S8.S1 Avance Del Trabajo Final

Descargar como docx, pdf o txt
Descargar como docx, pdf o txt
Está en la página 1de 12

Inteligencia Artificial

AUTORES:
 Casapaico Pardo, Juan Ricardo
 Puelles Perez, Edgar Joel

 Avalos López, Diego Alonso

 Castillo Avalos, Juan Diego

 Chaname Cruz, Edwar Jhonatan


DOCENTE:
Ivonne Sadith Musayon Oblitas

ASIGNATURA:
Introducción a la Ingeniería de Sistemas

AÑO:

2023
I. Introducción:
La inteligencia artificial (IA) se ha convertido en una herramienta fundamental para la
innovación y el avance en distintas áreas del conocimiento. Desde la medicina hasta la
robótica, la IA tiene la capacidad de abordar problemas complejos y llevar a cabo tareas
que antes eran impensables. La IA se define como la rama de la ciencia de la computación
que se enfoca en el diseño de máquinas inteligentes para realizar funciones que
requieren inteligencia humana. Con el uso de algoritmos, las máquinas pueden aprender
y tomar decisiones basándose en grandes cantidades de datos. La IA está presente en
muchas aplicaciones que usamos en nuestro día a día, como el reconocimiento de voz, la
recomendación de contenido y la detección de fraudes financieros. Pero su aplicación no
se limita a nuestras actividades cotidianas.
En el campo médico, la IA se utiliza para mejorar el diagnóstico y tratamiento de
enfermedades. Los sistemas de IA pueden analizar grandes cantidades de datos médicos y
ayudar en la detección temprana de enfermedades como el cáncer o el Alzheimer.En la
industria automotriz, los vehículos autónomos son un ejemplo de cómo la IA está
cambiando la forma en que nos movemos. Los sistemas de IA permiten a los vehículos
conducirse de manera autónoma, lo que podría reducir significativamente el número de
accidentes de tráfico.En el sector financiero, la IA se está utilizando cada vez más para
mejorar la seguridad y la eficiencia en la detección de fraudes. Los sistemas de IA pueden
detectar patrones en grandes cantidades de datos financieros y alertar a los bancos sobre
posibles actividades fraudulentas.Sin embargo, la IA no está exenta de desafíos y
preocupaciones. Esta monografía tiene como objetivo explorar los avances y desafíos de
la IA, así como su impacto en la sociedad.

II. Metodologia
Identificación del problema: Un problema común en la programación de la
inteligencia artificial es la falta de diversidad al entrenar el sistema. Aunque los datos
estén en cantidad abundante, si la información procesada es muy limpia y con una
tendencia homogénea, el resultado puede ser inesperado. Además, otro riesgo potencial
ocurre cuando se da una sobreconfianza en la capacidad de los algoritmos, en especial si
no se prueban adecuadamente.
La identificación del problema es la primera tarea crucial para la solución del mismo. Para
ello, es necesario revisar los datos de entrenamiento, ya que esto puede determinar si
hay sesgos en el proceso. La realización de pruebas y la recolección de retroalimentación
es igualmente importante para garantizar la calidad constante de la función del sistema.
Thomas Bayes, matemático británico del siglo XVIII, sostuvo con acierto que es necesario
dejar ir nuestras suposiciones y mirar solo los datos para poder aprender
verdaderamente. En la Inteligencia Artificial, la hipótesis podría ser el sesgo más grande.
Otro problema en la identificación de problemas en la IA es la falta de transparencia en el
proceso. En muchos casos, las organizaciones desconocen cómo funciona la IA y las
razones por las que toma ciertas decisiones. Esto puede llevar a errores críticos en la
toma de decisiones en los negocios y la vida cotidiana. Esta falta de transparencia puede
causar reticencia en la adopción de la tecnología, ya que las posibles consecuencias
negativas a largo plazo pueden ser preocupantes.
Revisión bibliográfica: Investiga lo que se ha escrito sobre el problema identificado.
Revisa revistas especializadas, artículos revisados por pares, informes de investigación y
cualquier otra fuente relevante para obtener información y comprender mejor el tema.

Marco teórico: Define y establece el marco teórico para tu investigación, que incluye
las teorías y modelos relevantes relacionados con la problemática de la IA que estás
examinando. Por ejemplo, puedes examinar la teoría de redes neuronales profundas en el
procesamiento del lenguaje natural o la teoría de la toma de decisiones en un sistema de
asistencia médica.

Hipótesis y objetivos de investigación: Formula una hipótesis y los objetivos de


investigación de tus investigaciones, como probar la eficacia de un enfoque de IA en un
caso de estudio específico.

Diseño y método de investigación: Diseña y ejecute tu investigación, lo cual puede


incluir recopilación de datos, como entrevistas a expertos en la industria o pruebas de un
prototipo IA en entornos de prueba. Selecciona y aplica el método de investigación que
mejor se adapte al enfoque elegido, como el análisis de correlación o un modelo de
simulación.

Análisis y discusión de resultados: Examina y evalúa los resultados obtenidos de tu


estudio e interpreta qué significan para tu investigación. Discute los resultados en
relación con la hipótesis de tu investigación y los objetivos de la investigación, y saca
conclusiones y recomendaciones relevantes para el campo de la IA en general.

III. Marco teórico:


La inteligencia artificial (IA) es una rama de la informática que se enfoca en la creación o
desarrollo de sistemas informáticos capaces de realizar tareas que en principio solo
podían ser realizadas por humanos 12, como el aprendizaje, la resolución de problemas,
la toma de decisiones y la comprensión del lenguaje natural. Uno de los fundamentos de
la IA es el aprendizaje automático, que permite a las máquinas aprender sin ser
programadas explícitamente para cada tarea.

Desarrollo del tema:


Modelos de inteligencia artificial, desde las redes neuronales hasta los sistemas basados
en reglas.
Técnicas y herramientas de la IA, como el aprendizaje automático y el procesamiento de
lenguaje natural.
Contribuciones de la IA en diferentes campos, como la medicina, la educación o la
industria.

IV. Retos y debates en inteligencia artificial:


Impacto social y ético de la IA, incluyendo temas como la privacidad, el sesgo de los datos,
la desigualdad y la seguridad.
Desafíos técnicos y de seguridad, como la falta de interpretabilidad de los sistemas de IA y
la amenaza de los ataques cibernéticos.
Desafíos regulatorios y legales, como el impacto de la IA en la propiedad intelectual y la
responsabilidad legal de los sistemas de IA que actúan de manera autónoma.
1. Machine Learning o aprendizaje automático
El Machine Learning o aprendizaje automático es un campo científico y, más
particularmente, una subcategoría de inteligencia artificial. Consiste en dejar que los
algoritmos descubran «patterns», es decir, patrones recurrentes, en conjuntos de datos.
Esos datos pueden ser números, palabras, imágenes, estadísticas, etc. Todo lo que se
pueda almacenar digitalmente puede servir como dato para el Machine Learning. Al
detectar patrones en esos datos, los algoritmos aprenden y mejoran su rendimiento en la
ejecución de una tarea específica. En resumen, los algoritmos de Machine Learning
aprenden de forma autónoma a realizar una tarea o hacer predicciones a partir de datos y
mejorar su rendimiento con el tiempo. Una vez entrenado, el algoritmo podrá encontrar
los patrones en nuevos datos.
2. Fuzzy logic o lógica difusa
Una de las disciplinas matemáticas con mayor número de seguidores actualmente es la
llamada lógica difusa o borrosa, que es la lógica que utiliza expresiones que no son ni
totalmente ciertas ni completamente falsas, es decir, es la lógica aplicada a conceptos
que pueden tomar un Valor cualquiera de veracidad dentro de un conjunto de valores
que Oscilan entre dos extremos, la verdad absoluta y la falsedad total.
3. Vida artificial
La vida artificial es una ciencia de frontera que intenta comprender la esencia y la
naturaleza de la vida mediante la construcción (simulación o síntesis) de sistemas
artificiales que exhiban propiedades normalmente asociadas a los organismos vivos. Se
trata, por lo tanto, del primer esfuerzo de investigación sistemático orientado a
desentrañar la lógica de la vida y de los sistemas (artificiales) que exhiben características
o comportamientos propios de la vida, entendiendo la vida como un fenómeno de
complejidad creciente.
4. Sistemas expertos
Los sistemas expertos son aplicaciones tecnológicas que pertenecen al gran campo de la
inteligencia artificial y pueden identificarse como programas o sistemas informáticos que
reproducen la actuación de uno o varios expertos en un campo de actividad determinado
(dominio). Estos sistemas están ya bastante maduros y, por lo tanto, son ampliamente
aplicables en muchos contextos; un ejemplo es la venta de productos complejos para la
que es imprescindible contar con un configurador de productos. En este servicio, que
actualizaremos periódicamente, analizamos en detalle qué son los sistemas expertos,
cómo funcionan, cómo se aplican y dónde pueden producir beneficios para las empresas.
5. Data Mining o minería de datos
El data mining se conoce de muchas formas: minería de datos, business intelligence, big
data… El nombre escogido depende, y mucho, del área en el que se use, y Big data parece
ahora la que está más de moda. Pero independientemente del nombre que se le dé,
todos ellos hacen referencia al mismo concepto: extraer conocimiento a partir de bases
de datos. La definición formal de data mining o minería de datos sería: la extracción no
trivial de información implícita, previamente desconocida y potencialmente útil a partir
de datos. Otra manera de definirlo podría ser: la exploración y el análisis -por medios
automáticos o semiautomáticos- de grandes cantidades de datos con el fin de descubrir
patrones con significado.
6. Redes Bayesianas
Las redes bayesianas proporcionan una representación gráfica para un conjunto de
variables aleatorias y para las relaciones existentes entre ellas. La estructura de la red
permite especificar la función de probabilidad conjunta de estas variables como el
producto de funciones de probabilidad condicionadas, por lo general, más sencillas. Este
enfoque representa una buena estrategia para hacer frente a problemas relacionados con
la incertidumbre, donde las conclusiones no pueden ser construidas sólo a partir de un
conocimiento previo sobre el problema. Las redes bayesianas (también conocidas como
redes causales probabilísticas, redes causales, sistemas expertos bayesianos, redes de
creencia, sistemas expertos probabilísticas o diagramas de influencia) son herramientas
estadísticas que representan un conjunto de incertidumbres asociadas sobre la base de
las relaciones de independencia condicional que se establecen entre ellas.
7. Ingeniería del conocimiento
La Ingeniería del Conocimiento consiste pues, en generar nuevo conocimiento , que antes
no existía, a partir de la información contenida en las bases de datos documentales y
mediante el cruce del contenido de los documentos. La ingeniería del conocimiento parte
lógicamente de la Teoría actor-red, ya que pone de manifiesto redes y genera otras
nuevas. Además hace uso de la Teoría de la Traducción-Traslación, ya que mediante el
acercamiento y puesta en relación de actores, se produce un “moldeo” o traducción para
llevar los enunciados o modalidades a nuevos estadios de evolución. Para que la teoría
actor-red nos brinde sus frutos es necesario llegar a una cuantificación del conocimiento
que circula a través de las redes. Las bases de datos son simplemente una relación de
documentos, un sistema de almacenamiento de información. Las técnicas de
recuperación, a través de un medio de interrogación adecuado, delimitan una parte del
total de la base de datos, para entregarla al usuario que la consulta. El resultado es una
sub-base, normalmente muy pertinente, fácilmente manejable por un ser humano y que
debe ser estudiada y analizada por él para transformar la información contenida en ella
en conocimiento.
8. Redes neuronales artificiales
Las redes neuronales artificiales son un modelo computacional que permite simular el
comportamiento del cerebro humano, es decir, dotar a las máquinas de la capacidad de
aprender de una manera similar a como lo hace nuestro cerebro. Una red neuronal
artificial está formada por neuronas artificiales, que son unidades o nodos que reciben
información del exterior o de otras neuronas, de manera similar a los impulsos nerviosos
que reciben las neuronas del cerebro humano, las procesan y generan un valor de salida
que alimenta a otras neuronas de la red o son la salida hacia el exterior de la red.
9. Sistemas reactivos
Son aplicaciones críticas, en las cuales una falla o mal funcionamiento pueden acarrear
consecuencias graves, tales como poner en juego vidas humanas y/o grandes inversiones
económicas. El comportamiento de estos sistemas, llamados sistemas de tiempo real, no
está determinado únicamente por la sucesión de acciones que se ejecutan, sino también
por el momento en que las mismas ocurren y son procesadas. El tiempo de ejecución es el
parámetro fundamental en el comportamiento de esta clase de sistemas y una gran
parte, quizás la más importante, de los requerimientos de los mismos son temporales: tal
acción debe ejecutarse en un lapso de tiempo determinado, el tiempo transcurrido entre
dos eventos o señales debe estar acotado por un valor constante
10. Sistemas basados en reglas
Los sistemas basados en reglas son una herramienta eficiente para tratar estos
problemas. Las reglas deterministas constituyen la mas sencilla de las metodologías
utilizadas en sistemas expertos. La base de conocimiento contiene las variables y el
conjunto de reglas que definen el problema, y el motor de inferencia obtiene las
conclusiones aplicando la lógica clásica a estas reglas. Por regla se entiende una
proposición lógica que relaciona dos o mas objetos e incluye dos partes, la premisa y la
conclusión. Cada una de estas partes consiste en una expresión lógica con una o mas
afirmaciones objeto-valor conectadas mediante los operadores lógicos y, o, o no. Una
regla se escribe normalmente como “Si premisa, entonces conclusión”.
11. Razonamiento basado en casos
Es el proceso de solucionar nuevos problemas basándose en las soluciones de problemas
anteriores. El Razonamiento basado en casos es una manera de razonar haciendo
analogías. Se ha argumentado que el razonamiento basado en casos no sólo es un
método poderoso para el razonamiento de computadoras, sino que es usado por las
personas para solucionar problemas cotidianos. Más radicalmente se ha sostenido que
todo razonamiento es basado en casos porque está basado en la experiencia previa. Este
sistema de razonamiento se basa en una unidad mínima llamada caso. Un caso se puede
definir como una representación de una experiencia anterior, una vivencia. Podría ser
visto como una caja en la que encontramos todas aquellas cosas que pasaron en la
experiencia. Una buena analogía seria utilizando reglas, podríamos describir este caso
como un conjunto de reglas relacionadas con una experiencia. Debe quedar claro que las
reglas por si solas no tienen significado, ya que es en el conjunto de la experiencia donde
encontramos la mínima expresión. Si considerásemos reglas sueltas de esta experiencia
nos encontraríamos con que estaríamos delante de un sistema experto.
12. Técnicas de Representación de Conocimiento
Es un sistema que sirve para analizar el modo de pensar de manera formal. Se usa un
entorno de símbolos para la representación de un dominio de discurso, junto a las
funciones que puedan inferir sobre los objetos procesados. Representar el conocimiento
en Inteligencia Artificial es el proceso de transformación de éste a un dominio o un
lenguaje simbólico para ser procesado en un computador. cuyo objetivo fundamental es
representar el conocimiento de una manera que facilite la inferencia (sacar conclusiones)
a partir de dicho conocimiento. Analiza cómo pensar formalmente cómo usar un sistema
de símbolos para representar un dominio del discurso (aquello de lo que se puede
hablar), junto con funciones que permitan inferir (realizar un razonamiento formal) sobre
los objetos. Es una combinación de estructuras de datos y procedimientos interpretativos
que, empleados correctamente harán que un programa exhiba un comportamiento
inteligente.
13. Redes semánticas
Una red semántica o esquema de representación en Red es una forma de representación
de conocimiento lingüístico en la que los conceptos y sus interrelaciones se representan
mediante un grafo. En caso de que no existan ciclos, estas redes pueden ser visualizadas
como arboles. Las redes semánticas son usadas, entre otras cosas, para representar
mapas conceptuales y mentales. En un grafo o red semántica los elementos semánticos
se representan por nodos. Dos elementos semánticos entre los que se admite se da la
relación semántica que representa la red, estarán unidos mediante una línea, flecha o
enlace o arista. Cierto tipo de relaciones no simétricas requieren grafos dirigidos que usan
flechas en lugar de líneas. El objetivo de las redes semánticas es desarrollar una
infraestructura para generar datos que las computadoras puedan entender, de tal forma
que puedan ser compartidos y procesados no sólo por personas sino también por
herramientas automatizadas
14. Lingüística computacional
La lingüística computacional es el estudio científico del lenguaje humano o natural desde
una perspectiva computacional. Es un campo interdisciplinario en desarrollo que abarca
la lingüística teórica, el procesamiento de lenguas naturales, las ciencias de computación,
la inteligencia artificial, la psicología, la filosofía, las matemáticas y la estadística, entre
otras. Los lingüistas computacionales se interesan en proveer modelos computacionales
para varios tipos de fenómenos lingüísticos. Estos modelos pueden ser de conocimiento
(basados en conocimiento del mundo y competencia lingüística) o estocásticos (basados
en probabilidad y estadística a partir de datos). Es un campo multidisciplinar en la
lingüística aplicada en la informática. Se sirve de los sistemas informáticos para el estudio
y el tratamiento del lenguaje. Para ello, se intenta modelar de manera lógica el lenguaje
natural desde un punto de vista programable.
15. Procesamiento del lenguaje natural
El Procesamiento del Lenguaje Natural (PLN) es la rama de la informática y más
específicamente de la Inteligencia Artificial, que se ocupa de dotar a los computadores de
la capacidad de entender textos y palabras habladas de forma muy similar a la de los
seres humanos. El PLN combina la lingüística computacional, el modelado del lenguaje
humano basado en reglas, con modelos estadísticos, de Machine Learning y de Deep
Learning. Juntas, estas tecnologías permiten a los computadores procesar el lenguaje
humano en forma de texto o datos de voz y entender su significado completo, con la
intención y el sentimiento del hablante o escritor. El Procesamiento del Lenguaje Natural
es el campo de conocimiento de la Inteligencia Artificial que se ocupa de la investigar la
manera de comunicar las máquinas con las personas mediante el uso de lenguas
naturales, como el español, el inglés o el chino. Virtualmente, cualquier lengua humana
puede ser tratada por los ordenadores. Lógicamente, limitaciones de interés económico o
práctico hace que solo las lenguas más habladas o utilizadas en el mundo digital tengan
aplicaciones en uso. El procesamiento del lenguaje natural (PLN), como rama de la
inteligencia artificial, utiliza el aprendizaje automático para procesar e interpretar textos y
datos. El reconocimiento y la generación de lenguaje natural son tipos de PLN.

V. Conclusiones:
La inteligencia artificial ha avanzado enormemente en las últimas décadas y ha
demostrado ser capaz de mejorar significativamente la toma de decisiones en muchas
áreas. Desde la medicina hasta la logística, la IA está siendo cada vez más utilizada para
resolver problemas complejos de manera más rápida y eficiente. Sin embargo, también
hay preocupación por el impacto de la IA en el mercado laboral y la posible eliminación de
trabajos y habilidades humanas. Además, es importante tener en cuenta las cuestiones
éticas y legales en el desarrollo y aplicación de la IA, incluyendo la privacidad, la seguridad
y la transparencia. Otra preocupación importante es la posibilidad de que la IA supere la
inteligencia humana y se convierta en una amenaza para la existencia de la humanidad.
Hay quienes argumentan que la IA debe ser desarrollada con precaución y regulada
adecuadamente para mitigar estos riesgos. Por otro lado, hay quienes creen que la IA
puede ser utilizada para el bien común, como la lucha contra enfermedades y la
protección del medio ambiente. En última instancia, la forma en que se utiliza la
inteligencia artificial dependerá de las decisiones tomadas por los individuos y las
sociedades alrededor del mundo. La investigación continua y la colaboración entre
expertos en IA, empresas y gobiernos deben llevarse a cabo para fomentar el uso
responsable y beneficioso de esta tecnología.

VI.Trabajos citados
f
Hierro, M. (14 de enero de 2018). La inteligencia artificial y sus desafíos. Revista de
Administración, Finanzas y Tecnología. Obtenido de
https://www.sciencedirect.com/science/article/abs/pii/S1695403306702582
Ng, A. (26 de marzo de 2017). “La inteligencia artificial es la electricidad del siglo XXI,
se verá su presencia en prácticamente todo. Obtenido de
https://www.xataka.com/robotica-e-ia/este-es-andrew-ng-el-experto-que-afirma-
que-la-inteligencia-artificial-es-la-nueva-electricidad
Óscar Iván Pérez, M. C. (01 de 10 de 2020). Interacciones y sinergias entre ODS: un
análisis desde la responsabilidad social en Colombia. revista desarrollo y sociedad
, pág. 86. Obtenido de
https://revistas.uniandes.edu.co/index.php/dys/article/view/6763/7041
Pena, M. V. (1 de noviembre de 2017). plicación de la inteligencia artificial en el sector
salud : Una revisión sistemática. Revista de Investigación Académica. Obtenido de
https://dialnet.unirioja.es/servlet/articulo?codigo=7409694
Tegmark, M. (10 de diciembre de 2019). “Aprendamos a vivir con la inteligencia
artificial, aprendamos a trabajar juntos de la forma más efectiva posible. Obtenido
de https://dplnews.com/el-hombre-que-intenta-salvar-al-mundo-de-la-inteligencia-
artificial/
Verrastro, C. (25 de junio de 2023). INTRODUCCIÓN A LA INTELIGENCIA
ARTIFICIAL . Obtenido de
https://www.frba.utn.edu.ar/wp-content/uploads/2021/02/IIA-mod1-
Fundamentos.pdf

VII. References:
1. Barrat, J. (2017). Nuestra última invención: la inteligencia artificial y el fin de la era
humana. Barcelona: Editorial Ariel. [Enlace: https://www.casadellibro.com/libro-
nuestra-ultima-invencion-la-inteligencia-artificial-y-el-fin-de-la-era-humana/
9788434426367/6034382 ]

2. Bengio, Y. (2020). La revolución de la inteligencia artificial. Madrid: Editorial Debate.


[Enlace: https://www.casadellibro.com/libro-la-revolucion-de-
l9788499928848/11910082 ]
3. Mola, R. (2020). Introducción a la inteligencia artificial. Madrid: Editorial Síntesis.
[Enlace: https://www.sintesis.com/materias/informatica-e-internet-9/inteligencia-
artificial-793/introduccion-a-la-inteligencia-artificial-1078]

4. Li, F. (2018). El auge de la inteligencia artificial: cómo la inteligencia artificial y la


robótica transformarán la economía y la sociedad. Madrid: Editorial Deusto. [Enlace:
https://www.casadellibro.com/libro-el-auge-de-la-inteligencia-artificial-como-la-
inteligencia-artificial-y-la-robotica-transformaran-la-economia-y-la-sociedad/
9788423429341/5434094 ]

5. Domingos, P. (2017). El algoritmo maestro: cómo la búsqueda del algoritmo definitivo


está remodelando nuestro mundo. Barcelona: Editorial Debate. [Enlace:
https://www.casadellibro.com/libro-el-algoritmo-maestro-como-la-busqueda-del-
algoritmo-definitivo-esta-remodelando-nuestro-mundo/9788499926837/5223740 ]

6. Tegmark, M. (2018). Vida 3.0: ser humano en la era de la inteligencia artificial .


Barcelona: Editorial Debate. [Enlace: https://www.casadellibro.com/libro-vida-3-0-
ser-humano-en-la-era-de-la-intelig ]

También podría gustarte