{"id":29576,"date":"2024-09-01T01:02:00","date_gmt":"2024-09-01T04:02:00","guid":{"rendered":"https:\/\/www.economicas.uba.ar\/extension\/vocesenelfenix\/?p=29576"},"modified":"2024-09-13T13:17:48","modified_gmt":"2024-09-13T16:17:48","slug":"tecnicas-de-la-inteligencia-artificial","status":"publish","type":"post","link":"https:\/\/www.economicas.uba.ar\/extension\/vocesenelfenix\/tecnicas-de-la-inteligencia-artificial\/","title":{"rendered":"T\u00e9cnicas de la inteligencia artificial"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los sistemas inteligentes configuran respuestas a ciertos est\u00edmulos, en determinados contextos. En este trabajo se abordan las distintas t\u00e9cnicas existentes y se realiza una recapitulaci\u00f3n de la situaci\u00f3n en la cual fueron creadas.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

| Por Ramiro Verrastro |<\/em><\/a><\/p>

Las definiciones de Inteligencia son muchas, pero hay una corriente de pensamiento que se enfoca en aquellas t\u00e9cnicas que mejoran la habilidad computacional para resolver problemas. Puede plantearse como la capacidad de una m\u00e1quina para elegir la alternativa m\u00e1s satisfactoria, en forma aut\u00f3noma, para cumplir un objetivo espec\u00edfico. Tambi\u00e9n debe incorporar la capacidad de sensar el ambiente, de aprender de la experiencia, de reconocer patrones, y de explicar las decisiones, entre otras.<\/p>

El ser humano desde sus or\u00edgenes se inspir\u00f3 en la naturaleza para construir herramientas que ampl\u00eden su capacidad tanto f\u00edsica como intelectual para la resoluci\u00f3n de problemas espec\u00edficos. Por eso es posible encontrar an\u00e1lisis expl\u00edcitos y planteos te\u00f3ricos de los m\u00e9todos de razonamiento desde las primeras concepciones de la l\u00f3gica (Solano Funez, 2024). El t\u00e9rmino Inteligencia Artificial (IA) se comenz\u00f3 a acu\u00f1ar a mediados del siglo XX. En ese momento parte de la comunidad cient\u00edfica empieza a publicar investigaciones en las cuales se buscaba simular la inteligencia humana, utilizando diferentes m\u00e1quinas, mecanismos o algoritmos. Todo esto fue potenciado por la aparici\u00f3n de la primera computadora de uso comercial en la d\u00e9cada de 1950 (The University of Manchester, 2008).<\/p>

En esa primera ola de la inteligencia artificial, es de gran relevancia el \u201cTest de Turing\u201d (Turing, 1950), planteado por Alan Turing, para evaluar la inteligencia de las m\u00e1quinas. Este concepto es utilizado en los \u201cCAPTCHA\u201d modernos (Von Ahn et al., 2003) que utilizan pruebas o tareas que son f\u00e1cilmente realizadas por humanos, pero que desaf\u00edan a las m\u00e1quinas, para intentar diferenciar entre humanos y programas que imitan su comportamiento (bots<\/em>).<\/p>

Podemos pensar la inteligencia artificial como un conjunto de t\u00e9cnicas o herramientas para construir sistemas, inspirados en el razonamiento humano, en la naturaleza y en la neurociencia, que se utilizan para resolver problemas y tomar decisiones de forma aut\u00f3noma.<\/p>

Sistemas que toman decisiones<\/h5>

En la Ingenier\u00eda, al igual que en la Econom\u00eda, se administra la escasez, en este caso la del hardware que da soporte f\u00edsico a los algoritmos, as\u00ed como el tiempo de respuesta y la energ\u00eda empleada. La navaja de Ockham (1285-1347) es un concepto conocido desde hace mucho tiempo y puede sintetizar este esfuerzo por minimizar el costo computacional implementado en la pr\u00e1ctica como el criterio de dise\u00f1o KISS (Keep it simple and straightforward<\/em>), plantea que a igualdad de resultados, la soluci\u00f3n m\u00e1s sencilla, la de menor cantidad de par\u00e1metros, componentes o etapas es la mejor opci\u00f3n. Si con menos recursos se logran resultados similares, la soluci\u00f3n es m\u00e1s eficiente. A continuaci\u00f3n se exploran una serie de herramientas, que pueden aplicarse de manera efectiva para construir sistemas inteligentes que tomen decisiones informadas y por eso se utilizan ampliamente.<\/p>

Sistemas basados en reglas<\/h5>

Uno de los primeros intentos en automatizar la toma de decisiones fueron los sistemas que utilizan operaciones l\u00f3gicas a partir de una serie de entradas y mediante mecanismos de inferencia que producen una salida. Estos mecanismos de inferencia pueden ser desde una simple tabla de verdad, o implementarse mediante \u00e1rboles de decisi\u00f3n, o m\u00e9todos como el General Problem Solver (Newell et al., 1958), en el cual se conectan una serie de decisiones en cascada para representar salidas complejas a partir de los datos de entrada. Estas t\u00e9cnicas alcanzaron alg\u00fan \u00e9xito cuando se aplicaron en \u00e1mbitos espec\u00edficos y dieron origen a los Sistemas Expertos, que extractan el conocimiento de expertos humanos y automatizan su razonamiento mediante reglas de producci\u00f3n.<\/p>

Sistemas expertos<\/h5>

Los sistemas expertos se modelan en base al razonamiento y los conocimientos espec\u00edficos de las personas u organizaciones en la resoluci\u00f3n de un determinado problema. T\u00edpicamente est\u00e1n compuestos por un conjunto de datos o hechos, un conjunto de reglas que captura el conocimiento experto, y un algoritmo de inferencia, que utiliza algoritmos de l\u00f3gica binaria, l\u00f3gica difusa o razonamiento probabil\u00edstico para calcular una respuesta.<\/p>

Estos sistemas utilizan reglas como \u201cSi mueve la cola y ladra entonces es perro\u201d y \u201cSi es perro entonces puede morder\u201d. Estas reglas se administran mediante una m\u00e1quina de inferencias que es capaz de arribar a una conclusi\u00f3n a partir de determinados datos.<\/p>

Una de las ventajas es la explicabilidad del resultado, ya que se puede determinar el detalle del razonamiento que se aplic\u00f3 para obtener la salida o conclusi\u00f3n.<\/p>

Podemos citar como ejemplo la implementaci\u00f3n del Control Estad\u00edstico de Procesos (CEP). Uno de los casos notables en la automatizaci\u00f3n de estos controles fue realizado por Toyota para asegurar la calidad, y detectar potenciales defectos en los procesos de fabricaci\u00f3n, Sistema de Producci\u00f3n Toyota (TPS).<\/p>

Otro ejemplo notable es MYCIN (Shortliffe, 1977), desarrollado en d\u00e9cada de los setenta. Su principal uso fue el diagn\u00f3stico de enfermedades infecciosas de la sangre, proporcionando adem\u00e1s el proceso para arribar al diagn\u00f3stico, as\u00ed como de recetar los medicamentos necesarios para cada caso seg\u00fan las particularidades de cada paciente (por ejemplo: edad, estatura, peso, entre otros). Los sistemas basados en reglas alcanzaron los primeros \u00e9xitos pr\u00e1cticos de la IA y se usaron en el diagn\u00f3stico m\u00e9dico, prospecci\u00f3n minera, gesti\u00f3n empresarial, planificaci\u00f3n log\u00edstica, entre otros.<\/p>

Control difuso<\/h5>

En muchas situaciones los expertos no pueden afirmar con seguridad la validez de una regla, no obstante pueden operar y sacar conclusiones en contextos de informaci\u00f3n incompleta o con un grado de incertidumbre. Los algoritmos que emplean l\u00f3gica difusa (Sorin, 2022) modelan situaciones y conceptos, a los que no se les puede asignar una categor\u00eda de \u201cverdadero\u201d o \u201cfalso\u201d, sino que tienen grados de verdad intermedios. Esto permite trabajar con datos que no est\u00e9n claramente determinados. Para una persona puede ser sencillo manejar estos conceptos vagos como por ejemplo \u201chay mucha gente\u201d, \u201cla comida est\u00e1 fr\u00eda\u201d o \u201cllegaste r\u00e1pido\u201d. En la l\u00f3gica cl\u00e1sica estas expresiones pueden ser verdaderas o falsas (0 o 1), en cambio en la l\u00f3gica difusa la asignaci\u00f3n del valor de verdad es un n\u00famero entre 0 y 1. Esto permite interpretarlo luego en t\u00e9rminos de posibilidades.<\/p>

La l\u00f3gica difusa permite capturar y modelar la incertidumbre y la imprecisi\u00f3n del mundo real, para la toma de decisiones con informaci\u00f3n vaga o incompleta.<\/p>

En el contexto de sistemas cuyos modelos est\u00e1ticos y din\u00e1micos ser\u00edan extremadamente complejos de desarrollar, la l\u00f3gica difusa ofrece una soluci\u00f3n elegante. En lugar de depender de ecuaciones integrales y diferenciales que pueden ser dif\u00edciles de tratar matem\u00e1ticamente, podemos utilizar reglas simples basadas en la experiencia.<\/p>

Por ejemplo, en un sistema de control de temperatura para un horno industrial, en lugar de tener un modelo matem\u00e1tico preciso que describa el comportamiento t\u00e9rmico del horno y luego desarrollar un controlador que utilice ese modelo, podr\u00edamos simplemente establecer reglas difusas del tipo \u201cSi la temperatura es alta y est\u00e1 subiendo r\u00e1pidamente, entonces disminuir bastante la potencia del horno\u201d.<\/p>

Como caso de \u00e9xito podemos citar la aplicaci\u00f3n al control de la velocidad del subte japon\u00e9s en la ciudad de Sendai (Singh, 2013), pudiendo contemplar por ejemplo la cantidad de pasajeros, las condiciones y las caracter\u00edsticas de las v\u00edas, entre otras variables. Todo esto ostentando una gran suavidad en el arranque y frenado, comparado con los sistemas existentes en ese momento, y siendo un 10% m\u00e1s eficiente energ\u00e9ticamente que el manejo del acelerador que realizaba el personal.<\/p>

Actualmente el control difuso se emplea tanto en m\u00e1quinas lavarropas como en aplicaciones industriales de automatizaci\u00f3n y control, entre otros.<\/p>

M\u00e1quina de estados<\/h5>

La teor\u00eda de aut\u00f3matas trata de una m\u00e1quina te\u00f3rica cuyas salidas dependen no solo de las se\u00f1ales de entrada actuales, sino tambi\u00e9n de las anteriores. Puede modelarse con un conjunto de estados que dependa de los valores pasados, de forma tal que la salida dependa \u00fanicamente del estado y de los valores actuales de las entradas. Esto permite modelar aut\u00f3matas, cuyo comportamiento var\u00eda en funci\u00f3n del tiempo y del contexto. Como caso especial no podemos dejar de mencionar la \u201cM\u00e1quina de Turing\u201d (Turing, 1936), utilizada como modelo te\u00f3rico para las computadoras. Una de las aplicaciones de estos modelos es la clasificaci\u00f3n de los problemas en funci\u00f3n de su complejidad, es decir, la cantidad de recursos necesarios para resolverlos. Es as\u00ed que existen problemas que pueden resolverse en tiempos polin\u00f3micos (donde el tiempo empleado es una potencia del tama\u00f1o del problema) y problemas no polin\u00f3micos (donde el tiempo necesario para resolverlo es exponencial con respecto al tama\u00f1o).<\/p>

Los problemas que se resuelven con algoritmos no polin\u00f3micos son llamados algoritmos de la muerte, porque se tornan irresolubles en tama\u00f1os relativamente peque\u00f1os. Uno de estos problemas es el del Viajante de Comercio (Hoffman et al., 2013) que plantea el problema de visitar N ciudades y volver al inicio por el camino m\u00e1s corto. Para 10 ciudades solo hay que calcular 181.440 caminos posibles pero para 100 ciudades hay que calcular 4,7 10157 posibilidades, (4,7 seguido de 157 ceros), que es un n\u00famero similar a las jugadas posibles de una partida de ajedrez promedio. Este tipo de problemas no es abordable con t\u00e9cnicas de c\u00f3mputo por \u201cfuerza bruta\u201d, es decir, calculando todas las posibilidades. Los algoritmos de b\u00fasqueda tratan de lidiar con este tipo de problemas.<\/p>

Algoritmos de b\u00fasqueda<\/h5>

Los algoritmos de b\u00fasqueda se utilizan para encontrar una lista o secuencia de pasos o acciones a realizar desde un estado inicial para alcanzar un objetivo espec\u00edfico. Podemos clasificarlos en dos grandes grupos.<\/p>

Las B\u00fasquedas No Informadas se usan cuando no se tienen conocimientos espec\u00edficos sobre c\u00f3mo realizar la b\u00fasqueda de la soluci\u00f3n de un determinado problema. Pueden utilizarse diferentes estrategias como las siguientes. B\u00fasqueda primero en anchura (BFS, por sus siglas en ingl\u00e9s) explora todos los nodos vecinos o puntos m\u00e1s pr\u00f3ximos antes de moverse a los siguientes niveles de profundidad. La b\u00fasqueda primero en profundidad (DFS, por sus siglas en ingl\u00e9s) avanza lo m\u00e1s lejos posible a lo largo de cada rama o camino, priorizando explorar los nodos m\u00e1s lejanos al punto de partida. Tiene ventajas en requerimientos de memoria con la anterior ya que minimiza la cantidad de caminos que deben considerarse en forma simult\u00e1nea.<\/p>

Las B\u00fasquedas Informadas son algoritmos que permiten encontrar soluciones a los problemas de manera m\u00e1s eficiente usando conocimientos previos del problema. Uno de ellos es el algoritmo A* (A estrella), utiliza una funci\u00f3n de evaluaci\u00f3n heur\u00edstica para encontrar el camino m\u00e1s prometedor, que pondera tanto el costo computado desde el inicio para alcanzar un nodo actual, como el costo estimado (heur\u00edstica) para alcanzar el objetivo desde el nodo actual. Esta funci\u00f3n de evaluaci\u00f3n debe cumplir ciertos requisitos, ser no negativa, asegurando que los costos siempre aumenten, y admisible, para no sobreestimar el costo real al objetivo. Bajo estas condiciones garantiza encontrar la soluci\u00f3n \u00f3ptima. Este algoritmo (Hart et al. 1968) ha sido ampliamente utilizado en la industria y es un m\u00e9todo clave para la navegaci\u00f3n de robots y veh\u00edculos aut\u00f3nomos, as\u00ed como en los sistemas de navegaci\u00f3n por GPS, aplicaciones de transporte y optimizaci\u00f3n de las cadenas de suministro.<\/p>

Una t\u00e9cnica m\u00e1s sencilla y de uso frecuente es la B\u00fasqueda voraz (Greedy Best-First Search). Utiliza solo la funci\u00f3n heur\u00edstica que estima el costo hasta el objetivo. Prioriza los nodos bas\u00e1ndose \u00fanicamente en esta funci\u00f3n, y buscando directamente el camino menos costoso desde la posici\u00f3n actual. Si bien puede ser m\u00e1s r\u00e1pida en alcanzar el objetivo, no necesariamente encuentra la soluci\u00f3n \u00f3ptima. Estos algoritmos se usan en Sistemas de Navegaci\u00f3n, Distribuci\u00f3n y log\u00edstica y Sistemas Interactivos de Di\u00e1logo, entre otros. No obstante sus buenos resultados, hay problemas donde hay muchas variables de entrada y muchos estados posibles cuya combinaci\u00f3n produce un n\u00famero de alternativas intratables. Este fen\u00f3meno es conocido como la \u201cmaldici\u00f3n de la dimensionalidad\u201d. En estos casos los m\u00e9todos de b\u00fasqueda estoc\u00e1stica como los algoritmos gen\u00e9ticos producen resultados notables.<\/p>

Algoritmos gen\u00e9ticos<\/h5>

Los algoritmos de b\u00fasqueda en grafos (conjunto de nodos, conectados entre s\u00ed) no siempre son eficientes cuando tratan problemas de optimizaci\u00f3n que requieren respuestas r\u00e1pidas, aunque no sean \u00f3ptimas. Por esto, surgen otros modelos de b\u00fasqueda inspirados en los mecanismos biol\u00f3gicos de la evoluci\u00f3n de las especies. Siendo los individuos de una especie las posibles soluciones del problema que se busca resolver, y la calidad de la soluci\u00f3n se eval\u00faa mediante una funci\u00f3n de aptitud, tambi\u00e9n denominada fitness<\/em>.<\/p>

El proceso comienza con la inicializaci\u00f3n de una poblaci\u00f3n de individuos (soluciones) a los que, considerando su aptitud, se selecciona para pasar a la pr\u00f3xima generaci\u00f3n. Se aplican adem\u00e1s de la selecci\u00f3n, los operadores de cruza y mutaci\u00f3n, que permiten el intercambio de \u201cmaterial gen\u00e9tico\u201d y la alteraci\u00f3n azarosa de las soluciones que integran la nueva generaci\u00f3n. El mecanismo de cruza combina dos individuos para producir otros dos, en la esperanza de que esta combinaci\u00f3n sea una mejor respuesta al problema en cuesti\u00f3n, es decir, una descendencia potencialmente mejor adaptada. La mutaci\u00f3n genera cambios aleatorios en los individuos de la poblaci\u00f3n, introduciendo diversidad y permitiendo explorar otras alternativas dentro del espacio de b\u00fasqueda. Si bien es una b\u00fasqueda aleatoria de soluciones, est\u00e1 bien establecido el principio de funcionamiento (Holland, 1992), que al igual que en la naturaleza, gu\u00eda el proceso de b\u00fasqueda de soluciones, generaci\u00f3n tras generaci\u00f3n. Este enfoque ha sido ampliamente utilizado en la industria desde sus primeras publicaciones.<\/p>

Como ejemplo notable podemos citar el dise\u00f1o de la antena de telecomunicaciones de la nave espacial de la NASA ST5 en el 2006 (Fisher, 2024) y en otras \u00e1reas como Rob\u00f3tica y control, Ingenier\u00eda, Telecomunicaciones, Visi\u00f3n por computadora, Finanzas, Log\u00edstica e Ingenier\u00eda y dise\u00f1o.<\/p>

Sistemas que aprenden<\/h5>

El aprendizaje es un aspecto muy importante de la inteligencia, e implica la capacidad de adquirir, asimilar y aplicar nueva informaci\u00f3n o habilidades, por medio de la experiencia propia o ajena, lo que puede resultar en cambios duraderos en el comportamiento del algoritmo y su capacidad para resolver problemas. Este tipo de soluciones necesita de una etapa de \u201centrenamiento\u201d. Desde un enfoque cl\u00e1sico de la IA, los desarrolladores son los encargados de elaborar los filtros para extraer determinadas caracter\u00edsticas de los datos de entrada. Como pueden ser valor medio, m\u00e1ximos y m\u00ednimos de una serie temporal. En el caso del procesamiento de im\u00e1genes, la elaboraci\u00f3n de filtros que identifican colores, formas, texturas, cambios abruptos. En el caso del procesamiento de texto, la cantidad de veces que se utiliza determinado t\u00e9rmino. Con estas caracter\u00edsticas ya procesadas, se pueden entrenar algoritmos de Aprendizaje Autom\u00e1tico (Machine Learning<\/em>) para aprender a tomar la decisi\u00f3n correcta (calibrar los par\u00e1metros internos de los algoritmos) en base a una determinada funci\u00f3n de costo, que depender\u00e1 del problema que se desea resolver.<\/p>

El Aprendizaje Supervisado se caracteriza por utilizar un conjunto de datos etiquetados, cada ejemplo de entrada est\u00e1 asociado con una etiqueta (una salida conocida), y el objetivo principal es relacionar las entradas con las salidas a trav\u00e9s de la minimizaci\u00f3n de una funci\u00f3n de error, se busca que las salidas que genera el modelo coincidan con las etiquetas originales. Como ejemplo podemos citar la clasificaci\u00f3n de correos electr\u00f3nicos como spam<\/em>. Los datos se etiquetan con la ayuda de los usuarios que mueven algunos correos a la carpeta de spam<\/em>. El algoritmo identifica caracter\u00edsticas como las palabras clave o la frecuencia de ciertas palabras y aprende a clasificar autom\u00e1ticamente nuevos correos electr\u00f3nicos como spam<\/em>.<\/p>

El Aprendizaje No Supervisado no requiere que los datos tengan etiquetas, por lo que no hay informaci\u00f3n sobre las salidas esperadas. Su prop\u00f3sito es descubrir y capturar patrones ocultos, estructuras caracter\u00edsticas o distintas relaciones entre las variables de entrada. Permite tambi\u00e9n ordenar los datos en grupos afines, reducir la cantidad de variables de entrada, as\u00ed como explorar y presentar de manera organizada grandes conjuntos de datos. Como ejemplo podemos citar la segmentaci\u00f3n de los clientes. Teniendo los datos de transacciones de clientes, pero no las etiquetas que indiquen a qu\u00e9 segmento pertenecen, un algoritmo de aprendizaje no supervisado puede agrupar autom\u00e1ticamente a los clientes en segmentos bas\u00e1ndose en sus patrones de compra y comportamiento, permitiendo adaptar estrategias de ventas de manera m\u00e1s efectiva.<\/p>

El Aprendizaje por Refuerzo busca aprender mediante la experimentaci\u00f3n en ambientes din\u00e1micos. Durante el desarrollo de estas experiencias el modelo recibe como realimentaci\u00f3n recompensas y castigos, el objetivo es encontrar una estrategia que maximice el balance entre recompensas y castigos, adem\u00e1s se establece una pol\u00edtica para seleccionar y explorar las distintas acciones posibles que permiten avanzar durante cada experimento. Como ejemplo podemos citar el entrenamiento de un agente para jugar al ajedrez. El agente (controlado por el algoritmo) juega repetidamente contra s\u00ed mismo o contra otros oponentes. Despu\u00e9s de cada juego, recibe una recompensa (por ejemplo, +1 si gana, 0 si empata, -1 si pierde). Utilizando estas recompensas como retroalimentaci\u00f3n, el agente ajusta su estrategia y mejora gradualmente su desempe\u00f1o a medida que juega.<\/p>

Redes neuronales<\/h5>

Dada la importancia actual de las redes neuronales y sus arquitecturas de aprendizaje profundo, en otro art\u00edculo de este n\u00famero se tratan en detalle el estado del arte y sus aplicaciones.<\/p>

Conclusiones<\/h5>

En este art\u00edculo se busc\u00f3 presentar algunas de las t\u00e9cnicas que actualmente tienen mayor relevancia en la inteligencia artificial, explicando en qu\u00e9 consisten y dando algunos datos del contexto hist\u00f3rico. Este es un campo floreciente y en pleno crecimiento, irrumpiendo en cada rinc\u00f3n de la vida cotidiana y la industria.<\/p>

Esto se pudo dar en parte gracias al avance de la capacidad de c\u00f3mputo que proporcionan las placas de procesamiento GPU, TPU y otras tecnolog\u00edas especializadas en inteligencia artificial, como las FPGA, y la gran cantidad de datos disponibles que proporcionan los sistemas de almacenamiento en la nube, as\u00ed como la eficiencia y complejidad alcanzada por los algoritmos de IA.<\/p>

En este contexto surgen las redes profundas, en donde la extracci\u00f3n de caracter\u00edsticas puede ser realizada en forma autom\u00e1tica, siendo este el enfoque actual de la IA, donde los algoritmos de Aprendizaje Autom\u00e1tico Profundo (Deep Learning) tienen la capacidad de aprender directamente de los datos. Este tipo de algoritmos se caracteriza por tener un gran n\u00famero de par\u00e1metros entrenables, por lo cual son capaces de aprender funciones complejas y requieren gran capacidad de c\u00f3mputo. Actualmente hay una gran cantidad de \u00e1reas en las que se est\u00e1n aplicando, desde el procesamiento de audio hasta predicciones en el mercado de valores.<\/p>

Referencias bibliogr\u00e1ficas<\/span><\/h5>

Solano Funez, L.D. (2024). \u201cLa l\u00f3gica y su historia\u201d. https:\/\/www.timetoast.com\/timelines\/2316233<\/a><\/span><\/span>
The University of Manchester. (2008). \u201cThe Ferranti Mark 1\u201d. https:\/\/curation.cs.manchester.ac.uk\/digital60\/www.digital60.org\/birth\/manchestercomputers\/mark1\/ferranti.html<\/a><\/span><\/span>
Turing, A. (1950), \u201cComputing Machinery and Intelligence\u201d, Mind, LIX (236): 433\u2013460, doi:10.1093\/mind\/LIX.236.433, ISSN 0026-4423<\/span>
Von Ahn, L., Blum, M., Hopper, N. J., Langford, J. (2003) \u201cCAPTCHA: using Hard AI problems for security.\u201d Advances in Cryptology, Eurocrypt.<\/span>
Newell, A., Shaw, J. C., Simon, H. A. (1958). \u201cElements of a theory of human problem solving.\u201d Psychological Review, 65(3), 151\u2013166. https:\/\/doi.org\/10.1037\/h0048495<\/a><\/span><\/span>
Shortliffe E.H. (1977 )\u201cMycin: A Knowledge-Based Computer Program Applied to Infectious Diseases\u201d. Annual Meeting of the Society for Computer Medicine. 66\u20139. PMCID: PMC2464549.<\/span>
Sorin, Nadaban. (2022). Fuzzy Logic and Soft Computing\u2014Dedicated to the Centenary of the Birth of Lotfi A. Zadeh (1921\u20132017). Mathematics. 10. 3216. 10.3390\/math10173216. <\/span>
Singh, H. (2013) “Real-Life Applications of Fuzzy Logic”, Hindawi Open Access Journal, Advances in Fuzzy Systems, vol. 2013, Article ID 581879,. https:\/\/doi.org\/10.1155\/2013\/581879<\/a><\/span><\/span>
Turing, A.M. (1936). \u201cOn Computable Numbers, with an Application to the Entscheidungsproblem\u201d. Proceedings of the London Mathematical Society. 2 (1937) 42: 230-265. doi:10.1112\/plms\/s2-42.1.230<\/span>
Hoffman, K.L., Padberg, M., Rinaldi, G. (2013). \u201cTraveling Salesman Problem.\u201d In: Gass, S.I., Fu, M.C. (eds) Encyclopedia of Operations Research and Management Science. Springer, Boston, MA. https:\/\/doi.org\/10.1007\/978-1-4419-1153-7_1068<\/a><\/span><\/span>
Hart P., Nilsson N., Raphael B. (1968) \u201cA formal basis for the heuristic determination of minimum cost paths\u201d Systems Science and Cybernetics, IEEE Transactions, vol. 4, pp. 100\u2013107<\/span>
Holland, J. (1992). \u201cAdaptation in Natural and Artificial Systems\u201d Cambridge, MA: MIT Press. ISBN 978-0262581110.<\/span>
Fisher, D. K. (2024). \u201dEvolved Antenna\u201d. Jet Propulsion Laboratory. NASA https:\/\/www.jpl.nasa.gov\/nmp\/st5\/TECHNOLOGY\/antenna.html<\/a><\/span><\/span><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\n
\n<\/a>\n<\/a>\n<\/a>\n<\/a>\n<\/a>\n<\/a>\n<\/a><\/div>\n