UNIVERSIDAD NACIONAL AUTÓNOMA DE HONDURASFACULTAD DE INGENIERÍA ELÉCTRICADEPARTAMENTO DE MATEMÁTICALÓGICA MATEMÁTICA SECCIÓN: 1600LIC. EDGARDO CÁCERES

FECHA DE ENTREGA: AGOSTO 17 DEL 2015

Nombre: Joshua Daniel Rodríguez Carrión

Carné: 20061002871

Tipos de lógica y

sus aplicaci

ones

INTRODUCCIÓN

La lógica durante la historia del ser humano, ha llevado a dar conclusión a diversos problemas de carácter, científico, socio económico y político, ayudando a comprender mejor dichos factores, que son íntegros de cada individuo “humano”, en su vida cotidiana.

Debido a esto han surgido diversos tipos de lógica, que han ayudado a solucionar problemas en dichos factores nombrados anterior mente. Ya que la aplicabilidad de la lógica es de carácter contundente en el diario vivir del ser humano, para su mejoramiento continuo, ya que las oportunidades en nuestro sistema socio económico son escasas y debemos saber detectar dichas oportunidades y saber aplicar métodos lógicos para una respuesta inmediata y concreta a lo que se presente como incógnita o pregunta.

La historia de la lógica documenta el desarrollo de la lógica en varias culturas y tradiciones a lo largo de la historia. Aunque muchas culturas han empleado intrincados sistemas de razonamiento, e, incluso, el pensamiento lógico estaba ya implícito en Babilonia en algún sentido, la lógica como análisis explícito de los métodos de razonamiento ha recibido un tratamiento sustancial solo originalmente en tres tradiciones: la Antigua China, la Antigua India y la Antigua Grecia.

Aunque las dataciones exactas son inciertas, particularmente en el caso de la India, es probable que la lógica emergiese en las tres sociedades hacia el siglo IV a. C. El tratamiento formalmente sofisticado de la lógica proviene de la tradición griega, especialmente del Organon aristotélico, cuyos logros serían desarrollados por los lógicos islámicos y, luego, por los lógicos de la Edad Media europea. El descubrimiento de la lógica india entre los especialistas británicos en el siglo XVIII influyó también en la lógica moderna.

En la Antigua Grecia, emergieron dos tradiciones lógicas opuestas. La lógica estoica estaba enraizada en Euclides de Megara, pupilo de Sócrates, y con su concentración en la lógica proposicional es la que quizás esté más próxima a la lógica moderna. Sin embargo, la tradición que sobrevivió a las influencias de culturas posteriores fue la peripatética, que tuvo su origen en el conjunto de obras de Aristóteles conocido como Organon (instrumento), la primera obra griega sistemática sobre lógica. El examen de Aristóteles del silogismo permite interesantes comparaciones con el esquema indio de la inferencia y la menos rígida discusión china.

En China, un contemporáneo de Confucio, Mozi, "Maestro Mo", es considerado como el fundador de la escuela Mohista (mohísmo), cuyos principios están relacionados con temas como la inferencia válida y las condiciones de las conclusiones correctas. En particular, una de las escuelas que siguieron al mohísmo, los lógicos, es considerada por varios expertos como la primera que investigó la lógica formal. Desafortunadamente, debido a la rígida normativa legal durante la dinastía Qin, esa línea de investigación desapareció de China hasta la introducción de la filosofía india por parte del budismo.

TIPOS DE LOGICA

Lógica plurivalente

Una lógica plurivalente o lógica polivalente es un sistema lógico que rechaza el principio del tercero excluido de las lógicas bivalentes y admite más valores de verdad que los tradicionales verdadero y falso. Distintas lógicas plurivalentes pueden admitir distintas cantidades de valores de verdad: desde tres, hasta infinito.

Las lógicas polivalentes se difundieron especialmente a partir de los trabajos de los filósofos polacos Jan Łukasiewicz y Emil Post y sus relaciones con la física cuántica, pero fueron expuestas anteriormente, con diferentes enfoques, por Hegel, Hugh MacColl, Charles Sanders Peirce y Nicolai A. Vasiliev. Stephen Kleene elaboró las tablas de verdad para un sistema de lógica trivalente. Un ejemplo para ilustrar la trivalencia en física ha sido la paradoja del gato de Schrödinger.

El acto mismo del conocimiento es la introducción de la contradicción. El principio del tercero excluido, "algo o es A o no es A", es la proposición que quiere rechazar la contradicción y al hacerlo incurre precisamente en contradicción: A debe ser +A ó -A, con lo cual ya queda introducido el tercer término, A que no es ni + ni - y por lo mismo es +A y -A. Algo es ello mismo y es otro, porque en realidad todo cambia continuamente y la misma cosa se transforma en otra cosa. Es una lógica del movimiento, la transición y la transformación.

Lógica bivalente

Una lógica bivalente es un sistema lógico que admite solo dos valores de verdad para sus enunciados (premisas y conclusión). En la lógica bivalente, una proposición solo puede ser verdadera o falsa, no existen valores intermedios de verdad. El clásico sistema de lógica bivalente es la lógica aristotélica que se sustenta en tres principios básicos:

Principio de identidad: es verdad que A es idéntico a A (a sí mismo). A = A

Principio de no contradicción: A no puede ser A y no-A al mismo tiempo. ¬(A ∧ ¬A)

Principio de tercero excluido: A es verdadero o es falso, no hay una tercera posibilidad. A v ¬A

No admite tampoco matices modales en sus enunciados, tales como "es necesario que", "es imposible que", etc. Se limita al lenguaje enunciativo o declarativo.

Existen otros sistemas de lógicas que no se sustentan en estos principios y por lo tanto admiten más de dos valores de verdad. Los sistemas de lógica modales o plurivalentes (como la lógica trivalente de Jan Łukasiewicz o la lógica trivalente de Kleene), aceptan un tercer valor, como "indeterminado" o "posible".

Lógica modal

Una lógica modal es un sistema formal que intenta capturar el comportamiento deductivo de algún grupo de operadores modales. Los operadores modales son expresiones que califican la verdad de los juicios. Por ejemplo, en la oración "es necesario que 2+2=4", la expresión "es necesario que" es un operador modal que califica de necesaria a la verdad del juicio "2+2=4".

En un sentido más restringido, sin embargo, se llama lógica modal al sistema formal que se ocupa de las expresiones "es necesario que" y "es posible que". Otros sistemas de lógica modal conocidos son la lógica deóntica, la lógica temporal, la lógica epistémica y la lógica doxástica.

Vocabulario

La lógica modal sólo agrega dos símbolos al vocabulario de la lógica proposicional: el símbolo   , que

representa la expresión del lenguaje natural "es necesario que", y el símbolo  , que representa la expresión

"es posible que". Ambos símbolos se prefijan a proposiciones, de modo que   se lee "es necesario que p",

y   se lee "es posible que p". Además, en la lógica modal clásica, ambos símbolos son interdefinibles por

medio del otro y de la negación; así:

Esto implica que en principio, sólo es necesario tomar uno de los dos símbolos como primitivo, ya que el otro

puede ser definido a partir de éste y del vocabulario de la lógica proposicional. En general, el símbolo que se

toma como primitivo es el de necesidad. Estas interdefiniciones son paralelas a las de los cuantificadores en

la lógica de primer orden:

Las razones de este paralelismo resultarán más claras en la sección de semántica de mundos posibles.

Lógica cuantificacional

Es llamada también lógica de predicados o lógica de primer orden. La lógica cuantificacional estudia la composición íntima de las proposiciones, utilizanuevos símbolos, leyes y métodos para establecer la validez de los razonamientos. Esta lógica estudia de manera más detallada los predicados a través del uso decuantificadores que expresan cantidad. El sistema de notación consta de los siguientes elementos, que vienen a ser sulenguaje:

a) Operadores proposicionalesb) Constantes individualesc) Variablesd) Operadores de cuantificación o simplemente, cuantificadores ye) Metavariablesf) Símbolos de agrupación.

Lógica proposicionalLa lógica proposicional o lógica de orden cero es un sistema formal cuyos elementos más simples representan proposiciones, y cuyas constantes lógicas, llamadas conectivas, representan operaciones sobre proposiciones, capaces de formar otras proposiciones de mayor complejidad. La lógica proposicional trata con sistemas lógicos que carecen de cuantificadores, o variables interpretables como entidades. En lógica proposicional si bien no hay signos para variables de tipo entidad, sí existen signos para variables proposicionales (es decir, que pueden ser interpretadas como proposiciones con un valor de verdad de definido), de ahí el nombre proposicional. La lógica proposicional incluye además de variables interpretables como proposiciones simples signos para conectivas lógicas, por lo que dentro de este tipo de lógica puede analizarse la inferencia lógica de proposiciones a partir de proposiciones, pero sin tener en cuenta la estructura interna de las proposiciones más simples.

Conectivas lógicasA continuación hay una tabla que despliega todas las conectivas lógicas que ocupan a la lógica proposicional, incluyendo ejemplos de su uso en el lenguaje natural y los símbolos que se utilizan para representarlas en lenguaje formal.

Conectiva Expresión en

el

lenguaje

natural

Ejemplo Símbolo

en

este

artículo

Símbolos

alternativo

s

Negación no No está lloviendo.

Conjunción y Está lloviendo y está nublado.  

Disyunción o Está lloviendo o está soleado.

Condicional

material

si... entonces Si está soleado, entonces es de día.

Bicondicional si y sólo si Está nublado si y sólo si hay nubes

visibles.

Negación conjunta ni... ni Ni está soleado ni está nublado.

Disyunción

excluyente

o bien... o

bien

O bien está soleado, o bien está

nublado.

En la lógica proposicional, las conectivas lógicas se tratan como funciones de verdad. Es decir,

como funciones que toman conjuntos de valores de verdad y devuelven valores de verdad. Por ejemplo, la

conectiva lógica “no” es una función que si toma el valor de verdad V, devuelve F, y si toma el valor de

verdad F, devuelve V. Por lo tanto, si se aplica la función “no” a una letra que represente una proposición

falsa, el resultado será algo verdadero. Si es falso que “está lloviendo”, entonces será verdadero que “no está

lloviendo”.

Lógica Borrosa

La Teoría de Conjuntos Borrosos fue introducida por Lotfi A. Zadeh (Azerbaiyán, 1921, actualmente profesor e mérito de la Universidad de California en Berkeley) a mediados de los años 60. Previamente, Max Black (1909 - 1989), en un artículo de 1937 titulado "Vagueness: An exercise in Logical Analysis" y Karl Menger (1902 - 1985) con los artículos de 1942 "Statistical Metrics" y los de los años 50 sobre relaciones borrosas de indistinguibilidad, sentaron las bases de lo que hoy es una teoría tan utilizada y con tan buenos resultados. Bajo el concepto de Conjunto Borroso (Fuzzy Set) reside la idea de que los elementos clave en el pensamiento humano no son números, sino etiquetas lingüísticas. Estas etiquetas permiten que los objetos pasen de pertenecer de una clase a otra de forma suave y flexible. La Lógica Borrosa se puede inscribir en el contexto de la Lógica Multivaluada. En 1922 Lukasiewicz cuestionaba la Lógica Clásica bivaluada (valores cierto y falso). Además, adelantaba una lógica de valores ciertos en el intervalo unidad como generalización de su lógica trivaluada. En los años 30 fueron propuestas lógicas multivaluadas para un número cualquiera de valores ciertos (igual o mayor que 2), identificados mediante números racionales en el intervalo [0, 1]. Uno de los objetivos de la Lógica Borrosa es proporcionar las bases del razonamiento aproximado que utiliza premisas imprecisas como instrumento para formular el conocimiento.

¿Qué son los conjuntos borrosos?. En un conjunto clásico (crisp) se asigna el valor 0 ó 1 a cada elemento para indicar la pertenencia o no a dicho conjunto. Esta función puede generalizarse de forma que los valores asignados a los elementos del conjunto caigan en un rango particular, y con ello indiquen el grado de pertenencia de los elementos al conjunto en cuestión. Esta función se llama “función de pertenencia” y el conjunto por ella definida “Conjunto Borroso”.

La función de pertenencia µA por la que un conjunto borroso A se define, siendo [0, 1] el intervalo de números reales que incluye los extremos, tiene la forma: µA=X→[0, 1] Es decir, mientras que en un conjunto clásico los elementos pertenecen o no pertenecen a él totalmente (por ejemplo un número puede pertenecer o no al conjunto de los pares, pero no pertenecerá con un determinado grado), en los conjuntos borrosos hay grados de pertenencia en referencia a un universo local. Por ejemplo en el contexto de nuestra sociedad actual una persona de 45 años pertenecerá al conjunto borroso “viejo” con un grado supongamos de 0.5. Si en vez de usar de referencia nuestra sociedad actual aludimos a una sociedad donde la esperanza de vida fueran 40 años este grado cambiaría.

A será un Subconjunto Borroso de B cuando: µA(x) ≤ µB(x), ∀x∈X Originalmente la teoría de conjuntos borrosos se formuló en base a un conjunto de operadores también válidos para conjuntos

clásicos: Negación: µ¬A(x) = 1 - µA(x) Unión: µA∪B(x) = max [µA(x), µB(x)] Intersección: µA∩B(x) = min [µA(x), µB(x)] Posteriormente se han definido clases de funciones con propiedades axiomáticas adecuadas a la utilidad de cada operador, principalmente las Tnormas y T-conormas, que sirven como modelos de la intersección y la unión respectivamente. El origen del uso de las T-normas y T-conormas se remonta a las consecuencias del artículo de Menger de 1942 “Statistical Metrics”. Para establecer la desigualdad triangular (en un triángulo cualquiera, la suma de dos lados siempre es mayor que el tercero), discípulos de Menger establecieron y estudiaron el concepto de norma triangular (T-norma) como operación tipo para componer (sumar probabilísticamente) los lados de un triángulo que no “midan” un número, sino una función de distribución de probabilidad. Posteriormente se han revelado como herramienta adecuada para formalizar la intersección borrosa. Pero para completar un tipo de razonamiento análogo al que se realiza con lógica clásica es necesario definir el concepto de implicación. Una implicación borrosa I es en general una función de la forma: I: [0, 1] x [0, 1] → [0, 1] Para cualesquiera dos valores ciertos a y b de proposiciones borrosas p, q, define el valor cierto I(a, b) de la proposición condicional “si p entonces q”. Es una extensión de la implicación clásica p → q del dominio restringido {0, 1} al dominio completo [0, 1]. Así como en lógica clásica una implicación se puede expresar de distintas formas y todas son equivalentes, sus extensiones a lógica borrosa resultan no ser equivalentes y han dado lugar a diferentes clases de implicaciones borrosas. Por último, existe un principio que permite la generalización de conceptos matemáticos crisp a la teoría de Conjuntos Borrosos. Cualquier función que asocie puntos x1,x2,..., xn del conjunto crisp X al Y puede generalizarse de forma que asocie subconjuntos borrosos de X en Y, es el denominado “Principio de extensión”.

AplicacionesLa representación borrosa del conocimiento.

En lenguaje natural se describen objetos o situaciones en términos imprecisos: grande, joven, tímido, ... El razonamiento basado en estos términos no puede ser exacto, ya que normalmente representan impresiones subjetivas, quizá probables pero no exactas. Por ello, la Teoría de Conjuntos Borrosos se presenta más adecuada que la lógica clásica para representar el conocimiento humano, ya que permite que los fenómenos y observaciones tengan más de dos estados lógicos. Para la construcción de Conjuntos Borrosos para ser usados en Sistemas Inteligentes son necesarias técnicas específicas de Adquisición de Conocimiento. Las más usadas son las entrevistas y formularios, pero parece adecuado adaptar otras técnicas al campo Borroso. En los Sistemas Basados en el Conocimiento la función de pertenencia debe ser obtenida del experto en ese dominio de conocimiento. Esta función no ha de ser confundida con una función de distribución de probabilidad basada en la repetición de las observaciones, sino en la opinión del experto. La representación habitual del conocimiento en términos borrosos se realiza por medio de reglas, del tipo: Si x1 es A1,1 y/o x2 es A2,1 y/o xn es A1,n Entonces y es B1 Cada variable que interviene como hipótesis en una regla tiene asociado un dominio. Cada dominio puede estar dividido en

tantos Conjuntos Borrosos como el experto considere oportuno. Cada una de estas particiones tiene asociada una Etiqueta Lingüística.

Un term-set (Fig. 1) es un conjunto finito, prioritariamente con 7±2 elementos, que son restricciones de una variable lingüística borrosa. Este conjunto de elementos debe ser suficiente para describir cualquier situación relativa al contexto en el que se sitúa el problema. Por ejemplo, el siguiente conjunto de términos pretende reflejar una descripción estándar de lo que se entiende por “altura” (referida a personas) (Ver tabla). El Universo de discurso (alturas) está normalizado entre 0 y 1 aunque refleja, por ejemplo, entre 130 y 230 cm.

Internet.

Según algunos de los más prestigiosos investigadores en Internet, parece que el futuro para abordar la ingente cantidad de datos, recuperar información, “controlar” y gestionar la red, pasa por el uso de tecnologías borrosas. Además, parece que esta intuición coincide con la nueva senda que, según el profesor Zadeh, debe seguir la lógica borrosa. Prueba de ello fué la celebración del primer encuentro sobre lógica borrosa e Internet (FLINT 2001, se puede acceder a las ponencias a través de la página Web de BISC) celebrado en la universidad de Berkeley en el verano de 2001 y organizado por el propio profesor Zadeh.

La idea principal es la tendencia hacia el Computing with words (computación con palabras), usando básicamente técnicas de Soft Computing (que engloba básicamente a la lógica borrosa, las redes neuronales y la computación evolutiva – algoritmos genéticos). Estos términos, acuñados por

el profesor Zadeh, ponen de manifiesto el nuevo reto que ha de acometer el soft computing y que ya se plasman en diferentes líneas de investigación, como son:

• Una nueva generación de motores de búsqueda en Internet, que usan técnicas de soft computing y que tratan de mejorar la búsqueda actual (lexicográfica) usando una búsqueda conceptual. • Técnicas avanzadas para describir “perfiles de usuario” que permitan un uso de internet más inteligente “a la carta”. • Comercio electrónico basado en técnicas de soft computing • Semantic Web. Esta lista se podría extender a otros muchos aspectos, pero conviene destacar algunas técnicas que deben ser mejoradas y adaptadas a los nuevos tiempos, volúmenes y estructura de la información que es necesario manipular en Internet: • Nuevos modelos de representación del conocimiento, como por ejemplo los conceptual fuzzy sets del profesor Takagi. • Mejoras en los métodos de agregación de información y en los algoritmos de clasificación y clustering. • Técnicas para la generación de ontologías (taxonomías de conceptos de un determinado dominio) y para la utilización de las mismas con limitaciones en el tiempo de respuesta. • Técnicas de indexación conceptual de documentos. • Agentes inteligentes autónomos para realizar servicios en Internet (en búsqueda, chat, correo electrónico, comercio electrónico, envío de datos, multimedia...). Y un largo etcétera de nuevos campos de aplicación del soft computing en los que ya se obtienen resultados prometedores.

Aplicaciones al diseño de hardwareLógica proposicional clásica se utiliza como una herramienta técnica para el análisis y síntesis de algunos tipos de circuitos eléctricos construidos a partir de "interruptores" con dos estados estables, es decir, niveles de voltaje. Una generalización bastante sencillo permite el uso de una lógica m de valor para hablar de circuitos integrados de "interruptores" similares con m estados estables. Todo este campo de aplicación de multi-valuada lógica se llama multivaluada (o incluso: fuzzy) de conmutación. Una buena introducción es Epstein (1993).

Aplicaciones a la Inteligencia ArtificialAI es en realidad el campo más prometedor de aplicaciones, que ofrece una serie de diferentes áreas en las que se han utilizado sistemas de MVL.Una primera área de solicitud se refiere a nociones vagas y el razonamiento de sentido común, por ejemplo, en sistemas expertos. Ambos temas se modelan a través de los conjuntos borrosos y la lógica difusa, y estos se refieren a los sistemas adecuados de MVL. Además, en las bases de datos y en los sistemas basados en el conocimiento a uno le gusta almacenar información vaga. Una segunda área de aplicación está fuertemente ligado con esta primera: la automatización de minería de datos y conocimiento. Aquí métodos de agrupamiento entran en consideración; estos se refieren a través de grupos de enfoque para los conjuntos borrosos y MVL. En este contexto también se está interesado en técnicas automatizadas teorema que demuestra para los sistemas de MVL, así como en los métodos de programación lógica para los sistemas de MVL. Parte de esta tendencia es el reciente desarrollo de lógicas descriptivas generalizadas, los llamados Descripción difusos lógicas, que permiten la inclusión de herramientas técnicas (grados verdad, conectivas, predicados

graduadas) desde el campo de la LMV en - desde el punto de vista de la plena lógica de primer orden: rudimentarias - sistemas de lógica, descripción llamados lógicas, ver Straccia (2001), Hájek (2005), Stoilos et al. (2008).

Aplicaciones a MatemáticasHay tres temas principales dentro de las matemáticas que se relacionan con multivaluada lógica. La primera de ellas es la teoría matemática de conjuntos difusos, y el análisis matemático de "fuzzy", o razonamiento aproximado. En ambos casos, uno se refiere a sistemas de MVL. El segundo tema ha sido aproxima hacia pruebas de consistencia de la teoría de conjuntos utilizando un sistema adecuado de MVL. Y hay una - a menudo sólo implícita - referencia a las ideas básicas de MVL en pruebas de independencia (por ejemplo, para los sistemas de axiomas) que a menudo se refieren a las matrices lógicas con más de dos grados de la verdad. Sin embargo, aquí MVL es más una herramienta puramente técnico, porque en estas pruebas de independencia uno no está interesado en una comprensión intuitiva de los grados de la verdad en absoluto.

Red Neuronal Artificial

Redes Neuronales Artificiales Una red neuronal artificial (ANN) es un esquema de computación distribuida inspirada en la estructura del sistema nervioso de los seres humanos. La arquitectura de una red neuronal es formada conectando múltiples procesadores elementales, siendo éste un sistema adaptivo que pose un algoritmo para ajustar sus pesos (parámetros libres) para alcanzar los requerimientos de desempeño del problema basado en muestras representativas. Por lo tanto podemos señalar que una ANN es un sistema de computación distribuida caracterizada por: o Un conjunto de unidades elementales, cada una de las cuales posee bajas capacidades de procesamiento. o Una densa estructura interconectada usando enlaces ponderados. o Parámetros libres que deben ser ajustados para satisfacer los requerimientos de desempeño. o Un alto grado de paralelismo. Es importante señalar que la propiedad más importantes de las redes neuronales artificiales es su capacidad de aprender a partir de un conjunto de patrones de entrenamientos, es decir, es capaz de encontrar un modelo que ajuste los datos. El proceso de aprendizaje también conocido como entrenamiento de la red puede ser supervisado o no supervisado. El aprendizaje supervisado consiste en entrenar la red a partir de un conjunto de datos o patrones de entrenamiento compuesto por patrones de entrada y salida. El objetivo del algoritmo de aprendizaje es ajustar los pesos de la red w de manera tal que la salida generada por la ANN sea lo más cercanamente posible a la verdadera salida dada una cierta entrada. Es decir, la red neuronal trata de encontrar un modelo al procesos desconocido que generó la salida y. Este aprendizaje se llama supervisado pues se conoce el patrón de salida el cual hace el papel de supervisor de la red. En cambio en el aprendizaje no supervisado se presenta sólo un conjunto de patrones a la ANN, y el objetivo del algoritmo de aprendizaje

es ajustar los pesos de la red de manera tal que la red encuentre alguna estructura o configuración presente en los datos.

A la hora de diseñar nuestra red neuronal para resolver un problema concreto es conveniente disponer de una herramienta software de diseño de ANN. Con una herramienta de éstas basta con pensar en términos de redes y no en programación de algoritmos en lenguajes de alto nivel. De esta manera todo el esfuerzo se debe dirigir al diseño de la arquitectura o estructura de la red y en la selección de los datos del conjunto de entrenamiento y de test.

El diseñador construye con el software apropiado la red especificando el número de capas, de neuronas y los tipos de conexiones. Define los ficheros o conjuntos de datos de entrada y salida, y debe elegir los parámetros de los cálculos internos de la red. Además el diseñador puede seleccionar diferentes funciones de transferencia y procesamiento de las neuronas, así como construir variaciones de los modelos estándar. En la fase de entrenamiento se debe especificar el número de iteraciones y la planificación de los cambios de los parámetros de aprendizaje. Generalmente esta fase requiere varias sesiones y la experimentación de diferentes parámetros de aprendizaje, diferentes vectores de entrada o diversas estrategias de entrenamiento permiten obtener conclusiones definitivas para la solución más eficaz de una aplicación.

Entre las áreas de aplicación de las redes se encuentran entre otras las siguientes: Análisis Financiero; Procesado de Imágenes en el ámbito de la Medicina, Industria y Defensa; Diagnóstico Médico y Comercial; Robótica y Control; Reconocimiento y Síntesis de Voz; Clasificación de Datos provenientes de sensores; Compresión y Codificación de Información.

Procesamiento de voz e imágenes

Inteligencia artificial

La inteligencia artificial (IA) puede definirse como el medio por el cual las computadoras, los robots y otros dispositivos realizan tareas que normalmente requieren de la inteligencia humana. Por ejemplo, la resolución de cierto tipo de problemas, la capacidad de discriminar entre distintos objetos o el responder a órdenes verbales.

La IA agrupa un conjunto de técnicas que, mediante circuitos electrónicos y programas avanzados de computadora, busca imitar procedimientos similares a los procesos inductivos y deductivos del cerebro humano. Se basa en la investigación de las redes neuronales humanas y, a partir de ahí, busca copiar electrónicamente el funcionamiento del cerebro.

Video de juegoUsted puede comprar las máquinas que pueden jugar al ajedrez de nivel master por unos pocos cientos de dólares. Hay algo de AI en ellos, pero juega bien contra las personas, principalmente a través de la fuerza bruta de cálculo - mirando cientos de miles de puestos. Para vencer a un campeón del mundo por la fuerza bruta y la heurística confiables conocidos requiere ser capaz de mirar a los 200 millones de posiciones por segundo.

Reconocimiento de voz

En la década de 1990, el reconocimiento de voz de ordenador alcanza un nivel práctico para propósitos limitados. Así United Airlines ha sustituido su árbol teclado para obtener información de vuelo por un sistema que utiliza el reconocimiento de voz de los números de vuelo y nombres de ciudades. Es muy conveniente. Por otro lado, si bien es posible para instruir a algunos ordenadores utilizando el habla, la mayoría de los usuarios han vuelto a el teclado y el ratón como todavía más conveniente.

Comprensión del lenguaje natural

El simple hecho de una secuencia de palabras en una computadora no es suficiente. Analizar oraciones tampoco es suficiente. El equipo tiene que estar provisto de un conocimiento del dominio que trata el texto, y esto es posible en la actualidad sólo para dominios muy limitadas.

Visión por computadorEl mundo se compone de objetos tridimensionales, pero las entradas para el ojo humano y las cámaras de televisión ordenadores es de dos dimensiones. Algunos programas útiles pueden trabajar solamente en dos dimensiones, pero la visión de equipo completo requiere información tridimensional parcial que no es sólo un conjunto de vistas bidimensionales. En la actualidad hay maneras sólo limitadas de representación de la información en tres dimensiones directamente, y no son tan buenos como lo que los seres humanos utilizan evidentemente.