LA INTELIGENCIA COMPUTACIONAL: UNA MIRADA UNIFICADORA

Ing. Pervys Rengifo Rengifo http://pervys-cienciaytecnologia.blogspot.com/

2004
Resumen:

En este ensayo se justifica la denominacin de inteligencia computacional para la inteligencia artificial y se hace una breve exposicin de las principales tcnicas de la inteligencia computacional, su evolucin y aplicaciones, haciendo nfasis en las tendencias actuales de renunciar a la precisin y la optimalidad de sus soluciones, en aras de aproximaciones ms robustas, ms generales, y ms tiles y provechosas, a la luz de los tiempos en que se requieren y de la complejidad de los sistemas que se estudian. Por otra parte, se indica que la diversidad de enfoques en la inteligencia computacional emergen de mltiples disciplinas y procesos, por lo tanto, su aplicacin involucra un anlisis multi, inter y transdisciplinar.

La inteligencia computacional (I.C.) es el estudio del diseo de agentes inteligentes. Un agente es algo que acta en un ambiente - l hace algo. Entre agentes se cuentan: gusanos, perros, termostatos, aeroplanos, humanos, organizaciones y sociedades. Un agente inteligente es un sistema que acta inteligentemente, esto es, que hace lo apropiado de acuerdo con las circunstancias y con los fines que persigue, que es flexible a los ambientes y a las metas cambiantes, que aprende de la experiencia, y hace las elecciones apropiadas dadas las limitaciones perceptuales y la finitez computacional. (Poole et al., 1998) El propsito cientfico fundamental de la inteligencia computacional es comprender los principios que hacen posibles el comportamiento inteligente, en sistemas naturales y artificiales. La principal hiptesis de la inteligencia computacional es que EL RAZONAMIENTO ES COMPUTACIN. Por otra parte, el principal propsito ingenieril de la inteligencia computacional es especificar mtodos para el diseo de artefactos u objetos fsicos o informticos inteligentes (Poole et al., 1998). El campo que ahora se refiere como inteligencia computacional es el que tradicionalmente se ha llamado inteligencia artificial, pero enriquecido con otras tcnicas, que integran todo el problema de la inteligencia a travs de mtodos computacionales. Adems, el nombre de inteligencia artificial ha sido fuertemente cuestionado, ya que la meta que se persigue es comprender la inteligencia en sistemas artificiales, pero tambin en sistemas naturales. El calificativo artificial, confunde el propsito del campo con su metodologa. El propsito es comprender cmo es posible el comportamiento inteligente. La metodologa es disear, construir y experimentar con sistemas computacionales que realizan tareas que comnmente son vistas como inteligentes. La construccin de estos artefactos es una actividad esencial, ya que la inteligencia computacional es, despus de todo, una ciencia emprica, pero esto no debe confundirse con su propsito cientfico. Otra razn para no preferir el calificativo de artificial, es que l connota inteligencia simulada. Contrario a esta apreciacin equivocada, el propsito no es simular la inteligencia. El propsito es comprender la

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

inteligencia real (natural o sinttica) de los sistemas inteligentes sintetizndola (Poole et el., 1998). Por lo tanto, en este ensayo se preferir utilizar el calificativo de computacional. Tambin podra definirse a la inteligencia computacional, como un rea de investigacin que tiene por objetivo el desarrollo de tcnicas computacionales inspiradas en la observacin de los mecanismos exitosos aplicados por la naturaleza para la solucin de sus problemas, y en conceptos estudiados en otras reas de la ciencia como la biologa, las matemticas, la psicologa, la ecologa, etc. Hacen parte de esta rea de investigacin paradigmas tcnicos de gran difusin en la actualidad como la computacin neuronal, la computacin granular, la computacin evolutiva, la computacin probabilstica, y otras tcnicas emergentes como la computacin molecular, autmatas celulares, hardware evolutivo, memtica, vida artificial, etc.(RED CIC, 2004). A pesar de lo indicado por Poole et al.(1998), no hay consenso an sobre lo que se quiere expresar exactamente con el trmino inteligencia computacional, sin embargo, una gran mayora de autores coinciden acerca de las reas que incluye: computacin evolutiva, computacin difusa y neurocomputacin. Adicionalmente, en CIG( 2004) se seala lo siguiente: Lo que se encierra en el nombre inteligencia computacional es un mensaje, de acuerdo con el folclor cientfico este nombre se eligi para indicar su conexin y su diferencia con el trmino de inteligencia artificial. Aunque las tcnicas dentro de la inteligencia computacional se cuentan entre las tcnicas de la inteligencia artificial (por ejemplo, algoritmos genticos, o redes neuronales) existe una clara diferencia entre estas tcnicas y las tcnicas tradicionales de la inteligencia artificial. En general, las tcnicas tpicas de la inteligencia artificial son descendentes (Top-tobottom), es decir, que la estructura de los modelos, soluciones, etc., es impuesta desde un alto nivel. Por el contrario, las tcnicas de la inteligencia computacional son generalmente ascendentes (Bottom-Up), donde el orden y la estructura emergen a partir de una configuracin no estructurada del sistema. Otros autores, coinciden en sealar a la inteligencia computacional como un sinnimo de computacin suave (sofcomputing), de la cual se hablar ms adelante en este ensayo. Sin embargo, para esta discusin se adoptar la definicin propuesta por Poole, en el sentido de agrupar dentro del trmino de inteligencia computacional, tanto el enfoque clsico de la inteligencia artificial, como las nuevas tcnicas y aproximaciones. La inteligencia computacional incluye, entonces, obviamente, el estudio del ser humano como agente inteligente, pero tambin incluye a otros agentes que muchas veces se califican como inteligentes, como gusanos, insectos y bacterias. Adems, se interesa en otro tipo de agente que puede ser ms inteligente que un ser humano (en algunos aspectos de la inteligencia, y considerado individualmente), este tipo de agente lo constituyen las organizaciones, de las cuales la colonia de hormigas sobresale como prototpica. Este tipo de inteligencia, que ser tratado ms adelante, que est asociado, no a individuos solitarios sino a sociedades formadas por ellos, se ha denominado inteligencia de enjambre (swarm intelligence). La sociedad humana, vista como un agente, es probablemente el agente inteligente ms inteligente conocido. Luego, la inteligencia computacional se inspira tanto en ejemplos biolgicos como ejemplos organizacionales de inteligencia. Los seres humanos son los animales ms sociales: viven juntos en familias, tribus, ciudades, naciones; comportndose y pensando de

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

acuerdo a las reglas y normas de sus comunidades, adoptando las costumbre de sus semejantes, incluyendo las cosas que ellos creen y las explicaciones que ellos usan para relacionarlas. Incluso cuando estn solos piensan acerca de cosas inanimadas, piensan usando el lenguaje (el medio de las comunicaciones interpersonales). Durante muchos siglos, se han desarrollado herramientas cada vez ms sofisticadas para el servicio de la raza humana. Las herramientas fsicas como cinceles, martillos, flechas, escopetas, carros, y aeroplanos, han tenido su lugar en la historia de la civilizacin. La raza humana ha desarrollado herramientas de comunicacin, tales como: lenguaje hablado, leguaje escrito, el lenguaje de las matemticas, etc. Estas herramientas no slo han permitido el intercambio y almacenamiento de la informacin, sino que tambin han permitido la expresin de conceptos que simplemente, no existiran si no existiera el lenguaje. Las ltimas dcadas han visto la llegada de nuevas herramientas: las computadoras digitales. Las computadoras son capaces de realizar los mismos tipos de manipulaciones numricas y simblicas que una persona ordinaria, pero mucho ms rpido y ms confiable. Aunque esto es impresionante, las tareas que tpicamente realizan las computadoras actualmente son realmente simples, aunque s muy rpidas. En las aplicaciones tradicionales las computadoras son utilizadas solamente como complejas mquinas de clculo. Sin embargo, la pregunta intrigante y desafiante ahora es: Se puede construir una computadora (o un programa de computadora) que pueda pensar? La investigacin en inteligencia artificial ha sido conducida hacia la construccin de una mquina como tal y mejorar la comprensin de la inteligencia. La ltima pretensin de este campo es construir una mquina que pueda emular o exceder las capacidades mentales de los seres humanos, incluyendo razonamiento, comprensin, imaginacin, reconocimiento, creatividad y emociones. Aunque actualmente se encuentra un poco lejos de esta meta, se han obtenido xitos parciales en la emulacin de algunas reas especficas de la actividad mental. Por ejemplo, las mquinas son ahora capaces de jugar ajedrez a un alto nivel, interpretar oraciones del lenguaje natural y diagnosticar enfermedades. Todos estos desarrollos han consolidado a una serie de sistemas que se soportan en conocimientos y pretenden emular el proceso de razonamiento de un ser humano experto. Estos sistemas, que fueron quizs el primer producto de la inteligencia artificial que sali con xito al mercado, se han denominado en general sistemas basados en el conocimiento y comprenden a los sistemas experto, sistemas basados en reglas, sistemas basados en marcos y sistemas orientados a objetos, entre otros(Hopgood, 2001). La principal diferencia entre los sistemas basados en el conocimiento y un programa convencional est en la estructura. En un programa convencional, el conocimiento del dominio est ntimamente inmerso en el software para el control y la aplicacin de ese conocimiento. En un sistema basado en el conocimiento, las dos funciones son explcitamente separadas. En el caso ms simple se elaboran dos mdulos- el mdulo de conocimiento, denominado base de conocimiento, y el mdulo de control que es llamado motor de inferencia. En sistemas ms complejos, la mquina de inferencia puede ser en s misma un sistema basado en el conocimiento que contiene metaconocimiento, es decir conocimiento acerca de cmo aplicar el conocimiento de dominio.

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

La separacin explcita del conocimiento hace ms fcil adicionar nuevo conocimiento, durante el desarrollo del programa o durante la vida til del mismo. Existe una analoga con el cerebro, en el cual los procesos de control son aproximadamente invariantes en su naturaleza (motor de inferencia), y adems su comportamiento es continuamente modificado por nuevos conocimientos y experiencias (actualizacin de la base de conocimiento). La aproximacin basada en el conocimiento es mucho ms directa que la convencional, ya que el conocimiento es representado explcitamente en la base de conocimiento y no implcitamente en la estructura del programa. De esta manera, el conocimiento puede ser actualizado o corregido fcilmente. La mquina de inferencia usa la base de conocimiento para atacar una tarea particular de manera anloga a como un programa convencional usa archivos de datos. En los sistemas basados en el conocimiento, se utiliza como paradigma, al cerebro, sobre todo en su desempeo a alto nivel: el proceso de razonamiento, visto como la manipulacin lgica de cierta base de conocimiento. Estos sistemas de han hibridado con la lgica difusa (Fuzzy Logic), con el fin de poder representar y manipular de forma ms realstica, las estructuras del conocimiento y del pensamiento humano. Otra manera de aproximarse a la forma como se producen los comportamientos inteligentes en el cerebro, es pretender un enfoque ascendente, esto es, un enfoque de bajo nivel, estudiando cmo interactan las neuronas en la tarea del pensamiento, de la memoria y del aprendizaje. Con esta aproximacin se logran capturar ciertas caractersticas del cerebro que son deseables desde el punto de vista computacional: flexibilidad (adaptacin a nuevos ambientes, por aprendizaje, sin requerir programacin); robustez y tolerancia a fallas (diariamente se mueren neuronas sin afectar el desempeo general del cerebro); facilidad para manejar informacin difusa, ruidosa e inconsistente; paralelismo, etc.(Delgado, 2003). Esta aproximacin ha dado lugar a las Redes Neuronales Artificiales (RNA) y, en general, a la computacin neuronal, cuyas aplicaciones en muchos campos de las ciencias son ya incontables. Las RNA, han demostrado su capacidad para resolver problemas donde el cmputo tradicional haba tenido gran dificultad durante muchos aos. Aunque el enfoque computacional clsico, basado en arquitecturas de Vonn Newman y procesamiento secuencial, ha tenido gran xito en muchas tareas mecnicas y de clculo numrico, al igual que en las aproximaciones lgicas del conocimiento, presentaba serias dificultades en tareas, que para los humanos (incluso nios) eran muy fciles y cotidianas, como por ejemplo, reconocimiento de objetos dentro de una imagen (un nio es capaz de identificar a su madre dentro de muchas personas), procesamiento del lenguaje hablado y escrito (un nio se comunica mediante el lenguaje con una facilidad asombrosa), etc. Las RNA, al contrario de la computacin clsica no ejecutan programas, sino que aprenden y se auto organizan. Las redes neuronales aprenden mediante entrenamiento, el cual se hace tpicamente mediante datos disponibles acerca del fenmeno a estudiar. Por eso las redes neuronales se clasifican entre los llamados, modelos conducidos por datos (Data Driven Models). Pero, la fuente de inspiracin de procedimientos no slo est dentro del cerebro, sino tambin en los procesos que ocurren en la naturaleza, como la evolucin que se convierte en otro paradigma y ha dado origen a los algoritmos genticos, a la programacin gentica, a las estrategias evolutivas, y en general a los algoritmos

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

evolutivos en todas sus manifestaciones. Los algoritmos evolutivos, han sido ampliamente estudiados y experimentados, con un gran xito en muchos problemas de gran complejidad. Sin embargo, los algoritmos inmunolgicos artificiales, que toman como paradigma al sistema inmune natural, tambin estn resultando muy adecuados para mltiples tareas de optimizacin y clasificacin. El sistema inmune natural es un sistema muy complejo con diversos mecanismos para la defensa contra organismos patgenos. El principal propsito del sistema inmune es reconocer todas las clulas (o molculas) dentro del cuerpo y categorizarlas como propias y extraas. Las clulas extraas son adicionalmente categorizadas con el fin de inducir un mecanismo apropiado de defensa. El sistema inmune aprende, a travs de la evolucin a distinguir entre los antgenos forneos peligrosos (por ejemplo, bacterias, viruses, etc.) y las clulas o molculas propias del cuerpo. En este proceso se utilizan diferentes estrategias, como: diversidad (manteniendo libreras de posibles componentes de antgenos, y que usan para reconocerlos), especificidad (porque se puede crear un antcuerpo especfico para cada antgeno), memoria (guardar las respuestas inmunes llevadas a cabo anteriormente) y tolerancia (porque no se ataca al propio organismo, slo a lo que se considera extrao) (UM, 2004). Desde una perspectiva de procesamiento de informacin, el sistema inmune es un admirable sistema adaptativo, distribuido y paralelo. l usa aprendizaje, memoria y extraccin asociativa de informacin para resolver las tareas de reconocimiento y clasificacin. En particular, l aprende a reconocer patrones relevantes, recuerda patrones que han sido vistos previamente, y usa combinatoria para construir detectores de patrones eficientemente. Adems, el comportamiento general del sistema es una propiedad emergente de muchas interacciones locales (como un tipo avanzado de inteligencia de enjambre). Estas habilidades notables de procesamiento de informacin del sistema inmune proporcionan aspectos importantes en el campo de la computacin. Este campo es a veces referido como computacin inmunolgica (Inmunological Computation) o sistemas inmunes artificiales (UM, 2004). Estos sistemas han resultado muy tiles en problemas como: seguridad de redes y sistemas de cmputo, deteccin de intrusos, reconocimiento de patrones, sistemas clasificadores, diseo de circuitos electrnicos, e incluso como mtodos de bsqueda hibridados con la programacin gentica y otros algoritmos evolutivos. Su principal aplicacin en seguridad computacional, quizs sea un alivio, ahora que con el auge de la Internet y el asentamiento en ella, de casi todas las actividades del mundo moderno, han aparecido problemas derivados, relacionados con la seguridad, ya no por temor de ser invadido fsicamente sino virtualmente. Este problema, crucial para las organizaciones actuales, ha dado origen a trminos como: adware, spyware, hacker, cracker, muchos de los cuales hacen temblar, incluso a las grandes corporaciones internacionales. Recientemente se han estudiado diferentes tipos de inteligencia o conocimiento, que se transmiten de una generacin de seres vivos a otra, tanto a un alto nivel: como la cultura de una comunidad y las enseanzas basadas en las experiencias propias que un padre suministra a su hijo; como tambin a bajo nivel: como el material gentico, ya tenido en cuenta por los clsicos algoritmos evolutivos. Esto ha dado origen a los llamados algoritmos memticos, los cuales son tcnicas de optimizacin que combinan sinrgicamente conceptos tomados de otras metaheursticas, tales como la bsqueda basada en poblaciones (como en los algoritmos evolutivos), y la mejora local (como en las tcnicas de seguimiento del gradiente). La denominacin

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

memtico surge del trmino ingls meme, acuado por R. Dawkins como el anlogo del gen en el contexto de la evolucin cultural. La siguiente cita de R. Dawkins(1976), referenciado en Moscato et al.( 2003) ilustra el concepto: Ejemplos de memes son melodas, ideas, frases hechas, modas en la vestimenta, formas de hacer vasijas, o de construir bvedas. Del mismo modo que los genes se propagan en el acervo gentico a travs de gametos, los memes se propagan en el acervo memtico saltando de cerebro a cerebro en un proceso que, en un amplio sentido, puede denominarse imitacin." Tras esta definicin tan provocadora subyace la idea central de los algoritmos memticos: mejoras individuales de las soluciones en cada uno de los agentes junto con procesos de cooperacin y competiciones (Moscato et al., 2003) Un poco despus, nacen los algoritmos culturales, los cuales se basan en el hecho de que: Los socilogos han sugerido que la cultura puede ser codificada simblicamente y transmitida dentro y entre poblaciones de individuos. Usando esta idea, se desarroll, a principios de los 1990, un modelo computacional en el que la evolucin de la cultura es vista como un proceso de herencia que opera a dos niveles: el nivel micro evolutivo y el nivel macro evolutivo . En el nivel micro evolutivo, los individuos pueden describirse en trminos de "caractersticas de comportamiento" (las cuales podran ser aceptables o inaceptables socialmente). Estas caractersticas se transmiten de generacin en generacin usando varios operadores inspirados en modelos sociolgicos. Al nivel macro evolutivo, los individuos pueden generar "mapas" o descripciones generalizadas de sus experiencias. Los mapas individuales pueden mezclarse y modificarse para formar "mapas de grupo", usando una serie de operadores especializados. Ambos niveles comparten un enlace de comunicacin. La idea principal de los algoritmos culturales es preservar las creencias que son aceptables socialmente y desechar las que no lo son. Un cientfico de la Universidad Estatal de Wayne (en Michigan, Estados Unidos) propuso, hace algunos aos, el uso de algoritmos genticos para modelar el proceso micro evolutivo y los espacios de versin (una tcnica de representacin de conocimiento propuesta en los 1970 por Tom Mitchell, de la Universidad Carnegie-Mellon) para modelar el proceso macro-evolutivo de un algoritmo cultural (Coello, 1999). Con respecto a los algoritmos culturales se puede reflexionar un poco en relacin con el xito relativo del HomoSapiens. Los seres humanos, han sufrido desde hace mucho tiempo un proceso evolutivo, sin embargo, la evolucin ocurre muy lentamente, y los cambios en el ambiente son muy rpidos, al igual que las enfermedades. Esto ha hecho, que ms que la evolucin, sea la cultura (expresada en conocimiento acumulado y creencias populares), el bien ms preciado de la especie humana y la razn principal de su xito. La naturaleza a travs de la evolucin alcanz en el hombre el umbral deseado, expresado en la informacin gentica, concentrado en la estructura cerebral y evidenciado en la inteligencia humana. A partir de este umbral, la evolucin como tal, deja de ser tan importante y es la inteligencia, concibiendo estrategias, la que posibilita y potencia las capacidades de adaptacin, de progreso y de conquista. Entre estas estrategias, ha resultado importante la memoria social, contenida en bibliotecas y en las dems fuentes de informacin. Cuando el ser humano tiene hijos, adems de transferirles la inherente informacin gentica (conocimiento acumulado a travs de la evolucin), le transmite sus experiencias personales, lo matricula a la escuela y luego a la universidad, donde se le imparte el conocimiento acumulado por la cultura y la inteligencia a alto nivel.

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

Estos modelos han evolucionado hacia el comportamiento cooperativo observado en diferentes sociedades naturales, tomando el nombre de inteligencia de enjambre (SI, Swarm Intelligence). La inteligencia de enjambre es una tcnica de inteligencia artificial que se enfoca al estudio del comportamiento colectivo de un sistema descentralizado conformado por una poblacin de agentes simples que interactan localmente entre ellos y con el ambiente. Aunque tpicamente no hay un control centralizado que dicte el comportamiento de los agentes, las interacciones locales entre los agentes a menudo originan la aparicin de un patrn global. Ejemplos de sistemas como estos son abundantes en la naturaleza, e incluyen colonias de hormigas, bandadas de aves, manadas de animales, colmenas, bacterias y mucho ms. Este tipo de algoritmos como enjambres, tales como optimizacin mediante colonia de hormigas (ACO, Ant Colony Optimization), optimizacin por enjambre de partculas (PSO, Particle Swarm Optimization) e inteligencia colectiva (COIN, Collective Intelligence), ya han sido aplicados exitosamente a la solucin problemas de optimizacin del mundo real en ingeniera y telecomunicaciones. La idea de los algoritmos de colonias de hormigas se inspir en colonias reales de hormigas, las cuales depositan una sustancia qumica en la tierra, llamada "feromona". Esta sustancia influye en el comportamiento de las hormigas, ya que stas tendern a tomar las rutas donde haya una mayor cantidad de feromona. Desde la perspectiva de la inteligencia artificial, las colonias de hormigas son realmente tcnicas de bsqueda local con registro histrico (como la bsqueda tab) de las rutas recorridas ms y/o menos promisorias (Coello, 1999). La PSO, est inspirada tambin en los comportamientos sociales, y fue desarrollada recientemente por Kennedy J. et al (1995). Es similar al algoritmo gentico, ya que utiliza una poblacin inicial de soluciones aleatorias. Sin embargo, a diferencia de ste, se le asigna una velocidad aleatoria a cada solucin, y la poblacin de soluciones posibles, a las que se denomina "partculas", se hace "fluir" a travs del espacio de bsqueda. En vez de usar los operadores genticos tradicionales (seleccin, cruce sexual y mutacin), cada partcula ajusta su vuelo, de acuerdo a su propia experiencia y a la de sus compaeros. Los dos modelos de comportamiento ms comunes son: mejor global y mejor local. En el primero, todos los vecinos de una partcula son atrados hacia la mejor solucin que exista entre ellos. En el segundo, cada individuo es afectado por el mejor desempeo de un cierto nmero de vecinos en la poblacin (normalmente, cada partcula se compara slo contra sus dos vecinos adyacentes). Esta tcnica se ha utilizado con bastante xito en problemas de optimizacin no lineal y para el balanceo de pesos de redes neuronales. (Coello, 1999). Los modelos de inteligencia de enjambre, tienen muchas caractersticas en comn con los algoritmos evolutivos. Al igual que los algoritmos evolutivos, los modelos de inteligencia de enjambre son modelos basados en poblacin. El sistema es inicializado con una poblacin de individuos (es decir, soluciones potenciales). Esos individuos son luego manipulados a lo largo de muchas generaciones mediante un proceso que emula el comportamiento social de insectos o animales, en un esfuerzo por hallar el ptimo. Pero, contrario a los algoritmos evolutivos, los modelos de inteligencia de enjambre no usan operadores evolutivos tales como mutacin o cruce. Una solucin potencial simplemente vuela a travs del espacio de bsqueda modificndose de acuerdo a su relacin con otros individuos en la poblacin y en el ambiente. Estos modelos tambin incluyen los que se han denominado modelos ecolgicamente inspirados y otras tcnicas de computacin inspiradas en modelos naturales (CEC2003). La inteligencia de

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

enjambre podra ser definida como: La propiedad de un sistema por medio de la cual el comportamiento colectivo de agentes (simples) que interactan localmente con su ambiente da lugar a la emergencia de un patrn global coherente. La inteligencia de enjambre proporciona una base con la cual es posible explorar problemas colectivos o distribuidos sin control centralizado o provisin de un modelo global. Dentro de la inteligencia de enjambre existe un concepto central: La estigmergia (Stigmergy), este concepto fue introducido por Pierre-Paul Grasse en los 1950's para describir la comunicacin indirecta que tiene lugar entre individuos en sociedades de insectos sociales. La aproximacin de la inteligencia de enjambre deja muchas reflexiones generales acerca, tanto de las concepciones primarias de la inteligencia computacional, como de las aproximaciones cognoscitivas de la inteligencia. Los programas de inteligencia artificial concibieron la inteligencia como un proceso interno del ser humano, algo que ocurra dentro de su cabeza, sola y desconectada procesando informacin en su cerebro. Pero esto olvida una de las caractersticas ms importantes de los seres humanos como especie: su tendencia a asociarse entre ellos, a socializarse. Si se desea modelar la inteligencia humana, se debera modelar los individuos en un contexto social, interactuando unos con otros. Estas interacciones superan a las consideradas tpicamente en los sistemas multiagente, donde subrutinas autnomas que realizan funciones especializadas, intercambian informacin en forma bidireccional, pero estas subrutinas no cambian como resultado de la interaccin, como s lo hace la gente. En las interacciones sociales reales, la informacin es intercambiada, pero tambin se intercambia algo ms, y que quizs sea ms importante: se intercambian reglas, trucos, creencias sobre la mejor forma de procesar la informacin. Por lo tanto, las interacciones sociales, tpicamente inducen un cambio en el proceso de pensamiento, no solo en el contenido (memoria) de los participantes. A luz de esta discusin, en este ensayo se plantea que la mente es social, coindiciendo con Kennedy et al. (2001). En este orden de ideas se rechaza un poco la perspectiva cognitivista de la inteligencia, como un proceso interno y privado, y ms bien se postula, que tanto la funcin como el fenmeno de la mente, se derivan de las interacciones de los individuos en un mundo social. Aunque no se puede negar la existencia de una fase interiorizante en el proceso del aprendizaje y de la inteligencia como tal, la potencia de la inteligencia humana resulta de las interacciones sociales: evaluando, comparando e imitndose unos a otros, aprendiendo de la experiencia y emulando los comportamientos exitosos de otros. La gente es capaz de adaptarse a ambientes complejos a travs del descubrimiento de patrones de actitudes, creencias y comportamientos. La preferencia de la especie humana por cierto tipo de interacciones sociales ha resultado en el desarrollo de la inteligencia inherente de los seres humanos (Kennedy et al. 2001). Finalmente, atendiendo a tantas teoras y enfoques de la inteligencia, podra decirse que la naturaleza humana es tan compleja que quizs no sea posible concebirla bajo un solo esquema conceptual, por lo cual sera mejor considerar a la inteligencia como el resultado de la integracin de muchos factores. Dejando la discusin acerca de la concepcin correcta de la inteligencia, la cual resulta fundamental para el xito que persigue la inteligencia computacional. Tambin se han identificados tcnicas muy tiles que pueden soportar o coadyuvar al comportamiento inteligente, un ejemplo son las mquinas de soporte vectorial (Support Vector MachineSVM), redes bayesianas, sistemas de planeacin, cadenas de markov, filtros de partculas y de Kalman, rboles de decisin y de regresin, junto con otras tcnicas de

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

estadstica multivariada, ya que, muchos de los problemas que deben enfrentar las ciencias bsicas y aplicadas pueden interpretarse como problemas de regresin o de clasificacin. Todas estas tcnicas se han integrado con el fin de atacar los principales campos de la inteligencia artificial como: los sistemas expertos, procesamiento de lenguaje natural, comprensin de voz, traduccin automtica, aprendizaje de mquinas, robtica, tutores inteligentes, visin por computadora, y un campo bastante ambicioso, denominado programacin automtica, que tiene entre otras metas, lograr que los computadores resuelvan problemas sin que se les programe explcitamente para ello, esto es, desarrollo automatizado de software, incluyendo adems ciertas variaciones como descubrimiento cientfico asistido por computadora, de lo cual ya hay mltiples resultados prcticos, obtenidos mediante la aplicacin de programacin gentica (Ver por ejemplo: http://www.genetic-programming.com/johnkoza.html) y programacin por expresin de los genes (Gene expression programming http://www.gene-expressionprogramming.com/gep/Author.asp). Existen muchas reas relacionadas con la inteligencia artificial, como la robtica, en la que muchos desarrollos se basan y evidencian la enorme potencia de las tcnicas de inteligencia artificial, sobre todo la aplicacin de la visin por computadora, el procesamientos de imgenes y de seales en general, y de los sistemas sensores, obviamente esto se soporta en los avances de la electrnica, en la mecnica. Todo lo expresado hasta el momento, ha producido una transformacin en la forma de enfrentar muchos problemas clsicos y los nuevos retos que propone el desarrollo cientfico. Entre estos problemas que ya se han resuelto parcialmente estn los problemas en los que ocurre lo se conoce como explosin combinatoria, esto es, que la complejidad computacional crece exponencialmente con el incremento de la dimensin del problema. Este tipo de problemas es muy comn en la ingeniera y en las ciencias. Muchos de los sistemas que se manejan en ingeniera poseen gran complejidad y los modelos simplificados clsicos, slo proveen ventajas marginales, que resultan insuficientes para las crecientes necesidades de la sociedad. La palabra optimizacin ha tomado significados diferentes, y ahora se asocia con el mejoramiento de las soluciones iniciales, ahora se prefieren buenas soluciones en un tiempo razonable que soluciones ptimas en tiempos demasiado grandes. De hecho, cuando se observa la manera como los seres humanos resuelven su problemas, las decisiones que toma no son ptimas, sino ms bien subptimas, debido, entre otras causas, a la incertidumbre de la informacin, a las limitaciones de cmputo y a los tiempos de que se dispone (muchas veces se debe tomar decisiones en tiempo real). Todo esto ha dado origen a una serie de aproximaciones, que ya fueron referidas en este documento y que han sido agrupadas con el nombre de computacin suave (softcomputing). El paradigma de softcomputing se refiere a un conjunto de metodologas de solucin de problemas usadas cuando la solucion requerida: es tolerante a imprecisiones est sujeta a incertidumbre se espera conocimiento (en vez de informacin) donde las soluciones quasi optimas son aceptables A cambio de estas limitaciones el Softcomputing ofrece soluciones robustas de bajo costos fciles en su seguimiento (tractability) Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

Dentro de las tcnicas consideradas como softcomputing se incluye a: las redes neuronales, la lgica difusa, los algoritmos genticos y muchas otras tcnicas que slo proveen soluciones aproximadas a problemas, ya sea en presencia de incertidumbre o sin ella. Como se puede sospechar, el nombre de computacin suave resalta el hecho de que este tipo de aproximaciones no persiguen soluciones precisas ni claramente deducibles de una teora o un modelo basado en las relaciones fsicas o circunstanciales al interior de un sistema (modelos de caja blanca), como lo hace la computacin convencional, que en este contexto, ha venido a denominarse, computacin dura (Hardcomputing). Los modelos de softcomputing son ms bien operativos, mediante ellos se obtienen soluciones aproximadas, pero no se conocen las relaciones internas entre los componentes del sistema en consideracin (modelos de caja negra). Sin embargo de esta forma se pueden aproximar, razonablemente, problemas ms complejos1. Estas aproximaciones involucran eventualmente la aplicacin de tcnicas basadas en teora de probabilidad, sobre todo cuando se debe manejar informacin con incertidumbre, y en las cuales se pretende hallar una solucin en trminos probabilsticos. En las tcnicas de computacin suave, generalmente se renuncia a la precisin a favor de poder abordar con mayor realismo la complejidad natural de los problemas. Adems, las tcnicas de solucin de problemas en IA, en general, incorporan un proceso de bsqueda. Todo proceso de bsqueda puede ser visualizado como el recorrido por un rbol en el que cada nodo representa un estado y cada rama representa las relaciones entre los estados cuyos nodos conecta. Un proceso de bsqueda tambin puede ser entendido como un procedimiento de optimizacin (o quizs mejor al contrario). Es as, como muchos de los paradigmas anteriores involucran un proceso de optimizacin matemtica, por consiguiente, la aplicacin de muchas de las tcnicas de la inteligencia computacional implica la revisin de tcnicas clsicas de optimizacin y de la aplicacin de modernas tcnicas de bsqueda heurstica como Recocido Simulado, Bsqueda Tab, GRASP, etc. Todos estos desarrollos estn permitiendo el estudio y aplicacin de agentes inteligentes a muchos campos de la ingeniera. Han permitido la identificacin ptica de caracteres, tan comn en los escneres; el procesamiento del lenguaje natural, la demostracin automtica de teoremas, etc. Pero, adems ha dado origen a nuevas reas del conocimiento que integran muchas de estas tcnicas para propsitos especficos, por esto es comn escuchar los trminos: minera de datos (Data Mining), descubrimiento a partir de bases de datos (Knowledge Discovery Database), anlisis inteligente de datos, (Intelligent Data Analysis), aprendizaje de mquina (Machine Learning), etc. Por otra parte, la utilizacin del conocimiento como medio de apoyo al desarrollo de instituciones ms eficientes y competitivas ha generado en la comunidad de investigacin y desarrollo un gran inters. Las propiedades, los modelos y las metodologas alrededor del conocimiento y su aplicacin, incluyen la ingeniera del conocimiento, las organizaciones inteligentes, los sistemas multiagente, el aprendizaje y razonamiento automtico e interfaces inteligentes. El razonamiento y el aprendizaje automtico ligado estrechamente al rea de Sistemas Basados en Conocimiento, estudia los procesos de inferencia, el conocimiento incierto y el razonamiento probabilstico, la demostracin automtica de teoremas, los mtodos de bsqueda y los mtodos formales. La investigacin de mtodos de cooperacin entre sistemas de agentes para la solucin
1

Tomado de: http://home.tu-clausthal.de/TRES/Softcomputing/Long/main001.shtml.en

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

cooperativa de problemas se trata en Sistemas Multiagente y su aplicacin en ambientes de aprendizaje, de Internet y de desarrollo de software. Un proyecto muy ambicioso es la aplicacin de las tecnologas del conocimiento y de inteligencia artificial para el desarrollo de organizaciones inteligentes basadas en el conocimiento. Esto deriva en el desarrollo de memorias corporativas, repositorios de conocimiento, y tcnicas de seleccin y almacenamiento, distribucin, aplicacin, creacin de conocimiento y minera de datos (ITM, 2004) El estudio de modelos de cmputo que se basan en sistemas naturales y su comportamiento, tales como la evolucin de las especies, la organizacin del cerebro, el calentamiento de un metal y el razonamiento impreciso entre otros, ha resultado en tecnologas que se consolidan cada vez ms para resolver problemas complejos. La solucin a problemas de optimizacin no lineal como tambin problemas de investigacin de operaciones y logstica, de planeacin de acciones y movimientos, de programacin de tareas, y de distribucin de elementos, se tratan mediante tcnicas de recocido simulado, algoritmos genticos y mtodos de satisfaccin de restricciones (ITM, 2004) La inteligencia artificial ofrece una extraordinaria oportunidad a las ciencias cognoscitivas, especialmente a la psicologa cognoscitiva, para estudiar los fenmenos mentales por un mtodo experimental indirecto, a saber, la realizacin de teoras sobre la mente en la forma de programas de computacin. Si se postula que determinada actividad mental, por ejemplo la solucin de determinada clase de acertijos, se realiza por la aplicacin de cierto algoritmo (en el sentido de una sucesin de pasos para efectuar una tarea), entonces un computador podr ejecutar el mismo algoritmo con base en la programacin respectiva. Entre las muchas aplicaciones de la inteligencia computacional sobresale la Investigacin Biomdica, que es una disciplina basada en la informacin y esta inmersa en profundos cambios a medida de que las nuevas aproximaciones experimentales generan enormes volmenes de datos sin precedentes. la biologa y la medicina estn apoyndose cada vez ms en la aplicacin de las Ciencias de la Informacin. Estos progresos significativos han generado una enorme cantidad de datos (principalmente estructuras primarias de multitud de genes de todo tipo de organismos hasta llegar a tener ms de 100 genomas de organismos celulares completamente secuenciados) cuyo anlisis demanda del uso de herramientas computacionales altamente especializadas. El desarrollo de estas herramientas tiene por nombre "Bioinformtica" y es considerada hoy por hoy una de las grandes revoluciones en las ciencias biolgicas y computacionales. Con el uso de la bioinformtica ha sido posible empezar la anotacin de los genomas y sta ha resultado en la elaboracin de mapas genticos y fsicos cada vez ms complejos, por ejemplo, en el ao de 1995 se tenan nicamente 10 genomas completamente secuenciados, para 1997 se tenan 30 genomas celulares secuenciados y para el 2001 se tienen mas de 800 genomas completamente secuenciados, incluyendo genomas de organismos no celulares como virus y plsmidos. Pero el problema no termina con la primera anotacin, por el contrario, es aqu donde se hace an ms necesaria el uso de la bioinformtica para que el investigador logre transformar esos datos en informacin til, que permita el desarrollo de nuevas tecnologas para la elaboracin de medicamentos, alimentos, pruebas de paternidad y nuevos avances en la curacin de enfermedades y, en definitiva, logre una mayor comprensin de cmo funcionan los seres vivos (UN, 2004).

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

Esto demuestra la importancia de la inteligencia computacional y su presencia y necesidad en casi todas las disciplinas, que ha permitido una visin holstica de muchos problemas y ha permitido la simplificacin de muchos enfoques, dando origen a nuevas disciplinas y reas de conocimiento de aplicacin especfica como la hidroinformtica, que involucra aplicaciones de las modernas tcnicas de la inteligencia computacional a la gestin y modelamiento de hidrosistemas. Adicionalmente, la complejidad creciente en los enfoques utilizados para el estudio de los sistemas, debido a la interaccin de mltiples agentes y sistemas, la variabilidad temporal y la no- linealidad reinante en ellos, sobre todo a pequea escala, y el conflicto de objetivos que se persiguen ha dado lugar a una visin integral (holstica) de los problemas (inter-multitransdisciplinariedad). Esto ha obligado a investigadores de todas las disciplinas a involucrar dentro de sus soluciones enfoques de inteligencia artificial, trascendiendo tcnicas individuales y obligando a la hibridacin de muchas de ellas para la solucin efectiva de los problemas, dando lugar a expresiones como: sistemas expertos neurodifusos genticos, en la cual se hace evidente la hibridacin referida anteriormente. A la par con el estudio de la inteligencia computacional se ha originado una rama un poco ms ambiciosa muy relacionada, la Vida Artificial (VA) que de forma muy general se puede definir como como la vida hecha o concebida por el ser humano y no por la naturaleza, cuya motivacin principal, es facilitar herramientas para examinar la variedad de biologas posibles (Rojas, 1998). Como puede inferirse de este ensayo la inteligencia computacional se soporta en muchas otras disciplinas del conocimiento, entre las cuales es posible destacar las siguientes: Lingstica (psicolingstica, sociolingstica y lingstica computacional), la psicologa (psicologa cognitiva), la filosofa (filosofa del lenguaje y lgica), ingeniera elctrica, electrnica, mecnica (robtica, procesamiento de imgenes, reconocimiento de patrones), ciencias administrativas (investigacin de operaciones, sistemas de informacin gerencial), matemticas y estadstica, y la biologa. Este ensayo se convierte en una invitacin para que profesionales de todas las disciplinas, se interesen por estudiar los enfoques y las tcnicas de la inteligencia artificial y contribuyan desde sus profesiones a enriquecer este prolfico campo, que as trascender toda frontera del conocimiento, extendiendo sus dominios a la cotidianidad, potenciando las aproximaciones clsicas y disparando el repertorio de posibilidades, que al ser involucradas en los estudios y soluciones, proporcionaran un mayor bienestar y calidad de vida.

CONCLUSIONES Luego de este rpido recorrido sobre los principales intereses y tcnicas de la inteligencia computacional, se podra concluir lo siguiente: La necesidad de abordar problemas en su complejidad ha ejercido una gran presin sobre los investigadores de inteligencia artificial para desarrollar nuevas tcnicas, mucho ms eficientes y eficaces.

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

La ingeniera, en muchos casos ha dejado de lado la precisin y la optimalidad de sus soluciones, en aras de soluciones ms robustas, ms generales, y ms tiles y provechosas, a la luz de los tiempos en que se requieren. Las aproximaciones de la Computacin Suave parecen ser ms efectivas para enfrentar a la complejidad. La naturaleza ha sido y ser sin duda, la inspiracin por excelencia, de tcnicas de Inteligencia artificial. BIBLIOGRAFIA 1. Hopgood, Adrian (2000). Intelligent Systems for Engineers and Scientists. CRC Press. Newyork. 2. Poole, D.; Mackworth, A. y Goebel, R. (1998). Computational Intelligence. Oxford University Press. 3. CEC2003. (2003). Swarm Intelligence and its applications. Camberra. Consultado en http://goanna.cs.rmit.edu.au/~xiaodong/cec03-session el mes de febrero. 4. RED CIC(2004).Red Colombiana de inteligencia computacional y Sistemas Bioinspirados. Consultado el mes de febrero de 2004 en
http://lslwww.epfl.ch/~acis/redcic/

5. ITM. Instituto tecnolgico de Monterrey(2004).Maestra en Ciencias con especialidad en Sistemas Inteligentes. Mexico. Consultado el mes de febrero de 2004 en http://posgrados.mty.itesm.mx/Maestrias/Mat-i/lineas.htm 6. GI3(2004). Grupo de investigacin en inteligencia computacional y Sistemas Bioinspirados. Consultado el mes de febrero de 2004 en
http://lslwww.epfl.ch/~acis/gi3/gi3_activs.html

7. CIIC2003(2003). Congreso Internacional de inteligencia computacional. Consultado el mes de febrero de 2004 en

http://www.unalmed.edu.co/~ciic/espanol/intro.htm

8. CUAO(2004).Univerisidad Autnoma de Occidente de Cali. Grupos de Investigacin. Consultada el mes de febrero de 2004 en http://www.cuao.edu.co/
%20investigacion/gi.htm

9. UN, 2004. Curso de Bioinformtica. Consultado el mes de febrero de 2004 en

http://www.virtual.unal.edu.co/cursos/ingenieria/25055/docs/justificacion.html

10. Rojas Galeano, Sergio Andrs(1998). Disertacin terica sobre Simulaciones Inspiradas Biolgicamente para el Estudio del Comportamiento Adaptativo. Bogot. 250 p. Monografa(Ingeniero de Sistemas). Universidad Nacional de Colombia. Facultad de Ingeniera. 11. GIC, 2004. Computational Intelligence Group. Facultad de Ciencias. Departamento de Ciencias de la Computacin. Universidad de Vrije. Consultado el ms de diciembre de 2004 en: http://www.cs.vu.nl/ci/ 12. Coello, Coello, Carlos A., 1999. Algunas tendencias actuales en la computacin evolutiva. LANIA. Consultado el mes de diciembre de 2004 en: http://www.lania.mx/biblioteca/newsletters/1999-primaveraverano/tendencias.html 13. UM, Universidad de Menphis, 2004. Inmune Artificial Systems.Consultado el mes de diciembre de 2004 en: http://ais.cs.memphis.edu/research/ 14. J. Kennedy and R. Eberhart. Particle Swarm Optimization. In Proceedings of the Fourth IEEE Internacional Conference on Neural Networks, pages 1942{1948, Perth, Australia, 1995. IEEE Service Center.

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/

15. J. Kennedy and R. Eberhart.(2001). Swarm Intelligence. Morgan Kaufmann Publishers. Londres 16. R. Dawkins(1976) A More Eficient Evolutionary Induction. The Selsh Gene. Clarendon Press, Oxford. 17. Moscato, Pablo y C. Cotta (2003).An Introduction to Memetic Algorithms. Inteligencia Artificial, Revista Iberoamericana de Inteligencia Artificial. No.19 (2003),pp. 131-148 18. Delgado, Alberto(2002). Inteligencia Artificial y Minirobots.

Pervys Rengifo Rengifo: http://pervys-cienciaytecnologia.blogspot.com/