La expresión inteligencia computacional ( IC ) suele referirse a la capacidad que tiene una computadora para aprender una tarea específica a partir de datos u observación experimental. Aunque comúnmente se considera sinónimo de computación blanda , todavía no existe una definición comúnmente aceptada de inteligencia computacional.
Generalmente, 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, pueden contener algunas incertidumbres durante el proceso, o el proceso podría simplemente ser 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 tanto, la inteligencia computacional proporciona soluciones a estos problemas.
Los métodos utilizados se aproximan al modo de razonamiento humano, es decir, utilizan conocimientos inexactos e incompletos, y son capaces 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 a la computadora 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 imprecisión de la incertidumbre. [1]
Excepto esos principios fundamentales, los enfoques actualmente populares incluyen algoritmos de inspiración biológica, como la inteligencia de enjambre [4] 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 [ ¿según quién? ] [ cita necesaria ] .
La Inteligencia Computacional es, por tanto, una forma de actuar como seres humanos [ cita requerida ] . De hecho, la característica de "inteligencia" suele ser atribuida [ ¿por quién? ] a humanos. Más recientemente, muchos productos y artículos también afirman ser "inteligentes", atributo que está directamente relacionado con el razonamiento y la toma de decisiones [ se necesitan más explicaciones ] .
Fuente: [5] La noción de Inteligencia Computacional fue utilizada por primera vez por el IEEE Neural Networks Council 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 IEEE Neural Networks Council se convirtió en IEEE Neural Networks Society, para convertirse dos años más tarde en IEEE Computational Intelligence Society 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 la introdujo Bezdek en 1994: [1] 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 computacional adaptativa, 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 otros subconjuntos de 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 artificial: 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 de 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 informáticos "duros" 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 supervisados, no supervisados y de refuerzo, el panorama de la IA se ha mejorado enormemente, con nuevos enfoques inteligentes.
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. [6] 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 los sistemas crujientes y difusos . [7] La lógica nítida es 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 fundamentales de la IC, consiste en mediciones y modelado de procesos hechos para procesos complejos de la vida real. [3] 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. Además de las numerosas aplicaciones de este principio, se encuentran otros ámbitos como el diagnóstico médico, el comercio de divisas y la selección de estrategias comerciales. [1]
La lógica difusa es útil principalmente para el razonamiento aproximado y no tiene capacidad de aprendizaje, [1] una cualidad muy necesaria que tienen los seres humanos. [ cita necesaria ] Les permite mejorar aprendiendo de sus errores anteriores.
Es por ello 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 conducir la señal, y la sinapsis, que controla las señales. Por lo tanto, las redes neuronales artificiales están dotadas de sistemas distribuidos de procesamiento de información, [9] 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. [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 por clustering y control. [1] 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. [10] Además, las técnicas de redes neuronales comparten con las de lógica difusa la ventaja de permitir la agrupación de datos .
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 . [11] Estos incluyen los algoritmos genéticos , la estrategia de evolución , la programación genética y muchos otros. [12] Se consideran solucionadores de problemas para tareas que no se pueden resolver mediante métodos matemáticos tradicionales [13] y se utilizan con frecuencia para la optimización, incluida la optimización multiobjetivo . [14]
Aún buscando una forma de "razonamiento" 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]
Siendo uno de los elementos principales 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 de Computación Inteligente, definido principalmente por la aleatoriedad . [16] Por lo tanto, los métodos probabilísticos resaltan las posibles soluciones a un problema, basadas en conocimientos previos.
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 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 . [18] 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 . [19] 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 hace un tiempo, con el auge de la educación STEM , la situación ha cambiado un poco. [20] Hay algunos esfuerzos disponibles en los que se prefieren enfoques multidisciplinarios que permitan al estudiante comprender sistemas adaptativos complejos . [21] Estos objetivos se discuten sólo sobre una base teórica. El plan de estudios de las universidades reales aún no estaba adaptado.
{{cite journal}}: Mantenimiento CS1: varios nombres: lista de autores ( enlace )