La expresión inteligencia computacional ( IC ) suele referirse a la capacidad de un ordenador de aprender una tarea específica a partir de datos o de la observación experimental. Aunque se considera comúnmente un sinónimo de soft computing , 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 algunas razones: los procesos pueden ser demasiado complejos para el razonamiento matemático, pueden contener algunas incertidumbres durante el proceso o el proceso puede ser simplemente de naturaleza estocástica. [1] [ página necesaria ] 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 lo tanto, la inteligencia computacional proporciona soluciones para tales problemas.
Los métodos utilizados son cercanos a la forma de razonamiento humano, es decir, utiliza conocimiento inexacto e incompleto, y es capaz de producir acciones de control de forma adaptativa. Por lo tanto, la IC utiliza una combinación de cinco técnicas complementarias principales. [1] La lógica difusa que permite al ordenador comprender el lenguaje natural , [2] [ página necesaria ] [3] 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 ayudan a lidiar con la incertidumbre y la imprecisión. [1]
Aparte de esos principios fundamentales, los enfoques populares en la actualidad incluyen algoritmos de inspiración biológica como la inteligencia de enjambre [4] y los sistemas inmunológicos artificiales , que pueden considerarse parte de la computación evolutiva , el procesamiento de imágenes, la minería de datos, el procesamiento del lenguaje natural y la inteligencia artificial, que tiende a confundirse con la inteligencia computacional. Pero aunque tanto la inteligencia computacional (IC) como la inteligencia artificial (IA) buscan objetivos similares, existe una clara distinción entre ellas [¿ según quién? ] [ cita requerida ] .
La inteligencia computacional es, por tanto, una forma de actuar como los seres humanos [ cita requerida ] . De hecho, la característica de "inteligencia" suele atribuirse [ ¿quién? ] a los seres humanos. Más recientemente, muchos productos y artículos también afirman ser "inteligentes", un atributo que está directamente vinculado al razonamiento y la toma de decisiones [ se necesita más explicación ] .
Fuente: [5] La noción de Inteligencia Computacional fue utilizada por primera vez por el Consejo de Redes Neuronales del IEEE en 1990. Este consejo fue fundado en la década de 1980 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 Neuronales del IEEE se convirtió en la Sociedad de Redes Neuronales del IEEE, para convertirse dos años después en la Sociedad de Inteligencia Computacional del IEEE al incluir nuevas áreas de interés como los sistemas difusos y la computación evolutiva, que relacionaron con la Inteligencia Computacional en 2011 (Dote y Ovaska).
Pero la primera definición clara de Inteligencia Computacional fue introducida por Bezdek en 1994: [1] un sistema se llama computacionalmente inteligente si maneja datos de bajo nivel como datos numéricos, tiene un componente de reconocimiento de patrones y no usa conocimiento en el sentido de IA, y además cuando comienza a exhibir adaptatividad computacional, tolerancia a fallas, velocidad que se acerca a la humana y tasas de error que se aproximan al desempeño humano.
Bezdek y Marks (1993) diferenciaron claramente la IC de otros subconjuntos 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.
Según Bezdek (1994), si bien la inteligencia computacional es un subconjunto de la inteligencia artificial, existen dos tipos de inteligencia de máquina: la artificial basada en técnicas de computación dura y la computacional basada en métodos de computación blanda, que permiten la adaptación a muchas situaciones. Según Engelbrecht (2007), los enfoques algorítmicos que se han clasificado para formar el enfoque de inteligencia computacional para la IA (a saber, sistemas difusos, redes neuronales, computación evolutiva, inteligencia de enjambre y sistemas inmunológicos artificiales) se denominan "algoritmos inteligentes". Junto con la lógica, el razonamiento deductivo, los sistemas expertos, el razonamiento basado en casos y los sistemas de aprendizaje automático simbólico (los enfoques de computación "dura" antes mencionados), formaron el conjunto de herramientas de inteligencia artificial de la época. Por supuesto, hoy en día, con el aprendizaje automático y el aprendizaje profundo en particular utilizando una amplia gama de enfoques de aprendizaje supervisado, no supervisado y de refuerzo, el panorama de la IA se ha mejorado enormemente, con nuevos enfoques inteligentes.
Las técnicas de computación dura funcionan siguiendo una 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 la lógica difusa, pueden ser útiles en este caso. [6] Mucho más cercana a la forma en que funciona el cerebro humano agregando datos a verdades parciales (sistemas Crisp/fuzzy), esta lógica es uno de los principales aspectos exclusivos de la IC.
Dentro de los mismos principios de la lógica difusa y binaria se encuentran los sistemas crispy y difusos . [7] La lógica crisp 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. [8]
Las principales aplicaciones de la Inteligencia Computacional incluyen la informática , la ingeniería, el análisis de datos y la biomedicina .
Como se explicó anteriormente, la lógica difusa , uno de los principios principales de la IC, consiste en mediciones y modelado de procesos realizados para procesos complejos de la vida real. [3] Puede enfrentar la incompletitud y, lo más importante, la ignorancia de los datos en un modelo de proceso, al contrario de la Inteligencia Artificial, que requiere conocimiento exacto.
Esta técnica suele aplicarse a una amplia gama de dominios, como el control, el procesamiento de imágenes y la toma de decisiones. Pero también está bien introducida en el campo de los electrodomésticos, como lavadoras, hornos microondas, etc. También podemos encontrarla 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 aparte de las numerosas aplicaciones de este principio. [1]
La lógica difusa es principalmente útil para el razonamiento aproximado y no tiene capacidad de aprendizaje, [1] una cualificación muy necesaria que tienen los seres humanos. [ cita requerida ] Les permite mejorar aprendiendo de sus errores anteriores.
Por ello, los expertos en CI 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 conducción de señales, y la sinapsis, que controla las señales. Por tanto, las redes neuronales artificiales están dotadas de sistemas de procesamiento distribuido de información, [9] que permiten el procesamiento y el aprendizaje a partir de datos experienciales. Al funcionar como seres humanos, la tolerancia a fallos es también una de las principales ventajas de este principio. [1]
En cuanto a sus aplicaciones, las redes neuronales se pueden clasificar en cinco grupos: análisis y clasificación de datos, memoria asociativa, generación de patrones de clustering y control. [1] En general, este método tiene como objetivo analizar y clasificar datos médicos, proceder a la detección de rostros y fraudes, y lo más importante lidiar con las no linealidades de un sistema para poder controlarlo. [10] Además, las técnicas de redes neuronales comparten con las de lógica difusa la ventaja de permitir el clustering de datos .
La computación evolutiva puede considerarse 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 . [11] Estos incluyen los algoritmos genéticos , la estrategia de evolución , la programación genética y muchos otros. [12] Se consideran solucionadores de problemas para tareas no solucionables por métodos matemáticos tradicionales [13] y se utilizan con frecuencia para la optimización, incluida la optimización multiobjetivo . [14]
En la búsqueda de una forma de "razonar" cercana a la de los humanos, 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). [1] Las teorías del aprendizaje ayudan a comprender cómo se procesan estos efectos y experiencias, y luego ayudan a hacer predicciones basadas en experiencias previas. [15]
Al ser uno de los principales elementos de la lógica difusa, los métodos probabilísticos introducidos por primera vez por Paul Erdos y Joel Spencer [1] (1974), tienen como objetivo evaluar los resultados de un sistema computacional inteligente, definido principalmente por la aleatoriedad . [16] Por lo tanto, los métodos probabilísticos extraen las posibles soluciones a un problema, basándose en el conocimiento previo.
Según estudios bibliométricos , la inteligencia computacional juega un papel clave en la investigación. [17] Todas las principales editoriales académicas están aceptando manuscritos en los que se discute 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 . [18] La cantidad de universidades técnicas en las que los estudiantes pueden asistir a un curso es limitada. Solo Columbia Británica, la Universidad Técnica de Dortmund (involucrada en el auge europeo de la lógica difusa) y la Universidad Georgia Southern ofrecen cursos de este dominio.
La razón por la que las principales universidades ignoran el tema es porque no tienen los recursos necesarios. Los cursos de informática existentes son tan complejos que al final del semestre no hay espacio para la lógica difusa . [19] A veces se enseña como un subproyecto en los 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 hace algún tiempo, con el auge de la educación STEM , la situación ha cambiado un poco. [20] Hay algunos esfuerzos disponibles en los que se prefieren los enfoques multidisciplinarios que permiten al estudiante comprender sistemas adaptativos complejos . [21] Estos objetivos se discuten solo sobre una base teórica. El plan de estudios de las universidades reales aún no se ha adaptado.
{{cite journal}}: CS1 maint: varios nombres: lista de autores ( enlace )