Inteligencia Computacional

La expresión inteligencia computacional (CI) suele referirse a la capacidad de una computadora para aprender una tarea específica a partir de datos u observaciones experimentales. Aunque comúnmente se considera sinónimo de informática suave, todavía no existe una definición comúnmente aceptada de inteligencia computacional.

En general, la inteligencia computacional es un conjunto de metodologías y enfoques computacionales inspirados en la naturaleza para abordar problemas complejos del mundo real para los cuales el modelado matemático o tradicional puede ser inútil por varias razones: los procesos pueden ser demasiado complejos para el razonamiento matemático, podría contener algunas incertidumbres durante el proceso, o el proceso podría ser simplemente de naturaleza estocástica. De hecho, muchos problemas de la vida real no se pueden traducir al lenguaje binario (valores únicos de 0 y 1) para que las computadoras los procesen. Por tanto, la inteligencia computacional proporciona soluciones a estos problemas.

Los métodos utilizados se aproximan a la manera de razonar del ser humano, es decir, utiliza conocimientos inexactos e incompletos, y es capaz de producir acciones de control de forma adaptativa. Por lo tanto, la IC utiliza una combinación de cinco técnicas complementarias principales. La lógica difusa que permite a la computadora comprender el lenguaje natural, las redes neuronales artificiales que permiten al sistema aprender datos experienciales operando como el biológico, la computación evolutiva, que se basa en el proceso de selección natural, la teoría del aprendizaje y los métodos probabilísticos que ayuda a lidiar con la incertidumbre y la imprecisión.

Excepto esos principios fundamentales, los enfoques actualmente populares incluyen algoritmos de inspiración biológica, como la inteligencia de enjambre y los sistemas inmunológicos artificiales, que pueden verse como parte de la computación evolutiva, el procesamiento de imágenes, la extracción de datos, el procesamiento del lenguaje natural y la inteligencia artificial, que Suele confundirse con la Inteligencia Computacional. Pero aunque tanto la Inteligencia Computacional (CI) como la Inteligencia Artificial (IA) buscan objetivos similares, existe una clara distinción entre ellas.

La Inteligencia Computacional es, por tanto, una forma de actuar como seres humanos. De hecho, la característica de "inteligencia" Generalmente se atribuye a los humanos. Más recientemente, muchos productos y artículos también afirman ser "inteligentes", atributo que está directamente relacionado con el razonamiento y la toma de decisiones.

Historia

Fuente: La noción de Inteligencia Computacional fue utilizada por primera vez por el Consejo de Redes Neurales de IEEE en 1990. Este consejo fue fundado en los años 80 por un grupo de investigadores interesados en el desarrollo de redes neuronales biológicas y artificiales. El 21 de noviembre de 2001, el Consejo de Redes Neurales de IEEE se convirtió en la Sociedad de Redes Neurales de IEEE, para convertirse en la Sociedad de Inteligencia Computacional de IEEE dos años más tarde, incluyendo nuevas áreas de interés como sistemas fuzzy y computación evolutiva, que se relacionaron con la Inteligencia Computacional en 2011 (Dote y Ovaska).

Pero la primera definición clara de Inteligencia Computacional fue presentada por Bezdek en 1994: un sistema se llama computacionalmente inteligente si trata con datos de bajo nivel, como datos numéricos, tiene un componente de reconocimiento de patrones y no utiliza conocimiento en el Sentido de la IA y, además, cuando comienza a exhibir capacidad de adaptación computacional, tolerancia a fallas, velocidad de respuesta cercana a la humana y tasas de error que se aproximan al desempeño humano.

Bezdek y Marks (1993) diferenciaron claramente la CI de la IA, al argumentar que la primera se basa en métodos de computación blanda, mientras que la IA se basa en métodos de computación dura.

Diferencia entre Inteligencia Computacional y Artificial

Aunque la Inteligencia Artificial y la Inteligencia Computacional buscan un objetivo similar a largo plazo: alcanzar la inteligencia general, que es la inteligencia de una máquina que podría realizar cualquier tarea intelectual que un ser humano pueda realizar; hay una clara diferencia entre ellos. Según Bezdek (1994), la Inteligencia Computacional es un subconjunto de la Inteligencia Artificial.

Existen dos tipos de inteligencia artificial: la artificial basada en técnicas de computación dura y la computacional basada en métodos de computación blanda, que permiten adaptarse a muchas situaciones.

Las técnicas de computación dura funcionan siguiendo la lógica binaria basada en sólo dos valores (los booleanos verdadero o falso, 0 o 1) en los que se basan las computadoras modernas. Un problema con esta lógica es que nuestro lenguaje natural no siempre se puede traducir fácilmente a términos absolutos de 0 y 1. Las técnicas de computación blanda, basadas en lógica difusa, pueden resultar útiles en este caso. Mucho más cercana a la forma en que funciona el cerebro humano agregando datos a verdades parciales (sistemas nítidos/difusos), esta lógica es uno de los principales aspectos exclusivos de la IC.

Dentro de los mismos principios de lógica difusa y binaria siguen sistemas nítidos y difusos. La lógica nítida forma parte de los principios de la inteligencia artificial y consiste en incluir o no un elemento en un conjunto, mientras que los sistemas difusos (CI) permiten que los elementos estén parcialmente en un conjunto. Siguiendo esta lógica, a cada elemento se le puede dar un grado de pertenencia (de 0 a 1) y no exclusivamente uno de estos 2 valores.

Los cinco principios fundamentales de la IC y sus aplicaciones

Las principales aplicaciones de la Inteligencia Computacional incluyen la informática, la ingeniería, el análisis de datos y la biomedicina.

Lógica difusa

Como se explicó anteriormente, la lógica difusa, uno de los principios fundamentales de la CI, consiste en mediciones y modelado de procesos hechos para procesos complejos de la vida real. Puede enfrentarse a datos incompletos y, lo más importante, a la ignorancia de los datos en un modelo de proceso, a diferencia de la Inteligencia Artificial, que requiere un conocimiento exacto.

Esta técnica tiende a aplicarse a una amplia gama de dominios como el control, el procesamiento de imágenes y la toma de decisiones. Pero también está muy introducido en el campo de los electrodomésticos con lavadoras, hornos microondas, etc. También podemos afrontarlo cuando utilizamos una cámara de vídeo, donde ayuda a estabilizar la imagen mientras sujetamos la cámara de forma inestable. Otras áreas como el diagnóstico médico, el comercio de divisas y la selección de estrategias comerciales se encuentran fuera de las numerosas aplicaciones de este principio.

La lógica difusa es útil principalmente para el razonamiento aproximado y no tiene capacidad de aprendizaje, una cualidad muy necesaria que tienen los seres humanos. Les permite mejorar aprendiendo de sus errores anteriores.

Redes neuronales

Es por eso que los expertos en IC trabajan en el desarrollo de redes neuronales artificiales basadas en las biológicas, que pueden definirse por 3 componentes principales: el cuerpo celular que procesa la información, el axón, que es un dispositivo que permite la señal la conducción y la sinapsis, que controla las señales. Por tanto, las redes neuronales artificiales están dotadas de sistemas distribuidos de procesamiento de información, que permiten el proceso y el aprendizaje a partir de datos experienciales. Trabajando como seres humanos, la tolerancia a fallos es también uno de los principales activos de este principio.

En cuanto a sus aplicaciones, las redes neuronales se pueden clasificar en cinco grupos: análisis y clasificación de datos, memoria asociativa, generación de patrones y control. Generalmente, este método tiene como objetivo analizar y clasificar datos médicos, proceder a la detección de fraudes y, lo más importante, abordar las no linealidades de un sistema para poder controlarlo. Además, las técnicas de redes neuronales comparten con las de lógica difusa la ventaja de permitir la agrupación de datos.

Computación evolutiva

La computación evolutiva puede verse como una familia de métodos y algoritmos para la optimización global, que generalmente se basan en una población de soluciones candidatas. Están inspirados en la evolución biológica y, a menudo, se resumen como algoritmos evolutivos. Estos incluyen los algoritmos genéticos, la estrategia de evolución, la programación genética y muchos otros. Se consideran solucionadores de problemas para tareas que no se pueden resolver mediante métodos matemáticos tradicionales y se utilizan con frecuencia para la optimización, incluida la optimización multiobjetivo.

Teoría del aprendizaje

Sigo buscando una forma de "razonamiento" cerca de los humanos' Primero, la teoría del aprendizaje es uno de los principales enfoques de la IC. En psicología, el aprendizaje es el proceso de reunir efectos y experiencias cognitivas, emocionales y ambientales para adquirir, mejorar o cambiar conocimientos, habilidades, valores y visiones del mundo (Ormrod, 1995; Illeris, 2004). Luego, las teorías del aprendizaje ayudan a comprender cómo se procesan estos efectos y experiencias y luego ayudan a hacer predicciones basadas en experiencias previas.

Métodos probabilísticos

Al ser uno de los elementos principales de la lógica difusa, los métodos probabilísticos introducidos por primera vez por Paul Erdos y Joel Spencer (1974) tienen como objetivo evaluar los resultados de un sistema de Computación Inteligente, principalmente definido por la aleatoriedad. Por tanto, los métodos probabilísticos sacan a relucir las posibles soluciones a un problema, basándose en conocimientos previos.

Impacto en la educación universitaria

Según estudios bibliométricos, la inteligencia computacional juega un papel clave en la investigación. Todas las principales editoriales académicas aceptan manuscritos en los que se analiza una combinación de lógica difusa, redes neuronales y computación evolutiva. Por otro lado, la inteligencia computacional no está disponible en el plan de estudios universitario. La cantidad de universidades técnicas en las que los estudiantes pueden asistir a un curso es limitada. Sólo la Columbia Británica, la Universidad Técnica de Dortmund (implicada en el auge difuso europeo) y la Universidad del Sur de Georgia ofrecen cursos en este ámbito.

La razón por la que las principales universidades ignoran el tema es porque no tienen los recursos. Los cursos de informática existentes son tan complejos que al final del semestre no hay lugar para la lógica difusa. A veces se enseña como un subproyecto en cursos de introducción existentes, pero en la mayoría de los casos las universidades prefieren cursos sobre conceptos clásicos de IA basados en lógica booleana, máquinas de Turing y problemas de juguetes como el mundo de los bloques.

Desde un tiempo con el auge de la educación STEM, la situación ha cambiado un poco. Hay algunos esfuerzos disponibles en los que se prefieren enfoques multidisciplinarios que permitan al estudiante comprender sistemas adaptativos complejos. Estos objetivos se discuten sólo sobre una base teórica. El plan de estudios de las universidades reales aún no estaba adaptado.

Publicaciones

• Transacciones IEEE en redes neuronales y sistemas de aprendizaje
• Transacciones IEEE en sistemas de marea
• Transacciones del IEEE sobre la computación evolutiva
• Transacciones IEEE en temas emergentes en inteligencia computacional
• Transacciones IEEE sobre Desarrollo Mental Autónomo
• Transacciones IEEE/ACM sobre Biología Computacional y Bioinformática
• Transacciones IEEE en Inteligencia Computacional y AI en Juegos
• Transacciones IEEE en NanoBiociencia
• Transacciones IEEE sobre Forenses de Información y Seguridad
• Transacciones de IEEE sobre Computación Afectiva
• Transacciones IEEE en Smart Grid
• Transacciones IEEE en Nanotecnología
• IEEE Systems Journal