chili777

Inteligencia Artificial La Inteligencia Artificial es una combinación de la ciencia del computador, fisiología y filosofía, tan general y amplio como eso, es que reúne varios campos (robótica, sistemas expertos, por ejemplo), todos los cuales tienen en común la creación de máquinas que pueden "pensar". La idea de construir una máquina que pueda ejecutar tareas percibidas como requerimientos de inteligencia humana es un atractivo. Las tareas que han sido estudiadas desde este punto de vista incluyen juegos, traducción de idiomas, comprensión de idiomas, diagnóstico de fallas, robótica, suministro de asesoría experta en diversos temas. Trabajos teóricos fundamentales fueron el desarrollo de algoritmos matemáticos por Warren McCullock y Walter Pitts, en 1943, necesarios para posibilitar el trabajo de clasificación, o funcionamiento en sentido general, de una red neuronal. En 1949 Donald Hebb desarrolló un algoritmo de aprendizaje para dichas redes neuronales creando, en conjunto con los trabajos de McCullock y Pitts, la escuela creacionista. Esta escuela se considera hoy como el origen de la Inteligencia Artificial, sin embargo se trató poco por muchos años, dando paso al razonamiento simbólico basado en reglas de producción, lo que se conoce como sistemas expertos. I. Nociones y Antecedentes Históricos de Inteligencia Artificial. Definiciones sobre Inteligencia Artificial: ] Disciplina científico-técnica que trata de crear sistemas artificiales capaces de comportamientos que, de ser realizados por seres humanos, se diría que requieren inteligencia. Estudio de los mecanismos de la inteligencia y las tecnologías que lo sustentan. (Newell, 91) Intento de reproducir (modelar) la manera en que las personas identifican, estructuran y resuelven problemas difíciles (Pople, 84) Son ciertas herramientas de programación, entendiendo por herramientas: Lenguajes: LISP, PROLOG Entornos de desarrollo: shells Arquitecturas de alto nivel: nodo y arco, sistemas de producciones Desde sus comienzos hasta la actualidad, la Inteligencia Artificial ha tenido que hacer frente a una serie de problemas: Los computadores no pueden manejar (no contienen) verdaderos significados. Los computadores no tienen autoconciencia (emociones, sociabilidad, etc.). Un computador sólo puede hacer aquello para lo que está programado. Las máquinas no pueden pensar realmente. En 1843, Lady Ada Augusta Byron, patrocinadora de Charles Babbage planteó el asunto de si la máquina de Babbage podía "pensar". Los primeros problemas que se trató de resolver fueron puzzles, juegos de ajedrez, traducción de textos a otro idioma. Durante la II Guerra Mundial Norbert Wiener y John Von Neumann establecieron los principios de la cibernética en relación con la realización de decisiones complejas y control de funciones en máquinas. En 1957 Newell y Simon continúan su trabajo con el desarrollo del General Problems Solver (GPS). GPS era un sistema orientado a la resolución de problemas; a diferencia del Logic Theorist, el cual se orientó a la demostración de teoremas matemáticos, GPS no estaba programado para resolver problemas de un determinado tipo, razón a la cual debe su nombre. Resuelve una gran cantidad de problemas de sentido común, como una extensión del principio de retroalimentación de Wiener. Diversos centros de investigación se establecieron, entre los más relevantes están, la Universidad Carnegie Mellon, el Massachusetts Institute of Technologie (MIT), encabezado por Marvin Minsky, la Universidad de Standford e IBM. Los temas fundamentales eran el desarrollo de heurísticas y el aprendizaje de máquinas. En 1957 McCarthy desarrolló el lenguaje LISP. La IBM contrató un equipo para la investigación en esa área y el gobierno de USA aportó dinero al MIT también para investigación en 1963. A finales de los años 50 y comienzos de la década del 60 se desarrolla un programa orientado a la lectura de oraciones en inglés y la extracción de conclusiones a partir de su interpretación, al cual su autor, Robert K. Lindsay, denomina "Sad Sam". Este podía leer oraciones del tipo "Jim es hermano de John" y "La madre de Jim es Mary", a partir de ella el sistema concluía que Mary debía ser también la madre de John. Este sistema representó un enorme paso de avance en la simulación de inteligencia humana por una máquina, pues era capaz de tomar una pieza de información, interpretarla, relacionarla con información anteriormente almacenada, analizarla y sacar conclusiones lógicas. En 1961 se desarrolla SAINT (Simbolic Automatic INTegrator) por James Slagle el cual se orienta a la demostración simbólica en el área del álgebra. En 1964 Bertrand Raphael construye el sistema SIR (Semantic Information Retrieval) el cual era capaz de comprender oraciones en inglés. A continuación un ejemplo, traducido, de interacción entre SIR y un usuario: Usuario: Todos somos personas SIR: Comprendo Usuario: Un dedo es una parte de la mano SIR: Comprendo Usuario: Cada persona tiene dos manos SIR: La oración anterior es ambigua. Por favor reconstrúyala. Usuario: En cada persona hay dos manos SIR: Comprendo Usuario: ¿Cuantos dedos tiene John? SIR: La oración anterior es ambigua, pero asumo que TIENE significa TIENE COMO PARTES. No se si los dedos forman parte de John. Usuario: John es un chico SIR: Comprendo Usuario: ¿Cuántos dedos tiene John? SIR: La oración anterior es ambigua, pero asumo que TIENE significa TIENE COMO PARTES, ¿cuántos dedos por mano?. Usuario: Cada mano tiene cinco dedos. SIR: Comprendo Usuario: ¿Cuántos dedos tiene John? SIR: La respuesta es diez. En la década del 60 se comienza en el MIT el estudio de la visión artificial, lo cual implica no solo captar imágenes a través de una cámara, sino también la comprensión, de lo que estas imágenes representan. Un resultado importante en este trabajo lo constituye el "mundo de micro-bloques", en el cual un robot era capaz de percibir un conjunto de bloques sobre una mesa, moverlos y apilarlos; el éxito se debió a los investigadores Larry Roberts, Gerald Sussman, Adolfo Guzman, Max Clowes, David Huffman, David Waltz, Patrick Winston, y Berthold Horn. Posteriormente se obtuvieron resultados importantes entre ellos el de mayor resonancia fue el sistema SCHRDLU de Terry Winograd, pues permitía interrogar y dar órdenes a un robot que se movía dentro de un mundo de bloques. A continuación mostramos un ejemplo traducido: Usuario: Toma un bloque rojo. SCHRDLU: Ok. Usuario: Busca un bloque más pequeño que el que tienes y ponlo dentro de la caja. SCHRDLU: Asumo que PONLO se refiere al bloque más pequeño que el que tengo. Usuario: ¿Qué contiene la caja? SCHRDLU: La pirámide azul y el bloque azul. Usuario: ¿Qué sostiene a la pirámide? SCHRDLU: La caja. Usuario: ¿Cuántos bloques no están sobre la mesa? SCHRDLU: Cuatro. Usuario: ¿Es al menos uno de ellos más estrecho que aquel que te dije que recogieras? SCHRDLU: Sí, el cubo rojo. Usuario: ¿Lo sostiene algo? SCHRDLU: Sí, la mesa. Usuario: ¿Puede la mesa recoger bloques? SCHRDLU: No. Usuario: La pirámide azul es mía. SCHRDLU: Comprendo. Usuario: Todos los bloques que no son rojos son míos, pero no poseo nada que sostenga una pirámide. SCHRDLU: Comprendo. Usuario: ¿Poseo una caja? SCHRDLU: No Usuario: ¿Poseo algo de la caja? SCHRDLU: Si, dos cosas: El bloque azul y la pirámide azul. Aunque parezca impresionante la capacidad del sistema para razonar y ejecutar acciones, no se debe perder de vista el hecho que el robot se mueve en un mundo muy simple de figuras geométricas, y que las relaciones entre ellas son muy limitadas. En el mundo real existen tantos objetos diferentes y relaciones entre ellos, que tratar de llevar este sistema a un entorno real resulta prácticamente imposible. En los primeros años de la década del 60 Frank Rosemblatt desarrolla, en la Universidad de Cornell, un modelo de la mente humana a través de una red neuronal y produce un primer resultado al cual llama perceptrón. Este sistema era una extensión del modelo matemático concebido por McCullock y Pitts para las neuronas, y funcionaba basándose en el principio de "disparar" o activar neuronas a partir de un valor de entrada el cual modifica un peso asociado a la neurona, si el peso resultante sobrepasa un cierto umbral la neurona se dispara y pasa la señal a aquellas con las que está conectada. Al final, en la última capa de neuronas, aquellas que se activen definirán un patrón el cual sirve para clasificar la entrada inicial. Este trabajo constituye la base de las redes neuronales de hoy en día, sin embargo a raíz de su desarrollo sufrió fuertes críticas por parte de Marvin Minsky y Seymour Papert lo cual provocó que la mayoría de los investigadores interesados en el tema lo abandonarán, y este no se retomara hasta los años 80. En 1965-70, comenzaron a aparecer los programas expertos, que predicen la probabilidad de una solución bajo un set de condiciones, entre esos proyectos estuvo: DENDRAL, que asistía a químicos en estructuras químicas complejas euclidianas; MACSYMA, producto que asistía a ingenieros y científicos en la solución de ecuaciones matemáticas complejas, etc. En la década 1970-80, creció el uso de sistemas expertos, muchas veces diseñados para aplicaciones médicas y para problemas realmente muy complejos como MYCIN, que asistió a médicos en el diagnóstico y tratamiento de infecciones en la sangre. Otros son: R1/XCON, PIP, ABEL, CASNET, PUFF, INTERNIST/CADUCEUS, etc. Algunos permanecen hasta hoy. De 1975 en adelante, comienza la era de los lenguajes expertos (shells) como EMYCIN, EXPERT, OPSS, etc. para luego tratar de que éstos sean más amigables y funcionales. Las definiciones de Inteligencia Artificial son muchas, pero podría decirse que son programas que realizan tareas que si fueran hechas por humanos se considerarían inteligentes. Estos programas obviamente corren en un computador y se usan, como por ejemplo, en control robótico, comprensión de lenguajes naturales, procesamiento de imágenes basado en conocimientos previos, estrategias de juegos, etc. reproduciendo la experiencia que un humano adquiriría y de la forma en que un humano lo haría. Para clasificar las máquinas como "pensantes", es necesario definir qué es inteligencia y qué grado de inteligencia implica resolver problemas matemáticos complejos, hacer generalizaciones o relaciones, percibir y comprender. Los estudios en las áreas del aprendizaje, del lenguaje y de la percepción sensorial han ayudado a los científicos a definir a una máquina inteligente. Importantes desafíos han sido tratar de imitar el comportamiento del cerebro humano, con millones de neuronas y extrema complejidad. 1. Encadenamiento hacia delante: Se produce cuando el objetivo propuesto al sistema hace que se ejecute una regla, y la conclusión obtenida permite que se ejecute otra, y así sucesivamente hasta llegar a una respuesta, positiva o negativa. El punto final se detecta cuando no se pueden producir más encadenamientos, por ejemplo cuando se llega a un axioma. Por ejemplo: (1). SI (x ES JEFE_DPTO) ENTONCES (x ES CATEDRÁTICO) (2). CATEDRÁTICO("Mario Pérez" (3). CATEDRÁTICO("Manuel Fernandez" (4). CATEDRÁTICO("Maria Gonzalez" Al evaluar el objetivo: "Mario Pérez es Jefe_Dpto"?, se dispara la regla (1), la cual a su vez se encadena con la (2), en este momento no se pueden producir más encadenamientos pues la regla (2) es un axioma. Llegado a este punto el Motor de Inferencia retrocede y da una respuesta positiva a la pregunta. Encadenamiento hacia atrás: Consiste en, dado un objetivo, buscar una regla que permita establecer dicha conclusión, el proceso se repite hasta encadenar con la regla cuya conclusión satisfaga el objetivo propuesto, o se detecte que dicho problema no se puede resolver positivamente. Por ejemplo para averiguar si "Mario Pérez es doctor" se busca un regla que tenga esta afirmación en sus consecuencias. Analizando las reglas anteriores vemos que la regla: (5). SI (x ES CATEDRÁTICO) ENTONCES (x ES DOCTOR) Satisface estas condiciones; siguiendo esta regla hacia atrás tenemos que buscar una nueva que permita validar si "Mario Pérez" es catedrático, lo cual se hace con el axioma (2). Los encadenamientos constituyen, de esta manera, una de las herramientas fundamentales del Motor de Inferencia; el Lenguaje PROLOG solamente soporta el encadenamiento hacia atrás, el cual constituye el más frecuentemente implementado. Sistemas Expertos como Sistemas de Información Orientados al Servicio. En la Conferencia de Dartmouth en 1956 donde Newell, Shaw y Simon presentaron sus programas para demostrar las proposiciones lógicas (Logical Theorist). La expresión de Inteligencia Artificial la inventó en aquel mismo año John McCarthy. En 1959-60, aparece un programa demostrador de teoremas basado en la lógica proposicional (General Problem Solver, por Newell, Shaw y Simon). La década comprendida entre 1960-70 vio sentar los principios básicos de la investigación en las estructuras en árbol así como el movimiento de ideas empleadas actualmente en la resolución de problemas y los sistemas expertos. Los textos de Newell y Simon (1972) y Nillson (1971) marcan el final de este periodo. Los principales métodos de búsqueda en estructuras en árbol, que todavía se emplean hoy en los programas de sistemas expertos, estaban ya disponibles en esos años. Las primeras aplicaciones se hicieron en problemas fáciles de describir, pero complejos de resolver, como por ejemplo: juego de ajedrez y demostración de teoremas matemáticos. Los sistemas expertos orientados al servicio derivaron de la necesidad de resolver problemas cada vez más complejos, con poca información estructurada y con resultados probables, donde uno de los caminos era encontrar la mejor solución a un problema, no necesariamente la única posible. Los hechos para una base de conocimiento deben ser adquiridos a partir de experiencias humanas a través de entrevistas y observaciones. Este conocimiento es usualmente representada en la forma de reglas "if-then" (reglas de producción): " si alguna condición es verdadera, entonces la siguiente inferencia puede ser hecha (o alguna acción tomada)". La base de conocimientos de un sistema experto mejor incluye miles de reglas. Un factor de probabilidad es con frecuencia unido a las conclusiones de cada regla de producción, porque la conclusión no es una certeza. Por ejemplo, un sistema para el diagnóstico de enfermedades del ojo debe indicar, basado en información que apoye esto, un 90% de probabilidad de que una persona tiene glaucoma, y este puede también listar conclusiones con más bajas posibilidades. Un sistema experto puede desplegar la secuencia de reglas a través de las cuales éste llega a su conclusión. Trazar el flujo ayuda al usuario para apreciar la credibilidad de su recomendación y es útil como una herramienta de aprendizaje para estudiantes. Los expertos humanos frecuentemente emplean las reglas heurísticas, o "regla del pulgar", además de la simple producción de reglas. Por ejemplo, un administrador de crédito puede saber que un solicitante con una historia pobre de crédito, con un registro limpio desde que adquirió un nuevo empleo, puede actualmente ser un buen sujeto de crédito. Los sistemas expertos han incorporado tales reglas heurísticas e incrementándolas tienen la habilidad de aprender a partir de la experiencia. Sin embargo, los sistemas expertos son más bien soporte o apoyo más que reemplazos para los expertos humanos. II.1. Definición y Antecedentes. Los sistemas de información proveen apoyo para las operaciones o servicios que organizaciones realizan para la sociedad. Los sistemas son orientados verticalmente a sectores específicos e industrias, ej. Manufactura, servicios financieros, publicidad, educación, salud y entretenimiento. Más que dirección administrativa y funciones administrativas, ellos apoyan actividades y procesos que son la razón para una existencia organizacional (en muchos casos, algún tipo de actividad manufacturera o el desarrollo de servicios. Los sistemas de este tipo varían enormemente, pero ellos tienden a caer dentro de tres tipos principales: manufactura, transacciones y Sistemas Expertos. La meta conceptual de la industria moderna es la manufactura integrada por computador (CIM). Involucra diseño y desarrollo de ingeniería, manufactura, marketing y ventas, y todo el campo de soporte y servicios. El diseño asistido por computador (CAD) fue aplicado primero en la industria electrónica. Hoy ellos dan forma a las técnicas de modelación tridimensional para dibujo y manipulación de objetos sólidos en una pantalla y para derivar éstos a programas de diseño de piezas y conjuntos, modelación estructural y térmica, fabricación en máquinas CNC (control numérico). Una vez que un producto es diseñado, su proceso de producción puede ser delineado usando sistemas de planificación de procesos asistidos por computador (CAPP) que ayuden a seleccionar secuencias de operaciones y condiciones de maquinado. Los modelos del sistema de manufactura pueden ser simulado por computadores antes de que sean construidos. Las funciones básicas de la manufacturación: maquinado, formado, unión, ensamble e inspección, son apoyados por el sistema de manufactura asistida por computador (CAM) y sistemas de manejo de material automatizado. El sistema de control de inventario busca mantener un óptimo stock de partes y materiales para controlar el movimiento del inventario, predecir los requerimientos e iniciar procedimientos de órdenes de compra. La sofisticación tecnológica de los sistemas de información de manufactura es impresionante y esto incluye incrementadamente aplicaciones robóticas, visión de computador y sistemas expertos. Lo central en el concepto de CIM es una base de datos integrada que apoya a las empresas manufactureras y es conectada a otras bases de datos administrativas. En organizaciones de servicio no-manufacturero el tipo de sistemas de información que prevalece es el que apoya los procesos de transacción. Transacciones son sets de entradas discretas, suministradas por usuarios en impredecibles intervalos, los cuales llaman a la base de datos buscando, analizando y modificando. El procesador evalúa el requerimiento y ejecuta éste inmediatamente. Partes de la función de procesamiento pueden ser llevadas a un terminal inteligente que distribuye el requerimiento en la carga computacional. El tiempo de respuesta (el lapso de tiempo entre el final de un requerimiento y el comienzo de la respuesta) es una característica importante de este tipo de sistema de teleproceso en tiempo real. Los sistemas de transacción por teleproceso constituyen la base de las industrias de servicio tales como bancarios, seguros, seguridad, transporte y bibliotecas. Ellos están reemplazando el piso del mayor intercambio comercial de stock del mundo, conectando la más amplia vía de telecomunicaciones en línea en un mercado financiero global. De nuevo, lo central en un sistema de transacción es su base de datos integrada. El foco del sistema es el recipiente de servicios más que el operador del sistema. Debido a esto, un agente viajero local es capaz de planear un itinerario completo de un viajero: incluyendo las reservaciones en aerolíneas, hoteles, arriendo de autos, programas culturales y deportivos, e incluso restaurantes, en cualquier continente y ajustar éstos al programa y presupuesto del viajero. II.2. Componentes: software de interfaz, base de datos, programa computacional. Una relativamente nueva categoría de sistemas de información orientada al servicio es el sistema experto, llamado así porque su base de datos guarda una descripción de habilidades en la toma de decisiones de experiencias humanas en un estrecho dominio de procedimientos, tales como interpretación médica de imagen, impuestos, diseño de piping, configuración de hardware en un sistema de computadores, equipamiento para reparar malfuncionamientos o, en la preparación de cerveza. La motivación para construir sistemas expertos es el deseo de replicar el escaso, in estructurado y quizás el pobremente documentado conocimiento empírico de especialistas que de este modo puede ser rápidamente usado por otros. Un programa computacional que usa inteligencia artificial resuelve problemas en un dominio especializado que ordinariamente requiere experiencia humana. El primer sistema experto fue desarrollado en 1965 por Edward Feigenbaum y Joshua Lederberg de la Universidad de Standford en California, USA. Dendral fue diseñado para analizar componentes químicos. Los sistemas expertos ahora tienen aplicaciones comerciales en campos tan diversos como diagnóstico médico, ingeniería petrolera e inversión financiera. Para realizar tareas de aparente inteligencia, un sistema experto recurre a tres componentes: un software de interfaz, una base de conocimiento y un motor de inferencia. 1) El software de interfaz, mediante el cual el usuario formula preguntas a éste, el sistema experto solicita más información desde el usuario y éste le explica al usuario el proceso de razonamiento empleado para llegar a una respuesta. 2) La base de datos, llamada la base de conocimiento que consiste de axiomas (hechos) y reglas para hacer inferencias a partir de esos hechos acerca del dominio del sistema. En el transcurso de las tres décadas pasadas, la tecnología para soportar el desarrollo de aplicaciones intensivas de datos tuvo una evolución de cuatro generaciones, sistemas de archivos, sistemas de bases de datos jerárquicos, sistemas de bases de datos en red y sistemas de bases de datos relacionales. En todos los casos, la transición de una generación a otra, ha sido motivada por la necesidad de minimizar los costos de desarrollo (que escalan rápidamente), así como los de mantenimiento y mejora de programas de aplicación. Los sistemas convencionales (relacionales y prerrelacionales) han servido para satisfacer las necesidades de aplicaciones del ambiente para el cual fueron diseñadas, es decir, de procesamiento de datos en negocios, tales como control de inventario, nóminas, cuentas por cobrar, etc. Sin embargo, tan pronto como esta tecnología abandonó los laboratorios de investigación y registró su marca en el mercado, serias limitaciones comenzaron a ser expuestas. Una variedad de aplicaciones comenzó a ser identificada como difícil para implantarse con el uso de sistemas de bases de datos relacionales. Estas nuevas aplicaciones incluyen diseño asistido por computador, ingeniería de software, gestión y administración de procesos (CAD, CAE, CASE y CAM), sistemas basados en conocimiento (sistemas expertos y "shell" para sistemas expertos), sistemas multimedia que manejan imágenes, gráficas, voz y documentos textuales; modelos estadísticos y científicos y análisis de programas, y sistemas de información geográfica, entre otras. Con este nuevo esquema se presentan algunas dificultades atribuibles al modelo de datos que es una representación lógica de datos, relaciones e interacción entre los datos . Un lenguaje de base de datos es una sintaxis para representar un modelo y operaciones con una semántica definida sobre el modelo de datos. Las aplicaciones requieren, muchas veces: a) facilidades para modelar y manejar entidades anidadas complejas (tales como diseño de objetos y documentos compuestos); b) un conjunto sofisticado de tipos de datos, por ejemplo, tipos de datos definidos por el usuario, y tipos grandes pero sin estructura (tales como imágenes, audio y documentos textuales); c) representación de conceptos semánticos (tales como relaciones de generalización y agregación); d) el concepto de evolución temporal de datos (por ejemplo, dimensión temporal de datos y mantener versiones de datos); etc. Por otra parte, también se presentan importantes dificultades que no están relacionadas con el modelo de datos. Algunas de estas aplicaciones requieren de cómputo altamente intensivo, con un gran volumen de datos en memoria residente, e imponen demandas de ejecución que no pueden reunir los sistemas administradores de datos relacionales y de datos prerrelacionales. El ambiente de algunas de las aplicaciones también requiere de transacciones de larga duración (por ejemplo, el objeto es tan grande que su actualización toma mucho tiempo), transacciones interactivas y cooperativas. Existen dos razones principales por las que la metodología orientada a objetos es un sólido fundamento para la nueva generación de tecnología de base de datos. Primero, un modelo de datos orientado a objetos puede representar no solamente los datos, las relaciones y la interacción de datos de modelos de datos convencionales, sino también permite encapsular los datos y programas que operan datos con un protocolo definido y proporcionan una estructura uniforme para el trato de tipos de datos arbitrarios definidos por el usuario. Algunas relaciones en el modelo de datos, que son difíciles en sistemas de bases de datos convencionales, son inherentes a un modelo de datos basados en objetos. Una segunda razón, es que a través de la noción de encapsulamiento y herencia, esta metodología está fundamentalmente diseñada para reducir la dificultad de desarrollo y evolución de sistemas complejos de "software". Esto fue, precisamente, la meta que motivó a la tecnología de administración de datos, a transformar sistemas de archivos hacia sistemas de bases de datos relacionales. Un modelo de datos orientado a objetos satisface el objetivo de facilitar el diseño y desarrollo de bases de datos complejas, sofisticadas y muy grandes. Pero, muchos de los productos comerciales comunes poseen distintos grados de calidad en cuanto a desempeño y funcionalidad. Con frecuencia, los proveedores ofrecen solamente motores (máquinas) de Bases de Datos con interfaces propietarias para desarrollo de aplicaciones por los programadores; la inclusión de herramientas de desarrollo está comenzando a surgir. Segundo, la fuerza de un modelo de datos orientado a objetos es también su debilidad. La riqueza de este modelo hace posible la generación de unos más complejos y sus relaciones con las aplicaciones de procesamiento de datos, introducen aspectos complejos que el usuario debe manejar. Tercero, no obstante el alto grado de desarrollo y experimentación en lenguajes de programación orientados a objetos y aplicaciones, todavía no hay un consenso en la industria sobre la semántica de su paradigma que vaya más allá de un conjunto de conceptos de alto nivel sobre la programación orientada a objetos, por lo que aún no existen estándares en esta tecnología. 3) El programa computacional, llamado el motor de inferencia, ejecuta el proceso de hacer inferencias, interpreta y evalúa los hechos en la base de conocimiento para proveer una respuesta. La base de conocimiento es una estructura de reglas conectadas que aplica experiencias humanas, con frecuencia intuitivas, en la solución de problemas. El proceso de adquisición de tal conocimiento típicamente tiene tres fases: Un análisis funcional del ambiente, usuarios, y las tareas desarrolladas por el experto. Identificación de los conceptos del dominio de experiencias y su clasificación de acuerdo a varias relaciones. Una entrevista, por técnicas humanas o automatizadas del o los expertos en el tema. Los resultados de estos pasos son traducidos en una llamada producción de reglas (de la forma "si la condición x existe, entonces la acción y sigue) y es guardado en la base de conocimiento. Cadenas de producción de reglas forman las bases para las capacidades deductivas automatizadas del sistema experto y para su capacidad para explicar sus acciones a los usuarios. Los sistemas expertos son una variedad comercial de una clase de programas computacionales llamados sistemas basados en conocimiento. El conocimiento en sistemas expertos es altamente in estructurado, esto es, el proceso de solucionar problemas de un dominio no es manifiesto. Y es establecido explícitamente en relaciones o deductivamente inferidos desde la cadena de proposiciones. Dado que cada condición que puede ser encontrada puede ser descrita por una regla, los sistemas expertos basados en reglas no pueden manejar eventos no anticipados, pero pueden evolucionar con el uso, y permanece limitado a un estrecho dominio de problemas. Otra variante de sistemas expertos, uno que no posee esta limitación, emplea una base de conocimiento que consiste de descripciones estructuradas de situaciones, de problemas del mundo real y de decisiones actualmente hechas por expertos humanos. En medicina, por ejemplo, el registro de un paciente contiene descripciones de datos personales, exámenes físicos y de laboratorio, diagnóstico clínico, tratamiento propuesto, y los resultados de tales tratamientos. Dada una gran base de datos con tales registros en una especialidad médica, el médico puede indagar acerca de eventos análogos a los relacionados con el paciente. Esto en contraste con el sistema que idealmente intenta reemplazar al ser humano, ya que en casos como estos sólo podría usarse este tipo de conocimiento como una herramienta que ayuda en la toma de decisiones. El software requerido para este tipo de sistemas se ha ido complicando con el tiempo ya que su desarrollo demanda tiempo, un buen equipo de programadores y un buen producto final. Se percibe este trabajo como una tarea para el ingeniero y consiste de: Identificación y análisis de los requerimientos del usuario. Desarrollo de las especificaciones del sistema (software y hardware). Diseño del software. Implementación Testeo Mantención Tareas típicas para sistemas expertos involucran clasificación, diagnóstico, monitoreo, diseño, inventario y planificación para esfuerzos especializados. II.2.1. Tecnologías Involucradas. Lenguajes de Programación En principio, cualquier lenguaje de programación puede ser utilizado. Siendo así de amplio el espectro en el cual se puede escoger un lenguaje para programar un sistema experto. Atendiendo a la forma de estructurar sus instrucciones, se los puede dividir en: IMPERATIVOS: PASCAL, C/C++. FUNCIONALES: LISP. DECLARATIVOS: PROLOG, CHIP, OPS5. ORIENTADOS A OBJETOS: SmallTalk, Hypercard, CLOS. Tradicionalmente LISP y PROLOG han sido los lenguajes que se han utilizado para la programación de sistemas expertos. Estos lenguajes ofrecen características especialmente diseñadas para manejar problemas generalmente encontrados en Inteligencia Artificial. Por este motivo se los conoce como lenguajes de inteligencia Artificial. Una de las principales características que comparten los lenguajes LISP y PROLOG, como consecuencia de su respectiva estructura, es que pueden ser utilizados para escribir programas capaces de examinar a otros programas, incluyendo a ellos mismos. Esta capacidad se requiere, por ejemplo, para hacer que el programa explique sus conclusiones. Esto sólo puede hacerse si el programa tiene la capacidad de examinar su propio modo de operación. Lisp Su nombre se deriva de LISt Processor. LISP fue el primer lenguaje para procesamiento simbólico. John McCarthy lo desarrolló en 1958, en el Instituto de Tecnología de Massachusetts (MIT), inicialmente como un lenguaje de programación con el cual los investigadores pudieran implementar eficientemente programas de computadora capaces de razonar. Rápidamente LISP se hizo popular por su capacidad de manipular símbolos y fue escogido para el desarrollo de muchos sistemas de Inteligencia Artificial. Actualmente, LISP es utilizado en varios dominios que incluyen la escritura de compiladores, sistemas para diseño VLSI, sistemas para diseño mecánico asistido por computadora (AUTOCAD), animaciones gráficas y sistemas basados en conocimiento. I.2.2. Redes Neuronales. Las Redes Neuronales surgieron del movimiento conexionista, que nació junto con la Inteligencia Artificial simbólica o tradicional. Esto fue hacia los años 50, con algunos de los primeros ordenadores de la época y las posibilidades que ofrecían. La Inteligencia Artificial simbólica se basa en que todo conocimiento se puede representar mediante combinaciones de símbolos, derivadas de otras combinaciones que representan verdades incuestionables o axiomas. Así pues, la Inteligencia Artificial tradicional asume que el conocimiento es independiente de la estructura que maneje los símbolos, siempre y cuando la 'máquina' realice algunas operaciones básicas entre ellos. En contraposición, los 'conexionistas' intentan representar el conocimiento desde el estrato más básico de la inteligencia: el estrato físico. Creen que el secreto para el aprendizaje y el conocimiento se halla directamente relacionado con la estructura del cerebro: concretamente con las neuronas y la interconexión entre ellas. Trabajan con grupos de neuronas artificiales, llamadas Redes Neuronales. Éstas funcionan como sigue: Cada neurona puede tener infinitas entradas llamadas Dendritas que condicionan el estado de su única salida, el Axón. Este Axón puede ir conectado a una Dendrita de otra neurona mediante la Sinapsis correspondiente, de la siguiente manera: ] El Axón da un nivel eléctrico correspondiente a sus entradas y a la importancia que les da a cada una de ellas. De esta forma, una neurona puede no reaccionar ante un nivel muy alto de una de sus entradas, o dar una salida muy favorable cuando otra de ellas está mínimamente activa. En las primeras etapas de nuestra vida, cuando realizamos el aprendizaje de nuestros cerebros, entrenamos nuestras neuronas mediante el éxito o fracaso de una acción a unos estímulos sensoriales. Cuando cierta acción realizada en respuesta a alguna entrada sensorial es exitosa (por ejemplo, al beber agua calmamos la sed), las conexiones sinápticas entre un grupo de neuronas se fortalecen, de manera que cuando tengamos una sensación sensorial parecida, la salida será la correcta. De esta forma se forman fuertes conexiones entre grupos de neuronas, que pueden servir para realizar otras acciones complejas. Esta neurona funciona de la siguiente manera: cada entrada x tiene su peso asociado w, que le dará más o menos importancia en la activación de la neurona. Internamente se calcula la suma de cada entrada multiplicada por su peso: Con este valor de suma ponderada se calcula una función de activación, que será la salida que dará la neurona. Las dos funciones de activación más usada son el Escalón y la Sigmoidea. Principalmente se diferencian en que la Sigmoidea (llamada así por su forma de S) es diferenciable en todos sus puntos y la Escalón no. El Perceptrón unicapa. Un Perceptrón unicapa no es más que un conjunto de neuronas no unidas entre sí, de manera que cada una de las entradas del sistema se conectan a cada neurona, produciendo cada una de ellas su salida individual Como se ha dicho, un conjunto de neuronas no sirve para nada si previamente no se le enseña qué debe hacer. Existen tres métodos de aprendizaje para un Perceptrón: Supervisado, Por Refuerzo y No Supervisado. En el Aprendizaje Supervisado se presentan al Perceptrón unas entradas con las correspondientes salidas que se quiere éste aprenda. De esta manera la red primero, calcula la salida que da ella para esas entradas y luego, conociendo el error que está cometiendo, ajusta sus pesos proporcionalmente al error que ha cometido (si la diferencia entre salida calculada y salida deseada es nula, no se varían los pesos). En el Aprendizaje No Supervisado, solo se presentan al Perceptrón las entradas y, para esas entradas, la red debe dar una salida parecida. En el Aprendizaje Por Refuerzo se combinan los dos anteriores, y de cuando en cuando se presenta a la red una valoración global de como lo está haciendo. El Perceptrón multicapa. Esta estructura nació con la intención de dar solución a las limitaciones del Perceptrón clásico o unicapa, y supuso el resurgimiento del movimiento conexionista. Como su nombre indica, se trata de un unos cuantos (dos o tres) perceptrones unicapa conectados en cascada. El problema de este tipo de Perceptrón está en su entrenamiento, ya que es difícil modificar correctamente los pesos de la capa oculta (la capa 1 en el ejemplo anterior). Para poder hacer aprender cosas a un Perceptrón de este tipo, se implementó el algoritmo de BackPropagation, que tal como su nombre indica tiene la función de ir propagando los errores producidos en la capa de salida hacia atrás. El proceso de aprendizaje tiene un gran coste de tiempo. Debido a eso, todavía no se ha estudiado a fondo. Las redes neuronales todavía se han de desarrollar mucho. Aún se debe estudiar para qué sirven realmente, conocer en qué tareas pueden resultar realmente útiles, ya que por ejemplo, es difícil saber cuánto tiempo necesita una red para aprender cierta tarea, cuántas neuronas se necesitan como mínimo para realizar cierta tarea, etc. Las redes neuronales pueden llegar a ser algo realmente importante, pero todavía hace falta tiempo para estudiar cómo almacenan el conocimiento para desarrollar el hardware paralelo específico que requieren. En la robótica, las redes neuronales también parecen prometer mucho, sobre todo en su sensorización, para que el robot sea capaz de generalizar lo que siente como estímulos individuales a considerar. II.3. Algunos Casos y Antecedentes Históricos. Los hitos más importantes en el desarrollo de los sistemas expertos son: 1928. John Von Neuman desarrolla su teorema "mínimos y máximos" utilizado posteriormente en juegos. 1943. McCullock y Pitts proponen la arquitectura de redes neuronales para la simulación de la inteligencia. 1945. Vannevar Bush publica "As we may think ...", o "Cabría imaginar ... ", en Atlantic Monthly el cual sienta las bases de lo que hoy se conoce como Hipertexto, Multimedia e Hipermedia. 1949. Shannon desarrolla la Teoría de la Información base fundamental de la Informática y varias de sus áreas. 1950. Shannon propone el primer programa de ajedrez . 1950. Turing publica "Computing machinery and Intelligence". 1956. Newell, Shaw, y Simon crean "IPL-11" el primer lenguaje de programación para IA. 1956. Newell, Shaw, y Simon crean "The Logic Theorist" para la resolución de problemas matemáticos. 1957. Chomsky escribe "estructuras Sintácticas". 1957. Newell, Shaw, y Simon crean GPS. 1958. McCarthy introduce el lenguaje "LISP", para procesamiento simbólico de la información. 1959. Rosenblatt introduce el Perceptron. 1959. EL programa de ajedrez de Samuel gana juegos contra grandes jugadores. 1963. ARPA da un fondo de investigación de dos millones de dólares al laboratorio de IA del MIT. 1963. Quillian desarrolla las redes semánticas como modelo de representación del conocimiento. 1963. Minsky escribe "Steps toward Artificial Intelligence". 1964. Bobrow desarrolla STUDENT. 1964. Se comienza el desarrollo de BBNLisp en BBN. 1965. Buchanan, Feigenbaum y Lederberg comienzan el proyecto DENDRAL, el primer Sistema Experto. 1965. Iva Sutherland hace demostración del primer monitor en forma de casco para realidad virtual. 1965. Dreyfus argumenta en contra de la IA. 1968. Minsky publica "Semantic Information Processing". 1969. Minsky y Papert critican el Perceptron. 1970. Colmerauer desarrolla PROLOG quizás el lenguaje de Inteligencia Artificial más popular actualmente. 1970. Winograd crea SCHRDLU. 1972. Dreyfus publica "What Computers Can't Do". 1972. Se desarrolla el lenguaje SmallTalk en Xerox PARC. 1973. Shank y Abelson desarrollan los guiones, o scripts, base de muchas técnicas actuales de la Inteligencia Artificial y la Informática en general. 1974. Edward Shortliffe escribe su tesis con MYCIN, uno de los Sistemas Expertos más conocidos. 1974. Minsky publica "A Framework for Representing Knowledge". 1974. Se establece la red SUMEX-AIM para aplicaciones de la Inteligencia Artificial en medicina. 1975. La DARPA lanza un programa de financiación para el procesamiento y comprensión de imágenes. 1976. Greenblatt crea "CONS" el primer ordenador con arquitectura para LISP. 1976. Lenat introduce su "Automated Matematician". 1978. Xerox comienza a desarrolla ordenadores LISP. 1979. Raj Reddy funda el Instituto de Robótica en la Universidad Carnegie Mellon. 1980. Primera conferencia de la AAAI (American Association on Artificial Intelligence) en Stanford, y primera Conferencia de Lisp y programación funcional de la ACM. 1981. Kazuhiro Fuchi anuncia el proyecto japonés de quinta generación de computadores. 1981. El PSL (Portable Standard Lisp) se puede ejecutar sobre varias plataformas. 1981. Se construyen máquinas LISP por Xerox, LMI y Simbolics, las cuales soportan Programación Orientada a Objetos. 1981. Se sientan las bases del Common Lisp con aspectos comunes de las familias: Lisp machine Lisp, MacLisp, NIL, S-1 Lisp, Spice Lisp y Scheme. 1982. John Hopfield resucita las redes neuronales. 1983. Feigenbaum y McCorduck publican "The Fifth Generation". 1984. Steele publica "Common Lisp the Language". 1984. La comunidad europea comienza el programa ESPRIT. 1984. Gold Hill crea el Golden Commom Lisp. 1985. General Motors y Campbell's Soup dejan de usar Lisp para sus Sistemas Expertos. 1985. Se funda el Media Lab en el MIT. 1985. Minsky publica "The Society of Mind". 1985. Teknowledge, una compañía dedicada al desarrollo de sistemas en Inteligencia Artificial, abandona Lisp y Prolog por el lenguaje C. 1986. Primera conferencia de la OOPSLA sobre programación orientada a objetos, en la cual se presenta CLOS, Lisp Orientado a Objetos, como lenguaje independiente de la comunidad de Lisp e IA. 1986. IBM desarrolla shells para Lisp, Prolog y Sistemas expertos y entra a la AAAI. 1986. McClelland y Rumelhart's publican "Parallel Distributed Processing" (Redes Neuronales). 1986. Aparecen compañías dedicadas al desarrollo de Redes Neuronales. 1987. Existen alrededor de 1900 Sistemas Expertos en el mundo. 1987. Sistema experto XCON de DEC capaz de configurar ordenadores realizando el trabajo de 300 personas, basándose para esto en 10.000 reglas. 1987. Japón establece su sistema AFIS para la identificación automática de huellas digitales. 1988. El chip del 386 ofrece una velocidad a los PC’s comparable a la de las máquinas Lisp. 1988. Minsky y Papert publican una revisión de "Perceptrons". 1988. Se establecen los lenguajes Orientados a Objetos. 1988. La compañía TI anuncia microExplorer una máquina Lisp con tecnología Macintosh. 1990. Steele publica la segunda edición de "Common lisp the Language". 1992. Apple Computer introduce el lenguaje Dylan, de la familia Lisp, como su visión del futuro en la programación. 1992. X3J13 crea una propuesta para la Sociedad Americana de Common Lisp. 1994. La versión para tiempo real del lenguaje CLOS, Lisp con Objetos, de Harlequin se utiliza en sistema de intercambio de AT&T. II.4. Aplicaciones. Agentes Autónomos Un agente autónomo es un sistema situado en un entorno y es parte de ese entorno que siente, actúa sobre él, a través del tiempo, persiguiendo sus propios objetivos de forma que afecte lo que siente en el futuro. Su autonomía se puede definir por dos características: primero, que son proactivos, no sólo actúan respondiendo a una acción del usuario, sino que también actúan siguiendo sus propios objetivos. segundo, que son persistentes, no se pueden apagar; aun cuando el usuario no está interaccionando con ellos, los agentes siguen funcionando, recolectando información, aprendiendo y comunicándose con otros agentes. Esta autonomía implica que sean agentes situados, es decir, que haya una clara diferencia entre el agente y su entorno. Y la persistencia e independencia del entorno permite que algunos agentes sean móviles, llevando su bagaje de información allí donde van, y siguiendo quizás a su usuario . Algunas aplicaciones. Un agente, tal como se ha definido anteriormente, puede ser usado de múltiples maneras en el entorno empresarial actual, por ejemplo: Newstracker. Este programa recupera datos específicos. Cuando el usuario indica el tipo de información que le interesa, Newstracker comprende el mensaje y, después de revisar durante horas miles de artículos en periódicos, agencias de noticias o revistas conectadas a Internet, cada mañana "edita" un periódico personalizado. Si la selección de noticias no satisface por completo al lector, Newstracker toma nota, rectifica y es capaz de aprender de sus errores. Una vez que haya estudiado durante cierto tiempo los hábitos de lectura del usuario, le proporciona información a su medida. Los expertos definen a este sofisticado programa como un "asistente polivalente" de la primera generación. Mind-it. Este servicio gratuito de Internet envía un mensaje por correo electrónico cada vez que una página web (u otro documento) ha sido actualizado. Permite seleccionar una parte de la página web para saber si ha sido actualizada. Notifica al usuario, de forma automática, cuándo un documento ha sido trasladado a otra dirección. Otro servicio parecido es Informant. Eliza. En 1966, Joseph Weizenbaum, del Instituto de Tecnología de Massachusetts, creó un programa para estudiar el lenguaje de comunicación entre el hombre y el computador. Fue programado para simular a un psicoterapeuta y contestar preguntas. El sistema Eliza es muy simple: analiza cada pregunta y proporciona una respuesta adecuada al contexto solicitado. Express. Este programa permite realizar múltiples búsquedas simultáneas en diferentes buscadores, y localizar información en Internet de manera fácil y rápida a través de una interfaz sencilla. BargainFinder, representado en la red como una esfera amarilla con un casco de minero, se dedica a buscar Compact Disc baratos en Internet. Pero si el vendedor descubre que se trata de un agente en lugar de un ser humano, puede burlarlo. Está además, Shopbot que es más inteligente, aprende de su errores para burlar al vendedor. Mención aparte merece Letizia, un knowbot más sofisticado desarrollado por el investigador Henry Lieberman. Leticia, bautizada así en homenaje a un texto de Jorge Luis Borges, está dotada de un talento especial: dispone del suficiente grado de autonomía como para introducir en sus acciones una cierta dosis de azar e improvisación. III.Robótica. Los robots son dispositivos compuestos de censores que reciben datos de entrada, una computadora que al recibir la información de entrada, ordena al robot que efectúe una determinada acción. Hoy en día una de las finalidades de la construcción de robots es su intervención en los procesos de fabricación, encargados de realizar trabajos repetitivos en las cadenas de proceso de fabricación, como por ejemplo: pintar al spray, moldear a inyección, soldar carrocerías de automóvil, trasladar materiales, etc, entregando rapidez, calidad y precisión. III.1. Nociones y Antecedentes Históricos. La investigación en esta área nació en la década de 1950 asegurando rápidos avances, pero se estancó por problemas aparentemente sencillos: En 1960 se construyó un robot que podía mirar una torre de cubos y copiarla, pero la falta de sentido común lo llevó a hacer la torre desde arriba hacia abajo, soltando los bloques en el aire. Hoy, los intentos por construir máquinas inteligentes continúan... y prometen maravillas. Hans Moravec, director de Moville Robot Laboratory de la Universidad Carnegie Mellon clasifica la evolución de los robots como sigue: Primera generación (2000-2010): Robot con cerebro de lagarto. Requerirán un poder de cálculo de 1000 MIPs y serán los robots "mayordomo", experto en desenvolverse en el hogar. Segunda generación (2010-2020): Robots con cerebro de mamífero. Capacidad de cálculo de 30.000 MIPs. Su característica más notoria será el aprendizaje, a diferencia de los rígidos programas de la primera generación. Tercera generación (2020-2030): Robots con cerebro de mono. Capacidad de cálculo de 1.000.000 MIPs (un billón de operaciones por segundo). Serán robots capaces de simular las acciones de forma abstracta antes de realizarlas en su propia mente. Cuarta generación (2030-2040): Robots con mente humana. Capacidad de cálculo de 30.000.000 MIPs. Podrán extraer simulaciones del mundo y razonar sobre ellas simultáneamente, gracias a su mayor poder de computación, un gigantesco banco de datos y programas de razonamiento. Las tres leyes básicas de la robótica enunciadas por Asimov, padre de esta ciencia, en 1950, son: un robot no puede hacer daño a un ser humano, ni permitir, con su actitud pasiva, que lo sufra un robot debe obedecer las órdenes que le den los seres humanos excepto cuando entren en conflicto con la primera ley un robot debe proteger su propia existencia siempre que ello no entre en conflicto con las dos leyes anteriores. Breve Historia de la Robótica. A mediados del siglo XVIII: J. de Vaucanson construyó varias muñecas mecánicas de tamaño humano que ejecutaban piezas de música. J. Jacquard inventó su telar, que era una máquina programable para la urdimbre. 1805 H. Maillardet construyó una muñeca mecánica capaz de hacer dibujos. 1946 El inventor americano O. C. Devol desarrolló un dispositivo controlador que podía registrar señales eléctricas por medios magnéticos y reproducirlas para accionar una máquina mecánica. 1951 Trabajo de desarrollo con teleoperadores (manipuladores de control remoto) para manejar materiales radioactivos. 1952 Una máquina prototipo de control numérico fue objeto de demostración en el Instituto de Tecnología de Massachusetts después de varios años de desarrollo. Un lenguaje de programación de piezas denominado APT (Automatically Programmed Tooling -Herramental Automáticamente Programado) se desarrolló posteriormente y se publicó en 1961. 1954 El inventor británico C. W. Kenward solicitó una patente para diseño de robot. 1954 O. C. Devol desarrolla diseños para «transferencia de artículos programada». 1959 Se introdujo el primer robot comercial por Planet Corporation. Estaba controlado por interruptores de fin de carrera y levas. 1960 Se introdujo el primer robot «Unimate», basado en la «transferencia de artículos programada» de Devol. Utilizaba los principios del control numérico para el control del manipulador y era un robot de transmisión hidráulica. 1961 Un robot Unímate se instaló en la Ford Motor Company para atender una máquina de fundición en troquel. 1966 Tralífa, una firma noruega, construyó e instaló un robot de pintura por pulverización. 1968 Un robot móvil llamado «Shakey» se desarrolló en SRI (Stanford Research Institute). Estaba provisto de una diversidad de censores, incluyendo una cámara de visión y censores táctiles, y podía desplazarse por el suelo. 1971 El «Stanford Arm», un pequeño brazo de robot de accionamiento eléctrico, se desarrolló en Stanford University. 1973 Se desarrolló en SRI el primer lenguaje de programación de robot del tipo de computadora para la investigación con la denominación WAVE. Fue seguido por el lenguaje AL en 1974. Los dos lenguajes se desarrollaron posteriormente en el lenguaje VAL comercial para Unimation por Victor Scheinman y Bruce Simano. 1974 ASEA introdujo el robot IRb6 de accionamiento completamente eléctrico. 1974 Kawasaki, bajo licencia de Unimation, instaló un robot para soldadura por arco para estructuras de motocicletas. 1974 Cincinnati Milacron introdujo el robot T3 con control por computadora. 1975 El robot «Sigma» de Olivetti se utilizó en operaciones de montaje, una de las primitivas aplicaciones de la robótica al montaje. 1976 Un dispositivo de Remote Center Compliance (RCC) para la inserción de piezas en la línea de montaje se desarrolló en los laboratorios Charles Stark Draper Labs en Estados Unidos. 1978 Se introdujo el robot PUMA (Programmable Universal Machine for Assembly) para tareas de montaje por Unimation, basándose en diseños obtenidos en un estudio de la General Motors. 1978 El robot T3 de Cincinnati Milacron se adaptó y programó para realizar operaciones de taladrado y circulación de materiales en componentes de aviones, bajo el patrocinio de Air Force ICAM (Integrated Computer-Aided Manufacturing). 1979 Desarrollo del robot del tipo SCARA (Selective Compliance Arm for Robotic Assembly) en la Universidad de Yamanashi en Japón para montaje. Varios robots SCARA comerciales se introdujeron hacia 1981. 1980 Un sistema robótico de captación de recipientes fue objeto de demostración en la Universidad de Rhode Island. Con el empleo de la visión de máquina, el sistema era capaz de captar piezas en orientaciones aleatorias y posiciones fuera de un recipiente. 1981 Se desarrolló en la Universidad Carnegie-Mellon un robot de impulsión directa. Utilizaba motores eléctricos situados en las articulaciones del manipulador sin las transmisiones mecánicas habituales empleadas en la mayoría de los robots. 1982 IBM introduce el robot RS-l para montaje, basado en varios años de desarrollo interno. Se trata de un robot de estructura de caja que utiliza un brazo constituido por tres dispositivos de deslizamiento ortogonales. El lenguaje de robot AML, desarrollado por IBM, se introdujo también para programar el robot RS-1. 1983 Informe emitido sobre la investigación en Westinghouse Corp. bajo el patrocinio de National Science Foundation sobre un «sistema de montaje programable-adaptable» (APAS), un proyecto piloto para una línea de montaje automatizada flexible con el empleo de robots. 1984 Varios sistemas de programación fuera de línea se demostraron en la exposición Robots 8. La operación típica de estos sistemas permitía que se desarrollaran programas de robot utilizando gráficos. 1985. Un robot de la Kawasaki mata a un mecánico japonés en un mal funcionamiento. 1986. El robot jugador de tenis de mesa de Anderson le gana a un ser humano. 1986. La máquina de ajedrez HiTech de CMU compite en un torneo de nivel master. 1986. La policía de Dallas usa un robot para entrar en las casas. Robots Impulsados Neumáticamente. La programación de estos robots consiste en la conexión de tubos de plástico a unos manguitos de unión de la unidad de control neumático. Modificando las conexiones de los manguitos de unión se podrán programar secuencias de pasos distintas. Por su simpleza hay quienes opinan que a este tipo de máquinas no se les debería llamar robots; sin embargo, en ellas se encuentran todos los elementos básicos de un robot: son programables, automáticas y pueden realizar gran variedad de movimientos. Robots Equipados con Servomecanismos. Otro tipo de robots más sofisticados son los que llevan servomecanismos, el uso de servomecanismos va ligado al uso de censores, como los potenciómetros, que informan de la posición del brazo o la pieza que se ha movido del robot para asegurar su correcta posición. bibliografia: mundotecno.com Un tema muy complejo. Espero les pueda servir! mi primer post aca en taringa.saludos!!

“¿sabes que es el beso?” Besar es un arte, pero también tiene su ciencia: la filematología. Ésta ha descubierto insospechados beneficios del beso para la salud física y mental. -------------------------------------------------------------------------------- Almibarado, fogoso, subrepticio, intrépido, lúdico, jugoso... Sin importar cómo sea el beso, cuando dos personas juntan sus bocas para darlo, de inmediato se desata todo tipo de beneficios. Antropólogos apuntan el origen de los besos a la Prehistoria, cuando las madres traspasaban la comida masticada desde su boca a la de sus guaguas. Más adelante, los besos habrían sido la velada fórmula de los romanos para saber si sus mujeres habían bebido en su ausencia. Cualquiera sea el origen, el hecho es que el beso -que hoy millones de parejas se darán para celebrar el Día de los Enamorados- ya no sólo inspira a poetas y pintores. Éste también es materia de investigación científica. Filematología se llama su estudio. Y varios son sus hallazgos. Anfetabesos La relamida escena cinematográfica del beso en cámara lenta, con una empalagosa música de fondo, no es casual. Ésta refleja fielmente lo que ocurre a nivel cerebral cuando las bocas de dos enamorados se juntan. Los labios y la lengua son las áreas con más receptores nerviosos y sensoriales del cuerpo. Esto los vuelve sumamente sensibles a la estimulación externa. Basta un toque de labios para que el cerebro se inunde de un torrente de neurotransmisores, donde mandan la dopamina, la noradrenalina y la feniletilamina (FEA). Las dos primeras están asociada al placer, la reducción del dolor y el sentirse excitado y energizado. "De hecho, los antidepresivos de acción dual ayudan a aumentar la secreción de noradrenalina, lo que ayuda a recuperar el placer y la capacidad de disfrute", explica el doctor Alejandro Koppmann, psiquiatra de Clínica Las Condes. La FEA, en tanto, fue calificada en los '80 como "el químico del amor". Los médicos Klein y Lebowitz, del Instituto Psiquiátrico de Nueva York, la sindicaron como "responsable de las sensaciones fisiológicas que experimentan los enamorados". 34 MÚSCULOS faciales se activan al besar. 2 SEMANAS de su vida pasa en promedio una persona besando. 30 HORAS 59 minutos duró el beso más largo registrado en el Guinness "Tu que has besado, ¿sabes que es el beso?." Es comunión que en los labios, olvidando los agravios, la maldad y la traición, arrancan del corazón con fuerza avasalladora, todo ese amor que atesora, y deja su marca de fuego, en la mujer que se adora. Besa el niño y hasta el "viejo" besa, hay quien besa por sorpresa para verter su veneno, besa de coraje lleno, la cruz de su facón, el malevo compadrón , que vive entre celos y dudas, lo mismo que besó Judas, encubando una traición. Besa el pobre, hasta el rico besa, él, que una moneda dejó, al que su mano tendió, sin el beso no se queda, la moneda que arrojó. Juzgo el beso a mi manera, aunque a muchos mal les cuadre no hay beso con más Amor, que el que se da con Dolor al cadáver de una Madre. Origen y significado del beso Un beso es el acto de tocar algo con los labios, generalmente a otra persona. Aparece como una instintiva forma de demostrar afecto y se da por primera vez de la madre hacia su hijo. Numerosas interpretaciones buscan el origen del beso en el impulso de succión del bebé, las tendencias canibalísticas (el mordisco amoroso), o la costumbre de tribus primitivas de olfatearse y olerse. Se habla también de que su origen se remota hasta el hombre del Cromagnon, cuando la mujer del Cromagnon alimentaban a sus crías másticando la comida hasta hacerla puré que luego pasaba de su boca a la de su pequeño. Asi como se mencionan varias versiones en cuanto al origen del beso, son también varios sus significados a lo largo de la historia. Se describe el beso de codicia y traición en la biblia, el primero se refiera a cuando Jacob besa a Isaac, su padre y le hace creer que es Esaú, el primogénito; con la intención de quedarse con la bendidón de su padre y con la jefatura de la familia. El otro se refiere al que le da Judas a Cristo en la mejilla, con éste entrega al Hijo del Hombre y se condena para siempre. El Kamasutra por su parte describe tres clases de besos: el nominal, en el que los labios apenas se tocan; el palpitante en el que se mueve el labio inferior, pero no el superior; y el beso de tocamiento, en el que participan labios y lengua. Otros datos históricos acerca del beso, especifican que fue hasta el siglo VI cuando éste ya no solo era una muestra de afecto entre madre e hijo sino también entre los adultos, que luego se extendió por Europa y casi todo el mundo. Como muestra de afecto paso a ser también una expresión de amor hacia la otra persona. Sin embargo y durante la Revolución Industrial, quedo prohibido. La gente ya no podía besarse en público. Posteriormente y ante tal prohibición, allá por los años 60, la gente se reveló y para demostrarlo hacia lo que no se podia: besarse en público. Por otro lado la gente solía besar la mano de aquella persona con un nivel social más alto, o el de mayor jerarquia en la familia como los padres, abuelos o bisabuelos o bien quien tuviera un cargo importante en determinado ámbito como el padre de la iglesia, los cardenales, los obispos, etc; ese beso era muestra de respeto más que de afecto; en cambio se besaban en la mejilla dos personas de iguales condiciones como muestra cercanía. A las damas por su parte y para no faltarles al respeto también se les besaba en la mano, en vez de la mejilla. En otras culturas como la Celta, se decía que el beso tenía poderes curativos, mientras que en la Edad Media, el caballero que besaba a una dama estaba obligado a casarse con ella. Aunque todavia en algunas sociedades el beso aun no es aceptado, en otras partes del planeta tierra sigue vigente. Ya sea para demostrar afecto, cariño, ternura o amor; un beso será siempre bienvenido; siempre y cuando se de con respeto y discresión. Ahora por ultimo... Me Darias un Beso? fuente Chili777

Pollo Al Disco Ingredientes ■2 pollos trozados en presas chicas, limpios y ■sin piel. (Dejarle solo la piel de las alas) ■1 chorrito de aceite. ■200 gr. de panceta cortada en cubitos. ■1 kg. de cebollas cortadas en aros. ■1/2 kg. de cebollitas de verdeo picadas. ■3 pimientos cortados en tiras de varios colores ■1/2 kg. de tomates maduros en rodajas. Preparación Calentar a fuego lento el disco previamente aceitado con una pequeña cantidad de aceite. Salpimentar a gusto el pollo y colocar en el disco (siempre a fuego moderado) para comenzar su cocción, mover los trozos de pollo de vez en cuando para lograr una cocción pareja. Se aconseja tapar el disco con unos papeles de diario, para evitar la evaporación y lograr una cocción más uniforme. Cuando las presas estén tomando color (1/2 hora aproximadamente) condimentar con el provenzal y remover para que se distribuya el mismo en todas las presas, seguir cocinando unos 10 minutos más y retirar del disco todo el pollo y colocarlo en una bandeja. Sacar el disco del fuego y deshacerse de toda la grasa que quedó. Volver a colocar el disco en el fuego y poner todas las cebollas incluidas las de verdeo, salar y condimentar con abundante orégano, un toque de ají molido y pimentón, a continuación la panceta, los pimientos, el tomate y el vino. Volver a salar. Colocar a continuación el pollo. Remover de vez en cuando. Pasados 45 minutos aproximadamente, la preparación está lista, solo queda agregarle las arvejas, los champiñones y la crema para darle el toque final. Mezclar todo y cocinar 5 minutos más. Acompañar con el mismo vino. FUENTE

Torta Helada de Crema y Chocolate las fotos son ilustrativas, uno le da la forma que quiere! Ingredientes •1 pionono •1 kg. de helado de crema americana •1 kg. de helado de chocolate •Dulce de leche can. nec. •50 g. de avellanas •Almíbar liviano perfumado con una copita de rhum Receta Tapizar con un círculo de pionono la base de un molde desmontable de 22 cm. de diámetro, humedecer el pionono con el almíbar, colocar una capa de helado de crema americana de 1 cm. de espesor, espolvoreado con las avellanas peladas, tostadas y picadas. Luego ir intercalando porciones de ambos helados y dulce de leche, de manera tal que formen un dibujo marmolado. Una vez formada la torta, untar la superficie con dulce de leche y decorar con rulos de chocolate, llevar al freezer. Retirar la torta 20 minutos antes de servirla. Se puede acompañar con salsa de chocolate. fuente Cualquier cosa me manda un mp y les explico bien, osino le mando mi msn y les explico! besos