' mucho pero carece totalmente conocimiento del sentido común y ha limitado las capacidades de razonar que inducen a veces un tonto solamente comportamiento de diversión. El gigante no está garantizado para dibujar conclusiones racionales del Cmap (como que un ser humano) y no verifica de ninguna manera los asuntos del estudiante - tal intención no se persigue en nuestro estudio. Sin embargo, los asuntos del gigante actúan a menudo como desestabilizador del `' al estudiante, proponiendo las conclusiones que animan a que el usuario que considere una diversa línea del pensamiento.

El gigante se basa en un sistema de las reglas pequeño que se pueden clasificar en tres categorías: transitividad; cuantificador, calificador y dependencias; y clasificación y extensión. De acuerdo con estas reglas el gigante genera sus propias conclusiones. Por ejemplo, si el estudiante tiene un asunto “plantas tiene hojas” y otro estudiante tiene “hojas son verde” en la sopa, el gigante concluye que las “plantas son verdes” y propone esto como demanda al estudiante (las reglas comprueban no sólo para los conceptos que emparejan, pero también para saber si hay pares de las palabras que se ligan que indican conclusiones razonables). Si el estudiante tiene “algunas estrellas son estrellas de neutrón”, las notas del gigante cuantificara “algunos” y concluirán que “hay las estrellas que no son estrellas de neutrón”, o “la capacidad de ser un neutrón requiere algo”, o las “estrellas no son siempre estrellas de neutrón”. El cuadro 3 demuestra que el gigante que toma la demanda “magnesio del estudiante es un mineral” y una demanda “los minerales están en el suelo” para concluir que el “magnesio está en el suelo”. Las demandas del gigante se exhiben en una ventana separada, y cuando el estudiante da click activando uno de ellos, una caja de diálogo como ésa en el cuadro 3 se exhibe, así el estudiante puede verificarle al gigante si la demanda es verdad, falsa o tonta.

Figure 3: The Giant proposes a claim to the student.

La opción tonta demuestra que Giant[1], aun cuando tiene acceso a todas las demandas en la Sopa[2], es probable que llegue a conclusiones irracionales. Pero como Giant no pretende enseñar al estudiante, realmente no importa si él no tiene siempre la razón. Giant además demuestra cómo las herramientas inteligentes pueden aprovechar la naturaleza proposicional de los Cmaps[3]. Con capacidades limitadas de la comprensión y de la construcción de la oración, Giant puede ayudar a los estudiantes a construir mejores Cmaps.

Desambiguación de palabras – ¿De qué trata este Mapa Conceptual?

Las palabras tienen a menudo más de un significado, y una tarea difícil en el procesamiento del lenguaje natural es determinar el correcto significado de una palabra en un texto basado en su contexto. Debido a su naturaleza de forma-libre, esta ambigüedad está también presente en los Cmaps, como puede ser visto en los dos sencillos ejemplos de la Figura 4 que muestran dos mapas usando el concepto “silla” (“chair”) con dos significados diferentes.

El poder determinar cuál es el significado correcto de “silla” en cada uno del Cmaps ayudaría a otras herramientas, por ejemplo Giant, a tomar mejores decisiones. En Cañas y otros (2003) informamos sobre un esfuerzo por utilizar WordNet (Miller, 1990) para quitar ambigüedades del significado de palabras en Cmaps, sean parte de un concepto o de una frase de relación. Explotando la topología y la semántica de Cmaps, el algoritmo utiliza los significados y las relaciones semánticas proporcionados por WordNet para intentar determinar cuál de los significados de WordNet concuerda mejor en el contexto del Cmap. Para quitar ambigüedades de una palabra W, el algoritmo comienza seleccionando los conceptos claves del mapa: (a) palabras en los conceptos que están en la misma proposición W, (b) las palabras en el concepto de la raíz del mapa, y (c) otras palabras en el concepto al cual pertenece W. Estas palabras seleccionadas y W entonces se utilizan en una serie de los pasos descritos en Cañas y otros (2003): (a) cada una de las palabras se relaciona con uno o más synsets de WordNet (un synset es un sistema de palabras sinónimas que representan un concepto en WordNet), (b) todas las secuencias posibles del hypernym[4]se construyen de quien su último elemento sea un synset de una de esas series, (c) los grupos de secuencias hypernym son creados, y (d) se selecciona el mejor grupo, y (e) el último synset del grupo seleccionado proporciona el significado sin ambigüedades de la palabra. Otros algoritmos usados para quitar ambigüedades de palabras en el texto (por ejemplo. Fellbaum, Palmer, Dang, Delfs, & Wolf, 2001) tienen el problema de seleccionar las palabras claves, que en el caso del texto es difícil porque no hay una estructura particular, y las relaciones entre las palabras no están claras. Nuestro algoritmo explota la topología del mapa incluyendo solamente las palabras de los conceptos claves como parte del proceso de la desambiguación. Figura 4. Dos mapas conceptuales usando la misma palabra “silla” (“chair”) con significados diferentes. La Figura 5 muestra el resultado de quitar ambigüedades del concepto “silla” en el Cmaps de la Figura 4. Para cada mapa, el concepto “silla” fue seleccionado, y el servidor de WordNet disponible para CmapTools fue invocado para mostrar información sobre el término. La invocación de esta función ejecuta automáticamente el algoritmo de la desambiguación de la palabra descrito arriba y, como resultado, el significado correcto de la palabra es mostrado como la entrada superior en la lista de las definiciones. La ventana superior muestra el resultado para el mapa “Silla en Habitación” (“Chair in Room”) y la ventana inferior para el mapa “Presidente del Departamento” (“Chair of Department”). Como puede ser visto, el algoritmo seleccionó el significado correcto en ambos casos. En Cañas y otros (2003) informamos sobre un experimento dónde los temas fueron pedidos para seleccionar el sentido apropiado para los conceptos en Cmaps. Los resultados demostraron que el algoritmo podía convenir con el significado seleccionado por los temas en el 75% de los casos. El poder quitar ambigüedades del significado de un concepto abre un nuevo grupo completo de herramientas inteligentes para aplicarse a Cmaps. Dos de estas herramientas, que todavía no se toman ventaja de este algoritmo, se presentan en la sección siguiente.

Buscando la Web basada en un Mapa del Conceptual

Los motores de búsqueda se han convertido en un asunto caliente mientras que el Web crece en lo que hace algunos años era un tamaño inimaginable Figura 5: Quitando ambigüedades del significado de “silla” en los Cmaps en la Figura 4 El trabajo de los buscadores Web ha sido reemplazado lentamente con motores de búsqueda a gran escala. Nadie navega en la Web más: los usuarios Google que buscan un tópico en el que están interesados y luego lo dejan.

Es decir, muchos de los usuarios de la Web confían en la gran cantidad de billones de páginas indexadas en la Web para ellos. Sin embargo, motores de búsqueda confían en una consulta específica hecha por el usuario y los usuarios raramente proveen buenos querys. El promedio de los querys de búsqueda, en un estudio reciente son de 2.2 palabras (Spink, Wolfram, Jansen, & Saracevic, 2001). Como resultado, la lista de documentos recuperados trae una gran cantidad de información que no tiene relevancia para la consulta. Nosotros proponemos para alivianar este problema de las ventajas que se proveen en el contexto de los mapas conceptuales a) proveer consultas más completas para los motores de búsqueda y b) realzar el total de resultados proveídos por los motores. El usuario puede fácilmente y concretamente especificar el contexto de la búsqueda en un mapa conceptual, el cual será usado para la construcción automática de consultas. Los algoritmos de búsquedas-web, implementados en CmapTools permiten al usuario seleccionar un concepto y preguntar al sistema para buscar en la web información que sea relevante con el concepto que se encuentra en el contexto del mapa. El proceso consiste en: a) Analizar el mapa para preparar una consulta relevante para buscar en la búsqueda Web. b) Recuperación de los documentos relevantes de la Web. c) Organizar las páginas Web de acuerdo con la relevancia. d) presentar los resultados para el usuario. Describiremos brevemente cada uno de estos pasos. Para generar la consulta, los conceptos clave son seleccionados del mapa. Esto incluye las palabras concepto, la raíz del mapa y los nodos autoridad: Aquellos con el número más alto de links que salen hacia otros nodos. Nosotros asumimos que el número de links que salen es un indicativo de una elaboración adicional de estos conceptos y por tanto una muestra de su relevancia en el contexto del mapa. Nosotros usamos la consulta construida a partir de los conceptos clave en los pasos anteriores para recuperar las páginas web y construir nuestra colección de documentos. Nosotros hemos desarrollado un motor metabuscador basado primeramente en google para recuperar un conjunto inicial de documentos del internet público. Una vez recuperados, estos documentos son agregados a la cache local para búsqueda, la cual es basada en una comparación de la distancia de matrices calculadas desde el mapa a cada documento candidato. La distancia de matrices es simétrica, y provee una lista nutrida de términos concepto en el mapa y de documentos. Lo nutrido entre términos en el mapa es proporcional al número de frases enlace entre cada concepto. Para los documentos, el total es estimado como una función del número de palabras entre cada término de mapa encontrado en el texto. Las distancias cortas entre los términos representan un peso más alto, como términos que son más probables para formar una proposición. Resultados experimentales reportados en Carvalho muestran que el algoritmo anotó un similar o mejor que el mejor cuarto motor de búsqueda disponible en el top de los que recuperan documentos relevantes para el mapa de acuerdo a un tema en criterio, y lo realizó claramente mejor que los otros tres. La combinación de influencia en la estructura del mapa en la generación de la consulta y utilizar la naturaleza proposicional y la topología jerárquica de los mapas conceptuales para proveer información contextual para identificar un rango de documentos arrojados que parecen ser más relevantes para proveer una mejora sobre el rango de documentos proveídos por motores de búsqueda públicos disponibles.

Herramientas Inteligentes para construir Mapas Conceptuales

Las capacidades de búsqueda de la Web de CmapTools pueden también ser usadas en el proceso de construcción de un mapa. La aplicación de CmapTools supervisa proactivamente en contexto de un mapa abierto para una búsqueda autónoma para la información de la Web que puede ser relevante para el usuario. A discreción del usuario, esta información puede ser utilizada para verificar, corregir o extender su mapa durante su búsqueda o elaboración. Esta capacidad esta integrada con el editor, y las sugerencias con base en la web pueden ser proporcionadas de dos formas: a) una lista de paginas web que pueden ser usadas por el usuario como referencia. b) una lista de conceptos relevantes que el usuario puede, en su discreción, agregar al Cmap para ampliar o clarificar el contenido. Esta información es preventivamente ofrecida por la aplicación como los cambios del contexto de mapa, pero esto además puede requerir demanda del usuario. La sugerencia de la pagina web esta basada en una versión realzada del algoritmo de búsqueda propuesto para obtener paginas importantes de la web basadas en la etapa corriente del Cmap (Leake, Maguitman, Reichherzer y otros.). Una diferencia en la sugerencia preventiva de las páginas web es que se considera el mapa entero. Esta contrasta con la petición de búsqueda, donde al usuario se le permite especificar un concepto dentro del mapa que podrá usar para enfocar la búsqueda. Las pruebas descritas en este modulo con un grupo de usuarios tuvieron un reporte que indico que los resultados son efectivos en la presentación de los conceptos importantes del usuario. Esta eficacia sin embargo disminuye cuando los mapas crecen, que implica que el algoritmo debería ser revisado para tener en cuenta que en mapas más grandes, los usuarios trabajan con la mayor probabilidad en un pedazo del mapa, y entonces los conceptos sugeridos deberían ser determinados por el contexto de aquel pedazo. En este experimento, a las personas (13 en total) se les dio un tema para un mapa y construirlo con un mínimo de 20 conceptos. Durante la construcción del mapa, eran periódicamente guiados con una lista de sugerencias para los conceptos. Las sugerencias eran automáticamente extraídas por CmapTools basado en la extracción de contextos de diferentes etapas de los mapas. Cuando se indujo a cada uno de los usuarios a que calificaran los conceptos en una escala de importancia. El promedio por persona fue de 6 veces de una lista de 15 sugerencias (cada vez) durante la construcción del mapa. Sobre la tercera etapa que clasifica el porcentaje de las personas que han posicionado al menos 4 de los 15 conceptos sugeridos como relevantes estuvo por encima del 62% y el número de sujetos que posicionaron al menos 3 de ellos como relevantes estuvo por encima del 77%. Para la última etapa, como el mapa crece en tamaño, el número de porcentajes borrados y que siempre se conservaron fue por encima del 50%. Los módulos de los mapas conceptuales buscan en la web paginas y conceptos para que el usuario adicione durante la construcción del mapa sobre como las herramientas inteligentes pueden influenciar características particulares de los mapas.

Conclusiones

Los mapas son representaciones graficas en dos dimensiones de una persona entendiendo un dominio. Reconocido como herramienta inteligente para adquisición de conocimiento representado y compartido. Los mapas conceptuales son comúnmente criticados por la comunidad de Inteligencia Artificial por la deficiencia de formalismo que esta intrínseco en la técnica. En este escrito nosotros hemos mostrado que hasta sin comprometer la flexibilidad propuesta en los mapas conceptuales, es posible diseñar herramientas de software inteligente que influencie la estructura, jerarquía y contexto de los mapas para llevar a cabo tareas de inferencia complejas. Nuestro llamado es al compromiso en el formalismo en la construcción de propuestas flexibles de los mapas pueda ser compensado con la ayuda de las herramientas inteligentes e Inteligencia Artificial para adquirir lo mejor de los dos mundos el de la representación y el de adquisición de conocimiento.

[1] The Giant: página 6

[2] The Soups: página 4

[3] Cmaps: Mapas Conceptuales

[4] Una palabra A es un hypernym (del griego υπερνύμιον, significando literalmente “nombre adicional”) de otra palabra B si el significado de A abarca el significado de B, es decir, si B es una clase de A. (Wikipedia: http://en.wikipedia.org/wiki/Hypernym)

Lenguajes generadores de SBC

jarrubla — Thu, 06 Sep 2007 16:46:37 CDT

Para el desarrollo de sistemas basados en el conocimiento se han venido utilizando tanto lenguajes de programación específicos de la inteligencia artificial, como de propósito general; estos lenguajes los podemos dividir de la siguiente forma:

Imperativos: PASCAL, C/C++
Funcionales: LISP
Declarativos: PROLOG, CHIP, OPS5
Orientados a Objetos: SmallTalk, Hypercard, CLOS

A continuación encontramos una breve descripción de algunos de ellos y varios ejemplos.

Pascal
Es un lenguaje de programación desarrollado por el profesor Suizo Niklaus Wirth a finales de los años 60. Su objetivo era crear un lenguaje que facilitara el aprendizaje de la programación a sus alumnos. Sin embargo con el tiempo su utilización excedió el ámbito académico para convertirse en una herramienta para la creación de aplicaciones de todo tipo. Pascal se caracteriza por ser un lenguaje de programacion estructurado fuertemente tipificado. Esto implica que:

El código esta dividido en porciones fácilmente legibles llamadas funciones o procedimientos. De esta forma Pascal facilita la utilización de la programación estructurada en oposición al antiguo estilo de programación monolítica.
El tipo de dato de todas las variables debe ser declarado previamente para que su uso quede habilitado.

Características únicas

A diferencia de lenguajes de programación descendientes de C, Pascal utiliza el símbolo:= para la asignación en vez de =. Si bien el segundo es más conciso, la práctica ha demostrado que muchos usuarios utilizan el símbolo de igualdad para comparar valores en lugar del comparador de C que es el símbolo ==. Dado que Pascal no permite asignaciones dentro de expresiones y utiliza sintaxis distinta para asignaciones y comparaciones, no sufre errores. Además sus programas tienen definidas dos partes: declarativa y ejecutiva. En la primera debe aparecer todo lo que se usará en la segunda, de lo contrario se detecta como desconocido y evita ciertas incomprensiones. En la parte declarativa se enuncian Unit existentes, procedimientos, funciones, variables, constantes y nuevos tipos de datos estructurados. Otra diferencia importante es que en Pascal, el tipo de una variable se fija en su definición; la asignación a variables de valores de tipo incompatible no están autorizadas. Esto previene errores comunes donde variables son usadas incorrectamente porque el tipo es desconocido. Esto también evita la necesidad de notación húngara, esto es prefijos que se añaden a los nombres de las variables y que indican su tipo. Ejemplo de código usando la estructura lineal
program raiz(input, output);
(* Obtener la raíz cuadrada de un número real x cualquiera. *)
var x, y: real;
respuesta: string;
begin
writeln('** Calcular la raíz cuadrada de x **');
writeln('Entrar x (> 0): ');
readln(x);
y := sqrt(abs(x)); (* Raíz cuadrada del valor absoluto de x para evitar raíces imaginarias *)
writeln;
if (x<0) then (* Si x es negativo, el resultado se notifica como imaginario *)
writeln('La raíz cuadrada de ', x, ' es el número imaginario ', y,'i')
else
writeln('La raíz cuadrada de ', x, ' es ', y);
writeln;
writeln('** Fin **');
readln; (* Espera a que el usuario pulse enter para salir del programa *)
end.

C
Es un lenguaje de programación creado en 1969 por Ken Thompson y Dennis M. Ritchie en los Laboratorios Bell como evolución del anterior lenguaje B, a su vez basado en BCPL. C es apreciado por la eficiencia del código que produce y es el lenguaje de programación más popular para crear software de sistemas, aunque también se utiliza para crear aplicaciones. Se trata de un lenguaje débilmente tipado de medio nivel pero con muchas características de bajo nivel. Dispone de las estructuras típicas de los lenguajes de alto nivel pero, a su vez, dispone de construcciones del lenguaje que permiten un control a muy bajo nivel. Los compiladores suelen ofrecer extensiones al lenguaje que posibilitan mezclar código en ensamblador con código C o acceder directamente a memoria o dispositivos periféricos.

Ventajas

Lenguaje muy eficiente puesto que es posible utilizar sus características de bajo nivel para realizar implementaciones óptimas.
A pesar de su bajo nivel es el lenguaje más portado en existencia, habiendo compiladores para casi todos los sistemas conocidos.
Proporciona facilidades para realizar programas modulares y/o utilizar código o bibliotecas existentes.

C++
Es un lenguaje de programación, diseñado a mediados de los años 1980, porBjarne Stroustrup, como extensión del lenguaje de programacionC. Se puede decir que C++ es un lenguaje que abarca tres paradigmas de la programación: la programación estructurada, la programación genérica y la programación orientada a objetos. Las principales características del C++ son el soporte para programación orientada a objetos y el soporte de plantillas o programación genérica. Además posee una serie de propiedades difíciles de encontrar en otros lenguajes de alto nivel:

Posibilidad de redefinir los operadores (sobrecarga de operadores)
Identificación de tipos en tiempo de ejecución (RTTI)

C++ está considerado por muchos como el lenguaje más potente, debido a que permite trabajar tanto a alto como a bajo nivel, sin embargo es a su vez uno de los que menos automatismos trae lo que "dificulta" mucho su aprendizaje.

Diferencias de Tipos respecto de C

En C++, cualquier tipo de datos que sea declarado completo se convierte en un tipo de datos único. Las condiciones para que un tipo de datos T sea declarado completo son a grandes rasgos las siguientes:

Es posible al momento de compilación conocer el espacio asociado al tipo de datos.
T Tiene al menos un constructor, y un destructor, bien declarados.
Si T es un tipo compuesto, o es una clase derivada, o es la especificación de una plantilla, o cualquier combinación de las anteriores, entonces las dos condiciones establecidas previamente deben aplicar para cada tipo de dato constituyente.

En general, esto significa que cualquier tipo de datos definido haciendo uso de las cabeceras completas, es un tipo de datos completo. En particular, y, a diferencia de lo que ocurría en C, los tipos definidos por medio de struct o enum son tipos completos. Como tales, ahora son sujetos a sobrecarga, conversiones implícitas, etcétera. Los tipos enumerados, entonces, ya no son simplemente alias para tipos enteros, sino que son tipos de datos únicos en C++. El tipo de datos bool, igualmente, pasa a ser un tipo de datos único, mientras que en C funcionaba en algunos casos como un alias para alguna clase de dato de tipo entero.

LISP
Es uno de los más utilizados desde los comienzos de la I.A. Se trata de uno de los lenguajes de alto nivel más antiguos. Se creó en 1950 en el MIT por John McCarthy. Es un lenguaje cuyo principal estructura de datos son las listas, aún cuando se han ido incorporando otras estructuras más sofisticadas como pueden ser los objetos.
Tiene como ventaja el manejo de sus estructuras a muy alto nivel lo que facilita la implementación rápida de los modelos y su facilidad de modificación. Como desventaja está su relativa lentitud frente a lenguajes de propósito general como C. La mayoría de las primeras herramientas de desarrollo de sistemas basados en el conocimiento fueron escritas en LISP y, en la actualidad, conviven con otras que se han desarrollado en C++.
En LISP se dan los siguientes conceptos característicos:

Listas y Átomos: La estructura más importante es la lista. Los átomos pueden subordinarse a cualidades.
La Función: Cada función LISP y cada programa LISP tiene estructura de lista. Los programas no pueden distinguirse sintácticamente de los datos. LISP ofrece sus propias funciones básicas.
Forma de Trabajo: LISP es un lenguaje funcional. Ofrece la posibilidad de realizar definiciones recursivas de funciones. La unión de procedimientos se realiza de forma dinámica, es decir en plena ejecución, y no como en otros lenguajes de programación. El sistema realiza automáticamente una gestión dinámica de memoria.

El programa que se muestra a continuación es un programa en LISP que calcula y visualiza la media de una lista de números de entrada. Por ejemplo, si la entrada es la lista: (85.5 87.5 89.5 91.5) Entonces el resultado presentado será el valor 88.5. La variable x se utiliza para almacenar la lista de entrada y la variable n se utiliza para determinar cuántos valores hay. La variable med contiene al final la media calculada.
(defun sum (x) ; calcula la suma de una lista x
(cond ((null x) O)
((atom x) x)
(t (+ (car x) (sum (cdr x)]
(defun cont (x) ; cuenta el número de valores de x
(cond ((null x) O)
((atom x) 1)
(t (addl (cont (cdr x)]
(defun media () ; el programa principal comienza aquí
(print 'introducir la lista a promediar')
(setq x (read))
(setq n (count x))
(setq med (/ (sum x) n))
(princ "la media es = ‘ ‘)
(print med)]

El programa está compuesto de tres funciones del LISP, cada una indicada por la cabecera "defun" (abreviación de "define function”). La primera función "sum" calcula la suma aritmética de los elementos de la lista x. La segunda, "cont", calcula el número de valores de la lista. La tercera función, "media", es el programa principal y controla la entrada (usando "read”), el cálculo de la media "med" y la salida (usando "print").

PROLOG
Fue creado por Alain Colmenauer en la Universidad de Marsella en 1972. Se trata de un lenguaje declarativo frente a los lenguajes de programación más usuales que son procedurales. Los lenguajes declarativos, a diferencia de los procedurales, no describen secuencialmente el algoritmo de resolución del problema, sino que se limitan a describir los hechos conocidos y las relaciones existentes entre ellos. Los lenguajes procedurales están orientados al "cómo" mientras que los declarativos están orientados al "qué". Es el lenguaje declarativo, en el caso que nos ocupa PROLOG, quien a partir de los datos introducidos deduce nuevos hechos y resuelve el problema automáticamente.

PROLOG tiene incluido, por tanto, un motor de inferencia que se encarga de realizar búsquedas en su base de hechos. Programar con PROLOG, por tanto, consiste en asertar hechos sobre objetos y preguntar al sistema sobre sus relaciones. Este lenguaje, aún cuando se le reconocen sus bondades, no ha tenido una gran utilización (si se exceptúa Francia, Gran Bretaña y Japón con el proyecto de 5ª generación, en el que se adoptó como lenguaje de programación PROLOG) siendo su principal aplicación el manejo de bases de datos relacionales junto con lenguajes de bases de datos de 4ª generación asociados a éstas.

En la actualidad, es común la utilización de lenguajes orientados a objeto (tales como C++) para el desarrollo de generadores de sistemas basados en el conocimiento y de los propios sistemas basados en el conocimiento por su rendimiento, en términos de tiempo de ejecución, superior al de las herramientas generales. La incorporación de la programación orientada a objetos al lenguaje C ha facilitado la labor de modelización que requiere todo sistema basado en el conocimiento y su rapidez de ejecución así como el hecho de ser uno de los lenguajes de programación más conocidos ha hecho que su uso vaya en aumento.

Ejemplo de Código Prolog

%%%%
declaraciones
%%

padrede('juan', 'maria'). % juan es padre de maria
padrede('pablo', 'juan'). % pablo es padre de juan
padrede('pablo', 'marcela').
padrede('carlos', 'debora').

% A es hijo de B si B es padre de A
hijode(A,B) :- padrede(B,A).

% A es abuelo de B si A es padre de C y C es padre B
abuelode(A,B) :-
padrede(A,C),
padrede(C,B).

% A y B son hermanos si el padre de A es también el padre de B y si A y B no son lo mismo
hermanode(A,B) :-
padrede(C,A),
padrede(C,B),
A \== B.

% A y B son familiares si A es padre de B o A es hijo de B o A es hermano de B
familiarde(A,B) :-
padrede(A,B).

familiarde(A,B) :-
hijode(A,B).

familiarde(A,B) :-
hermanode(A,B).

%%%%
consultas
%%

%juan es hermano de marcela?
?- hermanode('juan', 'marcela').
yes

% carlos es hermano de juan?
?- hermanode('carlos', 'juan').
no

% pablo es abuelo de maria?
?- abuelode('pablo', 'maria').
yes

% maria es abuela de pablo?
?- abuelode('maria', 'pablo').
no

Smalltalk
Es un sistema informático que permite realizar tareas de computación mediante la interacción con un entorno de objetos virtuales. Metafóricamente, se puede considerar que un Smalltalk es un mundo virtual donde viven objetos que se comunican mediante el envío de mensajes. Un sistema Smalltalk esta compuesto por:

Máquina virtual
Imagen virtual que contiene todos los objetos del sistema
Lenguaje de programación (también conocido como Smalltalk)
Biblioteca de Objetos reusables
Opcionalmente un entorno de desarrollo que funciona como un sistema en tiempo de ejecución.

Características

Se busca que todo lo que se pueda realizar con un ordenador se pueda realizar mediante un Sistema Smalltalk, por lo que en algunos casos se puede considerar que incluso sirve como Sistema Operativo. Smalltalk es considerado el primero de los lenguajes orientados a objetos. En Smalltalk todo es un objeto, incluidos los números reales o el propio entorno Smalltalk. Como lenguaje tiene las siguientes características:

Orientación a Objetos Pura
Tipado dinámico
Interacción entre objetos mediante envío de mensajes
Herencia simple y con raíz común
Reflexión computacional completa
Recolección de basura
Compilación en tiempo de ejecución o Interpretado
Múltiples Implementaciones

Smalltalk ha tenido gran influencia sobre otros lenguajes como Java o Ruvy, y de su entorno han surgido muchas de las prácticas y herramientas de desarrollo promulgadas actualmente por las metodologías ágiles.

HyperCard
Fue una aplicación informática de Apple Computer que se contó entre los primeros sistemas hipermedia con éxito anteriores a la Worl Wide Web. Conceptualmente se acerca a una base de datos, pues almacena información, siendo además gráfico, flexible y capaz de crear ficheros fáciles de modificar. También incluía HiperTalk, un lenguaje de programación potente y relativamente fácil de usar, para manipular los datos y la interfaz de usuario. Los usuarios de HyperCard lo usaban a menudo como un sistema de programación para el desarrollo rápido de aplicaciones más que como base de datos. HyperCard corre nativamente sólo en Mac OS versiones 9 y anteriores, pero puede usarse aún en el modo Classic de Mac OS X. HyperCard no era sólo un motor de base de datos; la apariencia de cada tarjeta podía modificarse, de la misma forma que puede escribirse información no estándar sobre las tarjetas de un rolodex. Una capa de fondo especial de cada pila contenía elementos que aparecían en todas las demás tarjetas de la misma pila, o en todas las tarjetas basadas en dicho fondo. Los fondos podían incluir imágenes, además de los objetos también disponibles para las demás tarjetas: campos gráficos, botones, campos de texto y otros elementos típicos de las GUIs. Cada tarjeta podía entonces contener datos diferentes asociados a los campos de texto o gráficos, creando de esta forma la funcionalidad de base de datos. Por ejemplo, una libreta de direcciones podía confeccionarse añadiendo al fondo unos cuantos campos de texto para contener el nombre y la dirección. Tras esto, el usuario puede añadir nuevas tarjetas y rellenar los campos. El fondo puede ser modificado en cualquier momento, permitiendo que los cambios fueran fáciles de hacer. Los operaciones básicas como búsqueda, adición y borrado estaban integradas en el entorno de HyperCard, permitiendo que las bases de datos simples fuesen configuradas y usadas por cualquiera capaz de usar un ordenador Macintosh.
CLOS Es el acrónimo inglés de Common Lisp Object System y es una extensión de ANSI Common Lisp para permitir la programacion orientada a objetos que ha sido adoptada por otros dialectos de Lisp como EuLisp o Emacs Lisp. Inicialmente fue propuesta como un añadido del lenguaje, pero posteriormente CLOS fue adoptado como parte de estándar ANSI de Common Lisp. CLOS es un lenguaje de programación dinámico dirigido a objetos que difiere mucho de lo que podemos encontrar en lenguajes de programación estáticos orientados a objetos como C++ o Java. CLOS está inspirado en sistemas Lisp orientados a objetos anteriores como MIT Flavors o Common LOOPS, aunque es más genérico que éstos. Precisamente la generalidad de CLOS es la característica más difícil de obtener, aunque crear un sistema OO en Lisp es fácil: La implementación orientada a objetos de CLOS se conoce como CLOS Metaobject Protocol o MOP y permite que el sistema sea extensible y personalizable.
CLOS es un sistema de resolución múltiple. Esto significa que los métodos se pueden distinguir según los tipos de todos los argumentos. Los métodos en CLOS se agrupan en funciones genéricas, colecciones de métodos con el mismo nombre y estructura de argumentos, pero con argumentos de tipos diferentes.

Sistemas basados en el conocimiento

andresgir — Sun, 02 Sep 2007 17:42:04 CDT

Los Sistemas Basados en el conocimiento son sistemas avanzados de representación y resolución de problemas complejos. Su arquitectura y sus formalismos de representación son la base de muchos de los sistemas actuales. Su uso se puede encontrar en todas las ramas de aplicaciones especiales de los sistemas informáticos donde se requieran prestaciones especiales, sobretodo en aquellas áreas donde el conocimiento de expertos sea el soporte básico como medicina, industria, gestión, finanzas, organización empresarial y otros.

La naturaleza del conocimiento que contienen es la mayor parte de las veces derivado de la experiencia acumulada en áreas determinadas y la validación de estos sistemas requiere una metodología diferente a la de los sistemas convencionales dada la característica simbólica (y no numérica) del conocimiento que contienen

Arquitectura de SBC

Sistemas Expertos Vs SBC

SBC expertos y no expertos

Aplicaciones de los Sistemas Expertos

Sus principales aplicaciones se dan en las gestiones empresariales debido a que; a) Casi todas las empresas disponen de un ordenador que realiza las funciones básicas de tratamiento de la información: contabilidad general, decisiones financieras, gestión de la tesorería, planificación, etc.
b) Este trabajo implica manejar grandes volúmenes de información y realizar operaciones numéricas para después tomar decisiones. Esto crea un terreno ideal para la implantación de los SE.

Además los Sistemas Expertos (SE) también se aplican en la contabilidad en apartados como: Auditoria(es el campo en el que más aplicaciones de SE se esta realizando) Fiscalidad, planificación, análisis financiero y la contabilidad financiera.

ÁREAS DE APLICACIÓN

Los SE se aplican a una gran diversidad de campos y/o áreas. A continuación se listan algunas de las principales:

|| Militar || Informática || Telecomunicaciones ||
|| Química || Derecho || Aeronáutica ||
|| Geología || Arqueología || Agricultura ||
|| Electrónica || Transporte || Educación ||
|| Medicina || Industria || Finanzas y Gestión ||

VENTAJAS

Estos programas proporcionan la capacidad de trabajar con grandes cantidades de información, que son uno de los grandes problemas que enfrenta el analista humano que puede afectar negativamente a la toma de decisiones pues el analista humano puede depurar datos que no considere relevantes, mientras un SE debido a su gran velocidad de proceso analiza toda la información incluyendo las no útiles para de esta manera aportar una decisión más sólida.

LIMITACIONES

Es evidente que para actualizar se necesita de reprogramación de estos (tal vez este sea una de sus limitaciones más acentuadas) otra de sus limitaciones puede ser el elevado costo en dinero y tiempo, además que estos programas son poco flexibles a cambios y de difícil acceso a información no estructurada.
Debido a la escasez de expertos humanos en determinadas áreas, los SE pueden almacenar su conocimiento para cuando sea necesario poder aplicarlo. Así mismo los SE pueden ser utilizados por personas no especializadas para resolver problemas. Además si una persona utiliza con frecuencia un SE aprenderá de el.

Por otra parte la inteligencia artificial no ha podido desarrollar sistemas que sean capaces de resolver problemas de manera general, de aplicar el sentido común para resolver situaciones complejas ni de controlar situaciones ambiguas.

El futuro de los SE da vueltas por la cabeza de cada persona, siempre que el campo elegido tenga la necesidad y/o presencia de un experto para la obtención de cualquier tipo de beneficio.

http://www.wikilearning.com/Instalar%20GNU/sistemas_basados_en_conocimiento-wkccp-12149-1.htm
Página muy completa con información referente a SBC.