INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

1

INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL

Autor: Jorge O. Chávez Salas, M.Sc.

Doctorante en el Programa de Ciencia y Tecnología, Facultad de Tecnología, Universidad Mayor de San Andrés, La Paz, Bolivia.

Tutor de Tesis de Doctorado: Luis Oscar Cardenas, Ph.D.

Fecha de elaboración: 06 de Mayo de 2021

ABSTRACT

The current paper, has the aim of introducing, non-specialists, to “Artificial Intelligence” (AI) field;

this field of knowledge, en recent years, has been experiencing an almost exponential grow, and is constantly, producing a greater impact in economy and businesses, all around the world. This paper, introduces the definition of AI; shows its relevancy in current world; explains related fields and terms;

describes its evolution and subfields; and lastly, presents an overview of its, most well known, techniques, models and algorithms.

RESUMEN

El presente artículo, tiene como propósito el introducir, a no especialistas, al campo de la “Inteligencia Artificial” (AI por sus siglas en inglés); este campo del conocimiento, en los últimos años, viene experimentando un crecimiento casi exponencial, y cada vez, va produciendo un mayor impacto en la economía y negocios, en todo el mundo. Este artículo, presenta la definición de AI; muestra su relevancia en el mundo actual; explica campos y términos relacionados; describe su evolución y sub- campos; y por último, presenta un panorama general de sus técnicas, modelos y algoritmos más conocidos.

PALABRAS CLAVES ¹

Inteligencia Artificial, Artificial Intelligence, Aprendizaje de Máquina, Machine Learning, Minería de Datos, Data Mining, Big Data, Ciencia de Datos, Data Science, Ingeniería de Datos, Business Intelligence, Business Analytics, Ingeniería de Conocimiento.

INTRODUCCIÓN²

En la actualidad, el uso de “Inteligencia Artificial” (AI), junto con “Ciencia de Datos” (DS por su nombre en inglés “Data Science“) y “Big Data” (BD), ha crecido enormemente en los negocios e industria, especialmente en los países desarrollados. Se estima que, en los próximos diez años, millones de personas en los países desarrollados perderán sus empleos, reemplazados por sistemas

1 Nota sobre el uso de términos en inglés: En este artículo usaremos, preferentemente, los nombres y siglas en inglés, de los términos técnicos, debido a que la literatura más actualizada en este campo, se sigue produciendo en inglés, y además, porque los términos fueron popularizados de esta manera, en la comunidad informática y científica hispanoparlante. Así, por ejemplo, usaremos la sigla “AI” para designar “Inteligencia Artificial” según su nombre en inglés, “Artificial Intelligence”.

2 Conceptos basados parcialmente en el artículo de Data-Flair. Referencia [1]

2 inteligentes, por ejemplo: en conducción automatizada de taxis y camiones, servicios virtuales, atención al cliente, banca, diagnóstico médico, etc. Inteligencia Artificial, es la rama de las ciencias de la computación, que estudia y desarrolla sistemas informáticos inteligentes, llamados agentes inteligentes, que imitan la toma de decisiones y conducta humana racional; Ciencia de Datos, es la disciplina que analiza y procesa datos para obtener conocimiento a partir de ellos; tiene amplias aplicaciones en los gobiernos y negocios; Big Data, es la rama de la tecnología, que procesa grandes volúmenes de datos, utilizando, para ello, diferentes herramientas de ciencias de la computación.

Respecto a la Ciencia de Datos, se puede afirmar que, básicamente, es la aplicación del método científico, tradicionalmente utilizado desde la revolución científica del siglo XVI, a los negocios actuales, los cuales se han vuelto muy competitivos, eficientes y altamente productivos; y manejan grandes volúmenes de datos. Utiliza conocimientos y técnicas de tres áreas: Matemáticas/Estadística;

Computación; y el campo de conocimiento de aplicación, que puede ser, por ejemplo: gobierno, economía, industria, tecnología, comercio, finanzas, etc. La Ciencia de Datos se ha popularizado mucho, en los últimos diez años, entre las grandes empresas, particularmente en Estados Unidos. Se puede decir que, hoy en día, ninguna empresa importante puede ser competitiva, si no hace un uso provechoso de la Ciencia de Datos para la toma de decisiones de negocios inteligentes.

Si bien “Big Data” es un término del cual se viene hablando bastante, en recientes años, en las áreas empresarial y tecnológica, es, en realidad, parte de un campo aún más amplio, que se llama

“Ingeniería de Datos” o “Data Engineering” (DE) en inglés, la misma que comprende todas las técnicas y herramientas informáticas, necesarias para desarrollar amplias infraestructuras computacionales para captura, almacenamiento, procesamiento y presentación de datos. Las herramientas de Hardware y Software que esta ingeniería usa son: algoritmos, lenguajes de programación, sistemas de bases de datos, arquitecturas computacionales, computación paralela, cloud computing, sistemas operativos específicos, redes, etc.

Inteligencia Artificial, Ciencia de Datos y Big Data se encuentran interrelacionadas entre sí, ya que tienen muchas herramientas en común. Sin embargo, se diferencian principalmente por sus objetivos y aplicaciones, según se explica más arriba, por lo que, es bueno diferenciarlas. En el Gráfico 1, se presenta un diagrama de Venn simple, que expresa las intersecciones entre estas tres áreas. En el mismo, se puede ver que la intersección entre AI y DS se denomina Machine Learning, la cuál es la disciplina que busca la construcción de sistemas inteligentes con la capacidad de aprender dinámicamente de los datos. También, se observa en el gráfico, que en la intersección entre AI y DE, se encuentra el Software Engineering, la rama de la computación que se encarga del desarrollo de algoritmos y aplicaciones informáticas. Por último, se observa, en el gráfico, que en la intersección entre DS y DE, se encuentra el Data Wrangling (DW), que es la rama que se encarga de extraer, cargar y transformar datos, proceso también conocido como ELT (Extract, Load & Transform), para propósitos de análisis o visualización.

3 GRÁFICO 1: Interrelaciones entre AI, DS y DE ³

Además, se puede mencionar, los términos relacionados: “Business Intelligence” (BI), “Data Mining”

(DM) y “Business Analytics” (BA). El primero (BI) se refiere al área de la computación que procesa, analiza y visualiza datos para aplicaciones de negocios; el segundo (DM), se refiere a las técnicas para encontrar patrones en los datos y realizar predicciones en base a los mismos; y el tercero (BA), se refiere, al proceso completo de preparar datos, analizar datos, realizar predicciones y visualizaciones para un negocio. Se podría decir, a grosso modo, que BA = DW + DM + BI. En el Gráfico 2, se ilustran estas relaciones. Estos cuatro campos, forman parte, más propiamente, de Ciencia de Datos, aunque, evidentemente, comparten muchas similitudes con las técnicas de Inteligencia Artificial. En particular, se debe señalar que, “Data Mining” (DM) y “Machine Learning”

(ML) son dos términos que se refieren aproximadamente a la misma disciplina, es decir DM ≈ ML, aunque, el primero se usa más en el ámbito de Ciencia de Datos; y el segundo, más en el ámbito de Inteligencia Artificial.

GRÁFICO 2: Relaciones entre DW, DM, BI y BA ⁴

3 Fuente: Elaboración propia, adaptado de Data-Flair. Referencia [1].

4 Fuente: Elaboración propia.

Artificial Intelligence

Data

Engineering ^Data _Wrangling Data Science

Machine Learning Software

Engineering Data

Data Wrangling

Data Mining

Business Intelligence

Business Analytics

Data Science

4 EVOLUCIÓN DE LA INTELIGENCIA ARTIFICIAL

Las 4 revoluciones industriales ⁵

La primera revolución industrial, se produjo alrededor de 1784, a partir de la invención de la máquina de vapor y sus consecuencias como el ferrocarril y la producción mecánica. Esta revolución permitió a países como Inglaterra, Alemania y Estados Unidos un aumento importante en su producción industrial y por lo tanto un rápido crecimiento económico durante casi un siglo. La segunda revolución industrial, se produjo alrededor de 1870, a raíz de la invención de las plantas de generación y redes de distribución de energía eléctrica, conjuntamente con el ensamblaje en línea y la producción en masa, la cual permitió a los países que la implementaron, convertirse en los países más ricos del mundo. La tercera revolución industrial, se produjo en los años 1960, a raíz de la invención de las computadoras, las cuáles impactaron el procesamiento de información en los negocios e industrias de prácticamente todo el mundo. La cuarta revolución industrial, en medio de la cual nos encontramos ahora, comenzó alrededor del año 2000, como consecuencia de la aplicación de Internet, Inteligencia Artificial, Robótica y Big Data en los negocios e industria. Se prevé que, esta última revolución, tendrá importantes repercusiones en la economía y política del siglo XXI.

Las 3 olas de la Inteligencia Artificial ⁶

La tercera revolución industrial, tuvo como componente central la invención de las computadoras y la primera ola de la Inteligencia Artificial en los años 1960. Básicamente, las primeras aplicaciones de AI, conocidas como “Sistemas Expertos”, estaban basadas en la programación de reglas empíricas, la cuales tenían el objetivo de producir respuestas inteligentes a diversos problemas. Estas reglas provenían del conocimiento de un grupo de expertos en cada área. Por ejemplo, un sistema experto de diagnóstico médico, utilizaba reglas de asociación entre los síntomas y diversas patologías. Estas reglas constituían la base de conocimiento del sistema y provenían de la experiencia de un grupo de profesionales médicos. La primera ola trajo muchas expectativas, pero sufrió un estancamiento durante los años 1990, ya que los sistemas utilizados en ese entonces no podían ampliar sus conocimientos y por lo tanto no podían mejorar su rendimiento de manera automática, es decir, sin ser re-programados. La cronología de las revoluciones industriales y las olas de la AI se ilustran en el gráfico 3.

GRÁFICO 3: Cronología: revoluciones industriales y olas de la AI ⁷

1ra Revolución Industrial

2da Revolución Industrial

3ra Revolución Industrial

4ta Revolución Industrial 1ra Ola de la AI 2da Ola de la AI

La cuarta revolución industrial, que se inició en los años 2000, vino emparejada con la segunda ola de la AI, con el advenimiento de un grupo de nuevos modelos y técnicas, conocidos como

“Aprendizaje Estadístico” y “Aprendizaje de Máquina” o “Machine Learning” (ML) en inglés. Este grupo de técnicas, tienen la característica principal de que permiten al sistema inteligente aprender dinámicamente, es decir, ampliar su base de conocimientos, a partir de nuevos datos, a diferencia de

5 Descripción basada en Referencia [2]

6 Basado en Referencia [3]

7 Fuente: Elaboración Propia.

1780 1880 1960 2000 2021

5 los sistemas expertos de la primera ola, que tenían una base de conocimientos preestablecida, y no podían aprender. Entre sus aplicaciones tenemos: reconocimiento de imágenes, reconocimiento de voz, procesamiento de lenguaje natural, entre otras. Este tipo de técnicas de ML revolucionaron la AI y sus aplicaciones se ampliaron a todo tipo de negocios e industria, y propiciaron, entre otras tecnologías, como el Big Data y la Robótica, el inicio de la cuarta revolución industrial.

La tercera ola de la AI, en cuyos inicios estamos actualmente en 2021, se enfocará en la percepción, el aprendizaje, la generalización de ideas y conocimientos, la interpretación de significados (semántica) y la adaptación al contexto. Esto hará a la AI, más cercana a la forma en como los humanos procesan información y piensan. Sus principales desarrollos, aplicaciones e implicaciones aún están por verse, pero, se espera que tenga importantes aplicaciones y gran impacto en la tecnología y economía global del siglo 21.

AGENTES INTELIGENTES ⁸

La Inteligencia Artificial tiene como propósito, el imitar la toma de decisiones de los seres humanos.

En este sentido, un concepto fundamental en AI, es el concepto de agente inteligente, definido como un sistema que interactúa con su entorno y toma decisiones. Es decir, el agente recibe estímulos del mundo exterior, los procesa y toma acciones sobre el mismo. Estas acciones tienen como propósito el producir algún resultado o cambio en el entorno, el cuál nuevamente es percibo por el agente; este último paso, es conocido como “retroalimentación” (“feedback”). Este esquema, de interacción entre el agente inteligente y su entorno, es representado en el gráfico 3.

GRÁFICO 3: Agente inteligente y el mundo exterior ⁹

Este agente, para interactuar con su entorno, requiere cierto conocimiento, aunque sea parcial o provisional, del mismo. Si además, el agente tiene la capacidad de aprender, entonces, irá cambiando, gradualmente, su conocimiento del entorno, según los resultados obtenidos. Este conocimiento del mundo, generalmente se expresa como un modelo matemático del mismo. Este modelo puede tomar diversas formas, las cuáles pueden ser: reglas lógicas, funciones, probabilidades y otro tipo de relaciones entre variables. Una vez entendido el concepto de “Agente Inteligente”, como este interactúa con su entorno y utiliza modelos matemáticos para la toma decisiones, se puede clasificar y describir las distintas técnicas de la AI, como se hará en la siguiente sección.

8 Basado en Referencia [4]

9 Fuente: Elaboración propia.

Agente inteligente

Mundo exterior

i Salidas (output) Entradas (input)

Otros sistemas (perturbaciones)

6 PRINCIPALES TÉCNICAS DE AI ¹⁰

Como ya se señaló, los agentes inteligentes usan modelos matemáticos de su entorno. En esta sección, se desea presentar una clasificación y un panorama general, de dichos modelos y técnicas. En futuros artículos, se espera profundizar en algunos de ellos. Se dará una descripción de los cuatro grupos de técnicas de la AI, a saber: modelos estáticos, modelos de aprendizaje supervisado, modelos de aprendizaje no supervisado y otras técnicas complementarias.

1. Modelos estáticos (Sistemas expertos).

Los modelos estáticos son aquellos en los cuales, el conocimiento del mundo, por parte del agente inteligente, es fijo y se programa antes del inicio de operaciones de este. En esta categoría, los agentes no tienen la capacidad de aprender, solamente de percibir el entorno, procesar esos datos y tomar decisiones/acciones. Generalmente, esta base de conocimientos se expresa como un conjunto de reglas lógicas, ecuaciones funcionales o diferenciales, que representan un modelo del mundo.

Típicamente, estos agentes se llaman “sistemas expertos”. Por ejemplo, un sistema de diagnóstico médico, puede tener una tabla o conjunto de reglas programadas donde relaciona síntomas y patologías (Ver cuadro 1).

Cuadro 1: Ejemplo de reglas de diagnóstico médico ¹¹

Entradas Salida

Fiebre Tos Falta de respiración

Dolor de garganta

Dolor de cabeza

Dolor de cuerpo

Enfermedad

Sí Sí Sí No No No Pulmonía

Sí No No No Sí Sí Resfrío

común

Sí Sí No Sí No No Laringitis

Sí Sí Sí No Sí Sí COVID- 19

… … … …

Estos sistemas expertos fueron ampliamente desarrollados y utilizados durante la primera ola de la AI, en los años 1960 a 1990, pero no tenían la capacidad de aprendizaje, por lo que no eran tan eficaces a la hora de resolver problemas, como los sistemas de la segunda ola.

2. Modelos de aprendizaje supervisado

Los agentes inteligentes con la capacidad de aprendizaje, también tienen una base de conocimientos, solo que la misma, es dinámica, dependiendo de las interacciones del agente con su entorno y de los datos recolectados. Estos modelos se conocen como de “Aprendizaje Estadístico” o “Aprendizaje de Máquina” (Machine Learning). En primer lugar, se tienen los modelos conocidos como “modelos supervisados” que, a un conjunto de variables de entrada, asocian una o más variables de salida, ya sea de manera funcional o probabilística. El proceso de aprendizaje consiste en lo siguiente: comparar las salidas del modelo con las salidas de los datos de aprendizaje, la diferencia se conoce como error

10 Clasificación basada en Referencias [5] y [6]

11 Fuente: Elaboración propia. Datos ficticios.

7 del modelo, luego, ajustar la especificación del modelo y/o sus parámetros, hasta que el error disminuya por debajo de un valor mínimo aceptable.

2.1. Regresión Lineal y No Lineal

Es una técnica, en la cual, se desarrolla un modelo funcional lineal o no lineal (logarítmico, exponencial, polinómico), donde las variables de entrada son las variables independientes de la función, y la variable de salida es la variable dependiente de la función. Generalmente, se usa la técnica de mínimos cuadrados, para determinar los parámetros de la función que minimicen el error del modelo. Esta técnica solo funciona correctamente, cuando los datos pueden ajustarse a una de las formas funcionales mencionadas.

2.2. Regresión Logística

Esta es una técnica similar a la anterior, pero con la diferencia de que, la variable de salida es una variable categórica binaria (dicotómica) que toma 2 valores 1 y 0, por lo que es, en realidad, una técnica de clasificación en 2 grupos.

2.3. Clasificación K-NN

En esta técnica, conocida como K-Vecinos Próximos (K -Nearest Neighbors), primero, se ubican los datos de entrada como puntos en un plano o hiper-plano. Cuando se desea estimar la salida Y, correspondiente a un punto X, entonces, se encuentran los K puntos más próximos al punto X, y luego, se calcula el promedio de los valores de salida correspondientes estos vecinos, siendo Y estimado el promedio de dichos valores. Esta técnica funciona para todo tipo de función expresada en los datos, pero, es muy lenta para grandes volúmenes de datos.

2.4. Árboles de decisión y Random Forrest

Un árbol de decisión, es una técnica que, separa los datos según valores críticos de cada variable. Cada valor crítico representa una decisión, por ejemplo, x < 10 ó x >= 10 (nótese que lo que separa a los valores es la línea x=10). Combinando varias decisiones, se crean árboles de decisión que permiten clasificar los datos de entrada en pequeños grupos. El valor Y estimado, será el valor medio Y al cual pertenece el punto X. Esta técnica funciona apropiadamente, cuando los datos pueden clasificarse fácilmente en grupos según líneas paralelas a los ejes del vector X. Un conjunto de árboles de decisión se conoce como

“Random Forrest” o “Bosques Aleatorios”.

2.5. Regla de Bayes y Redes de Creencia

Una regla de Bayes, es un modelo probabilístico, donde se calcula la probabilidad condicional de Y dado X. Para cada valor de entrada X se puede calcular la probabilidad de la salida Y usando reglas de probabilidades. Cuando se combinan diferentes relaciones de probabilidad entre diferentes variables, se crea una red de creencia o mapa de conocimiento.

8 2.6. Redes Neuronales y Deep Learning

Esta técnica combina múltiples modelos de regresión logística, conocidos como nodos o neuronas, para estimar una salida codificada binaria, de esta manera se clasifican los puntos de entrada X en una de varias posibles clases. Estos nodos se organizan en varias capas, dando lugar a una red neuronal. Por ejemplo, en una red con al menos cuatro nodos de salidas binarias y1-y2-y3-y4, se podrá clasificar los puntos en 2x2x2x2=16 clases. Esta técnica es la mejor de todas, ya que permite representar cualquier tipo de relación funcional expresada en los datos, lo mismo de K-NN, pero de manera mucho más eficiente que K-NN. Cuando se tienen múltiples capas, la técnica se conoce como “Deep Learning”.

2.7. Lógica y Sistemas Difusos

Los sistemas difusos se expresan como un conjunto de reglas difusas de la siguiente forma:

“Si el objeto exterior se encuentra cercano al vehículo, entonces reducir la velocidad del mismo”. Esta regla, evidentemente contiene conceptos difusos, como “cercano” y “reducir la velocidad”, los cuales, gracias a la teoría de los conjuntos difusos (basados en lógica difusa) pueden expresarse numéricamente con mucho éxito.

3. Modelos de aprendizaje no supervisado

Los modelos de aprendizaje no supervisado, son aquellos en los que se analizan los datos y se trata de descubrir patrones en los mismos, que no tienen una forma funcional ya sea determinística o probabilística.

3.1. K-means clustering

El objetivo de esta técnica, es el de segmentar los individuos/casos observados, representados como puntos en un espacio n-dimensional, donde cada propiedad/variable representa una dimensión. Los segmentos de datos se conocen como clusters y sirven para entender los datos, tomar decisiones sobre ellos y aplicar otros modelos sobre los datos. Por ejemplo, un banco puede desear conocer como se pueden agrupar sus miles de clientes en clusters, para propósitos de marketing, análisis de comportamiento de clientes, aplicaciones CRM y aplicar modelos predictivos/supervisados.

3.2. Análisis Topológico de Datos

Esta técnica usa la teoría de la topología matemática, para encontrar clusters de datos, para grandes volúmenes de datos y de manera independiente de las métricas utilizadas para cada variable.

3.3. Reglas de Asociación

Las reglas de asociación permiten asociar variables, por ejemplo los clientes de un banco pueden tener propiedades como ser salario, patrimonio, créditos, familia, casa propia, etc. Y deseamos ver como se asocian estas variables entre sí.

9 4. Otras técnicas de AI

 Algoritmos de búsqueda

En aplicaciones de Inteligencia Artificial, como ser juegos y optimización, se requiere con frecuencia, buscar soluciones a problemas prácticos, para los cuales se usan diferentes algoritmos como ser “simulated annealing”, “algoritmo A*”, “juegos alfa-beta”, etc.

 Algoritmos Genéticos y Evolutivos

En AI, muchas veces es necesario que se optimicen funciones matemáticas de varias variables independientes, las cuales por su complejidad, no pueden optimizarse con los métodos tradicionales (cálculo, programación lineal, Lagrange), por lo que se usan algoritmos genéticos que buscan el óptimo, imitando el proceso de evolución biológica, en el cúal se combina la adaptación de los individuos y selección natural de los mismos.

 Procesos Estocásticos y Series temporales

Un proceso estocástico es una sucesión de variables estocásticas cuya realización es una serie temporal. Con estos modelos se puede modelar y predecir variables en el tiempo.

 Análisis de Componentes Principales

Es una técnica, basada en la descomposición de matrices de valores singulares, del algebra lineal, que permite reducir el número de variables en un problema de AI y de esta manera reducir la dimensionalidad del problema.

 Redes Semánticas y Ontologías

Una ontología en AI, es un conjunto de definiciones formales de conceptos o clases, sus atributos y relaciones. Cuando estos conceptos de organizan en un mapa conceptual, se llama red semántica. Esto permite aplicaciones como procesamiento del lenguaje natural, por ejemplo.

 Robótica

La robótica es la rama de la tecnología que se encarga de desarrollar máquinas autónomas, generalmente requiere desarrollar sensores, brazos mecánicos o actuadores, capacidad de movimiento o desplazamiento y requiere un procesador inteligente, programado con algoritmos de Inteligencia Artificial, para tomar decisiones inteligentes.

CONCLUSIÓN

En el presente artículo, hemos ofrecido, una breve introducción, al fascinante campo de la Inteligencia Artificial y sus campos asociados como ser Data Science, Big Data y otros. Además, hemos presentado, brevemente su evolución y sus principales técnicas. Hasta ahora, la segunda ola de la Inteligencia Artificial, a través de sus aplicaciones en la industria y negocios, ha tenido un gran impacto en la economía mundial. Algunos expertos señalan que, en este momento, nos encontramos en el inicio de la tercera ola de la Inteligencia Artificial, la cual promete mayor capacidad de abstracción y autonomía de los sistemas inteligentes, lo cual revolucionará la economía y sociedad

10 del futuro, aún más que la segunda ola. Esta situación nos indica que, es de mucha relevancia continuar con el estudio y la investigación en el campo de la Inteligencia Artificial, objetivo al cuál esperamos contribuir en próximos artículos.

REFERENCIAS

[1] Data Flair (2020). “Data Science vs Artificial Intelligence – Eliminate your Doubts”. https://data- flair.training/blogs/data-science-vs-artificial-intelligence/

[2] Avansis (2020). “Industria 4.0 ¿es realmente revolución o evolución?”

https://www.avansis.es/industria-4-0/industria-4-0-revolucion-evolucion/

[3] Launchbury, John (2020). “A DARPA Perspective on Artificial Intelligence”.

https://www.darpa.mil/attachments/AIFull.pdf

[4] Russell, Stuart J. y Norvig, Peter (1996). “Inteligencia Artificial – Un enfoque moderno”. Prentice Hall.

[5] Galit Shmueli, Peter C. Bruce, Nitin R. Patel (2016). “Data Mining for Business Analytics”. Wiley Publications.

[6] Paul Wilmott. (2019). “Machine Learning: An Applied Mathematics Introduction”. Panda Ohana Publishing.

[7] F. Escolano Ruiz, M.A. Cazorla Quevedo, Isabel Alfonso Galipienso, Otto Colomina Pardo,M.

Angel Lozano Ortega. (2003). “Inteligencia Artificial. Modelos, Técnicas y Áreas de Aplicación”.

Thomson Ediciones.

[8] José T. Palma Méndez y Roque Marín Morales (2008). “Inteligencia Artificial – Técnicas, Métodos y Aplicaciones”. Mc Graw Hill.