Tema 10. Investigación en Sistemas Cognitivos

Tema 10
Investigación y Gestión de Proyectos en Inteligencia

Artificial
Tema 10. Investigación en

sistemas cognitivos
Índice
Esquema
Ideas clave
10.1. Introducción y objetivos
10.2. Introducción a la computación cognitiva
10.3. Elementos de un sistema cognitivo
10.4. Big data y computación cognitiva
10.5. Percepción computacional
10.6. Procesamiento de lenguaje natural
10.7. Proyectos de investigación sobre sistemas

cognitivos
10.8. Referencias bibliográficas
A fondo
The rise of cognitive computing
Watson and the Jeopardy! Challenge
Test
Esquema
Investigación y Gestión de Proyectos en Inteligencia Artificial 3

Tema 10. Esquema
© Universidad Internacional de La Rioja (UNIR)
Ideas clave
10.1. Introducción y objetivos
Los sistemas cognitivos están en auge en los últimos tiempos. Aquí se proporciona
una descripción conceptual de la computación cognitiva y un listado de sus
aplicaciones más inmediatas. Los objetivos planteados son los siguientes:
▸ Reconocer las peculiaridades de un sistema cognitivo.
▸ Conocer las utilidades de las aplicaciones cognitivas en el ámbito empresarial.
▸ Ser capaz de identificar limitaciones de los sistemas cognitivos.

Tema 10. Ideas clave
Ideas clave
10.2. Introducción a la computación cognitiva
En los últimos años algunos errores asociados a las aplicaciones de inteligencia
artificial han aparecido en los medios especializados. Conocido fue el caso de
chatbot de Microsoft, que en el mismo día realizó comentarios racistas, antisemitas e
incluso misóginos.
Accede a la noticia a través del siguiente enlace:

http://www.elmundo.es/tecnologia/2016/03/28/56f95c2146163fdd268b45d2.html
Pero hay más, como por ejemplo el caso del chatbot de Facebook que «inventó» un
nuevo idioma, el sistema de detección facial del iPhone X engañado por una
máscara, un coche de conducción autónoma involucrado en un accidente en Las

Vegas, etc.
Accede al artículo a través del siguiente enlace:
https://medium.com/@Synced/2017-in-review-10-ai-failures-4a88da1bdf01
Estos errores son la prueba de que, aunque son muy importantes los logros
conseguidos por la disciplina, todavía queda mucho camino por recorrer.
Muchos de estos fallos se deben a que los creadores de las aplicaciones no han sido
capaces de proporcionar a la máquina el contexto adecuado a su caso de uso.
Por ejemplo, en el caso de Face ID, la aplicación de reconocimiento facial
del móvil iPhone X, los desarrolladores han entrenado a la aplicación para
poder identificar rostros y, por consiguiente, personas. Pero una persona
está unida a un tronco, tiene una cabeza, respira… Realmente, ¿entiende
la máquina que está identificando a una persona o, por el contrario, se

Ideas clave
limita a analizar unas similitudes entre dos representaciones de una
realidad? ¿Entiende la máquina de forma plena el contexto de la actividad
que está realizando? La respuesta a esta pregunta no es trivial, porque
primero tendremos que acordar qué significa «entiende». No obstante,
parece obvio que la máquina maneja un contexto mucho más reducido
que el que contempla un humano, puesto que este último nunca hubiese
proporcionado acceso al teléfono a alguien con una máscara. El humano
(medianamente avispado) reconocería que se trata de una máscara y
pediría a su portador que se identificase correctamente.
La computación cognitiva se ocupa de la búsqueda de soluciones
eficientes que permitan a los humanos colaborar con las máquinas de
forma plena y eficaz, para generar nuevos conocimientos y
experiencias.
Para ello, una de las principales necesidades es proporcionar a la máquina
contexto sobre el entorno y el objetivo a conseguir. Por este motivo, las
soluciones cognitivas deben hacer uso de un volumen de información muy amplio y
diverso, surge aquí la relación entre la computación cognitiva y el paradigma big
data.
La gran disponibilidad de datos, la reducción del coste de almacenamiento y las
mejoras tecnológicas que permiten procesar grandes volúmenes de datos a altas
velocidades han impulsado este tipo de soluciones.
Un sistema cognitivo se compone fundamentalmente de tres principios

fundamentales:
▸ Aprendizaje: el sistema debe ser capaz de aprender en base a un conjunto de
observaciones y realizar predicciones sobre un dominio concreto.

Ideas clave
▸ Modelado: el aprendizaje toma como base la representación de un modelo y un
conjunto de reglas de inferencia.
▸ Generación de hipótesis: un sistema cognitivo debe asumir que no existe una
única respuesta válida. Es decir, un sistema cognitivo es un sistema probabilístico

capaz de emitir varias respuestas dando una probabilidad a cada una de ellas.
Estos tres principios fundamentales se basan todos en el almacenamiento,
catalogación y uso eficiente de datos que guían la toma de decisiones. Los
sistemas cognitivos se encuentran todavía en una fase de desarrollo incipiente. El

desarrollo de este tipo de productos involucra aspectos provenientes de otras
disciplinas técnicas como el aprendizaje automático, el procesamiento de grandes
volúmenes de datos, el internet de las cosas, procesamiento del lenguaje natural,
razonamiento probabilístico, visualización, etc.
Los sistemas cognitivos están orientados a entornos probabilísticos, no
determinísticos.
Un ejemplo típico de este escenario es el entorno clínico. Los síntomas del
paciente invitan a pensar en una enfermedad concreta con una
determinada probabilidad de acierto. El trabajo del facultativo en muchas
ocasiones consiste en ir explorando el amplio abanico de opciones hasta

localizar la raíz del problema de forma concreta. En general, se puede
decir que este tipo de sistemas está enfocado para contextos que deben
trabajar en un entorno de incertidumbre teniendo a su disposición una
importante variedad de datos de distinta complejidad.

Ideas clave
10.3. Elementos de un sistema cognitivo
Un sistema cognitivo consta de diferentes elementos que incluyen desde la capa de
hardware al software y modelos implementados. Aunque cada solución concreta
particulariza su propio diseño, es posible caracterizar una serie de elementos
comunes. La Figura 1 muestra los componentes principales de un sistema cognitivo:
Figura 1. Elementos de un sistema cognitivo. Fuente: Hurwitz, Kaufman y Bowles, 2015.
Un sistema cognitivo se alimenta de datos. Estos datos pueden ser estructurados

(por ejemplo, los procedentes de bases de datos relacionales) o no estructurados
(fotografías, vídeos, sonido, texto…).
Los datos constituirán la base para la toma de decisiones. Gracias a ellos el
sistema puede interpretar el entorno y crear los modelos adecuados. Los datos
precisan de una infraestructura de almacenamiento. Esta infraestructura admite
muchas modalidades, normalmente basadas en productos en la nube.

Ideas clave
De cara a planificar los recursos necesarios, debemos comprender que un sistema
de estas características no solo tiene que almacenar los datos que recibe de entrada,
la propia actividad del sistema y los modelos desarrollados crean nuevos datos que
también alimentan al sistema. Además, el producto también puede contar con
fuentes de datos internas y permanentes como, por ejemplo, las referidas a
restricciones de contexto que se quieren mantener de forma constante.
El acceso a los datos se gestiona a través de una capa cuya labor es precisamente
intermediar con la capa de almacenamiento. El módulo de acceso a datos prepara
los datos para su consumo y es el encargado de verificar que la calidad de los
datos es adecuada, monitorizando constantemente el proceso. Sobre esta capa se
mantiene un corpus, con el cometido de codificar computacionalmente el
conocimiento existente, una capa de servicios de procesamiento y una capa de
servicios analíticos.
Un corpus de conocimiento estructura y codifica todo el conocimiento
asociado a un ámbito concreto. Para su construcción es habitual recurrir
al uso de ontologías. Estas ontologías permiten definir los conceptos,
establecer sus propiedades y fijar relaciones entre ellos.
De forma continuada un proceso de aprendizaje automático alimenta la toma de
decisiones del sistema. El proceso parte de una hipótesis como explicación
verificable ante un hecho observado. Dicha hipótesis es verificada mediante datos
para finalmente llegar a una conclusión que culmina en una acción o decisión. El
proceso de aprendizaje conlleva un ajuste continuo del modelo o de los modelos.
Por último, es preciso crear varios componentes que facilitan la interacción máquina-
humano e, incluso, máquina-máquina. La capa de visualización ayuda a interpretar
los resultados y acciones sugeridas por el sistema, mientras que los servicios API

Ideas clave
(por sus siglas en inglés: Application Program Interface) facilitan el acceso
automatizado a las funcionalidades que ofrece el sistema.
Diseño de sistemas cognitivos
En su sistema de computación cognitiva el modelo hace referencia tanto al corpus
como a los algoritmos que permiten ejecutar la toma de decisiones. El modelo
desarrollado por los programadores iniciales está cambiando continuamente. El
aprendizaje continuo es la esencia de un sistema cognitivo. Dicho aprendizaje
solo se culmina si el sistema es capaz de actualizar constantemente el modelo que
guía su actividad. Asegurar esta actualización continua del modelo es el principal
requisito a la hora de diseñar un sistema cognitivo.
Todo sistema cognitivo se debe diseñar de forma que:
▸ Permita la ingesta en el sistema de toda la información necesaria.
▸ Organice los datos de forma que se permita el acceso y análisis de forma eficiente.
▸ Permita actualizar el corpus y los modelos iniciales.
▸ Asegure el cumplimiento de la normativa vigente y los estándares de seguridad
adecuados.
▸ Permita emplear las técnicas adecuadas para la extracción de conocimiento y toma
de decisiones.
Ontologías
Las ontologías permiten la representación formal de los conceptos de un
dominio y las relaciones entre ellos. De esta forma no solo se modela el
conocimiento existente, sino que, además, permite la estandarización del dominio

Ideas clave
creando un mapa conceptual que es compartido y comúnmente usado. Las
ontologías facilitan el almacenamiento ordenado de información, la búsqueda de
recursos y la comunicación entre distintos dispositivos. Gracias a las ontologías
podemos también formalizar muchas de las suposiciones de partida entre los
elementos, en base a relaciones entre conceptos, atributos de los elementos, etc.
Las ontologías se suelen representar gráficamente en forma de grafo para facilitar su
comprensión.
Figura 2. Ejemplo de parte de una ontología asociada al dominio del vino. Fuente:
https://protege.stanford.edu/publications/ontology_development/image002.jpg

Ideas clave
Otro ejemplo algo más elaborado podría ser el que representa la Figura 3.
Figura 3. Ejemplo de ontología clínica para una aplicación de telemedicina. Fuente:

https://www.researchgate.net/figure/E-health-application-ontology-Medical-applications-which-are-
currently-available-on-the_269700233
La herramienta Prótegé (https://protege.stanford.edu/), gestionada ahora por la
Universidad de Stanford en colaboración con la Universidad de Manchester, es una
de las herramientas más útiles para la creación de ontologías.

Ideas clave
10.4. Big data y computación cognitiva
Se ha insistido mucho en este tema en la necesidad de disponer de grandes
volúmenes de datos como materia primera para generar aplicaciones realmente
eficaces. En otro caso, los sistemas cognitivos podrían encontrar serias dificultades
para mostrar resultados consistentes, fiables y relevantes. Además, y dado que se
precisa tanto de datos estructurados como no estructurados, es necesario emplear
otras tecnologías distintas de las bases de datos relacionales, puesto que estas
últimas están diseñadas específicamente para interactuar con datos relacionales.
Big data no hace referencia a una tecnología concreta. Big data hace
referencia a un paradigma centrado en capturar información de fuentes
de datos diversas, que se generan a una velocidad considerable y con
un gran volumen. Y esta actividad viene inevitablemente unida a la
obtención de valor para el negocio.
Acumular datos sin más no tiene ningún sentido. Es la obtención de información útil y
conocimiento que apoye la toma de decisiones la razón de ser de este paradigma.
Las tecnologías que apoyan este nuevo proceso son varias y diversas. Intentado
hacer una generalización, podríamos detectar algunas grandes categorías:
▸ Bases de datos NoSQL (por sus siglas en inglés Structured Query Language).
▸ Sistemas de archivos distribuidos.
▸ Sistemas de cómputo en paralelo.

Ideas clave
Bases de datos NoSQL
NoSQL hace referencia a Non-only SQL. Estas bases de datos se caracterizan por
la facilidad de desarrollo, el desempeño escalable, la alta disponibilidad y la
resiliencia.
A cambio de permitir mayores cotas de flexibilidad y versatilidad, estas herramientas

han debido renunciar en mayor o menor medida a las propiedades ACID (Atomicity,
Consistency, Isolation and Durability) de los sistemas de bases de datos relacionales
tradicionales.
ACID, como acabamos de ver, es el acrónimo para referirse a las propiedades de
atomicidad, consistencia, aislamiento y durabilidad:
▸ La atomicidad implica que una transacción se ejecuta completamente o no se
ejecuta en absoluto.
▸ Consistencia quiere decir que una vez se ha ejecutado una transacción, los datos
deben acoplarse al esquema de la base de datos.
▸ El aislamiento requiere que las transacciones simultáneas se ejecuten por
separado.
▸ La durabilidad es la capacidad de recuperarse de un error inesperado del sistema o
de un corte de energía y volver al último estado conocido.
Mantener estas propiedades ayuda a construir bases de datos más robustas, menos
propensas a fallos y más formales. Sin embargo, para conseguir estas propiedades,
los sistemas gestores de bases de datos incurren en penalización de rendimiento
que no son sostenibles cuando la base de datos escala a grandes tamaños. Por ese

Ideas clave
motivo, los sistemas NoSQL buscan crear bases de datos sin estas restricciones
para ser mucho más rápidos y poder procesar mayor número de datos. A cambio,
estos sistemas son más vulnerables a fallos.
Existen diversos tipos de bases de datos NoSQL, incluyendo bases de datos
documentales y bases de datos orientadas a grafos. Un ejemplo es MongoDB o
Cassandra.
Sistemas de archivos distribuidos
Un sistema de archivos distribuidos proporciona un sistema de almacenamiento
permanente apoyándose en una infraestructura en red. De esta forma se puede
aprovechar el potencial de una red de computadoras y escalar las capacidades de

almacenamiento en un sistema multiusuario.
Los sistemas de archivos distribuidos son esenciales en el ecosistema big data. La
replicación de la información es una de sus características esenciales. De esta
forma se facilita el acceso concurrente de los usuarios a la información.
Adicionalmente, los sistemas big data de archivos distribuidos cuentan con una
configuración diferente a los sistemas de archivos tradicionales.
Una de las diferencias más relevantes es el tamaño de bloque de disco. El tamaño
de bloque de disco es mucho más grande en los sistemas big data que en sistemas
de archivos tradicionales. De esta forma y con una sola búsqueda y acceso se
accede a mucha más información de golpe. A cambio, los sistemas big data son una
muy mala opción si una de las funcionalidades principales del sistema debe ser la
actualización y modificación continua de la información.
Sistemas de cómputo en paralelo
Gran parte de los procesamientos de aprendizaje automático implican la realización

de múltiples cálculos repetitivos o susceptibles de ser descompuestos en tareas
similares que se realizan una y otra vez. Los sistemas de cómputo en paralelo

Ideas clave
aprovechan la capacidad de cálculo de redes de computadoras conectadas entre sí
proporcionando la escalabilidad de cómputo necesaria para procesar grandes
volúmenes de información de forma eficiente.

Ideas clave
10.5. Percepción computacional
L o s sistemas cognitivos intentan interactuar con los humanos usando su
mismo lenguaje. Como hemos comentado anteriormente, la idea es que los
sistemas cognitivos puedan procesar el lenguaje natural para que puedan entender a
los usuarios que los usan, por ejemplo, mediante órdenes de voz. También necesitan
en según qué entornos percibir lo que le rodea. La percepción computacional es una
serie de algoritmos que permiten a un software reconocer imágenes, sonidos, etc. De
forma que puede procesar la voz humana o puede procesar el rostro de una persona
para reconocerle.
Podemos definir la percepción como la capacidad de los organismos para obtener
información sobre su ambiente a partir de los efectos que los estímulos producen
sobre los sistemas sensoriales. La percepción computacional es la capacidad que
tiene las máquinas de imitar la percepción de los organismos.
Tradicionalmente, hacer que una computadora procesara imágenes, por ejemplo, en
tiempo real, era algo bastante difícil de conseguir. Sin embargo, con las mejoras de
las técnicas y el aumento de la potencia de cálculo disponible, actualmente un
computador puede reconocer, clasificar, etiquetar y analizar imágenes de
forma bastante solvente. Aunque sigue siendo una de las tareas pendientes de
mejora, las técnicas de machine learning utilizadas para la visión por computador,
por ejemplo, nos permiten hacer cosas que eran impensables hace tiempo.
Las redes más usadas para el procesado de imágenes son las redes
convolucionales y los autoencoders. Estas se van aplicando por capas y estas
capas se concatenan unas con las otras. Es muy típico que en las primeras capas la
red aprenda unas simples características y sobre ellas se va construyendo otras
capas que realizan otras áreas, por ejemplo, la diferenciación de objetos.

Ideas clave
Los autoencoders ayudan a la extracción de características de una imagen, lo que
hace que se elimine el paso previo de clasificación que se solía dar antiguamente.
L a s redes convolucionales se utilizan también para procesar las imágenes.
Normalmente se aplican en las primeras capas para extraer características, reducir la
dimensión de la imagen, etc.
Finalmente, se suelen utilizar perceptrones multicapa simples para la etapa de
clasificación. Un ejemplo de esta arquitectura por capas se puede ver en la Figura 4.
Figura 4. Esquema de una red que procesa imágenes con diferentes capas. Fuente:
https://www.ellaberintodefalken.com/2019/10/vision-artificial-redes-convolucionales-CNN.html
Con estos modelos se han conseguido importantes avances en esta área. Aquí
tenemos un ejemplo de una aplicación para crear tiendas autónomas sin
dependientes:
Accede al siguiente enlace: https://computerhoy.com/noticias/tecnologia/startup-
francesa-tiendas-autonomas-inteligencia-vision-artificial-712177
La visión artificial tiene diferentes aplicaciones, podemos resumirlas como:

Ideas clave
▸ Reconocimiento de objetos: decir qué objetos hay en una imagen, etiquetar las
caras en una fotografía, etc.
▸ Reconstrucción de objetos 3D a partir de objetos 2D. Poder construir a partir de
una serie de imágenes en 2D un objeto en 3D. Se le suele denominar fotometría.
▸ Análisis de vídeo: reconocer en tiempo real intrusos, la posición de un objeto, la
distancia. A veces se apoyan en sensores de infrarrojo que ayudan a estos cálculos.
▸ Aplicaciones industriales. Por ejemplo, se utiliza visión artificial para el control de
calidad de ciertos productos, para su clasificación, el guiado de robots, la medición

de objetos, etc.
Para conseguir esos resultados se necesita normalmente varias etapas.
Normalmente hay que procesar de alguna forma la señal visual para ayudar a los
algoritmos de machine learning a trabajar con las imágenes. Así que pueden
procesarse la imagen para eliminar ruido, aplicar la transformada de Fourier para
analizarla, detectar los bordes de los objetos, etc.
La iluminación es un aspecto clave en la visión artificial. Muchas veces un objeto no
se reconoce por cambios en la iluminación de la escena. Así que, si utilizamos la
visión artificial en un entorno controlado, es mejor ayudar al sistema de visión con
una iluminación apropiada.
Ventajas de la visión artificial
Algunas ventajas de la visión artificial sobre la humana son las siguientes: la
visión humana es mejor para la interpretación cualitativa y para interpretar escenas
sin estructura, mientras que en la visión artificial destaca que es mejor en tomar
medidas cuantitativas sobre escenas con cierta estructura, precisión y repetibilidad.

Ideas clave
Por ejemplo, en una línea de producción, un sistema de visión artificial puede
inspeccionar cientos, o incluso miles, de piezas por minuto. También puede procesar
detalles más pequeños si la cámara tiene mucha resolución o aumento.
Procesamiento y generación de sonido
Además de la visión como percepción computacional debemos tener en cuenta
también el procesamiento del sonido. Y no solo el procesamiento sino la
generación de sonido. Trabajos relacionados con esta área son los siguientes:
▸ Síntesis de voz.
▸ Reconocimiento del habla.
▸ Traducción automática.
▸ Generación de música.
▸ Reconocimiento de objetos mediante el audio.

Ideas clave
10.6. Procesamiento de lenguaje natural
Se ha insistido mucho en lo que llevamos de tema en que los sistemas cognitivos
introducen nuevos elementos en la relación humano-máquina. Efectivamente,
muchos de estos sistemas contemplan en su funcionalidad una interacción continua
entre las personas y las máquinas.
El principal medio de expresión de los humanos es el lenguaje, ya sea oral o escrito.
Por tanto, las técnicas de procesamiento del lenguaje natural forman un papel
esencial aquí.
Para comprender el mensaje emitido, las técnicas de procesamiento del lenguaje
natural deben considerar el momento o fecha en la que se emite el mensaje,
identificar al emisor, detectar los pronombres y reconocer a quién se están refiriendo,
quién habla de quién, etc.
Es preciso catalogar correctamente los diferentes conceptos (personas, lugares,
cosas) y la relación que guardan entre ellos. El orden de las palabras, la propia
sintaxis, el uso de sinónimos y antónimos, frases hechas…, producen variaciones y
particularizaciones del significado que es preciso aprehender.
La ambigüedad y el uso de palabras como los conectores contribuyen a añadir una
capa adicional de complejidad al proceso. El análisis probabilístico de las palabras

que aparecen (y el orden en el que lo hacen) en los textos empleados durante el
proceso de aprendizaje puede añadir algo de claridad a la tarea.
Las cadenas de Márkov son ampliamente utilizadas para el análisis probabilístico de
cadenas de texto. En la teoría de la probabilidad se conoce como cadena de Márkov
o modelo de Márkov a un tipo especial de proceso estocástico discreto en el que
la probabilidad de que ocurra un evento depende solamente del evento
inmediatamente anterior.

Ideas clave
Esta característica de falta de memoria recibe el nombre de propiedad de
Markov: https://es.wikipedia.org/wiki/Cadena_de_M%C3%A1rkov
El lenguaje hablado o escrito constituye un ejemplo de dato no estructurado.
Interpretar correctamente mensajes lingüísticos es una tarea nada trivial debido a la
importancia del contexto. El significado de una expresión concreta puede variar en
función de la situación y la entonación. Por ejemplo, imaginemos el siguiente diálogo:
—Buenas tardes, Sr. Martín. Le llamamos del servicio de atención al
cliente para hacerle una pregunta rápida que nos ayuda a mejorar: ¿está
satisfecho con nuestros servicios?
—Sí, mucho.
¿Qué ha interpretado la operadora ante la respuesta del cliente? Leyendo
el texto sin disponer de más información, parece simple deducir que la
respuesta del cliente es positiva. Por tanto, un punto extra para la
compañía y su impecable servicio. No obstante, un mensaje oral viene
acompañado de una entonación concreta. El tono del mensaje forma parte
del mensaje al igual que los gestos del emisor. El tono del mensaje puede
transmitir sarcasmo, ironía, alegría y un sinfín de connotaciones que
complementan el mensaje.
Las técnicas de deep learning han permitido evolucionar las técnicas de
procesamiento del lenguaje gracias a su potencia para representar el proceso de
aprendizaje y el propio conocimiento. En este ámbito, una de las mayores
innovaciones ha sido considerar el vecindario de una palabra como fuente muy

Ideas clave
relevante para determinar el significado concreto de esa palabra. De esta forma,
gracias al deep learning se ha conseguido crear redes que son capaces de
categorizar una palabra por proximidad, usando redes de reducción de
dimensionalidad con algoritmos no supervisados. Estos algoritmos se conocen con el
nombre de embeding y permiten comprimir una red de palabras representada como
vectores equidistantes de un espacio multidimensional K (por ejemplo, usando one-
hot encoding) a un espacio multidimensional N menor que K que representa la
distancia semántica entre diferentes palabras. Una de las principales herramientas
para conseguir esto es Word2vec. Word2Vec es una red preentrenada que agrupa
palabras de forma compacta.
Figura 5. Ejemplo de uso de Word2vec con ciertas palabras. Fuente:

https://www.springboard.com/blog/introduction-word-embeddings/
Usando este tipo de herramientas se consigue codificar palabras que, usando redes
de neuronas profundas, son capaces de realizar multitud de tareas.
De forma concreta, se han mostrado aplicaciones muy relevantes en campos
como:
▸ Clasificación de texto y documentos: incluyendo clasificar mensajes según la
tonalidad positiva o negativa mostrada, filtrado de correo electrónico no deseado,

clasificación automática de noticias, sentencias, informes, según su categoría, etc.

Ideas clave
▸ Modelado del lenguaje: con el objetivo de sugerir correcciones gramaticales,
sugerencias de palabras, etc.
▸ Reconocimiento del habla: posibilitando, por ejemplo, generar de forma automática
los subtítulos de un vídeo.
▸ Descripción automática: posibilitando describir una imagen, vídeo… de forma
automática.
▸ Traducción automática.
▸ Resumen automático de documentos: lo que permitiría, por ejemplo, resumir de
forma automática una sentencia judicial.
▸ Respuesta automática: faculta a la máquina para interactuar con el humano
proporcionando de forma directa la pregunta a una pregunta formulada.
▸ Generación automática de texto (GPT 2/3).

Ideas clave
10.7. Proyectos de investigación sobre sistemas

cognitivos
A nivel empresarial, el objetivo principal de la computación cognitiva es apoyar el
proceso de toma de decisiones presentando el conocimiento necesario en el
momento oportuno de la forma adecuada. Gracias a estas aplicaciones, las
compañías pueden diferenciar sus productos y servicios y obtener ventaja sobre sus
competidores.

Ideas clave
10.8. Referencias bibliográficas
Hurwitz, J., Kaufman, M. y Bowles, A. (2015). Cognitive Computing and Big Data
Analytics. Estados Unidos: Wiley.

A fondo
The rise of cognitive computing
Dickinson, M. (9 de noviembre de 2016). The rise of cognitive computing. BBC
Future. Recuperado de http://www.bbc.com/storyworks/future/an-intelligent-
future/the-rise-of-cognitive-computing
Reportaje de la BBC sobre la computación cognitiva, aplicaciones y futuro.

Tema 10. A fondo
A fondo
Watson and the Jeopardy! Challenge
IBM Research (6 de noviembre de 2013). Watson and the Jeopardy! Challenge
[Vídeo]. YouTube. Recuperado de https://youtu.be/P18EdAKuC1U
Este vídeo nos permite conocer un poco más a fondo la historia de Watson y su
participación en el programa Jeopardy.

Tema 10. A fondo
Test
1. En lo que se refiere a la relación entre big data y computación cognitiva:
A. Las soluciones cognitivas ayudan a que las tecnologías big data sean más
eficientes.
B. Los sistemas cognitivos se alimentan de información big data para tomar
las mejores decisiones.
C. Ambos usan las mismas tecnologías.
D. La computación cognitiva abarata los costes de las tecnologías big data.
2. Los tres principios fundamentales que componen un sistema cognitivo son:
A. Aprendizaje, modelado y análisis estadístico.
B. Inferencia, modelado y módulo de procesamiento de lenguaje natural.
C. Aprendizaje, modelado y módulo de procesamiento de lenguaje natural.
D. Aprendizaje, modelado y generación de hipótesis.
3. Son elementos de un sistema cognitivo:
A. Una infraestructura de almacenamiento.
B. Una capa de servicios analíticos.
C. Una capa de servicios de visualización.
D. Todos los anteriores.
4. Las ontologías sirven para:
A. Representar formalmente el conocimiento asociado a un dominio con las
relaciones entre conceptos.
B. Analizar grafos.
C. Acceder a datos big data.
D. Ninguno de los anteriores.

Tema 10. Test
Test
5. Para diseñar un sistema cognitivo se debe tener en cuenta:
A. Organizar los datos de forma eficiente.
B. Permitir la ingesta de todos los datos necesarios.
C. Asegurar el cumplimiento de la normativa vigente.
D. Todas las anteriores.
6. ¿Qué es el embedding?
A. Usar tecnologías deep learning para clasificar palabras en grupos
gramaticales.
B. El uso de deep learning para agrupar texto como vectores de distancia de
forma compacta.
C. Emplear deep learning para generar texto de forma automática.
D. Ninguna de las anteriores.
7. Las bases de datos NoSQL:
A. Son adecuadas para datos estructurados.
B. Son las más lentas de todas.
C. Son adecuadas para datos no estructurados.
D. Prohíben el uso de SQL o variantes parecidas.
8. Los sistemas de archivos distribuidos para el big data:
A. No replican los datos, pues es ineficiente.
B. Replican la información para agilizar el acceso.
C. Tienen un tamaño de bloque similar a los sistemas operativos básicos.

D. Todas la anteriores son ciertas.

Tema 10. Test
Test
9. El sistema de IBM Watson:
A. Es un ejemplo muy primitivo de lo que se puede conseguir con la
computación cognitiva.
B. Es una innovación total que ya está preparado para usarse a gran escala
independientemente del dominio en multitud de entornos, aunque todavía hay
un campo grande de mejora e investigación.
C. Ha resultado un fracaso total.
D. No tiene aplicaciones comerciales.
10. Los sistemas de percepción computacional han mejorado mucho en los últimos
años principalmente debido a:
A. Al descubrimiento de nuevos algoritmos de filtrado de imagen.
B. A la mejora de los modelos basados en deep learning y el aumento de la
capacidad computacional.
C. A un aumento de la capacidad de las cámaras y sensores disponibles.
D. Ninguna de las anteriores.

Tema 10. Test

Tema 10. Investigación en Sistemas Cognitivos

Cargado por

Copyright:

Formatos disponibles

Tema 10. Investigación en Sistemas Cognitivos

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Tema 10. Investigación en Sistemas Cognitivos

Cargado por

Copyright:

Formatos disponibles

Tema 10

Investigación y Gestión de Proyectos en Inteligencia

Tema 10. Investigación en

10.1. Introducción y objetivos

10.2. Introducción a la computación cognitiva

10.3. Elementos de un sistema cognitivo

10.4. Big data y computación cognitiva

10.5. Percepción computacional

10.6. Procesamiento de lenguaje natural

10.7. Proyectos de investigación sobre sistemas

10.8. Referencias bibliográficas

The rise of cognitive computing

Watson and the Jeopardy! Challenge

Investigación y Gestión de Proyectos en Inteligencia Artificial 3

10.1. Introducción y objetivos

una descripción conceptual de la computación cognitiva y un listado de sus

aplicaciones más inmediatas. Los objetivos planteados son los siguientes:

▸ Reconocer las peculiaridades de un sistema cognitivo.

▸ Conocer las utilidades de las aplicaciones cognitivas en el ámbito empresarial.

▸ Ser capaz de identificar limitaciones de los sistemas cognitivos.

Investigación y Gestión de Proyectos en Inteligencia Artificial 4

10.2. Introducción a la computación cognitiva

En los últimos años algunos errores asociados a las aplicaciones de inteligencia

artiﬁcial han aparecido en los medios especializados. Conocido fue el caso de

chatbot de Microsoft, que en el mismo día realizó comentarios racistas, antisemitas e

Accede a la noticia a través del siguiente enlace:

máscara, un coche de conducción autónoma involucrado en un accidente en Las

Accede al artículo a través del siguiente enlace:

conseguidos por la disciplina, todavía queda mucho camino por recorrer.

capaces de proporcionar a la máquina el contexto adecuado a su caso de uso.

Por ejemplo, en el caso de Face ID, la aplicación de reconocimiento facial

del móvil iPhone X, los desarrolladores han entrenado a la aplicación para

poder identiﬁcar rostros y, por consiguiente, personas. Pero una persona

está unida a un tronco, tiene una cabeza, respira… Realmente, ¿entiende

la máquina que está identiﬁcando a una persona o, por el contrario, se

Investigación y Gestión de Proyectos en Inteligencia Artificial 5

limita a analizar unas similitudes entre dos representaciones de una

realidad? ¿Entiende la máquina de forma plena el contexto de la actividad

que está realizando? La respuesta a esta pregunta no es trivial, porque

primero tendremos que acordar qué signiﬁca «entiende». No obstante,

parece obvio que la máquina maneja un contexto mucho más reducido

proporcionado acceso al teléfono a alguien con una máscara. El humano

(medianamente avispado) reconocería que se trata de una máscara y

pediría a su portador que se identificase correctamente.

La computación cognitiva se ocupa de la búsqueda de soluciones

eficientes que permitan a los humanos colaborar con las máquinas de

forma plena y eficaz, para generar nuevos conocimientos y

Para ello, una de las principales necesidades es proporcionar a la máquina

contexto sobre el entorno y el objetivo a conseguir. Por este motivo, las

soluciones cognitivas deben hacer uso de un volumen de información muy amplio y

diverso, surge aquí la relación entre la computación cognitiva y el paradigma big

La gran disponibilidad de datos, la reducción del coste de almacenamiento y las

mejoras tecnológicas que permiten procesar grandes volúmenes de datos a altas

velocidades han impulsado este tipo de soluciones.

Un sistema cognitivo se compone fundamentalmente de tres principios

▸ Aprendizaje: el sistema debe ser capaz de aprender en base a un conjunto de

observaciones y realizar predicciones sobre un dominio concreto.

Investigación y Gestión de Proyectos en Inteligencia Artificial 6

▸ Modelado: el aprendizaje toma como base la representación de un modelo y un